AI与大型语言模型在医学教育中的关键节点与全球趋势：一项文献计量学研究

这篇综述通过文献计量学方法系统分析了AI（人工智能）和LLMs（大型语言模型）在医学教育领域的研究现状。研究利用CiteSpace和Bibliometrix工具对547篇文献进行量化分析，揭示了美国、英国和中国在该领域的领先地位，并指出JMIR Medical Education是核心期刊。文章重点探讨了ChatGPT的应用趋势，同时发现护理教育、数字健康和医学伦理等新兴方向，为未来研究提供了方向性指导。

　　

背景

人工智能（AI）和大型语言模型（LLMs）正在重塑医学教育的教学模式与评估体系。尽管相关研究数量激增，但领域内的文献计量学特征尚未被充分探索。本研究通过量化分析547篇文献，首次全面绘制了该领域的知识图谱。

方法

数据来源于Web of Science核心合集，检索策略聚焦标题字段，确保主题相关性。采用CiteSpace 6.3.R1和Bibliometrix工具进行合作网络、共被引和关键词分析，辅以ArcGIS空间可视化。文献筛选严格遵循三项纳入标准和三项排除标准，最终纳入1986-2024年间发表的英文同行评议论文。

结果

时空分布

全球发文量呈指数增长，2019年后进入爆发期。美国（178篇）、英国和中国构成第一梯队，亚洲国家增速显著。伦敦大学（18篇）、新加坡国立大学（16篇）和哈佛大学（15篇）是核心研究机构。

学科与期刊特征

研究覆盖68个学科类别，主要集中于科学教育、内科学和医疗保健服务。JMIR Medical Education以37篇发文量成为领域旗舰期刊，其2023年专题征稿显著影响了文献聚类特征。

知识网络分析

共被引网络显示三篇奠基性文献：探讨医学生对AI态度的多中心调查（被引71次）、ChatGPT在美国医师执照考试中的表现研究（66次），以及AI培训纳入医学教育的框架提案（54次）。关键词聚类揭示七大主题群，其中"机器学习"（53词）和"医学中的人工智能"（34词）规模最大。

研究热点演化

1998-2019年以基础技术探索为主，关键词包括"人工神经网络"和"健康管理"；2020年后转向"数字健康"、"对话式代理"等应用场景。突发检测识别出25个关键转折词，显示护理教育（爆发强度3.2）和医学伦理（2.8）正成为新兴焦点。

讨论

学科发展仍处早期阶段，共被引网络节点中介中心性均低于0.1，尚未形成稳定知识结构。两大特征尤为突出：一是ChatGPT相关研究占据核心地位，其在高风险考试中的表现证据推动了教育应用；二是期刊征稿对新兴领域文献特征具有塑造作用，如JMIR的专题催生了15%的高被引论文。

临床推理和本科教育被识别为研究洼地，在战略坐标图中处于"高重要性-低关注度"象限。相反，护理教育因疫情驱动的远程培训需求实现爆发增长，与AI临床模拟研究形成交叉。基金资助分析显示，医学教育AI研究相较工程领域获投强度低40%，但医疗机器人等交叉方向存在资源整合潜力。

局限性与展望

标题检索策略可能遗漏部分相关文献。建议后续研究扩展至摘要检索，并纳入Scopus等多数据库分析。随着欧盟AI法案等政策落地，医学教育中的算法透明度研究预计将成为新增长点。

结论

该领域呈现"技术驱动-期刊引导"的双轮发展模式。未来需加强临床推理机制探索，构建跨学科资助体系，同时关注生成式AI在医学伦理教育中的双重作用。虚拟现实与本科课程整合被确定为最具潜力的突破方向。

缩写说明

AI：人工智能；LLM：大型语言模型；USMLE：美国医师执照考试。