以胜任力为先的药学教育框架中人工智能与数字模拟的教育功能匹配：跨模态证据综合与ALIGN路线图

《American Journal of Pharmaceutical Education》：Matching Artificial Intelligence and digital simulation to educational purposes in a competency-first pharmacy education framework

　　

目的：综合药学教育中人工智能（AI，artificial intelligence）与数字模拟（digital simulation）技术的证据，按教育功能、证据成熟度、实施要求和风险对模式进行比较，并推导以胜任力为先（competency-first）的框架，用于课程选择、实施、评估和治理。对PubMed、Scopus和Web of Science进行叙述性检索，优先纳入2018年至2026年8月发表的药学教育研究和综述。教育功能而非单独的AI状态，被作为主要组织原则。模拟模式主要支持标准化演练、情境化实践、反馈、可视化和复盘；自适应系统和大型语言模型（LLMs，large language models）可增加个性化或生成式对话；AI辅助评估可支持题目开发、反馈和工作流程。不同模式的证据成熟度差异显著，但比较反映所识别文献的类型和数量，而非正式确定性分级。在整个文献中，最强且最一致的结果是可行性、参与度、满意度和部分短期知识或技能指标。关于持久胜任力、向临床绩效迁移、患者结局、成本效果和公平性的证据仍然有限。总结：药学项目应采用胜任力为先而非技术为先的方法，在选择工具之前定义可观察的学习者结局。所提出的功能-证据-风险原则和ALIGN路线图是作者推导的综合，旨在支持课程决策，而非经过验证的实施工具。AI素养（AI literacy）、输出验证、透明披露、隐私保护和专业问责应纵向发展并纳入现有药学胜任力期望，同时教师应保留对课程决策、评估有效性和以患者为中心的判断的责任。

该叙述性综述由 Yevhen Pruhlo、Amir Barzegar Behrooz 与 IURCHENKO IVAN 等开展，聚焦以胜任力为先（competency-first）的药学教育框架下，人工智能（AI，artificial intelligence）与数字模拟（digital simulation）如何匹配教育目的。背景是AI日益关联现代药学实践与未来药师教育，课程问题不是是否引入AI，而是哪些技术服务可辩护的教育目的、学习者应能做什么、教师如何保留问责。已有综述多围绕某一技术类别或AI特定议题，缺少统一比较异质技术的流程，将教育功能、证据成熟度、实施准备度、风险与现有胜任力期望连接。研究人员因此不把AI与非AI作为首要教育区分，而将教育功能作为组织原则；AI状态仅在改变能力或风险时重要，如开放式生成、不透明性、偏倚、隐私暴露或自动化。其提出的功能-证据-风险原则和ALIGN路线图是作者推导的综合，用于课程、评估和治理决策，而非经验证实施工具。

技术方法概括：该研究为叙述性综述，检索 PubMed、Scopus 和 Web of Science，最后检索日为2026年8月4日。检索式将药学教育词（“pharmacy education”“pharmacy student^?”“pharmacy curriculum”）与技术词（“artificial intelligence”“generative AI”、ChatGPT、“large language model^?”“virtual patient^?”、simulation、“virtual reality”“augmented reality”“adaptive learning”“automatic item generation”、assessment）按数据库布尔语法和字段标签组合。优先纳入2018年以来同行评议文献，并保留一项较早药学特定开创性研究作历史背景。纳入标准为直接涉及教育功能、学习者或教师结局、实施、评估、治理或纵向胜任力发展；药学教育研究和综述优先，药学特定证据有限时纳入可转移机制的非药学健康专业文献。标题摘要筛选后全文审查。两位作者 Y.P. 和 I.I. 参与文献选择与叙述综合；排除临床AI无教育应用、纯技术开发无学习者或教师结局、重复报告等。样本来源为已发表文献，非原始患者队列。未进行meta分析、正式偏倚风险评估、证据确定性分级或PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）流程图。

3.1 教育功能与适当用途：不同技术解决不同教育问题，价值取决于教学功能与学习目标匹配。AI角色可为可选、可变或核心，课程选择主要按教育功能、证据和风险。
3.1.1 模拟与沉浸式工具：虚拟患者（virtual patients）和计算机模拟是研究最多的数字方法之一，支持标准化情境、治疗或沟通决策、观察后果和重复练习而不伤害真实患者。系统综述报告知识、临床推理、咨询、沟通信心、参与度和满意度改善，但研究异质，许多为单组或报告结局，故支持其作为引导练习，而非普遍优于教师引导病例或体验实习。虚拟现实（virtual reality，VR）和增强现实（augmented reality，AR）增加沉浸、环境存在、空间可视化或数字指导，证据多准实验、使用指标和感知。有效案例需解释推理、证明干预和回应后果；反馈应解释原因，复盘连接治疗原则、沟通、患者安全和未来实践。模拟在提供更简单活动不能同等有效提供的结构化、可重复演练时最可辩护。
3.1.2 自适应学习与生成式AI辅导：自适应学习系统（adaptive learning systems）按表现调整内容、顺序、难度、节奏或反馈，潜力在差异化练习和补救；健康专业证据异质，药学特定结果混合，某课程中未持续改善自主学习。LLMs生成解释、例子、问题、对话和草稿反馈；药学证据主要显示可行性、兴趣和感知有用性，而非学术或临床表现改善。Cain 和 Rajan 报告学生对定制 ChatGPT 导师感知有帮助，但概念验证无对照且未独立验证所有回答。因输出可能不准确、不完整、捏造或过度自信，应补充而非替代权威来源和教师指导。可辩护活动要求识别主张、对照指南或原始文献验证、解释差异、修订并说明修正证据如何改变推理。自适应系统最适合校准练习，LLMs最适合对话、比较和批判。
3.1.3 AI辅助评估（AI-assisted assessment）：AI辅助评估最适合作为教师援助而非替代问责判断；此中人类主导，AI可起草或组织内容，教师保留验证、评分和进展决策。自动题目生成可从专家模型产生大量题库；药学评估中生成许多多选题，专家审查支持样本内容相关效度。生成式AI也可起草结局、蓝图、题目和反馈。Shultz 等发现60个 GPT-4生成问题中38个满足内容效度，仅6个未经修改接受；Almaghaslah 报告教师审查后信度和区分度改善但因果受限；Sridharan 和 Sequeira 识别错误且未心理测量评估。故教师须验证准确性、临床相关性、认知水平、蓝图、偏倚、安全和心理测量；自动化程度应随后果增加而降低。
3.2 负责任实施的条件：技术可持续需教师能力、学习者准备度、基础设施和本地情境共同解决，采用从明确教育需求开始。
3.2.1 教师能力与学习者准备度：学生和教师对AI态度积极，但热情不等于能力。Hasan 等调查875名药学学生和教师，39.5%对AI概念理解良好，18.6%接受过AI教育或培训。障碍包括教师专长、开发时间、法律伦理关切和结局数据有限。AI素养应显式教授：解释能力局限、验证输出、识别不确定性和偏倚、保护信息、披露协助、识别专业判断须覆盖系统建议的情境。教师需相应能力，发展应结合实践指导、重设计时间、同行评审及教育技术、评估、隐私和安全专家支持。
3.2.2 基础设施、公平与本地情境：实施要求超出软件采购，需连接、技术支持、可访问平台、工作量保护、本地相关案例和维护。Singh 等识别工作量、案例开发共享、软件整合和机构支持影响模拟实施。分阶段方法可减少成本：定义问题、评估准备度、试点低风险应用并收集学习、可用性、工作量、成本、可及性和差异效应数据。公平审查涉及设备、连接、付费功能、支持、格式、语言、文化、算法偏倚和转移成本。情境决定技术能否一致、安全和公平使用。
3.3 以胜任力为先的课程框架：先定义学习者必须能解释、评价、沟通或执行什么，再选择技术。基础阶段发展AI素养；教学课程可将AI嵌入学科活动。Culp 等在一年级药物化学项目嵌入AI分析平台，学生熟悉度增加且未损害课程结局，证明可行性非临床胜任力。中级阶段比较AI输出与指南、药物信息或原始文献，识别无支持主张、记录验证并修订。高级和体验教育强调可问责专业使用：验证信息、沟通不确定性、记录贡献和局限、识别不当使用并辩护患者中心决策。五个技术中性结局与 AACP COEPA 2022 期望一致，可纵向映射为引入、强化和展示。
3.4 评估与治理：评估与治理共同设计，因允许协助、披露、隐私和人类审查政策影响行为。每项评估应说明允许何种AI协助、披露什么、哪些须独立推理。机构治理包括平台审批、隐私安全数据所有权和供应商条款审查、生成材料人类审查、可访问替代、偏倚监测和错误程序。项目应监测重大模型或平台变化，因更新可能改变输出、功能或数据处理。治理是教育设计一部分。
4 讨论：综合产生五项跨领域发现：技术在教学上不可互换；药学文献数量和设计不均衡；许多结局为近端，持久胜任力、体验迁移和患者照护不确定；效果以教师能力、设计、基础设施、可及性和本地实践为条件；治理具有教育性。原文表述为对所识别文献的描述性比较，非正式证据确定性排名。
4.1 跨领域解释：支持作者推导的功能-证据-风险对齐原则：按所发展表现、证据强度与相关性及失败后果选择技术；风险或不可逆性增加时，技术自主程度应降低。技术自主指系统生成内容或反馈、评分或进展建议而无需教师验证的程度。AI状态是能力与风险修饰因素，而非组织层级。更多模拟研究不确立持久临床迁移或优于设计良好对照。LLM流利性有教学危害：感知有用性可能高估学习。AI辅助评估中，高效题目生产不等于有效评估。个性化在个体支持与透明标准间有张力，应区分AI增强胜任力与AI独立胜任力。
4.2 对药学项目的启示：ALIGN路线图：Morbitzer 等提出生成式AI重点流程；ALIGN扩展至AI启用和非AI数字技术，纳入证据成熟度、实施风险、机构准备度、公平和扩展或停止决策。五步由反复决策需求映射而成：Articulate、Link、Inspect、Govern、Normalize/Modify/Discontinue。ALIGN是作者推导综合和决策过程，非验证工具。项目先定义表现差距，检查证据和准备度，高风险应用要求更强证据和更严格边界；初始实施有界低风险，扩展取决于学习、保持、迁移、独立表现、工作量、成本、可及性、公平和意外后果。
4.3 研究重点与局限：未来研究应连接数字干预与持久专业能力，并在明确胜任力目标内比较模式。LLM辅导和AI辅助评估证据小且异质。比较研究应使用既定药学结局，主动对照优于无干预或历史对照；结局应超越满意度，报告模型、版本、提示、验证程序等。研究还应检查认知卸载、自动化偏倚、依赖和技能侵蚀。综述局限：选择有目的迭代，筛选计数未前瞻记录，无正式偏倚风险或确定性评估；不估计效应量、不排序模式、不确立因果；证据异质、常单机构和短期。
5 总结：AI和数字模拟在教育功能、证据基础、实施要求和风险与明确学习者需求匹配时，可对药学教育作出贡献。当前证据对可行性和近端结局最强，对持久胜任力或临床迁移证据有限。药学项目可将AI相关能力嵌入现有胜任力期望，而非创建单独AI课程。ALIGN路线图提供一种基于综合推导的过程，用于选择、试点、评估并在适当时修改或停止技术，同时保留教师问责和独立专业判断。