医疗教育中生成式人工智能的机遇与挑战：AI素养缺失如何威胁学习质量与患者安全

本研究针对生成式人工智能(GenAI)在医疗教育中引发的评估公平性、责任归属及批判性思维培养三大核心问题，通过系统分析提出AI素养培养框架与过程性评估方案。结果表明，GenAI的滥用可能导致未来医疗工作者核心能力退化，而基于判断力培养的评估改革可有效维护患者安全与专业标准。

　　

随着ChatGPT等生成式人工智能(GenAI)工具的爆发式应用，医疗教育领域正面临前所未有的变革压力。2022年11月ChatGPT公开亮相后，大量医学生迅速将其用于作业辅助，而教育机构却普遍缺乏应对策略。这种技术应用的"时间差"暴露了严峻现实：当AI能生成媲美人类的高质量临床案例分析时，传统以结果为导向的论文评估体系正在失效，更可怕的是，过度依赖AI可能导致未来护士、助产士和专职医疗人员的批判性思维(critical thinking)能力退化——这正是保障患者安全的最后防线。

为应对这一挑战，多国合作研究团队在《Nurse Education in Practice》发表研究，系统分析了GenAI对医疗教育的三重冲击：评估公平性危机（难以区分AI辅助与独立完成作业）、责任归属困境（AI幻觉hallucinations导致的临床错误追责），以及最关键的认知能力风险（批判性思维技能形成受阻）。研究指出，当前68%的医学院校缺乏AI使用规范，而欧盟《人工智能法案》已明确要求必须提升用户的AI素养(AI literacy)。

研究采用文献分析法与教育评估模型重构相结合的策略，重点考察护理、助产及相关健康专业教育场景。通过系统梳理2023-2025年间53项关键研究，团队构建了包含"信用分配-责任框架-认知保护"三维度的分析模型，并针对性地设计了过程性评估(process-based assessment)方案。

1. 成功学分
研究揭示传统论文评分体系的根本缺陷：当学生用GenAI生成文献综述时，最终成果与个人研究能力的关联度断裂。实验显示，AI辅助组在省时80%的情况下仍能获得B+以上成绩，这导致教育出现"劣币驱逐良币"现象。解决方案是采用过程档案评估，要求学生提交提示词(prompt)日志、修改轨迹及AI输出的批判性注释，将评分重点转向信息甄别与内容优化能力。

2. 责任归属
针对AI幻觉（如虚构药物剂量数据）和偏见（训练数据导致的种族诊断偏差），研究建立了"四方追责"模型：AI开发者需公开算法局限；教育机构应制定使用规范；教师负有识别误导性内容的责任；学生则必须证明其对AI输出的验证过程。典型案例分析表明，未接受AI素养训练的学生有73%会直接采信AI生成的错误护理方案。

3. 批判性思维影响
纵向研究数据显示，持续使用GenAI的学生在后续无AI辅助的临床推理测试中表现下降29%。神经科学研究指出，这种"认知卸载"(cognitive offloading)会削弱前额叶皮层的分析功能。为此，团队设计"AI对抗训练"——故意植入错误的AI生成病例，培养学生发现矛盾、追溯证据的能力。

讨论与结论
该研究首次系统论证了GenAI对医疗教育质量的长尾效应：短期看是评估方法失效，长期将危及医疗队伍核心能力。提出的解决方案具有双重创新性：技术层面要求开发"教育专用AI"的验证模块；制度层面建议各国医疗监管机构（如英国NMC）将AI素养纳入执业能力标准。值得注意的是，研究反对简单回归闭卷考试，而是倡导"批判性合作"模式——正如心电监护仪不会取代医生判断，GenAI应该成为培养更高阶临床思维的"陪练工具"。

这项研究的现实意义在2024年已初步显现：英国质量保证署(QAA)据此修订了高等教育评估框架，新增"AI时代的能力矩阵"。正如作者强调的，当AI能模拟90%的医疗文书工作时，剩下的10%临床判断力才是教育的真正战场。未来研究需关注GenAI在模拟诊疗中的"能力阈值"，即确定哪些基础技能必须通过无AI训练才能牢固掌握。