تعليم المهن الطبية والصحية

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

تعليم المهن الطبية والصحية (HPE) — تدريس وتدريب المهنيين في الطب والتمريض والصيدلة والمهن الصحية المساندة. يعيد الذكاء الاصطناعي تشكيل هذا المجال من خلال المحاكاة السريرية، ومدرّبي التعلم المعزّز، والتعلم التكيفي، وتطبيق مبادئ التعلّم التأسيسية (الإدراك التجريبي والموقوفي والموزّع) في سياقات المهن الصحية. ولأن HPE عالي المخاطر وقائم على الكفايات ومدمج سريريًا، فإنه يطرح مسائل مميزة عن دور الذكاء الاصطناعي في اكتساب المهارة، وسلامة المريض، وحكم المربي. والتمريض، وهو أكثر برامج HPE دراسةً، له الآن صفحة خاصة به — تعليم التمريض — حيث تتطور بالكمال حدود الكفاية، وتشكيل الهوية، وأدلة القوة العاملة التي تحملها هذه الصفحة في الخطوط العريضة فقط.

أسئلة تستحق التأمل

• في الطب، يجب موازنة فوائد الذكاء الاصطناعي مثل الممارسة القابلة للتوسّع والتغذية الراجعة التكيفية مقابل مخاطر مثل تآكل المهارة السريرية العملية — حيث تحمل الأخطاء عواقب مباشرة على المريض. فأين ترسم الخط بين ما ينبغي أن يفعله الذكاء الاصطناعي وما يجب أن يتدرب عليه المتدرّب بنفسه؟
• تقول الصفحة إن الذكاء الاصطناعي ينبغي أن يُستخدم لتشغيل مبادئ تعلّم قديمة — الإدراك التجريبي والموقوفي والموزّع — لا ليحل محل دور المربي الموجِّه. فما الذي يجعل حكم المربي لا غنى عنه حتى عندما يستطيع الذكاء الاصطناعي محاكاة الممارسة أو تخصيصها؟
• مدرّبو التعلم المعزّز والذكاء الاصطناعي الفاعل تُستخدم الآن للمهارات السريرية والإجرائية في الإقامة الطبية. فإذا درّب وكيل ذكاء اصطناعي مقيمًا على إجراء ما، كيف تتحقق من أنه تعلمه فعلًا بسلامة قبل أن يفعله على مريض؟
• لأن تعليم المهن الصحية عالي المخاطر وقائم على الكفايات، فإن مسائل التقويم تحمل وزنًا خاصًا. كيف يمكن للتقويم المدعوم بالذكاء الاصطناعي أن يحسّن تقييم الكفاية السريرية وأن يهدّده في الوقت نفسه؟
• الإفراط في الاعتماد على الذكاء الاصطناعي مصدر قلق خاص في الطب. فكيف تعتقد أن التدريب بالذكاء الاصطناعي يمكن أن يُنتج ممارسًا سريريًا أكثر ثقة وأقل قدرة على الاستدلال باستقلال — وما الذي يمكن أن يحول دون ذلك؟

مقدمة

الذكاء الاصطناعي في تعليم المهن الطبية والصحية خيط متنامٍ في تغطية قاعدة المعارف للموضوعات المتخصصة. وبخلاف التعليم العالي العام، يتوجه HPE نحو تطوير الكفايات السريرية والمهارات الإجرائية والحكم المهني، وهو ما يشكل كيفية تصميم أدوات الذكاء الاصطناعي وتقييمها.

كيف يظهر الذكاء الاصطناعي في تعليم المهن الصحية

• تشغيل مبادئ التعلّم التأسيسية. يجادل Fowlin et al. (الذي طُوّر في جامعة كارولاينا الجنوبية الطبية) بأن الذكاء الاصطناعي ينبغي أن يُستخدم لتشغيل مبادئ تعلّم قديمة — التعلم التجريبي عند ديوي، والإدراك الموقوفي، والإدراك الموزّع — لا ليحل محل دور المربي الموجِّه. ويعزز الذكاء الاصطناعي التعلّم المخصص والتكيفي مع بقاء المعلم محوريًا لـ اندماج الطالب والنتائج.
• المهارات السريرية وتعلم التعزيز. يستخدم ResidencyRL التعلم المعزّز لتدريب الاستدلال السريري والمهارات الإجرائية في الإقامة، مُظهرًا الذكاء الاصطناعي كشريك في تدريب المهارات في سير عمل سريري حقيقي.
• المحاكاة والذكاء الاصطناعي الفاعل. تُظهر محاكاة الذكاء الاصطناعي الفاعل في المعالجة القريبة كيف تدعم وكلاء الذكاء الاصطناعي التدريب الإجرائي العملي في التخصصات الطبية.
• تحويل التعلّم الطبي إلى لعبة. يطبّق MedGame التلعيب والنماذج اللغوية الكبيرة لإشراك طلاب الطب.
• التمريض والتعليم بين التخصصات. يوثّق تحويل تعليم التمريض بالذكاء الاصطناعي كيف يعيد الذكاء الاصطناعي تشكيل مناهج التمريض والتعليم. وتحتفظ هذه الصفحة بالتمريض كبرنامج واحد بين الطب والصيدلة وطب الأسنان والمهن الصحية المساندة، منظمًا حول المشكلة المشتركة المتمثلة في الكفاية السريرية القابلة للتوسّع؛ أما السجل الخاص بالتمريض — حد كفاية تتوقف عنده الفوائد الموثقة للذكاء الاصطناعي، وتأطير صريح للهوية المهنية، وقلق الطلاب بشأن القوة العاملة — فيخص تعليم التمريض ويُشار إليه هنا بالإحالة لا بإعادة الرواية.
• المحاكاة المدعومة بالذكاء الاصطناعي في التمريض. يجد Jiang et al. (2026) في استعراضه المنهجي المختلط المناهج لـ 19 دراسة (N = 1,253) أن المحاكاة المدفوعة بالذكاء الاصطناعي (الذكاء الاصطناعي التوليدي/النماذج اللغوية الكبيرة، والمرضى/الدمى الافتراضية، والواقع الافتراضي/المختلط المُعزَّز بالذكاء الاصطناعي، وروبوتات المحادثة) تُحسّن المعرفة المعرفية والنتائج الوجدانية (الكفاءة الذاتية، وثقة التواصل) في أقوى التصاميم، لكنها غير متسقة في المهارات النفسية-الحركية المعقدة — إذ وجدت دراسة تجريبية عشوائية مضبوطة أن المحاكاة المدعومة بالذكاء الاصطناعي أدنى من المرضى المعياريين. ومفهومهم عن «فجوة الأصالة» — قصور مُدرك من المتعلّم في الرنين الوجداني والإشارات غير اللفظية والفحص اللمسي — يؤسس لماذا يكون الذكاء الاصطناعي في أحسن أحواله للأهداف عالية البنية (التواصل التأسيسي، وأخذ التاريخ المرضي) وينبغي أن يجلس في سلسلة محاكاة مدرَّجة إلى جانب المرضى المعياريين والتدريب السريري لا بدلًا منهما. وهذا صقل مميز مؤسس على الأدلة لخيط المحاكاة في المجال ويوازي نتيجة القبول-الثقة القائلة إن المتعلّمين يفضلون التغذية الراجعة البشرية المُدركة على أنها «خيّرة» على تلك المدركة على أنها «كفؤة» فحسب.
• النماذج اللغوية الكبيرة وإعادة تكوين الهوية المهنية في التمريض (2026). يُحوّل استعراض Sun et al. (2026) التكاملي النقدي لـ 489 دراسة عبر 47 بلدًا (إطار Whittemore & Knafl) السؤال من ما تستطيع النماذج اللغوية الكبيرة فعله في تعليم التمريض إلى ما يفعله دمجها بـ العمليات التنموية التي يتشكل بها الممرض. ومؤطرًا عبر اكتساب المهارة عند Benner، ونظرية الحمل المعرفي، وانحياز الأتمتة، وتشكيل الهوية عند Wenger، يجدون التقنية ذاتها تعزز الكفاية وتآكلها معًا بحسب ما إذا كان العمل المعرفي المزاح خارجيًا لكفاية الهدف أم منوطًا بها — فأنتج الاعتماد غير البنيوي عجزًا مقيسًا في الاستدلال الأخلاقي والحكم السريري. ويميز نموذج توتر الهوية المهنية بين دمج النماذج اللغوية الكبيرة الذي يدعم التشكيل المهني والدمج الذي يحل محله بصمت، ويعيد كبح التعاطف البنيوي تأطير ما يبدو «أداءً متفوقًا» للذكاء الاصطناعي في المقاييس العلائقية كعرض من الإفراط في العمل الممنهج لا كتعاطف أصيل للذكاء الاصطناعي. وتُظهر خريطة فجوة الأدلة أن أعلى المجالات عاقبةً على السياسات (الهوية المهنية، والكفاية العلائقية/الأخلاقية، والنتائج طويلة المدى) ترتكز على أضعف الأدلة الصارمة — وهو تحذير من الادعاءات الواثقة بالنشر في تعليم التمريض.
• المرضى المعياريون متعددو الوكلاء في تدريب المقابلة السريرية. في تجربة عشوائية مضبوطة لعام 2026 مع 95 طالب طب خضعوا للتحليل (Yang et al.)، رفع تدريب المرضى المعياريين متعددي الوكلاء بالذكاء الاصطناعي درجات الامتحان النهائي المتوافقة مع OSCE فوق مجموعة مقارنة بنيوية غير مؤسسة على النماذج اللغوية الكبيرة بالإفصاح التدريجي (71.8% مقابل 55.6%؛ β = 16.4 نقطة مئوية؛ P = 3.30e-4) مع ترك الدقة التشخيصية الثنائية متماثلة إحصائيًا (84% مقابل 86%؛ P = 1.000). ويشير هذا التفكك إلى أن مكاسب التدريب السريري المبكر يمكن أن تظهر أولًا في جودة عملية الاستشارة — التواصل (متوسط 3.53 مقابل 2.64 على مقياس OSCE من 1–5؛ P = 4.50e-4)، والتعبير التعاطفي (+31 نقطة مئوية في بند «التعبير عن التعاطف» في قائمة التحقق)، وسلوكيات أخذ التاريخ المرضي المختارة — قبل أي تحسن في نقاط النهاية التشخيصية، وأن مرضى الذكاء الاصطناعي ما زالوا يحتاجون مقيّمين بشريين وأعضاء هيئة تدريس لأحكام المهنية والجاهزية.
• يفترض الطلاب في الغالب معاملة مريض الذكاء الاصطناعي كقاعدة بيانات قابلة للبحث. ففي مقابلة صوتية مع صورة رمزية مولَّدة بالذكاء الاصطناعي التوليدي في تجربة استقصاء قائمة على حل المشكلات، طرح الطلاب أسئلة مغلقة مركّزة على الكفاءة — سأل أحدهم ما إذا كان الذكاء الاصطناعي «مجرد قاعدة أسئلة، كما تعرف» — وجرت اللقاءات في 55–65 دقيقة مقابل 36–39 للوحدة القديمة (Mool et al., 2026)).
• توزيع المهام وإطار SCAN. يعيد Tsim et al. تأطير دمج الذكاء الاصطناعي من «سوء استخدام» المتعلّم إلى سوء تصنيف — فشل في التقييم المعرفي-ما-ورائي في الزمن الحقيقي. ويوزّع إطارهم SCAN (الاستبدال، والتكامل، والمساعدة، وغير القابل للتفاوض)، المؤسس على منطقة النمو القريب عند فيغوتسكي، مهام الذكاء الاصطناعي التوليدي بحسب الحالة التنموية للمتعلّم الفرد، ويحدد الاندماج السلبي داخل المهام المُسقالة بالذكاء الاصطناعي كمسار خفي نحو سوء تأهيل يستلزم إعادة تعريف من مساعدة الذكاء الاصطناعي إلى مساعدة الخبراء مع مدقّقين معرفيين بشريين.
• توليد أصول تعليمية بإنسان في الحلقة. يدمج Gen-Mentor (Dong et al. 2026) عمودًا فقريًا لنموذج لغوي-بصري في سير عمل التصوير الشعاعي للأسنان: يُموضع Faster R-CNN أربع نتائج مستهدفة (حشو، وزرع، وضرس منطمر، وتسوس)، ويولّد نموذج انتشار مشروط مرشحي مناطق اهتمام اصطناعية خاصة بالفئة، ويُنتج نموذج لغوي-بصري تعليقات مرتبطة بالدليل، ويعيد نموذج لغوي كبير صياغتها إلى أوصاف حالة ومقارنات ومحفّزات اختبار — وكل ذلك قبل مراجعة خبراء منظمة. وبتقييمه مع 45 طالب أسنان (متوسط SUS 72.7)، يُظهر كيف يمكن لمراجعة إنسان في الحلقة للأصول التعليمية المولَّدة بالذكاء الاصطناعي أن توسّع تنوّع الحالات ودعم التغذية الراجعة الفورية مع الاحتفاظ بإشراف الخبراء على ما يراه الطلاب.
• تصحيح امتحانات الصيدلة بالذكاء الاصطناعي. قيّم Falahat, Das, Bhaumik & Thambi (2026) أداء ChatGPT-5 مقابل تصحيح أعضاء هيئة التدريس البشريين لامتحان صيدلة من 21 بندًا (16 طالبًا) على بنود الاختيار من متعدد، واختيار كل ما ينطبق، والملء في الفراغ، والسرد، والإجابة القصيرة، والمقال. فطابق النموذج هيئة التدريس طابقًا وثيقًا في البنود الموضوعية (CCC 0.935–1.000) لكنه كان غير موثوق في السرد والإجابة القصيرة (CCC ≈0) والمقال (0.341–0.854)، ولم يُحسّن سلم تقييم منظم الاتفاق بشكل متسق — دليل على أنه في التقويم عالي المخاطر القائم على الكفايات في المهن الصحية، يناسب الذكاء الاصطناعي البنود محددة المواصفات جيدًا بينما تبقى المراجعة البشرية لازمة للاستدلال السريري الذاتي المفتوح.
• حكم مُتحقق من صلاحيته بالنماذج اللغوية الكبيرة للتواصل السريري. قيّم Hasan et al. (2026) مهارات التواصل 3E من النصوص المسجلة وحدها بحكم وصل إلى معامل ارتباط بيرسون 0.759 و ICC(A,1) 0.746 مقابل إجماع المقيّمين البشريين، داخل مدى البشر الأفراد، مع أن أضعف أبعاده (Be Explicit) لم يتحسن عبر اللقاءات.
• الذكاء الاصطناعي التوليدي في تعليم الرعاية الصحية القائم على السيناريوهات. راجع Neto and colleagues (2026) منهجيًا 23 دراسة عن الذكاء الاصطناعي التوليدي في التعلّم القائم على السيناريوهات والحالات والمشكلات والمحاكاة في تعليم الرعاية الصحية (PRISMA 2020). ونتيجتهم المركزية هي أن تصميم المحفّزات يعمل كمواصفة تعليمية — مُشفِّرًا الأهداف المعرفية ومعايير الجودة الكامنة في تأليف الخبراء — مع أن 34.8% فقط من الدراسات واءمت المحتوى المولَّد مع الأطر التعليمية و34.8% فقط أبلغت عن التحفيز بتفصيل كافٍ للتكرار. وساد GPT-4 في التطبيقات (44.4%)، وتفوق التعاون بين الإنسان والذكاء الاصطناعي الهجين على المناهج المؤتمتة بالكامل، وكانت الأدلة أقوى للمهارات المعرفية من الرتبة العليا لكنها غير متسقة في ما عدا ذلك. وهذا يؤسس التربية القائمة على السيناريو/المحاكاة والقائمة على حل المشكلات والتربية في التعليم الطبي بـ معايير مرجعية للتحقق وجودة الدمج.
• تصحيح أسئلة الامتحان المفتوحة بالذكاء الاصطناعي. اختبر Olvet et al. (2026) ما إذا كان GPT-4 قادرًا على تصحيح الأسئلة المفتوحة في تقويمات ما قبل التدريب الإكلينيكي في مدرستي طب أمريكيتين بموثوقية. فمع صقل أعضاء هيئة التدريس لسلالم التصحيح تدريجيًا عبر ثلاث جولات من تحليل أنماط الخطأ، وصلت موثوقية الاتفاق بين الذكاء الاصطناعي وهيئة التدريس إلى اتفاق جوهري-شبه تام في ثلاثة من الأسئلة الأربعة (كابا الموزونة حتى 0.94) لكنه كان متوسطًا فقط في بند السلم الشامل (κw = 0.54)؛ وكانت التناقضات تنبع من المقيّمين (إفراط GPT-4 في تصحيح الردود متعددة الأجوبة أو ذات المفردات الغائبة عن السلم؛ وكرم أعضاء هيئة التدريس المفرط) وأخطاء عرضية في التغذية الراجعة تُبقي البشر في الحلقة. ويقول المؤلفون إن قضية تصحيح الأسئلة المفتوحة آليًا تتعزز لأن نحو 82% من مدارس الطب الأمريكية تُصحّح أعمال ما قبل التدريب الإكلينيكي بنظام ناجح/راسب، حيث لا تكون مطابقة درجة الذكاء الاصطناعي التامة مطلوبة دائمًا.
• تقييم وكلاء التدريس بالذكاء الاصطناعي، لا نشرهم فقط. نشر Zhang et al. (2026) ثمانية وكلاء تدريس بالنماذج اللغوية الكبيرة في أربعة أنماط لتمثيل الأدوار (مريض، وطالب، وخبير، وعضو أسرة) في منهج لطب الغدد الصماء وصحّحوا 167 حوارًا طلابيًا بسلم جودة تدريس من ثمانية أبعاد. فتباعدت درجات المنصة عن جودة السلم تباعدًا حادًا؛ وتفاوت الوكلاء أكثر في أبعاد المعرفة وأقل في تمثيل الدور؛ وكانت معايرة الصعوبة التكيفية نقطة ضعف مشتركة؛ وتعزيز تعاطف وكيل رفع جودة تمثيل الدور دون تحسين تغطية المعرفة. وتشير النتيجة القائلة إن أنماط تمثيل الأدوار يمكن فصلها (ما وراء سكربت الطبيب-المريض الافتراضي) إلى تصميم الوكلاء وتقييمهم وفق أبعاد تربوية صريحة.
• شكل أدبيات الحقل نفسها. يرسم Sriram, Nichols, Ganti and Gue (2026) خريطةً لأدبيات الأخلاقيات في الطب بالذكاء الاصطناعي في التعليم نفسها: 1,403 منشورًا من Web of Science من 1995 إلى 2026، لا تُذكر لعقدين، ثم 113 في 2023، و256 في 2024 و500 في 2025؛ و39 بلدًا تتجاوز عتبة التأليف، تتصدرها الولايات المتحدة (533 منشورًا) على الصين (189) وإنجلترا (95)؛ وأكثر الأعمال استشهادًا هي اختبارات القدرة — أداء ChatGPT في امتحانات الترخيص الطبي قبل كل شيء — لا دراسات الحَوكمة. وقراءتهم هي أن الحقل نما سريعًا دون أن ينمو بانتظام، وأن التقييم التجريبي لأطر الحَوكمة هو العمل الذي لا يكافئه سجل الاستشهاد. وهي تحذير مفيد لأي شخص يعامل حجم أبحاث الذكاء الاصطناعي المنشورة في التعليم الطبي كدليل على أن مسائل استخدامه الآمن قد أُجيبت.

استعراض نطاقي لـ 153 تقريرًا عن الذكاء الاصطناعي التوليدي في التعليم الطبي يرسم خريطة التطبيقات — المحاكاة والمهارات السريرية الأكبر (47 تقريرًا)، قبل توليد التقويم والتغذية الراجعة (22) والتعلّم القائم على الحالات والاستدلال السريري (21) — مع أن 13 تقريرًا فقط حملت إشارة متابعة أو احتفاظ ولم يُعثر على أي نتيجة على مستوى المريض (Zhao et al. (2026)).

لماذا يهم

HPE مجال عالي المخاطر وقائم على الكفايات يجب فيه موازنة فوائد الذكاء الاصطناعي (الممارسة القابلة للتوسّع، والتغذية الراجعة التكيفية، والمحاكاة) مقابل مخاطر (الإفراط في الاعتماد، وتآكل المهارة السريرية العملية، والمخاوف الأخلاقية والسلامة). ومفاهيم قاعدة المعارف العامة — دور المعلم، والتقويم، والتغذية الراجعة، والإنصاف، والأخلاقيات — تنطبق بشدة خاصة في المهن الصحية، حيث تحمل الأخطاء عواقب مباشرة على المريض.

يسمّي Wang and Shan (2026) «فجوة السلامة» الناتجة — التباعد بين أداء الطالب بمساعدة الذكاء الاصطناعي وقدرته غير المدعومة على التحقق منه — ويصفان حجب الحلول، والاحتكاك المعرفي البناء، وسياسات الذكاء الاصطناعي السقراطية أو العدائية للتدريب السريري عالي المخاطر.

آثار على مربي المهن الصحية

• استخدم الذكاء الاصطناعي لتشغيل مبادئ التعلّم لا ليحل محل المربي. يجادل Fowlin et al. بأن الذكاء الاصطناعي ينبغي أن يشغّل التعلّم التجريبي والموقوفي والموزع الإدراك بينما يبقى المعلم محوريًا للاندماج والنتائج.
• استفد من الذكاء الاصطناعي في تدريب المهارات السريرية. يُظهر ResidencyRL والمحاكاة الفاعلة الذكاء الاصطناعي كشريك في تدريب المهارات في سير عمل سريري حقيقي — فأدرجه حيث يضيف ممارسة آمنة قابلة للتوسّع.
• وازن فوائد عالية المخاطر مقابل الإفراط في الاعتماد. HPE قائم على الكفايات وعالي المخاطر؛ فاحرس ضد الذكاء الاصطناعي الذي يحل محل المهارة السريرية العملية والحكم، وطبّق اعتبارات التغذية الراجعة والتقويم والأخلاقيات بعناية خاصة.
• كيّف التعلّم المُلعَّب والمتعدد التخصصات بالذكاء الاصطناعي بعناية. يُظهر التعلّم المُلعَّب بالنماذج اللغوية الكبيرة وتحويل تعليم التمريض أملًا لكنهما يحتاجان تقييمًا للسلامة ونتائج المهارة؛ وفي التمريض تحديدًا، فإن أدلة السلامة والمهارة تلك — بما فيها التجربة العشوائية المضبوطة التي أخفقت فيها المحاكاة المدعومة بالذكاء الاصطناعي مقابل المرضى المعياريين — تُجمع في تعليم التمريض.

المفاهيم المرتبطة

• التعلّم القائم على المشكلات
• التعليم العالي
• المحاكاة
• التعلّم التكيفي
• التعلّم المخصّص
• التعلّم القائم على الألعاب
• التعلّم التجريبي
• التعلّم الموقَّع
• الإدراك الموزّع
• التدريس
• التقويم
• التغذية الراجعة
• الذكاء الاصطناعي في التعليم
• الذكاء الاصطناعي في التعليم في المجالات الدراسية
• تعليم التمريض — خيط التمريض في تعليم المهن الصحية
• الواقع الافتراضي والمعزَّز — التدريب السريري الغامر والمعزَّز

المقالات المرتبطة

• Generative artificial intelligence and the transformation of medical education: a scoping review — Scoping review of 153 medical-education GenAI reports: simulation leads, durability and patient outcomes unmeasured

• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training

• What Platform Scores Miss: Multidimensional Evaluation of AI Teaching Agents in Medical Education — 8-dimension rubric evaluation of AI teaching agents in medical education

• When the algorithm enters the classroom: A critical integrative review of large language models, nursing education structural gaps, and the reconstitution of professional identity — LLMs, nursing education structural gaps, and the reconstitution of professional identity (Sun et al. 2026)

• AI as Teammate: Rethinking Task Distribution in Medical Training — SCAN framework: rethinking AI task distribution in medical training (Tsim et al. 2026)

• Using Generative AI to Simulate Patient History-Taking in a Problem-Based Learning Tutorial: A Mixed-Methods Study

• Empowering Educators: Operationalizing Age-Old Learning Principles Using AI — Operationalizing experiential, situated, and distributed cognition with AI in health-professions education

• ResidencyRL: Reinforcement Learning in Simulated Clinical Environments — Reinforcement-learning training for clinical skills in residency

• MedGame: Storytelling Gamification Empowered by Large Language Models for Medical Education — Gamified LLM-based learning for medical education

• Agentic AI-driven Immersive Simulation: A Knowledge-Aware Virtual Training Platform for High Dose Rate (HDR) Brachytherapy — Agentic AI simulation for brachytherapy training

• Transforming Nursing Education with Artificial Intelligence: A Systematic Review (2010–2025) — Transforming nursing education with AI

• AI-Powered Simulation for Nursing Education: Mixed Methods Systematic Review — AI-powered simulation in nursing education: mixed methods systematic review

• The Safety Gap: Restoring Productive Struggle Through Pedagogically Aligned Generative AI — The Safety Gap: Restoring Productive Struggle

• Gen-Mentor: A Human-in-the-Loop Instructional Framework for Dental Radiography Using Generative AI — Gen-Mentor: human-in-the-loop dental radiography instruction (Dong et al. 2026)

• Generative AI in Scenario-Based Healthcare Education: A Systematic Review of Applications, Validation Practices, and Pedagogical Integration — Systematic review of GenAI in scenario-based healthcare education (Neto et al. 2026)

• Bridging technology and education: The use of ChatGPT in grading pharmacy student exams

• Can Generative Artificial Intelligence Reliably Score Open-Ended Question Assessments in Undergraduate Medical Education?

• Scalable AI-based clinical communication training and automated assessment — Scalable AI-based clinical communication training and automated assessment

• Ethical and responsible use of artificial intelligence in medical education — Bibliometric map of AI ethics in medical education: output rose 113 (2023) to 500 (2025), 39 countries, and citations reward capability testing over governance (Sriram et al. 2026)