在医疗教育中使用人工智能：一项快速综述与评论Frontiers | Using AI in healthcare education: a rapid review and commentary

（译后标题：在医疗教育中使用人工智能：一项快速综述与评论）

摘要

人工智能正在迅速改变医疗保健和康复教育，为个性化学习、自适应评估和基于模拟的培训提供了新途径。本文对当前探索AI整合到医疗课程中的研究进行了快速综述和评论，重点介绍了其在增强能力发展、批判性思维和学习者参与度方面的潜力。证据表明，AI可以通过根据个人需求定制教学、促进临床推理以及减轻在学术与个人及职业责任之间取得平衡的研究生所面临的认知和后勤负担来丰富教育体验。然而，对AI日益增长的依赖也带来了伦理、文化和教学上的挑战，包括算法偏见、数据隐私问题、技术获取不平等以及削弱独立判断的风险。在康复教育中，还出现了与患者保密性、评估真实性以及未经授权使用教育者知识产权相关的额外问题。研究结果强调，AI在医疗教育中的成功整合依赖于积极主动的策略，这些策略应维护伦理实践、公平性和反思性学习。通过将AI素养、文化谦逊和明确的伦理护栏嵌入课程中，教育工作者可以确保技术补充——而非损害——医疗实践的人本主义和关键维度。

1 引言

医疗教育工作者努力培养能够满足其社区不断变化的需求并提供高质量护理的称职专业人员。医学、护理和联合健康专业的研究生课程通过能力本位教育、包容性教学实践以及创新教学技术的整合来实现这一使命。多方努力被付诸实施，以规范和引导教学和学习过程向能力发展。例如，国家、地方和区域层面的认证标准指导这些努力，塑造课程、学习活动和评估，以培养独立的学习者、创造性的思考者和循证实践的批判性评估者。其他与能力相关的措施包括委员会认证和执照考试、继续教育模块、专业发展要求、能力建设和专业培训，旨在培养能胜任的医疗从业人员。然而，无论评估教学和指导效果的措施如何，能力的一个关键内在要素是学生批判性思维和独立学习的能力。教育工作者不仅应考虑其课程和教学设计的精细度，还应考虑影响学生学习方式和努力实现能力的其他因素。

人工智能已迅速成为教育工作者（尤其是在医疗保健领域）的一种工具和一项挑战。图中展示的人工智能时间线说明了OpenAI生成语言模型的快速演变，为理解AI在医疗教育中的整合提供了必要背景。从2015年OpenAI成立开始，该组织旨在为人类利益推进通用人工智能。在接下来的十年里，从2018年的GPT-1到2024年的GPT-4 Turbo-Sora，一系列模型发布展示了计算能力、多模态能力和交互性的指数级增长。每一次迭代，特别是GPT-3和GPT-4，都代表了向更接近人类的理解和沟通能力的飞跃，使得远超文本生成的应用成为可能。在医疗教育领域，这些进步支撑了当今由AI驱动的模拟、虚拟导师和自适应反馈系统，这些系统支持学习者在解剖学、神经科学和康复科学等复杂领域的学习。正如本文所讨论的，驱动对话式AI的相同技术——自然语言处理、多模态推理和智能反馈循环——现在正在塑造学生在数字环境中学习、实践和反思的方式。理解这一时间线强调，AI的教育影响并非偶然，而是多年迭代创新的产物，这些创新持续重新定义医疗和康复培训中的能力发展、可及性和伦理。

图1 OpenAI发展时间线。

虽然AI可以为教育者和学习者带来诸多好处，但其影响也引发了紧迫的关切和问题。例如，AI如何影响学生批判性思维的发展？当医疗教育越来越多地融入AI时，这对临床护理的长期影响是什么？本文提供了一项快速综述，探讨当前关于AI在医疗教育中整合的研究。我们重点介绍了其潜在的好处和风险，总结了关键研究，并为寻求在创新与保留基本人类能力之间取得平衡的教育工作者提供了实用建议。

2 AI在医疗教育中的机遇与风险

2.1 能力与批判性思维

健康专业的能力本位教育需要明确涉及新兴技术的领域。Garvey等人指出，很少有研究评估临床医生关于AI的知识、技能或态度，揭示了能力框架中的重大差距。他们敦促教育工作者和卫生系统共同开发实用、可测试的能力，以更好地为学生进入AI辅助实践做好准备。Kleib等人进一步认为，数字健康教育仍然是支离破碎的，对AI、机器人和虚拟现实等新兴技术的处理方法不一致。他们建议将课程从电子健康转向更广泛的数字健康重点，确保与当代临床现实保持一致。

AI应用有望通过启用个性化学习路径来改变医疗教育。例如，AI可以根据学生当前的能力水平定制教学内容，通过提供达到预期能力的工具。此外，AI可以提供沉浸式学习体验，为学生提供便捷的学习环境，例如模拟虚拟患者、智能辅导系统和自适应测试环境。这些工具促进了学习者参与度、批判性思维和临床决策的改进。通过提供实时反馈和情境化的临床情景，AI有助于弥合理论知识与临床应用之间的差距。重要的是，AI对批判性思维的影响是双重的。一方面，AI促进循证探究，并扩展学习者有效综合信息的能力。另一方面，对AI生成内容的非批判性依赖可能会削弱独立推理、创造力和反思性判断。正如Mir等人所强调的，AI应作为一种认知伙伴，增强——而非取代——人类判断。制定伦理护栏，例如批判性评估培训与AI素养能力，对于确保AI整合增强而非削弱学习者的问题解决和决策能力至关重要。尽管前景广阔，但负责任地整合AI需要解决伦理、实践和教学方面的挑战。对算法偏见、数据隐私、实施成本以及教师设计和管理AI辅助教学的准备不足的担忧仍然是重大障碍。因此，教育工作者必须在创新与确保使用AI驱动工具的公平性、透明度和问责制的保障措施之间取得平衡。

2.2 学生视角与能力

从学生的角度来看，人工智能在医疗教育中既令人兴奋又充满不确定性。研究表明，医疗保健专业研究生通常对AI持积极态度，但报告其知识和实践技能有限。对于许多康复和联合健康专业的学生来说，获得专业学位已经涉及在繁重的课程、长时间临床实习、经济压力和家庭责任之间取得平衡——同时还要适应不断发展的医疗技术和社会政治期望。因此，AI提供了灵活性的承诺——一种可以个性化学习、模拟患者情景，并在教师或同伴不可用时提供复杂临床推理任务反馈的工具。学生通常将这些工具描述为赋权，因为它们允许他们“随时随地”学习，缓解了学术期望与现实责任之间的紧张关系。从这个角度来看，学生将AI视为减轻医疗教育负担的一种方式。自适应学习平台和智能模拟可以通过提供即时反馈和个性化学习轨迹来节省时间，帮助学生专注于掌握知识而不是追赶遗漏的材料。例如，在Kim等人的一项研究中，使用AI驱动的虚拟患者的康复科学学生在评估和治疗计划方面比使用传统材料的学生表现出更大的信心。同样，使用AI支持的解剖学和生理学软件的医学生实现了与实验室学习相当的结果，但成本更低，时间安排更灵活。从学习者的角度来看，这些好处可以转化为减少倦怠和增强自主性，尤其是对于那些需要平衡多种个人和学术需求的学生。

然而，AI工具的获取在学生之间并非平等分配。对可靠技术、互联网连接和昂贵AI订阅的访问限制可能会限制谁真正能从这些创新中受益。一些学习者，特别是那些来自较低社会经济或资源不足背景的学习者，在未得到机构支持的情况下引入基于AI的学习工具时会感到沮丧和被排斥。例如，在Al-Qaysi等人2024年的调查中，低收入和中等收入地区的护理学生表达了对AI采用可能更有利于那些数字素养更高或能接触到更新设备的人的担忧。从学生的角度来看，这些差距凸显了教育工作者和机构将数字不平等视为AI整合中的一个伦理问题的重要性。学生们一致呼吁公平获取技术、在评估中透明地使用AI，以及进行赋权——而非疏远——他们的培训，以顺利过渡到AI驱动的学习环境中。

综合来看，这些发现反映了以学生为中心的呼吁，要求在医疗课程中纳入AI素养和包容性。学生希望了解AI的工作原理，如何合乎道德地使用它，以及如何在日益自动化的环境中保持人类判断。正如De Gagne等人和Teng等人所指出的，这包括将数字专业精神、网络伦理和提示设计等主题整合到课堂中。从学生的角度来看，AI不仅仅是一项技术进步——它反映了他们在要求苛刻的教育环境中的生活经历，在这个环境中，适应性、同理心和可及性与智力本身同样重要。

2.3 伦理与文化考量

从学生的康复视角来看，AI的兴起既带来了机遇，也带来了伦理复杂性。虽然AI系统可以提供自适应学习、模拟患者互动并加强临床推理实践，但它们融入医疗教育也引入了伦理困境，这在康复领域尤为突出——因为同理心、以客户为中心和职业判断是基本能力。一个主要的伦理问题涉及评估诚信。AI辅助平台可以生成模仿真实学生输出的回答、治疗计划和反思性写作。这给评估学生的真实能力和临床推理技能带来了挑战。在康复教育中，批判性思维和创造力是职业治疗和物理治疗实践的基石，在作业中过度依赖AI工具可能会模糊辅助与学术不诚实之间的界限。因此，呼吁教育工作者制定透明的AI使用政策，设计衡量人类推理的真实评估，并将AI时代的学术诚信培训纳入其中。

另一个伦理问题涉及数据隐私和患者保密性。许多AI驱动的学习系统依赖大型数据集——包括去识别化的患者信息或源自真实数据的模拟案例——来教授诊断和治疗推理。然而，不充分的数据治理可能会暴露敏感的康复数据，例如患者进展报告、功能评分或基于视频的动作分析。使用处理或生成患者情景的AI工具的学生必须理解数据共享的伦理和法律边界，特别是在《健康保险可携性和责任法案》和《通用数据保护条例》等框架下。因此，数据管理和保密性培训并非可有可无——它是康复学科专业素养形成的组成部分。

第三个关注领域涉及教授知识产权的使用。一些AI工具在未经教育者同意的情况下，基于数字学习材料进行训练，例如讲义幻灯片、教科书和录制的演示。这引发了关于作者身份、所有权和学术公平性的问题。康复教育工作者通常制作基于临床专业知识的专有教学内容，包括干预框架、患者视频或适应性设备设计模型。当此类材料被生成式AI模型抓取或复制时，学生可能会在不知情的情况下接触到未经授权或归属不当的内容。因此，康复教育中合乎道德的AI整合需要制定保护知识产权、确保数据使用同意以及教导学生尊重创作者权利的机构政策。

最后，还存在关于偏见和代表性的更广泛担忧。如果AI模型主要基于西方的、健全的或单一文化的康复数据进行训练，它们可能会强化临床刻板印象或忽视来自不同文化或残疾背景患者的生活经验。对学生来说，这可能会扭曲他们对包容性、以职业为中心的理解。在课程中嵌入关于AI偏见和文化谦逊的讨论，有助于培养康复学生批判性评估AI生成结果的能力，并为临床实践中公平使用技术进行倡导。

简而言之，虽然AI可以提高学习效率和临床准备度，但其在康复教育中的伦理整合必须优先考虑学术诚信、数据隐私、知识产权保护和文化公平性。学生、教育工作者和机构共同承担着在技术能力之外培养数字专业精神和道德推理的责任。

3 在康复教育中负责任地整合AI：给教育工作者的实用建议

在人工智能发展的当前阶段，其融入医疗教育已不再是可选项，而是必然趋势。康复科学的教育工作者必须接受并主动将基于伦理的AI策略纳入其课程。这样做不仅能提高学生的参与度和学习效率，还能确保技术创新与以患者为中心的护理和职业责任的价值保持一致。

3.1 合作项目

康复教育工作者与AI工程师之间的合作为设计AI赋能的课程和体验式项目提供了强大途径。例如，教师和计算机科学合作伙伴可以共同开发一个机器学习工具，分析患者的运动数据以检测步态异常——让学生能够使用真实世界数据集探索临床决策。跨学科顶点项目也可以让职业治疗学生参与设计自适应AI系统，为中风或创伤性脑损伤患者个性化治疗方案。此类合作培养了学生的数字素养，并加深了他们对基于临床伦理的创新理念的欣赏。

3.2 AI素养

在师生中建立AI素养对于负责任的整合至关重要。教育工作者可以提供易于获取的资源，例如视频教程、简短模块或同伴主导的研讨会，解释AI算法如何运作及其局限性。在康复背景下，这可能包括演示预测分析如何能为肌肉骨骼康复的治疗强度或结果预测提供信息。当学生理解了AI输出背后的“原因”时，他们就能更批判性、更自信地将这些工具应用于循证实践。

3.3 批判性评估

康复专业学生应接受培训，将AI生成的结果与经过人工验证的证据进行批判性比较。例如，当AI系统为帕金森病患者推荐一项运动进展方案时，学生可以将这些建议与美国物理治疗协会建立的实践指南进行比较。这项活动有助于学习者识别算法偏见和错误，同时强化他们对临床推理的责任。将此类练习嵌入作业中，可将AI从被动工具转变为促进高阶思维和专业判断的刺激物。

3.4 元认知与反思

AI也可以作为学生自身推理的反思镜。将AI生成的案例分析整合到课堂讨论中，让学生将自己的决策与算法输出进行比较，引发关于优势、偏见和伦理选择的元认知反思。例如，在使用AI工具为脊髓损伤患者创建康复计划后，学生可以反思同理心、文化背景或患者动机——这些因素AI可能会忽略——如何影响治疗效果。这种反思性比较培养了谦逊、自我意识和伦理敏感性。

3.5 伦理护栏

为防止滥用，教育工作者必须为课程作业、模拟和临床推理评估中的AI使用建立明确的伦理护栏。政策应概述可接受的AI辅助程度、对AI生成材料的正确引用，以及在使用数据驱动平台时的患者隐私标准。在康复项目中，这可能意味着限制在患者文档中使用AI，除非数据是匿名的，或者当AI工具协助生成临床报告时强制要求披露。将这些规则与职业道德准则保持一致，可确保技术熟练度永远不会凌驾于伦理实践之上。

3.6 文化谦逊

AI系统通常反映其训练数据的文化和人口统计学偏见，这可能会扭曲临床建议。教育工作者应将文化敏感性和数字公平性嵌入AI教学中，鼓励学生审视这些系统如何解释患者多样性。例如，一个康复AI工具可能由于数据集中代表性不足而错误分类来自不同种族群体的患者的运动模式。课堂讨论和角色扮演场景可以帮助学生认识到这些局限性，并倡导包容性、有偏见意识的AI工具，尊重患者的权利和尊严。

3.7 重点转移

最后，AI的整合应使教育者和学生能够重新聚焦于人类联系和深度学习。通过自动化行政或重复性学习任务，AI可以腾出时间用于指导、临床推理发展和健康活动。对于康复专业学生而言，这种转变允许他们更多关注与真实#全文：

客户的实际互动，强化了职业的人本主义核心。

4 在研究生教育中使用AI的利与弊

AI在研究生医疗教育中的整合既带来了机遇，也带来了挑战。表1简要概述了在研究生医疗和康复教育中整合人工智能的主要优势和挑战。积极的一面是，AI支持个性化和自适应学习路径，使学生能够按照自己的节奏学习，同时获得针对临床推理和表现的目标性反馈。这些工具还增强了对循证信息的获取，能够快速检索当前研究以辅助决策。此外，由AI驱动的基于模拟的培训创造了安全、逼真的机会，让学生在接触真实患者之前练习复杂的康复程序。对常规或重复性任务的自动化——例如批改测验、跟踪临床能力或管理患者文档——使学生和教师都能腾出时间专注于更高层次的学习、指导和反思。总体而言，这些优势证明了AI在现代化课程体系、提高效率以及将AI素养嵌入未来临床医生专业培养方面的潜力。

表1 在研究生教育中使用AI的关键利弊。

然而，该表也强调了重要的警示。对AI工具的过度依赖有可能削弱独立判断和创造性解决问题的能力——这些是康复实践的核心技能。学生和教师都可能面临伦理挑战，包括算法偏见、AI决策过程缺乏透明度以及数字资源获取不平等。此外，有限的教师培训、高额的实施成本以及在未来AI增强型劳动力中的工作保障不确定性，可能会在学习者中引发阻力和焦虑。这些担忧强调了需要采取平衡的采纳策略，将创新与问责相结合。最终，表1的启示是，AI在医疗教育中的前景取决于其负责任和公平的使用。教育工作者不仅要利用AI来扩大可及性、提高参与度和效率，还必须防范其侵蚀康复实践的人本主义和伦理基础的可能性。培养学生以应对这一不断变化的格局，需要双重关注：培养技术能力，并保留定义有效医疗专业人员的反思性和富有同情心的心态。

5 结论

AI为医疗教育带来了前所未有的机遇和复杂的风险。它可以丰富学习，支持证据评估，并帮助学生为AI赋能的医疗系统做好准备。然而，如果没有明确的伦理护栏和结构化的能力框架，对AI的过度依赖可能会削弱批判性思维和专业判断。医疗教育工作者必须主导AI整合的方向——确保其增强而非削弱必要的人类技能。通过将AI素养、伦理实践和文化敏感性嵌入课程，研究生项目可以培养学生自信、有创造力和正直地驾驭医疗的未来。

声明

数据可用性声明

本研究中提出的原始贡献已包含在文章/补充材料中；进一步查询可直接联系通讯作者。

作者贡献

RH：概念化、数据整理、形式化分析、调查、方法论、监督、写作——原稿起草、写作——审阅与编辑。DV：项目管理、资源、软件、可视化、写作——原稿起草。

资金

作者声明，本作品及其发表未获得财务支持。

利益冲突

作者声明，本作品的开展不存在任何可能被解释为潜在利益冲突的商业或财务关系。

出版商注

本文中的所有主张仅代表作者本人，不一定代表其所属组织、出版商、编辑和审稿人的观点。本文中可能被评估的任何产品，或其制造商可能提出的任何主张，均未得到出版商的保证或认可。

【全文结束】