《American Journal of Pharmaceutical Education》:Preparing PharmD Graduates for AI-Enabled Practice: A Competency Framework to Complement Existing ACPE Standards
编辑推荐:
摘要目标提出一个能力框架,定义药学博士毕业生应展示的 AI 特定知识、技能和态度,并将这些能力映射到现有认证标准。发现虽然专业组织和教育者已经开发了利用 AI 进行教学的宝贵资源,但现有的 ACPE 标准尚未直接涉及 AI。所提出的框架将能力组织为三个相互关联的领域,结构上呈
摘要
目标
提出一个能力框架,定义药学博士毕业生应展示的 AI 特定知识、技能和态度,并将这些能力映射到现有认证标准。
发现
虽然专业组织和教育者已经开发了利用 AI 进行教学的宝贵资源,但现有的 ACPE 标准尚未直接涉及 AI。所提出的框架将能力组织为三个相互关联的领域,结构上呈发展性递进:基础 AI 素养、对 AI 输出的批判性使用与评估、以及在实践中的负责任整合。该框架扩展了药学教育中已具有基础性的技能,而不是引入平行课程,将每个领域映射到现有标准,并为将能力嵌入当前课程提供了示例。持续的专业发展将随着技术的演变维持能力。
总结
所提出的框架为药学项目提供了一个起点,以培养毕业生适应 AI 赋能的实践。由于该框架尚未经过正式验证,旨在作为后续共识建设、实施和评估工作的基础。
引言
人工智能(AI),从成熟的机器学习临床算法到新兴的生成式工具,越来越多地嵌入到药剂师依赖的系统中,用于配药、优化药物治疗和提供患者护理。1, 2, 3 这不是该职业面临的首次重大技术变革;4 药学已适应以往的变化,例如临床决策支持的引入或自动化配药的普及,每次过渡都需要有意发展新的能力,以维护和扩展药剂师在医疗保健中的关键角色。AI 是这一模式的最新,也许是最具变革性的实例。
对于学习者来说,AI 工具可以提供个性化辅导或增强的模拟,5, 6 但将其整合到药学实践和教育中可能会导致技能丧失(deskilling)、技能误习(mis-skilling)和技能未习(never-skilling)。7 技能丧失指先前获得技能的丧失,在医学内外都有广泛描述。8, 9, 10, 11 对学习者来说,可能更相关的是技能误习——基于过度依赖 AI 而形成的有缺陷的推理模式——和技能未习——未能首先发展基本技能;两者都是由自动化偏见和认知卸载等机制驱动的,即学生将临床推理委托给 AI 工具并对其输出审查不足。12, 13 例如,无法批判性评估 AI 输出的药剂师可能会基于虚构或有偏见的药物信息修改药物治疗,14 可能导致患者伤害。其他人可能无意中违反患者隐私,将受保护健康信息(PHI)输入到不安全的商业工具中,或未能认识到对患者结果持续的责任。15 然而,可能减少这些错误的底层技能(例如,批判性评估、识别偏见、责任感和保护患者信息)是该职业的基础。16 在 AI 背景下刻意发展技能可以更好地准备学生适应实践,无论 AI 如何演变,而不这样做则会阻碍学生,阻碍程度与 AI 扩展的存在成正比。
其他健康专业已认识到 AI 技能发展的机会,并处于正式化相关能力的不同阶段。美国医学会(AMA)已制定指南和工具包用于医学中“增强智能”的使用,17 数字健康能力已引入医学教育。18 同样,护理、牙科和联合健康专业教育中已提出或正式化了 AI 能力框架。19, 20, 21, 22, 23
虽然学院认识到 AI 将在未来药学实践中发挥主要作用,但为 AI 赋能的劳动力培养毕业生的准备仍处于早期发展阶段。24, 25 AI 进步的速度已经超越了许多教育者和学院保持最新的能力,使很大一部分人缺乏解决学生 AI 相关学习需求的能力。26, 27, 28, 29, 30 与此同时,尽管 AI 被广泛采用,但大多数学生感觉未能准备好在实践中伦理且有效地使用 AI,这一模式在美国和国际上都有记录。31, 32, 33, 34
最初为药学教师和学生提供结构和指导的努力主要集中于利用 AI 增强教学和学习。美国药学院校协会(AACP)通过多种途径支持药学教育者实施 AI,包括药学教育中的 AI 研究所、35 年会项目、网络研讨会和微学习迷你系列。36 此外,课堂中 AI 工具的使用目前也是 AACP 转型中心的项目重点。最后,已提出两个不同的框架来指导药学教学和学习中的 AI 实施,33, 37 包括最近将 AI 辅助教学策略映射到课程成果的工作。这些努力主要将 AI 视为增强教学的手段(即利用 AI 更有效地教学),而不是定义毕业生本身必须展示的 AI 特定能力。
虽然这些资源和框架对于在教育中使用 AI 很有价值,但在药学博士(PharmD)学生毕业时应具备和展示的特定 AI 知识、技能、态度以及由此产生的能力方面,仍然存在指导空白。为了弥补这一差距,我们提出了一个药学教育中的 AI 能力框架。该框架将能力组织为三个相互构建的领域,作为发展性递进,每个领域都映射到现有的 ACPE 标准。每个领域都附有将这些能力嵌入现有 PharmD 课程的实际示例。
章节片段
框架描述
所提出的框架是通过多所药学院校中专注于 AI 教育和学术角色的教师之间的迭代讨论开发的,参考了药学和其他健康专业中现有的能力框架。33, 37, 38 它由三个相互关联的领域组成:基础 AI 素养、对 AI 输出的批判性使用与评估、以及在实践中的负责任整合(图 1)。每个领域分为子领域(例如 1a, 2b, 3c 等),反映
讨论
药学,像整个医疗保健一样,正处于重大技术变革的节点。AI 的广泛采用有可能革新的患者护理,药剂师必须准备好使用这些工具,以保留其责任、判断力以及他们所服务患者的信任。虽然本框架中提出的能力旨在培养毕业生有能力且负责任地与 AI 及未来的变革性技术互动,但它们从根本上
总结
虽然现有资源已为将 AI 整合到药学教育中奠定了基础,但它们没有明确定义毕业生有效导航 AI 赋能实践环境所需的能力。所提出的能力框架通过概述清晰的、实践就绪的药学学习者期望,并将其与当前 ACPE 标准对齐,解决了这一差距。包括实际示例(例如,基于案例的学习、读书会和药物信息请求)以
CRediT 作者贡献声明
Kaitlin Alexander:写作 – 审查与编辑,资源,方法论,概念化。Conan MacDougall:写作 – 审查与编辑,资源,方法论,概念化。Timothy Dy Aungst:写作 – 审查与编辑,资源,方法论,概念化。Jeff Cain:写作 – 审查与编辑,资源,方法论,概念化。Zillich Alan J:写作 – 审查与编辑,资源,方法论,概念化。Oyler Douglas Ralph:写作 – 原稿,可视化,
利益冲突声明
作者声明他们没有任何已知的竞争性财务利益或个人关系,这可能被认为影响了本文报告的工作。
Douglas R. Oyler|Conan MacDougall|Timothy Dy Aungst|Jeff Cain|Alan J. Zillich|Kaitlin Alexander