
-
生物通官微
陪你抓住生命科技
跳动的脉搏
医学研究生自我效能与生成式AI依赖性评分的关联:一项多中心横断面研究
《BMC Medical Education》:Association between self-efficacy and AI dependence among medical postgraduates: a multicenter cross-sectional study with exploratory prediction
【字体: 大 中 小 】 时间:2026年10月16日 来源:BMC Medical Education 4.2
编辑推荐:
摘要背景生成式人工智能(AI)越来越多地应用于医学研究生教育与研究中,但自我效能与对AI的依赖性依赖之间的关系尚未得到充分阐明。我们考察了连续自我效能评分与AI依赖性评分之间的关联,并单独探索了对样本相对较高的AI依赖性评分的预测。方法本研究为多中心横断面在线调查,于2026
生成式人工智能(AI)越来越多地应用于医学研究生教育与研究中,但自我效能与对AI的依赖性依赖之间的关系尚未得到充分阐明。我们考察了连续自我效能评分与AI依赖性评分之间的关联,并单独探索了对样本相对较高的AI依赖性评分的预测。
本研究为多中心横断面在线调查,于2026年1月至3月期间,收集了中国六所参与大学的医学研究生填答的1,546份有效问卷。自我效能采用五条目研究专用学术测量工具评估,AI依赖性采用22条目研究人员人工智能成瘾量表的直接中文翻译版本评估。分析采用HC3标准误的多变量线性回归、限制性立方样条、模型诊断以及条目重叠敏感性分析。探索性预测以样本中位数70分作为非诊断性界限,采用固定的70:30训练/测试分割进行内部验证。
在1,546名参与者中,938人(60.7%)为女性,579人(37.5%)攻读临床医学专业。在主要调整模型中,自我效能评分每增加5分,AI依赖性评分降低5.296分(95% CI,-5.918至-4.674;P?<?0.001)。限制性立方样条支持总体关联(卡方?=?287.10;df?=?3;P?<?0.001)以及轻微的线性偏离(卡方?=?8.79;df?=?2;P?=?0.012)。在剔除两种量表中明显重叠的条目后,模型3的估计值变化为2.1%(beta = -5.187;95% CI,-5.800至-4.575)。探索性模型在保留的内部测试集中达到了AUC为0.875(95% CI,0.845–0.906)。
在医学研究生中,较高的自我效能与连续AI依赖性评分呈负相关。这些发现提示,AI素养教育可能需要支持自主任务参与及对AI输出的批判性验证,但横断面设计无法进行因果推断。探索性预测分析仅经过内部验证,使用了样本相对界限,在实用之前需要独立验证。