医学教育新范式：人工智能混合学习课程对医学生AI素养与批判性思维的质性研究

为解决医学生AI教育缺失问题，德国研究人员设计"数字时代的医学"混合学习课程，通过质性访谈评估AI模块教学效果。结果显示该课程显著提升学生AI应用认知（214条陈述）、批判性思维（72条）及未来工作适应性（99条），35名参与者100%推荐，为医学AI教育提供可推广范式。

　　

随着人工智能(AI)系统在临床实践中日益普及，FDA批准AI解决方案已覆盖多个专科领域。这种变革对医生职业能力提出新要求，但当前医学教育在AI相关课程设置和实践培训方面存在显著空白。德国美因茨大学医学中心的研究团队注意到，70%德国医学生从未接受过数字医疗教育，尽管72%医学院声称提供相关课程。这种供需矛盾促使研究者开发创新课程，其成果发表在《JMIR Medical Education》上。

研究团队采用混合学习(blended learning)模式，设计为期5天的选修课"数字时代的医学"，其中AI模块通过电子书预习、工作坊实践和反思讨论等环节，重点培养医学生在放射学、病理学等场景中应用AI的能力。课程评估采用半结构化小组访谈，运用Mayring质性内容分析法，对35名参与者(女性11人/男性24人)的214条AI相关陈述进行编码分析。

关键技术方法包括：1) 基于KSAVE模型(知识-技能-态度-价值观-伦理)设计课程目标；2) 采用翻转课堂结合电子书("Do it by the book, but be the author"理念)；3) 跨学科教学团队(含麻醉、放射、病理等专科医师及计算机专家)；4) 质性内容分析评估学习效果。

研究结果呈现四大发现：

1. 应用领域认知：学生能列举AI在CT肺结节检测(如InferRead CT Lung)、X光诊断(如ChestEye)等应用，但对其临床普及度表示惊讶。
2. 未来工作准备：51条陈述强调"人机协同"价值，引用"半人马棋手"比喻，认为AI可优化分诊流程，但需保持医生决策权。
3. 批判性反思：36条陈述关注实践障碍，如AI"窄智能"局限；22条探讨ELSI问题，包括算法透明度与医疗责任界定。
4. 课程评估：610条反馈显示94%学生认为讨论形式(如鱼缸讨论法)最有效，所有参与者愿推荐该课程。

研究结论指出，这种混合学习模式成功培养医学生三大核心能力：技术应用能力(如操作Ada Health聊天机器人进行病史采集)、证据评估能力(分析AI诊断的敏感性/特异性)、伦理决策能力(权衡AI使用时机)。特别值得注意的是，学生发展出"技术乐观但非盲目"的态度，能辩证讨论AI在临终关怀预测算法(如斯坦福大学模型)中的伦理边界。该课程作为德国首个系统性医学AI教育项目，其模块化设计(含AI/远程医疗/VR等5个模块)为其他院校提供可复制的模板。研究者建议，未来需开展纵向研究追踪课程对临床实践的实际影响，并关注欧盟AI法案等政策变化对教学内容的影响。这项研究的重要意义在于，它首次通过质性方法证实结构化AI教育能有效弥合医学生的"数字能力鸿沟"，为医学教育适应AI时代需求提供实证基础。