欢迎阅读《普通内科杂志》（*Journal of General Internal Medicine*，JGIM）第八届医学教育专题。自2004年创刊以来，该专题每2至5年出版一次，已刊载220余篇稿件。在筹备2027年专题的过程中，我们共收到113篇投稿，最终录用25篇以上予以发表。在编辑本期专题时，我们深受触动，过去二十年发表的研究至今仍具有持续的现实意义。在本篇社论中，我们回顾了以往的医学教育专题，识别出在今天依然引起共鸣的主题，思考人工智能（AI）在医学教育中日益演变的作用，并反思了促成本期专题诞生的协作过程。本期的编纂是一项团队努力，得益于12位在医学教育领域具有专长的副主编共同完成。我们期待延续本专题每两年一次的出版节奏。

在回顾2004年的首期专题时，我们发现了若干有趣的主题。那个时代独有的，是围绕新型万维网对医学教育的影响以及新型在线课程展开的多篇稿件，以及住院医工作时长改革（包括每周80小时工作制和连续24小时值班限制）对患者体验的影响。^{1,2,3}^{4} 到了2027年，我们看到技术对医学教育影响这一主题仍在延续，因为如今我们不得不应对人工智能的兴起。虽然住院医工时对患者体验的影响在我们这个时代已不再重要，但2027年专题同样探讨了住院医师培养中的重要议题，例如在住院医师门诊中，就诊间隔（inter-visit）与异步（asynchronous）门诊护理的影响。虽然2004年的一些主题在今天显得过时，但其他一些主题至今仍令医学教育工作者感兴趣、困惑并受到挑战。例如，住院医师培训项目仍在探索提升住院医师在操作技能、骨骼肌肉系统检查以及宫颈癌筛查等领域胜任力的方法。此外，尽管2004年已提出诸多建议和创新构想，推荐信质量这一棘手问题今天依然令人困扰。

我们邀请读者查阅JGIM 2004年5月期，以便更深入地了解这些稿件，同时也希望重点探讨其中一篇题为《为基于网络的教学课程建立同行评审流程》的论文。^{5} 该文探讨了普通内科医师学会（Society of General Internal Medicine，SGIM）评估基于网络的教学工具的方法，包括一套同行评价工具。作者回顾了关于远程学习、互联网课程、印刷版与网络版差异以及学习者对网络工具评价的相关文献。研究者利用该评价工具，共评估了为2003年SGIM会议"医学教育创新"栏目提交的15篇摘要和网站。我们突出这篇研究有多个原因。首先，目睹互联网在过去二十年间的飞速发展令人惊叹。它已渗透到临床诊疗与教育领域，在普通内科或医学教育中，几乎不可能有一天不使用它。其次，我们发现它与人工智能既相似又不同。教育工作者们协作以确定最佳实践和使用方式，然而2004年的互联网与人工智能相比，其功能差别巨大。第三，也是最后一点，我们认为JGIM近年来已成为人工智能相关教育出版的重要资源，而SGIM通过其人工智能任务小组和立场声明，积极探讨将人工智能整合到普通内科中的最佳实践与新兴挑战。^{6} 我们认为，人工智能将辅助而非取代普通内科的教育者。目前已存在相关框架与策略，可帮助我们纳入其使用，同时确立胜任力标准。^{7} 也许25年后的未来教育者会在JGIM上发表一篇反思文章，谈论2027年人工智能稿件的普及现象。

本期专题专题突出了贯穿医学教育全过程的严谨研究与学术探索。我们征集了以下主题的投稿：医学教育中的人工智能相关问题；涉及学习者的诊疗创新；传授初级保健价值并支持下一代；文化、学习环境、身心健康与心理安全感；以及职业素养与专业身份形成。最终被录用发表的稿件呈现出了不同的主题，包括：过渡（transitions）；普通内科（GIM） workforce development（人力资源发展）；教育创新；住院医师培训（GME）的经费；以及连续性门诊。这体现了学术研究的广泛性和难以预料的方向。在审视稿件时，我们小组会提出四个问题：它是否新颖？是否真实？它是否会改变我们的实践？该主题是否适合JGIM的读者群体？对于本期专题录用的稿件，我们相信这些问题的答案都是肯定的。

尽管我们无法突出介绍每一篇贡献，但本期专题中的若干稿件值得提及。一项2024年针对内科实习医师项目负责人（Clerkship Directors of Internal Medicine）的问卷调查提供了实习医师培养状况的更新信息，包括其结构、时长、模式以及住院与门诊体验。若干稿件涉及住院医师教育，包括一项关于住院医师入科导向、入箱管理（in-basket management）与就诊间隔护理的描述性研究，以及与成功匹配到专科研究员职位相关的住院医师申请特征。读者还可能对一项关于医师对工会化态度的研究感兴趣。最后，本期专题还介绍了由医学生自主主导并制作的播客的开发与成功，展示了学习者获取知识的不断演变的方式。

我们应当认识到所有投稿者的努力，因为这一领域往往缺乏直接的资金、时间或资源获取途径。为帮助未来的投稿者，我们也希望突出稿件未被录用的常见原因。这些原因包括：与普通内科（GIM）读者的相关性有限；对既往文献的定位不充分；样本量过小；以及仅使用柯克帕特里克模型第一层结果（Kirkpatrick Model Level 1 outcomes）。我们希望这些建议能提高未来投稿的录用机会。

我们已描述了医学教育专题的历史，其中包括2004年专题的稿件。在撰写2027年社论时，我们使用人工智能辅助我们回顾以往的专题。我们亲自核实了人工智能的工作成果，并对该流程的高效与全面感到满意。在本篇稿件中使用人工智能使我们能够更深入地探讨以往的医学教育专题——通过消除归类论文和从以往专题中识别长青主题的操作性、耗时任务，我们将更多精力投入到意义建构与写作等更具深度的认知工作上。我们对此持谨慎乐观的态度，并期待人工智能如何影响未来医学教育。

不可否认，人工智能是2027年塑造医学教育的核心力量。它已在许多方面改变了医学教育，从信息获取的便捷程度，到如何分派与参与以往需要大量人力与努力的任務。我们正在认识到，人工智能可以帮助学习者与医师收集和综合信息，并生成和细化鉴别诊断。它也可能支持临床推理。对于教育者而言，人工智能可以协助评估工作，尤其是将多项观察结果综合为有用的形成性评价与终结性评价叙述这一困难工作。然而，我们对这项技术的理解并未跟上其采用的速度。我们的热情可能远超前行的准备程度^{8}，更关键的是，远超前于支撑我们采纳临床新干预措施所依赖的证据。这一差距之所以重要，是因为人工智能对教育的影响超越了它是否准确执行某项具体任务。医学教育在本质上是人际的、互动性和迭代的。学习通过与教师和同侪的对话、直接的病人照护、观察、反馈以及临床推理能力的累积发展而发生。如果人工智能能够增强这些互动，其价值可能巨大；如果它取代了这些互动，则存在孤立、过度依赖、错误传播以及侵蚀临床判断发展过程的风险。此外，关于人工智能在医学教育和病人照护中的伦理问题也尚未解决。目前，这一领域的许多方面仍待探索，我们希望未来医学教育专题能够对此展开探讨。我们应当以谦逊和开放的心态面对，同时认识到我们尚不理解其广泛使用的后果。

最后，我们想感谢JGIM的联合主编、编辑团队以及医学教育副主编，感谢他们为提高医学教育学术成果影响力所付出的洞见、专长与协作。由于这一共同努力，我们相信本专题的读者将能够更好地了解情况，并受到启发，继续发展我们共同的医学教育知识。