在《新英格兰医学杂志》近日发表的综述中，研究者揭示了初入行的医学生使用大语言模型（LLMs）作为学习工具时面临的监管挑战。文中着重指出"技能退化"（deskilling）风险——过度依赖人工智能会削弱基础临床推理能力；"错误技能习得"（mis-skilling）——采纳AI生成的错误信息；以及"从未习得核心技能"（never-skilling）三大核心问题。
研究团队提出名为"诊断、证据、反馈、教学、推荐与人工智能互动"（DEFT-AI）的结构化教育框架，并引入"生化人"（cyborg）和"半人马"（centaur）两种人机协作模型。前者强调医生与AI共同构建解决方案，适用于低风险常规任务但需警惕自动化偏见；后者主张医生保留高风险决策主导权，仅将AI用于数据整理等基础工作。这两种模型旨在帮助医生培养对AI输出的批判性审视能力。
文章特别指出"信任跳跃"现象——当临床工作者无法完全追溯AI输出时，需采取批判性停顿来评估其可靠性。数据显示，超过三分之一的高年级医学生未能识别LLM在临床场景中的错误答案，频繁使用AI工具反而与批判性思维能力呈显著负相关，这种影响在年轻群体中尤为明显。
研究建议采用链式思维提示法（chain-of-thought prompting）要求AI逐步解释推理过程，同时运用萨克特循证医学框架（ask, acquire, appraise, apply, assess）评估AI输出。教育者应通过"你使用的提示词是什么？""如何验证AI生成的内容？"等引导性问题，促进学习者超越AI答案本身进行深入思考。
值得注意的是，LLM的性能异质性和潜在偏见可能加剧医疗不平等。研究警示，若不加以规范，技术应用可能扩大而非缩小不同人群间的医疗差距。文章最终强调，医学教育必须通过重构临床推理教学方式，培养能够在AI辅助下保持自主判断的新型医疗人才，实现"验证后再信任"（verify and trust）的智能应用范式。
【全文结束】
