医学研究生的人工智能素养、信息茧房效应与创造力：潜在特征分析及中介作用研究

《Nurse Education Today》：AI literacy, information cocoons, and creativity among medical postgraduates: A latent profile and mediation analysis

本研究通过潜类分析（LPA）对303名中国医学硕士研究生AI素养进行聚类，发现存在四个异质性亚型：最低水平-技能最弱（5.40%）、低中水平-伦理最弱（24.46%）、高中水平-态度较弱（37.41%）和最高水平-平衡型（32.73%）。性别和年级显著影响AI素养亚型分布（X2=1.48,p<0.001；X2=76.75,p<0.001）。以最低水平亚型为参照，高中水平亚型显著降低信息茧房（β=-0.513,p<0.001），最高水平亚型次之（β=-0.470,p<0.001），而低中水平亚型呈弱正相关（β=0.121,p=0.035）。信息茧房对创造力具有显著负向影响（β=-0.380,p<0.001），且在三个亚型与创造力关系中均起部分中介作用，占比分别为17.35%、36.73%和20.13%。

　　
中国医学研究生人工智能素养类型及其对创造力的影响机制研究

一、研究背景与问题提出
在生成式人工智能技术快速渗透医疗领域的背景下，医学专业研究生的AI素养水平及其与创造力之间的关系成为重要研究课题。当前医疗领域正经历数字化转型，AI技术不仅改变临床诊疗模式，还重构了医学研究的方法论体系。研究显示，生成式AI在医学文献综述、临床试验设计、数据建模等方面展现出显著优势，但同时存在算法偏见、信息茧房等潜在风险（Marrone et al., 2022）。

医学研究生群体具有特殊的双重属性：既是需要掌握前沿技术的科研人员，又是未来直接面对临床场景的医务工作者。这种双重身份要求其具备独特的AI素养结构——既需要技术操作能力，又需保持临床人文关怀。然而现有研究多聚焦单一维度，缺乏对AI素养异质性的深入探讨。特别是信息茧房作为新型数字生存状态，其与AI素养的相互作用机制尚未明晰。

二、研究方法创新
本研究突破传统变量中心研究范式，采用潜在剖面分析（Latent Profile Analysis）构建四维AI素养评估框架。该方法通过聚类分析识别个体在AI技术理解、应用能力、伦理认知、态度倾向四个维度的组合特征，成功区分出具有统计学意义的四类亚型：最低水平-技能缺失型（5.4%）、低中水平-伦理缺失型（24.46%）、中高水平-态度偏颇型（37.41%）、最高水平-平衡发展型（32.73%）。

研究特别引入"信息茧房"作为中介变量，通过社会认知理论构建"AI素养-信息茧房-创造力"的三元作用模型。采用混合研究方法，先通过在线问卷收集基础数据（样本量303），再运用Mplus 8.3进行潜在剖面分析和中介效应检验，结合SPSS 27.0进行多元回归分析，确保统计效度的同时兼顾实践指导价值。

三、核心研究发现
（一）AI素养异质性显著
研究首次揭示中国医学研究生群体中存在的AI素养分层现象：最高水平-平衡发展型占比超过三成，显示多数研究生已建立合理的AI技术应用框架；但仍有近四成处于中高水平但态度偏颇状态，这与其临床实践中的决策风格密切相关。值得注意的是，性别（X2=1.48, p<0.001）和年级（X2=76.75, p<0.001）成为影响AI素养类型分布的关键因素，女性及高年级学生更易形成系统化AI认知。

（二）信息茧房的中介效应
通过结构方程模型验证发现，信息茧房在AI素养与创造力间起显著中介作用（β=-0.380, p<0.001）。具体表现为：
1. 低技能缺失组与伦理缺失组：AI技术认知不足导致信息获取偏差，形成"技能-信息"双重茧房，使创造力下降达17.35%
2. 中高水平-态度偏颇组：过度依赖算法推荐形成"认知固化茧房"，创造力受损最显著（36.73%）
3. 平衡发展组：通过主动信息筛选机制，茧房效应最小（20.13%）

（三）群体差异的深层机制
研究发现不同AI素养亚型存在显著的行为分化：
- 技能缺失组（5.4%）表现为AI工具使用频率低（月均<2次），但临床决策中存在算法依赖倾向
- 伦理缺失组（24.46%）在处理医疗AI伦理问题时存在认知盲区，特别是隐私保护和算法公平性维度
- 态度偏颇组（37.41%）呈现"技术崇拜"与"人文疏离"并存特征，其创造力受限于认知框架的封闭性
- 平衡发展组（32.73%）通过建立"技术-人文"双循环机制，实现信息获取的多样性（信息源数量达7.2±2.1个/日）

四、理论贡献与实践启示
（一）拓展社会认知理论的应用边界
研究验证了Bandura社会认知理论在数字素养研究中的适用性，特别是"认知-行为-环境"三元互动模型。医学研究生通过调节AI技术认知（如算法理解深度）、行为策略（信息源管理方式）、环境互动（学术社群参与度）等维度，形成差异化的信息茧房结构，进而影响创造力表现。

（二）构建精准教育干预模型
基于亚型特征提出分层培养策略：
1. 基础层（5.4%）：重点加强AI技术基础培训，建立临床场景与算法工具的映射关系
2. 进阶层（24.46%）：开展伦理敏感性训练，设置医疗AI伦理情景模拟模块
3. 深化层（37.41%）：实施认知拓展计划，通过跨学科研讨打破专业壁垒
4. 优化层（32.73%）：建立持续学习机制，定期更新技术认知框架

（三）创新医疗AI人才培养路径
研究建议构建"四维能力矩阵"：
1. 技术操作层：掌握主流医疗AI工具（如影像诊断系统、基因组分析平台）
2. 伦理决策层：建立医疗AI伦理评估模型
3. 信息素养层：培养数字信息批判性思维
4. 创新应用层：开发AI辅助临床决策方案

五、研究局限与未来方向
本研究存在三方面局限：首先，样本覆盖虽达94%省级行政区，但未区分具体院校层次差异；其次，长期追踪数据缺失，难以验证信息茧房形成的动态过程；最后，未深入探讨文化因素对AI认知的影响机制。

后续研究可拓展以下方向：
1. 跨文化比较：对比中美医学生AI素养发展路径差异
2. 技术演化追踪：建立AI素养动态评估模型
3. 多模态干预：开发VR情景模拟训练系统
4. 政策建议：推动医疗AI伦理标准制定与教育立法

本研究为智能医疗时代的人才培养提供新范式，证实信息茧房作为关键调节变量，其影响程度随AI素养水平呈梯度变化。建议教育机构建立AI素养动态监测系统，针对不同亚型设计差异化的数字素养培育方案，这对提升未来医务工作者的创新能力和临床决策质量具有重要实践价值。