尊敬的编辑：
Hart等人在本文中及时地分析了生成式人工智能（AI）在医学生科研中的应用情况，揭示了学生实践可能领先于机构指导的现象。他们对533份AI使用声明及10位导师访谈的分析，凸显了一个教育挑战：当AI参与内容生成时，书面报告可能已无法可靠地展示学生自身的科研能力。我们建议，这一挑战应促使评估方式做出改变，并对如何教授、监督和证明科研能力进行更广泛的重新审视引文1。
首先，核查应被培养为一项核心科研技能，而非仅仅视为一种预防措施。学生需要学会对照原始来源验证声明，确认每一处引用，审查AI生成的摘要是否存在遗漏，并在可行范围内独立复现分析决策。这些做法应纳入评估范围。仅声明已核查AI输出是不够的，除非学生能够展示核查是如何进行的，以及他们据此做了哪些修改。
其次，AI素养必须具备学科针对性且保障公平性。正如Hart及其同事所指出的，提示词的优化依赖于学科知识，而导师往往感到自己缺乏判断AI是否被恰当使用的准备。泛化的培训工作坊不太可能弥合这一差距。机构应为导师和学生提供实用的能力建设，使用真实的科研任务和错误、偏见、保密风险以及不当归属的案例。此类培训应向所有导师开放，而非依赖个人自费学习。
第三，评估应使推理过程可见，但不必假设口头评估是唯一的解决方案。口头答辩、研究日志、标注输出、来源核查记录以及分阶段项目提交等方式，可以帮助教育者评估学生如何提出研究问题、选择方法、解读证据以及应对不确定性。多种评估方式的组合比依赖单一的高利害口头考试更为公平，后者可能引入自身的障碍和不公平。
最后，明确的机构规范应与学生共同制定。研究结果表明，学生已经在发展一些实践方式，而这些方式可能对导师不可见，也缺乏正式认可。定期对话可以明确允许使用的范围、披露期望、数据保护边界以及AI参与科研时的责任归属。政策应区分对常规任务的支持与对正在评估的智力工作的替代。
关键问题不在于学生是否使用AI，而在于科研教育能否帮助他们以透明、批判性和负责任的方式使用AI。整合学生体验、导师发展和评估设计，为在适应本地当前实践的同时保持科研培训完整性提供了一条建设性路径。
披露声明
作者声明不存在潜在的利益冲突。
