我们感谢撰写"人工智能医学教育框架中的方法论问题"一文的作者对我们的论文"人工智能在医学教育中的应用：变革潜力、当前应用与未来影响"的仔细阅读和建设性意见。我们很乐意澄清我们论点的范围以及FACETS（形式、应用、情境、教学模式、技术、SAMR[替代、增强、修改、重构]）在负责任的人工智能(AI)融入医学教育中的预期作用。
首先，我们澄清Abdelwanis等人的论文并非作为低收入和中等收入国家(LMICs)教育不平等的直接实证证据，也不是作为这些环境中AI实施、获取、效果或教育成果的证据被引用。我们认识到Abdelwanis等人的综述使用蝴蝶结分析来检查医疗保健AI应用中的自动化偏见、数据偏见、算法不透明性、验证不足以及对人工监督的需求。在我们的论文中，这一参考文献被用作支持可能危及安全和公平AI采用的一般风险机制的概念性支持。我们同意，针对低收入和中等收入国家的具体主张需要更加直接情境化的证据。
我们也同意Ong等人的研究与跨收入环境的医学教育中AI培训更为相关，因为它展示了高收入国家和低收入及中等收入国家专家在AI学习成果优先级方面的差异。然而，这一证据也应精确解释。Ong等人的研究提供了关于专家观点和课程优先级的实证证据，而非关于低收入和中等收入国家医学生在现实世界中AI使用、效果、获取、成本、基础设施或教育成果的直接证据。这一区别强化了我们的核心论点：需要进一步进行情境化、多中心和以实施为导向的研究。
其次，关于FACETS，我们认为该评论超出了我们提议的预期范围。FACETS并非被提议为预测性、心理测量或安全验证工具，也不是前瞻性验证的通用标准。相反，它是作为一个概念性和分析性框架提出的，源自对已发表的医学教育中AI应用的批判性综合，以帮助描述、比较和解释跨教育形式、应用、情境、教学模式、技术以及教学转化程度的异质性干预措施。
因此，Luordo等人和Holderried等人的研究被用作实证例子，以说明FACETS的概念适用性，而非验证研究。他们的局限性强化而非削弱了此类框架的理由。在Luordo等人的研究中，AI辅助客观结构化临床考试(OSCE)评分显示出有希望的效率和一致性，但系统地比专家评估者更严格，突显了项目设计、情境解释和人工监督的重要性。在Holderried等人的研究中，高总体一致性与选定反馈类别中的较低一致性共存，可能与模糊性、类别重叠或解释差异有关。这些发现强调了需要多维度框架，明确教育目的、任务、情境、技术配置、教师角色和本地验证要求。
我们感谢作者们努力丰富人工智能在医学教育领域的科学文献，这一领域仍处于早期阶段。同时，我们认为我们的提议应在提出的概念范围内进行解释。这一讨论确认我们的综述提供了一个合法且有用的概念性提议，以组织证据、识别差距、指导未来研究，并以教学上连贯、伦理上负责和情境敏感的方式促进医学教育中的人工智能采用。
利益冲突声明：无声明。
【缩略语】
- AI：人工智能
- FACETS：形式、应用、情境、教学模式、技术、SAMR[替代、增强、修改、重构]
- LMIC：低收入和中等收入国家
- OSCE：客观结构化临床考试
【全文结束】