চিকিৎসা ও স্বাস্থ্য-পেশা শিক্ষা

ইংরেজি পাতার এই স্বয়ংক্রিয় অনুবাদ, এখনও মাতৃভাষিক বক্তার দ্বারা পর্যালোচনা করা হয়নি।

চিকিৎসা ও স্বাস্থ্য-পেশা শিক্ষা (HPE) — চিকিৎসক, নার্স, ফার্মাসিস্ট ও সহযোগী স্বাস্থ্য-পেশাজীবীদের শিক্ষাদান ও প্রশিক্ষণ। এআই এই ক্ষেত্রটিকে রূপান্তর করছে ক্লিনিকাল সিমুলেশন, রিইনফোর্সমেন্ট লার্নিং প্রশিক্ষক, অভিযোজিত শিখন এবং স্বাস্থ্য-পেশার প্রেক্ষাপটে মৌলিক শিখন-নীতির (অভিজ্ঞতাভিত্তিক, অবস্থানভিত্তিক ও বিতরণকৃত সংজ্ঞান) প্রয়োগের মাধ্যমে। যেহেতু HPE উচ্চ-ঝুঁকির, দক্ষতা-ভিত্তিক ও ক্লিনিক্যালি সংযুক্ত, এটি দক্ষতা-অর্জন, রোগী-নিরাপত্তা এবং শিক্ষাবিদের বিচারবোধে এআই-এর ভূমিকা নিয়ে স্বতন্ত্র প্রশ্ন তোলে। HPE-তে সবচেয়ে বেশি অধ্যয়িত কর্মসূচি নার্সিং-এর এখন নিজস্ব পাতা আছে — নার্সিং শিক্ষা — যেখানে এই পাতা যে দক্ষতা-সীমা, পরিচয়-গঠন ও কর্মশক্তি-প্রমাণ কেবল রূপরেখায় ধারণ করে, তা পূর্ণভাবে বিস্তৃত।

বিবেচনার প্রশ্ন

• চিকিৎসাবিজ্ঞানে, স্কেলযোগ্য অনুশীলন ও অভিযোজিত প্রতিক্রিয়ার মতো এআই-সুবিধাগুলোকে হাতেকলমে ক্লিনিকাল দক্ষতার ক্ষয়ের মতো ঝুঁকির সঙ্গে ভারসাম্য রাখতে হয় — যেখানে ভুলের সরাসরি রোগী-পরিণতি থাকে। এআই কী করবে আর শিক্ষানবিশকে নিজে কী অনুশীলন করতে হবে, তার মধ্যে আপনি সীমারেখা কোথায় টানবেন?
• পাতাটি যুক্তি দেয় এআই ব্যবহার করা উচিত পুরনো শিখন-নীতিগুলো — অভিজ্ঞতাভিত্তিক, অবস্থানভিত্তিক, বিতরণকৃত সংজ্ঞান — চালু করতে, শিক্ষাবিদের পথপ্রদর্শক ভূমিকা প্রতিস্থাপন করতে নয়। এআই যখন অনুশীলন সিমুলেট বা ব্যক্তিকৃত করতে পারে, তখনও শিক্ষাবিদের বিচারবোধ কেন অপরিহার্য?
• রিইনফোর্সমেন্ট-লার্নিং প্রশিক্ষক ও এজেন্টিক এআই এখন রেসিডেন্সিতে ক্লিনিকাল ও প্রক্রিয়াগত দক্ষতার জন্য ব্যবহৃত হয়। যদি একটি এআই এজেন্ট কোনো রেসিডেন্টকে একটি প্রক্রিয়া শেখায়, রোগীর ওপর তা করার আগে সে নিরাপদভাবে তা শিখেছে কি না আপনি কীভাবে যাচাই করবেন?
• যেহেতু স্বাস্থ্য-পেশা শিক্ষা উচ্চ-ঝুঁকির ও দক্ষতা-ভিত্তিক, মূল্যায়ন-প্রশ্নগুলোর বিশেষ ওজন আছে। এআই-সহায়ক মূল্যায়ন ক্লিনিকাল দক্ষতার মূল্যায়নকে কীভাবে একইসঙ্গে উন্নত ও হুমকির মুখে ফেলতে পারে?
• চিকিৎসাবিজ্ঞানে এআই-এর ওপর অতিরিক্ত নির্ভরতা একটি নির্দিষ্ট উদ্বেগ। এআই-সহ প্রশিক্ষণ কীভাবে এমন ক্লিনিশিয়ান তৈরি করতে পারে যিনি বেশি আত্মবিশ্বাসী কিন্তু স্বতন্ত্রভাবে যুক্তি করার সক্ষমতা কম — এবং এর বিরুদ্ধে কী সুরক্ষা দিতে পারে?

ভূমিকা

চিকিৎসা ও স্বাস্থ্য-পেশা শিক্ষায় এআই জ্ঞানভাণ্ডারের বিষয়-ক্ষেত্র কভারেজের একটি বর্ধমান ধারা। সাধারণ উচ্চশিক্ষার বিপরীতে HPE ক্লিনিকাল দক্ষতা, প্রক্রিয়াগত কৌশল ও পেশাগত বিচারবোধের বিকাশের দিকে অভিমুখী, যা এআই সরঞ্জাম কীভাবে নকশা ও মূল্যায়ন করা হয় তা নির্ধারণ করে।

স্বাস্থ্য-পেশা শিক্ষায় এআই কীভাবে হাজির হয়

• মৌলিক শিখন-নীতির পরিচালনামূলক প্রয়োগ। Fowlin et al. (মেডিক্যাল ইউনিভার্সিটি অব সাউথ ক্যারোলিনায় বিকশিত) যুক্তি দেন এআই ব্যবহার করা উচিত পুরনো শিখন-নীতিগুলো — Dewey-র অভিজ্ঞতাভিত্তিক শিখন, অবস্থানভিত্তিক সংজ্ঞান ও বিতরণকৃত সংজ্ঞান — পরিচালনামূলকভাবে প্রয়োগ করতে, শিক্ষাবিদের পথপ্রদর্শক ভূমিকা প্রতিস্থাপন করতে নয়। এআই ব্যক্তিকৃত ও অভিযোজিত শিখন বাড়ায়, অথচ শিক্ষক শিক্ষার্থী-সম্পৃক্তি ও ফলাফলের কেন্দ্রে থাকেন।

• ক্লিনিকাল দক্ষতা ও রিইনফোর্সমেন্ট লার্নিং। ResidencyRL রেসিডেন্সিতে ক্লিনিকাল যুক্তি ও প্রক্রিয়াগত দক্ষতা প্রশিক্ষণে রিইনফোর্সমেন্ট লার্নিং ব্যবহার করে, যা প্রকৃত ক্লিনিকাল কর্মপ্রবাহে এআই-কে দক্ষতা-প্রশিক্ষণের অংশীদার হিসেবে দেখায়।

• সিমুলেশন ও এজেন্টিক এআই। ব্র্যাকিথেরাপিতে এজেন্টিক এআই সিমুলেশন দেখায় কীভাবে এআই এজেন্ট চিকিৎসা-বিশেষত্বে হাতেকলমে প্রক্রিয়াগত প্রশিক্ষণ সমর্থন করে।

• চিকিৎসা-শিখনের খেলাকরণ। MedGame খেলাকরণ ও LLM প্রয়োগ করে চিকিৎসা-শিক্ষার্থীদের সম্পৃক্ত করতে।

• নার্সিং ও আন্তঃবিষয়ক শিক্ষা। নার্সিং শিক্ষার এআই-রূপান্তর নথিভুক্ত করে এআই নার্সিং পাঠ্যক্রম ও নির্দেশনাকে কীভাবে নতুন আকার দেয়। এই পাতা নার্সিংকে চিকিৎসা, ফার্মেসি, দন্তচিকিৎসা ও সহযোগী স্বাস্থ্যের মধ্যে একটি কর্মসূচি হিসেবে রাখে, এবং স্কেলযোগ্য ক্লিনিকাল দক্ষতার অভিন্ন সমস্যার চারপাশে সংগঠিত; নার্সিং-নির্দিষ্ট নথি — একটি দক্ষতা-সীমা যেখানে এআই-এর নথিভুক্ত সুবিধা থেমে যায়, স্পষ্ট পেশাগত-পরিচয় ফ্রেমিং, এবং শিক্ষার্থীদের কর্মশক্তি-উদ্বেগ — নার্সিং শিক্ষা-এর অন্তর্গত এবং এখানে পুনরুল্লেখ না করে কেবল ক্রস-রেফারেন্স করা হয়েছে।

• নার্সিংয়ে এআই-চালিত সিমুলেশন। Jiang et al. (2026)-এর 19টি গবেষণার (N = 1,253) মিশ্র-পদ্ধতি পদ্ধতিগত পর্যালোচনা দেখে এআই-চালিত সিমুলেশন (জেনএআই/LLM, ভার্চুয়াল রোগী/ম্যানিকুইন, এআই-বর্ধিত VR/MR এবং চ্যাটবট) সবচেয়ে শক্তিশালী নকশায় সংজ্ঞানাত্মক জ্ঞান ও আবেগগত ফলাফল (স্ব-কার্যকারিতা, যোগাযোগ-আত্মবিশ্বাস) উল্লেখযোগ্যভাবে উন্নত করে, কিন্তু জটিল সাইকোমোটর দক্ষতায় অসঙ্গত — একটি RCT-এ এআই-সহায়ক সিমুলেশন মানসম্মত রোগীর তুলনায় নিকৃষ্ট প্রমাণিত হয়েছে। তাদের "প্রামাণিকতার ফাঁক" ধারণা — আবেগগত অনুরণন, অমৌখিক সংকেত ও স্পর্শভিত্তিক পরীক্ষায় শিক্ষার্থী-অনুভূত ঘাটতি — ভিত্তি দেয় কেন এআই উচ্চ-কাঠামোবদ্ধ লক্ষ্যে (মৌলিক যোগাযোগ, রোগ-ইতিহাস গ্রহণ) সর্বোত্তম এবং কেন তা একটি ধাপযুক্ত সিমুলেশন ধারাবাহিকতায় মানব-মানসম্মত রোগী ও ক্লিনিকাল প্লেসমেন্টের পাশে থাকা উচিত, তার বদলে নয়। এটি ক্ষেত্রটির সিমুলেশন ধারার একটি স্বতন্ত্র, প্রমাণ-নোঙরিত পরিমার্জন এবং গ্রহণ-আস্থার সেই ফলাফলের সমান্তরাল যেখানে শিক্ষার্থীরা "পরোপকারী" হিসেবে অনুভূত মানব-প্রতিক্রিয়াকে কেবল "দক্ষ" হিসেবে দেখা এআই-এর ওপর প্রাধান্য দেয়।

• LLM ও নার্সিংয়ে পেশাগত পরিচয়ের পুনর্গঠন (2026)। Sun et al. (2026)-এর 47টি দেশের 489টি গবেষণার সমালোচনামূলক সমন্বিত পর্যালোচনা (Whittemore ও Knafl কাঠামো) প্রশ্নটিকে সরে আনে — নার্সিং শিক্ষায় LLM কী করতে পারে তা থেকে, তার সংহতকরণ একজন নার্স গঠনের বিকাশ প্রক্রিয়াগুলোতে কী করে তা-তে। Benner-এর দক্ষতা-অর্জন, সংজ্ঞানাত্মক ভার তত্ত্ব, অটোমেশন-পক্ষপাত ও Wenger-এর পরিচয়-গঠনের মধ্য দিয়ে ফ্রেম করে তারা দেখেন একই প্রযুক্তি দক্ষতা বাড়ায় ও ক্ষয় করে — নির্ভর করে স্থানান্তরিত সংজ্ঞানাত্মক কাজটি লক্ষ্য-দক্ষতার জন্য অপ্রাসঙ্গিক না মৌলিক তার ওপর; অসংগঠিত নির্ভরতা নৈতিক যুক্তি ও ক্লিনিকাল বিচারবোধে মাপযোগ্য ঘাটতি তৈরি করেছে। তাদের পেশাগত পরিচয়-টানের মডেল পেশাগত গঠনকে সমর্থনকারী LLM-সংহতকরণকে নিঃশব্দে তার বিকল্প হয়ে ওঠা সংহতকরণ থেকে আলাদা করে, আর কাঠামোগত সহানুভূতি-দমন সম্পর্কগত মাপকাঠিতে এআই-এর আপাত "উত্তম-প্রদর্শন"-কে প্রকৃত এআই-সহানুভূতি নয়, বরং ব্যবস্থাগত অতিরিক্ত পরিশ্রমের উপসর্গ হিসেবে পুনর্ব্যাখ্যা করে। একটি প্রমাণ-ফাঁক মানচিত্র দেখায় সর্বোচ্চ-নীতি-পরিণতির ক্ষেত্রগুলো (পেশাগত পরিচয়, সম্পর্কগত/নৈতিক দক্ষতা, দীর্ঘমেয়াদি ফলাফল) সবচেয়ে পাতলা কঠোর প্রমাণের ওপর দাঁড়িয়ে — যা নার্সিং শিক্ষায় আত্মবিশ্বাসী স্থাপন-দাবির বিরুদ্ধে সতর্কতা।

• ক্লিনিকাল সাক্ষাৎকার-প্রশিক্ষণে বহু-এজেন্ট এআই মানসম্মত রোগী। 95 জন বিশ্লেষিত চিকিৎসা-শিক্ষার্থীর একটি 2026 র‍্যান্ডমাইজড নিয়ন্ত্রিত পরীক্ষায় (Yang et al.), বহু-এজেন্ট এআই মানসম্মত রোগী প্রশিক্ষণ একটি কাঠামোবদ্ধ অ-LLM প্রগ্রেসিভ-ডিসক্লোজার নিয়ন্ত্রণের তুলনায় চূড়ান্ত OSCE-সামঞ্জস্যপূর্ণ পরীক্ষা-স্কোর বাড়িয়েছে (71.8% বনাম 55.6%; β = 16.4 শতাংশ-পয়েন্ট; P = 3.30e-4), অথচ দ্বিমুখী রোগনির্ণয়-নির্ভুলতা পরিসংখ্যানগতভাবে অভিন্ন রেখেছে (84% বনাম 86%; P = 1.000)। এই বিচ্ছেদ ইঙ্গিত দেয় প্রাথমিক ক্লিনিকাল-প্রশিক্ষণে লাভ প্রথমে পরামর্শ-প্রক্রিয়ার গুণমানে প্রকাশ পেতে পারে — যোগাযোগ (1-5 OSCE স্কেলে গড় 3.53 বনাম 2.64; P = 4.50e-4), সহানুভূতিশীল প্রকাশ ("সহানুভূতি প্রকাশ" চেকলিস্ট আইটেমে +31 শতাংশ-পয়েন্ট) এবং নির্বাচিত রোগ-ইতিহাস গ্রহণের আচরণ — রোগনির্ণয়-প্রান্তবিন্দুতে কোনো উন্নতির আগেই, এবং এআই রোগীর জন্য পেশাদারিত্ব ও প্রস্তুতির বিচারে এখনও মানব রেটার ও প্রশিক্ষক প্রয়োজন।

• মানদণ্ড-স্তরের স্কোরিং প্রকাশ করে এআই রোগী কী করতে পারে না। তিনটি কোরিয়ান OSCE কেসে চারটি ব্যাকবোনের তিনটি বোধগম্যতা, সামঞ্জস্য ও হ্যালুসিনেশন-মুক্ততায় একজন বিশেষজ্ঞ-সূত্রের 0.5 Likert পয়েন্টের মধ্যে ছিল, তবুও দুর্বলতা কেন্দ্রীভূত ছিল ক্লিনিকাল যুক্তি ও রোগী-শিক্ষায় এবং কোরিয়ান নেতিবাচক-রূপের জন্য সাবলীলতায় জরিমানায় (Yi, Park ও Kim (2026))।

• রেসিডেন্সি পাঠ্যক্রমে এআই সংহতকরণ বিষয়বস্তুর সমস্যার আগে সুশাসনের সমস্যা (2026)। Bursic et al. কানাডীয় ও মার্কিন স্নাতকোত্তর চিকিৎসা-শিক্ষায় এআই-কাজ পরিচালনাকারী বারো জন চিকিৎসকের সাক্ষাৎকার নিয়েছেন। তারা যে পাঁচটি বাধার নাম দেন তা শিক্ষণ-পদ্ধতিগত নয়, কাঠামোগত: সরঞ্জাম প্রকাশের চেয়ে ধীর পর্যালোচনা-চক্র, কয়েকজন বিশেষজ্ঞের বাইরে অনুষদ-দক্ষতা পাতলা, গোপনীয়তা ও তথ্য-মালিকানায় পিছিয়ে থাকা সুশাসন, কোনো জাতীয় দক্ষতা-মানদণ্ড নেই, এবং পেশাগত পরিচয়ে বাঁধা সাংস্কৃতিক প্রতিরোধ (Bursic et al. (2026))। তাদের প্রস্তাব একটি মডুলার মূল — এআই সাক্ষরতা, সমালোচনামূলক পর্যালোচনা, পক্ষপাত শনাক্তকরণ, মানুষ-এআই অধিসংজ্ঞান, নৈতিকতা — যার বিশেষত্ব ও স্থানীয়-সরঞ্জাম বিষয়বস্তু প্রতি ছয় থেকে বারো মাসে পুনরালোচিত হবে। যেখানে এই পাতা নথিভুক্ত করে এআই এখানে কী শেখাতে পারে, সেখানে এই ধারা নথিভুক্ত করে একটি কর্মসূচি আদৌ তা শেখাতে পারে কি না।

• শিক্ষার্থীরা ডিফল্টভাবে এআই রোগীকে অনুসন্ধানযোগ্য ডেটাবেস হিসেবে দেখে। একটি PBL পাইলটে জেনএআই অ্যাভাটারের সঙ্গে কণ্ঠ-সাক্ষাৎকারে শিক্ষার্থীরা বদ্ধ-প্রান্তিক, দক্ষতা-কেন্দ্রিক প্রশ্ন করেছে — একজন জিজ্ঞাসা করেছে এআই আদৌ "শুধু একটা প্রশ্নভাণ্ডার" কি না — এবং সাক্ষাৎকারগুলো 55-65 মিনিট চলেছে, পুরনো মডিউলের 36-39 মিনিটের বিপরীতে (Mool et al., 2026)।

• উদ্যোগ কাজ-বণ্টনের পাশে দ্বিতীয় অক্ষ। Jin et al. (2026) 79 জন চিকিৎসা ও নার্সিং শিক্ষার্থী ও স্নাতককে র‍্যান্ডমাইজ করে দুই এজেন্টে দিয়েছেন — একটি প্রতিক্রিয়াশীল, যা প্রম্পটের অপেক্ষা করে, আর একটি সক্রিয়, যা ক্রমানুসারী প্রশ্ন চালায় — এবং চার-ব্যক্তির নার্সিং সিমুলেশনের বহুমাত্রিক চিহ্ন থেকে তৈরি ভিজুয়ালের ওপর বিশ্লেষণমূলক রচনা লিখিয়েছেন (প্রতি আচরণে সময়ের বার-চার্ট, একটি যোগাযোগ-নেটওয়ার্ক, একটি ওয়ার্ড হিটম্যাপ)। দুই শর্ত জ্ঞানতাত্ত্বিক গঠনে তীব্রভাবে ভিন্ন (Cliff's delta -0.56 ও -0.78) অথচ চূড়ান্ত স্কোরে ভিন্ন নয়, তাই একটি সরঞ্জাম বণ্টনে কোথায় বসে এবং কত উদ্যোগ দাবি করে — এ দুটি আলাদা নকশা-সিদ্ধান্ত।

• শিক্ষার্থী-নথি ভাগ না করেই আন্তঃকর্মসূচি বিশ্লেষণ। Kovor, Osei ও Agyemang (2026) Open University Learning Analytics Dataset-কে স্বাস্থ্য-পেশার প্রতিরূপ হিসেবে পাঁচটি কর্মসূচি-বিষয় ক্লায়েন্টে ভাগ করে দেখেন ফেডারেটেড লজিস্টিক রিগ্রেশন কেন্দ্রীভূত কর্মদক্ষতার 99.3-99.9% ধরে রাখে, তাই কর্মসূচি জুড়ে ঝুঁকি-মডেল ভাগ করার বাধা পরিসংখ্যানগত নয়, সাংগঠনিক। পুলড মডেল ব্যর্থ হওয়ার কারণ শিক্ষণ-পদ্ধতিগত ভিন্নতা: তাদের উদাহরণে একটি নার্সিং কর্মসূচি 30-35% ঝুঁকিতে, সমকালীন একটি চিকিৎসা কর্মসূচির 15-18%-এর বিপরীতে, এবং প্রতিটি বিষয়ে ফোরাম-কার্যকলাপ পূর্বানুমানক হিসেবে সবার শেষে, কারণ এই কর্মসূচিগুলোতে সহপাঠী-শিখন ঘটে ক্লিনিকাল প্লেসমেন্টে।

• কাজ-বণ্টন ও SCAN কাঠামো। Tsim et al. এআই সংহতকরণকে শিক্ষার্থীর "অপব্যবহার" থেকে ভুল-শ্রেণিবিন্যাসে রূপান্তরিত করেন — সময়-বাস্তব অধিসংজ্ঞানাত্মক মূল্যায়নের ব্যর্থতা। Vygotsky-র নিকটবর্তী বিকাশ অঞ্চলে ভিত্তিগত তাদের SCAN কাঠামো (Substitute, Complement, Aid, Non-Negotiable) জেনারেটিভ এআই-কাজ ব্যক্তিগত শিক্ষার্থীর বিকাশ-অবস্থা অনুসারে বণ্টন করে এবং এআই-স্ক্যাফোল্ডেড কাজের মধ্যে নিষ্ক্রিয় সম্পৃক্ততাকে ভুল-দক্ষতার একটি লুকানো পথ হিসেবে চিহ্নিত করে, যার জন্য এআই থেকে বিশেষজ্ঞ-সহায়তায় পুনঃশনাক্তকরণ দরকার, মানব জ্ঞানতাত্ত্বিক নিরীক্ষক সহ।

• মানুষ-চক্রে নির্দেশনামূলক সম্পদ উৎপাদন। Gen-Mentor (Dong et al. 2026) একটি দন্ত-রেডিওগ্রাফি কর্মপ্রবাহে ভিশন-ল্যাঙ্গুয়েজ-মডেল ব্যাকবোন সংযুক্ত করে: Faster R-CNN চারটি লক্ষ্য-পদার্থ স্থানীয়করণ করে (Filling, Implant, Impacted Tooth, Cavity), একটি কন্ডিশনাল ডিফিউশন মডেল শ্রেণি-নির্দিষ্ট কৃত্রিম ROI প্রার্থী উৎপন্ন করে, একটি VLM প্রমাণ-সংযুক্ত ক্যাপশন তৈরি করে, এবং একটি বৃহৎ ভাষা মডেল (এলএলএম) সেগুলোকে কেস-বর্ণনা, তুলনা ও কুইজ-প্রম্পটে পুনর্বিন্যাস করে — সবই কাঠামোবদ্ধ বিশেষজ্ঞ-পর্যালোচনার আগে। 45 জন দন্ত-শিক্ষার্থীর সঙ্গে মূল্যায়িত (গড় SUS 72.7), এটি দেখায় কীভাবে এআই-উৎপন্ন নির্দেশনামূলক সম্পদের মানুষ-চক্রে পর্যালোচনা কেস-বৈচিত্র্য ও তাৎক্ষণিক-প্রতিক্রিয়া সমর্থন বাড়াতে পারে, অথচ শিক্ষার্থীরা কী দেখবে তা নিয়ে বিশেষজ্ঞ-তদারকি ধরে রাখে।

• ফার্মেসি পরীক্ষার এআই গ্রেডিং। Falahat, Das, Bhaumik ও Thambi (2026) একটি 21-আইটেম ফার্মেসি পরীক্ষায় (16 শিক্ষার্থী) বহুনির্বাচনী, সব-প্রযোজ্য-বাছাই, শূন্যস্থান-পূরণ, তালিকা, সংক্ষিপ্ত-উত্তর ও প্রবন্ধ আইটেম জুড়ে ChatGPT-5-কে মানব অনুষদের গ্রেডিংয়ের সঙ্গে তুলনা করেন। মডেল বস্তুনিষ্ঠ আইটেমে অনুষদের সঙ্গে ঘনিষ্ঠভাবে মিলেছে (CCC 0.935-1.000) কিন্তু তালিকা, সংক্ষিপ্ত-উত্তর (CCC ≈0) ও প্রবন্ধ (0.341-0.854) উত্তরে অবিশ্বস্ত ছিল, এবং একটি কাঠামোবদ্ধ রুব্রিক সামঞ্জস্য ধারাবাহিকভাবে উন্নত করেনি — প্রমাণ যে স্বাস্থ্য-পেশায় উচ্চ-ঝুঁকির, দক্ষতা-ভিত্তিক মূল্যায়নে এআই সু-নির্দিষ্ট আইটেমে উপযুক্ত, অথচ ব্যক্তিনিষ্ঠ, মুক্ত-প্রান্তিক ক্লিনিকাল যুক্তির জন্য মানবিক পর্যালোচনা এখনও প্রয়োজন।

• ক্লিনিকাল যোগাযোগের জন্য একটি বৈধকৃত LLM বিচারক। Hasan et al. (2026) কেবল ট্রান্সক্রিপ্ট থেকে 3E যোগাযোগ-দক্ষতা স্কোর করেছেন এমন একটি বিচারক দিয়ে যা মানব রেটারদের সর্বসম্মতির বিপরীতে Pearson 0.759 ও ICC(A,1) 0.746-এ পৌঁছেছে — ব্যক্তিগত মানুষের বিস্তারের ভেতরেই — যদিও এর দুর্বলতম মাত্রা (Be Explicit) সাক্ষাৎকার জুড়ে উন্নত হয়নি।

• পরিস্থিতি-ভিত্তিক স্বাস্থ্যসেবা শিক্ষায় জেনএআই। Neto ও সহকর্মীরা (2026) স্বাস্থ্যসেবা শিক্ষায় পরিস্থিতি-, কেস-, সমস্যা- ও সিমুলেশন-ভিত্তিক শিখনে জেনএআই-এর 23টি গবেষণা পদ্ধতিগতভাবে পর্যালোচনা করেছেন (PRISMA 2020)। তাদের কেন্দ্রীয় ফলাফল হলো প্রম্পট-নকশা নির্দেশনামূলক স্পেসিফিকেশন হিসেবে কাজ করে — বিশেষজ্ঞ-রচনায় নিহিত সংজ্ঞানাত্মক লক্ষ্য ও গুণমান-মানদণ্ড সংকেতবদ্ধ করে — তবুও কেবল 34.8% গবেষণা উৎপন্ন বিষয়বস্তুকে নির্দেশনামূলক কাঠামোর সঙ্গে সামঞ্জস্যপূর্ণ করেছে এবং কেবল 34.8% পুনরুৎপাদনযোগ্য বিশদে প্রম্পটিং প্রতিবেদন করেছে। GPT-4 বাস্তবায়নে প্রাধান্য পেয়েছে (44.4%), হাইব্রিড মানুষ-এআই সহযোগিতা সম্পূর্ণ স্বয়ংক্রিয় পদ্ধতির চেয়ে ভালো করেছে, এবং প্রমাণ উচ্চতর-ক্রমের সংজ্ঞানাত্মক দক্ষতায় সবচেয়ে শক্তিশালী কিন্তু অন্যত্র অসঙ্গত। এটি চিকিৎসা-শিক্ষায় পরিস্থিতি/সিমুলেশন-ভিত্তিক ও সমস্যা-ভিত্তিক শিক্ষণ-পদ্ধতিকে বৈধকরণ- ও সংহতকরণ-গুণমানের বেঞ্চমার্কে ভিত্তি দেয়।

• মুক্ত-প্রান্তিক পরীক্ষা-প্রশ্নের এআই স্কোরিং। Olvet et al. (2026) যাচাই করেছেন GPT-4 দুই মার্কিন চিকিৎসা-বিদ্যালয়ে প্রি-ক্লার্কশিপ মূল্যায়নে মুক্ত-প্রান্তিক প্রশ্ন নির্ভরযোগ্যভাবে স্কোর করতে পারে কি না। অনুষদ তিন রাউন্ড ভুল-ধরন বিশ্লেষণ জুড়ে স্কোরিং রুব্রিক পুনরায় পরিমার্জন করার পর, এআই-অনুষদ আন্তঃরেটার নির্ভরযোগ্যতা চারটি প্রশ্নের তিনটিতে উল্লেখযোগ্য-থেকে-প্রায়-নিখুঁত সম্মতিতে পৌঁছেছে (ভারিত কাপ্পা 0.94 পর্যন্ত) কিন্তু সামগ্রিক-রুব্রিক আইটেমে কেবল মধ্যম (κw = 0.54); অসঙ্গতিগুলো উভয় রেটার থেকেই এসেছে (GPT-4 বহু-উত্তর বা রুব্রিক-বহির্ভূত শব্দভাণ্ডারের উত্তরে অতিরিক্ত স্কোর দিয়েছে; অনুষদ অতিরিক্ত উদার হয়েছে) এবং মাঝে মাঝে ভুল প্রতিক্রিয়া মানুষকে চক্রে রাখে। লেখকেরা যুক্তি দেন স্বয়ংক্রিয় OEQ স্কোরিংয়ের পক্ষের মামলা শক্তিশালী হয় কারণ মার্কিন চিকিৎসা-বিদ্যালয়ের প্রায় 82% প্রি-ক্লার্কশিপ কাজ পাস/ফেল-এ গ্রেড করে, যেখানে হুবহু এআই-স্কোর মিল সবসময় প্রয়োজন হয় না।

• পুনরাবৃত্ত রান একই গ্রেড পুনরুৎপাদন করে না। একটি স্নাতকোত্তর-স্তরের জনস্বাস্থ্য কোর্সে চারটি সাধারণ-উদ্দেশ্য LLM একই 32টি নাম-মুছে-ফেলা প্রবন্ধ জমা দুই মানব পরীক্ষকের মতো গ্রেড করেছে; চিন্তা-মোডে ChatGPT ভারিত কাপ্পা 0.718-এ পৌঁছেছে, কিন্তু একই জমা পাঁচটি ভিন্ন দিনে পুনরায় গ্রেড করলে কেবল Krippendorff's alpha 0.625 হয়েছে (Brevik et al. (2026))। লেখকেরা উচ্চ-ঝুঁকির ব্যবহারের জন্য একাধিক মূল্যায়নের গড় নেওয়ার পরামর্শ দেন।

• এআই মূল্যায়ন শেখানো এজেন্টের, কেবল স্থাপন নয়। Zhang et al. (2026) একটি এন্ডোক্রিনোলজি পাঠ্যক্রমে চারটি ভূমিকা-অভিনয় দৃষ্টান্তে (রোগী, শিক্ষার্থী, বিশেষজ্ঞ, পরিবারের সদস্য) আটটি LLM শিক্ষণ-এজেন্ট স্থাপন করেন এবং 8-মাত্রার শিক্ষণ-গুণমান রুব্রিক দিয়ে 167টি শিক্ষার্থী-সংলাপ স্কোর করেন। প্ল্যাটফর্ম-স্কোর রুব্রিক-গুণমান থেকে তীব্রভাবে বিচ্যুত; এজেন্টরা জ্ঞান-মাত্রায় সবচেয়ে বেশি এবং ভূমিকা-অভিনয়ে সবচেয়ে কম ভিন্ন হয়েছে; অভিযোজিত কাঠিন্য-ক্রমাঙ্কন একটি সাধারণ দুর্বলতা ছিল; এবং একটি এজেন্টের সহানুভূতি জোরদার করা ভূমিকা-অভিনয়ের গুণমান বাড়িয়েছে অথচ জ্ঞান-কভারেজ উন্নত করেনি। এই ফলাফল — যে ভূমিকা-অভিনয় দৃষ্টান্তগুলো (ডিফল্ট রোগী-ডাক্তার স্ক্রিপ্টের বাইরে) আলাদা করা যায় — স্পষ্ট শিক্ষণ-পদ্ধতিগত মাত্রার বিপরীতে এজেন্ট নকশা ও মূল্যায়নের দিকে ইঙ্গিত করে।

• ক্ষেত্রটির নিজস্ব সাহিত্যের আকৃতি। Sriram, Nichols, Ganti ও Gue (2026) চিকিৎসা-শিক্ষায় নৈতিক-এআই সাহিত্যকেই মানচিত্রায়িত করেন: 1995 থেকে 2026 পর্যন্ত 1,403টি Web of Science প্রকাশনা, দুই দশক ধরে নগণ্য, তারপর 2023-এ 113, 2024-এ 256 এবং 2025-এ 500; 39টি দেশ লেখকত্ব-সীমা ছাড়িয়ে যায়, যার নেতৃত্বে মার্কিন যুক্তরাষ্ট্র (533 প্রকাশনা), তারপর চীন (189) ও ইংল্যান্ড (95); এবং সর্বাধিক-উদ্ধৃত কাজগুলো সক্ষমতা-পরীক্ষা — সর্বোপরি চিকিৎসা-লাইসেন্সিং পরীক্ষায় ChatGPT-এর কর্মদক্ষতা — সুশাসন-পাণ্ডিত্য নয়। তাদের পাঠ হলো ক্ষেত্রটি দ্রুত বেড়েছে কিন্তু সমানভাবে বাড়েনি, এবং সুশাসন কাঠামোর অভিজ্ঞতামূলক মূল্যায়নই সেই কাজ যা উদ্ধৃতি-নথি পুরস্কৃত করছে না। যে কেউ প্রকাশিত এআই-ইন-মেডিক্যাল-শিক্ষা গবেষণার আয়তনকে তার নিরাপদ-ব্যবহারের প্রশ্নগুলো উত্তরিত হয়েছে এমন প্রমাণ হিসেবে ধরেন, তার জন্য এটি একটি উপকারী সতর্কতা।

চিকিৎসা-শিক্ষায় জেনএআই-এর 153টি প্রতিবেদনের একটি স্কোপিং পর্যালোচনা প্রয়োগগুলোর মানচিত্র দেয় — সিমুলেশন ও ক্লিনিকাল দক্ষতা সবচেয়ে বড় (47 প্রতিবেদন), তারপর মূল্যায়ন-উৎপাদন ও প্রতিক্রিয়া (22) এবং কেস-ভিত্তিক শিখন ও ক্লিনিকাল যুক্তি (21) — তবুও কেবল 13টি প্রতিবেদনে ফলো-আপ বা ধারণ-সংকেত ছিল এবং রোগী-স্তরের কোনো ফলাফল পাওয়া যায়নি (Zhao et al. (2026))।

কেন এটি গুরুত্বপূর্ণ

HPE একটি উচ্চ-ঝুঁকির, দক্ষতা-ভিত্তিক ক্ষেত্র যেখানে এআই-এর সুবিধা (স্কেলযোগ্য অনুশীলন, অভিযোজিত প্রতিক্রিয়া, সিমুলেশন) ঝুঁকির (অতিরিক্ত নির্ভরতা, হাতেকলমে ক্লিনিকাল দক্ষতার ক্ষয়, নৈতিক ও নিরাপত্তা উদ্বেগ) সঙ্গে ভারসাম্যপূর্ণ হতে হবে। জ্ঞানভাণ্ডারের সাধারণ ধারণাগুলো — শিক্ষাদান, মূল্যায়ন, প্রতিক্রিয়া, ন্যায়বিচার ও নীতিশাস্ত্র — স্বাস্থ্য-পেশায় বিশেষ তীব্রতায় প্রযোজ্য, যেখানে ভুলের সরাসরি রোগী-পরিণতি থাকে।

Wang ও Shan (2026) এর ফলে উদ্ভূত "নিরাপত্তা-ফাঁক"-এর নাম দেন — শিক্ষার্থীর এআই-সহায়ক কর্মদক্ষতা ও তা যাচাই করার তার অসহায়ক সক্ষমতার মধ্যে বিচ্যুতি — এবং উচ্চ-ঝুঁকির ক্লিনিকাল প্রশিক্ষণের জন্য সমাধান আটকে রাখা, গঠনমূলক সংজ্ঞানাত্মক ঘর্ষণ, এবং সক্রেটিক বা বিপরীতমুখী এআই স্থাপত্যের পরামর্শ দেন।

• পাঠ্যক্রম তথ্য-উৎস সম্পর্কে কী শেখায়। Giancotti et al. (2026) 36টি মার্কিন স্বাস্থ্য-এআই কর্মসূচির প্রকাশ্যে বিজ্ঞাপিত পাঠ্যক্রম কোড করেছেন এবং দেখেন নৈতিকতা 29টিতে (80.6%) কভার করা হয়েছে কিন্তু তথ্য-উৎস (data provenance) কাঠামোগত বা ডেটাসেট-সীমাবদ্ধতার স্তরে কেবল 8টিতে (22.2%), কোনো কর্মসূচি গণনার পরিবেশগত ব্যয় সম্বোধন করেনি এবং সাতটি স্নাতকোত্তর ডিগ্রির কোনোটিই উৎস-মানদণ্ড পূরণ করেনি। নামযুক্ত 92 জন প্রশিক্ষকের মধ্যে 76.1% গণনামূলক বিষয় থেকে এবং 3.3% সমাজবিজ্ঞান বা মানবিক থেকে এসেছেন। এই ফাঁক ক্লিনিক্যালি পরিণতিবাহী: প্রতিবেদনটি যে স্থাপন-ব্যর্থতা দিয়ে শুরু হয় তা উৎপন্ন হয়েছিল উজানে — প্রশিক্ষণ-ডেটা কীভাবে তৈরি বা লেবেল করা হয়েছে তা নিয়ে — যা একটি শেখানোযোগ্য দক্ষতা, অথচ পাঠ্যক্রম তা বহন করে না বলে মনে হয়।

স্বাস্থ্য-পেশা শিক্ষাবিদদের জন্য তাৎপর্য

• শিখন-নীতি চালু করতে এআই ব্যবহার করুন, শিক্ষাবিদ প্রতিস্থাপন করতে নয়। Fowlin et al. যুক্তি দেন এআই অভিজ্ঞতাভিত্তিক, অবস্থানভিত্তিক ও বিতরণকৃত-সংজ্ঞান শিখন পরিচালনামূলকভাবে প্রয়োগ করবে, অথচ শিক্ষক সম্পৃক্তি ও ফলাফলের কেন্দ্রে থাকবেন।
• ক্লিনিকাল দক্ষতা-প্রশিক্ষণে এআই কাজে লাগান। ResidencyRL ও এজেন্টিক সিমুলেশন প্রকৃত ক্লিনিকাল কর্মপ্রবাহে এআই-কে দক্ষতা-প্রশিক্ষণের অংশীদার হিসেবে দেখায় — যেখানে এটি নিরাপদ, স্কেলযোগ্য অনুশীলন যোগ করে সেখানেই যুক্ত করুন।
• উচ্চ-ঝুঁকির সুবিধা ও অতিরিক্ত নির্ভরতার ভারসাম্য রাখুন। HPE দক্ষতা-ভিত্তিক ও উচ্চ-ঝুঁকির; এআই যেন হাতেকলমে ক্লিনিকাল দক্ষতা ও বিচারবোধের বিকল্প হয়ে না ওঠে সেদিকে সতর্ক থাকুন, এবং প্রতিক্রিয়া, মূল্যায়ন ও নীতিশাস্ত্র বিবেচনা বিশেষ যত্নে প্রয়োগ করুন।
• খেলাকৃত ও আন্তঃবিষয়ক এআই বিচারবুদ্ধিসহ মানিয়ে নিন। খেলাকৃত LLM শিখন ও নার্সিং-শিক্ষার রূপান্তর সম্ভাবনাময় কিন্তু নিরাপত্তা ও দক্ষতা-ফলাফলের জন্য মূল্যায়ন দরকার; বিশেষত নার্সিংয়ের জন্য সেই নিরাপত্তা-ও-দক্ষতা প্রমাণ — যার মধ্যে সেই RCT যেখানে এআই-সহায়ক সিমুলেশন মানসম্মত রোগীর চেয়ে খারাপ করেছে — নার্সিং শিক্ষা-এ সংগৃহীত।
• পাঠ্যক্রম সাজান প্রমাণ অনুসারে, হাতের সরঞ্জাম অনুসারে নয়। একই KAS মানচিত্র দেখায় কোথায় প্রমাণ ঘন আর কোথায় পাতলা: নৈতিকতা-জ্ঞান (14 গবেষণা), দায়বদ্ধতা (14), প্রয়োগ-দক্ষতা (16) ও মূল্যায়ন-দক্ষতা (18) সর্বসম্মতি বহন করে, যেখানে প্রযুক্তিগত জ্ঞান, প্রয়োগ-জ্ঞান ও পরিচালনামূলক দক্ষতা প্রতিটি 9-এ এবং সহযোগিতা 7-এ। যেখানে পরিকাঠামো অবিশ্বস্ত, সেখানে উচ্চ-মানের সিমুলেশনের অপেক্ষা না করে স্ক্রিন-ভিত্তিক কেস ও মুক্ত-প্রবেশাধিকার মডেল-প্রদর্শনের মাধ্যমে প্রযুক্তিগত স্তরে পৌঁছান।

সাধারণ ভুল ধারণা

• "চিকিৎসা-শিক্ষায় সিমুলেশনের সুবিধা প্রতিষ্ঠিত, তাই এআই সিমুলেশনেও হবে।" 19টি গবেষণার (N = 1,253) একটি মিশ্র-পদ্ধতি পদ্ধতিগত পর্যালোচনা দেখে এআই-চালিত সিমুলেশন ওই সাহিত্যে প্রভাব ফেলে — এটি একটি বিনয়ী ভিত্তি, আর 19টি গবেষণা জুড়ে 1,253 জন অংশগ্রহণকারী স্কেলে স্থাপিত একটি প্রযুক্তির জন্য সংকীর্ণ ভিত্তি।
• "প্রশ্নটা হলো ক্লিনিকাল প্রশিক্ষণে LLM কী করতে পারে।" 47টি দেশের 489টি গবেষণার একটি সমালোচনামূলক সমন্বিত পর্যালোচনা প্রশ্নটিকে LLM কী করতে পারে তা থেকে সরে আনে — তাকে কী বিশ্বাস করা উচিত তার দিকে। সক্ষমতার প্রশ্নটি মূলত উত্তরিত; সুশাসনের প্রশ্নটি নয়।
• "মানসম্মত রোগী স্কেল করার জন্য অতিরিক্ত খরচসাপেক্ষ।" 95 জন বিশ্লেষিত চিকিৎসা-শিক্ষার্থীর একটি র‍্যান্ডমাইজড নিয়ন্ত্রিত পরীক্ষা ক্লিনিকাল সাক্ষাৎকার-প্রশিক্ষণে বহু-এজেন্ট এআই মানসম্মত রোগী ব্যবহার করেছে। যে সীমাবদ্ধতা সম্বোধন করা হচ্ছে তা হলো প্রশিক্ষিত মানব অভিনেতার প্রাপ্যতা, যা স্টাফিং-এর সমস্যা, বিশ্বস্ততার নয়।
• "প্রকাশিত এআই-দক্ষতা কাঠামো গ্রহণ করলেই পাঠ্যক্রমের প্রশ্ন মিটে যায়।" Xiang et al. (2026) 1,750টি রেকর্ড স্ক্রিন করে 23টি গবেষণায় পৌঁছেছেন — 15টি পর্যালোচনা, 4টি গুণগত ও 4টি পরিমাণগত, 15টি দেশ জুড়ে এবং 2022 থেকে 2026 — এবং সেগুলোকে Knowledge, Attitude and Skill মডেলে মানচিত্রায়িত করেছেন। প্রয়োগ-ক্ষেত্র কেন্দ্রীভূত চিকিৎসা-শিক্ষায় (n = 11, 47.8%), সাধারণ শিক্ষায় (n = 9, 39.1%) ও অন্যান্য শিক্ষায় (n = 3, 13.0%), এবং তারা যে নামযুক্ত নার্সিং কাঠামোর তুলনা করেছেন — N.U.R.S.E.S., AI-ABCs ও CARE — সেগুলো হয় শিক্ষণ-পদ্ধতিগত বাস্তবায়নের স্পষ্ট পথ নেই, নয়তো মূল্যায়ন-পদ্ধতি ছাড়াই বিচ্ছিন্ন দক্ষতা কভার করে। তারা যে 12-উপমাত্রার মানচিত্র তৈরি করেন তা বৈধকরণের অপেক্ষায় একটি প্রস্তাব, ফলে তা স্থির পাঠ্যক্রম নয়, বরং যার বিপরীতে পড়ানো যায়।

সংযুক্ত ধারণা

• সমস্যা-ভিত্তিক শিখন
• উচ্চশিক্ষা
• সিমুলেশন
• অভিযোজনশীল শিখন
• ব্যক্তিগতকৃত শিখন
• খেলা-ভিত্তিক শিখন
• প্রায়োগিক শেখা
• পরিস্থিতিভিত্তিক শিখন
• বিতরণকৃত সংজ্ঞান
• শিক্ষাদান
• মূল্যায়ন
• প্রতিক্রিয়া
• শিক্ষায় কৃত্রিম বুদ্ধিমত্তা
• শাস্ত্রে এআইএড
• নার্সিং শিক্ষা — স্বাস্থ্য-পেশা শিক্ষার নার্সিং ধারা
• ভার্চুয়াল ও অগমেন্টেড রিয়ালিটি — নিমজ্জনমূলক ও AR ক্লিনিকাল প্রশিক্ষণ

সংযুক্ত নিবন্ধ

• Data Provenance and Ethics in the Curricula of U.S. Health AI Education Programs — স্বাস্থ্য-এআই পাঠ্যক্রম নৈতিকতা শেখায় (80.6%) কিন্তু তথ্য-উৎস খুব কম (22.2%)
• A Stratified Multi-Rater Evaluation of LLM-Based Virtual Standardized Patients with a Deployed Data-Generation Platform — LLM-ভিত্তিক ভার্চুয়াল মানসম্মত রোগীর স্তরিত বহু-রেটার মূল্যায়ন, একটি স্থাপিত ডেটা-উৎপাদন প্ল্যাটফর্মসহ
• Generative artificial intelligence and the transformation of medical education: a scoping review — 153টি চিকিৎসা-শিক্ষা জেনএআই প্রতিবেদনের স্কোপিং পর্যালোচনা: সিমুলেশন এগিয়ে, টেকসইতা ও রোগী-ফলাফল অমাপা
• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — ক্লিনিকাল সাক্ষাৎকার-প্রশিক্ষণের জন্য স্ক্যাফোল্ডিং-কেন্দ্রিক বহু-এজেন্ট বড় ভাষা-মডেল ব্যবস্থার মূল্যায়ন
• What Platform Scores Miss: Multidimensional Evaluation of AI Teaching Agents in Medical Education — চিকিৎসা-শিক্ষায় এআই শিক্ষণ-এজেন্টের 8-মাত্রার রুব্রিক মূল্যায়ন
• When the algorithm enters the classroom: A critical integrative review of large language models, nursing education structural gaps, and the reconstitution of professional identity — LLM, নার্সিং শিক্ষার কাঠামোগত ফাঁক, এবং পেশাগত পরিচয়ের পুনর্গঠন (Sun et al. 2026)
• AI as Teammate: Rethinking Task Distribution in Medical Training — SCAN কাঠামো: চিকিৎসা-প্রশিক্ষণে এআই কাজ-বণ্টন নিয়ে নতুন ভাবনা (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 — স্বাস্থ্য-পেশা শিক্ষায় এআই দিয়ে অভিজ্ঞতাভিত্তিক, অবস্থানভিত্তিক ও বিতরণকৃত সংজ্ঞান পরিচালনামূলক প্রয়োগ
• ResidencyRL: Reinforcement Learning in Simulated Clinical Environments — রেসিডেন্সিতে ক্লিনিকাল দক্ষতার জন্য রিইনফোর্সমেন্ট-লার্নিং প্রশিক্ষণ
• MedGame: Storytelling Gamification Empowered by Large Language Models for Medical Education — চিকিৎসা-শিক্ষার জন্য খেলাকৃত LLM-ভিত্তিক শিখন
• Agentic AI-driven Immersive Simulation: A Knowledge-Aware Virtual Training Platform for High Dose Rate (HDR) Brachytherapy — ব্র্যাকিথেরাপি প্রশিক্ষণের জন্য এজেন্টিক এআই সিমুলেশন
• Transforming Nursing Education with Artificial Intelligence: A Systematic Review (2010–2025) — এআই দিয়ে নার্সিং শিক্ষার রূপান্তর
• AI-Powered Simulation for Nursing Education: Mixed Methods Systematic Review — নার্সিংয়ে এআই-চালিত সিমুলেশন: মিশ্র-পদ্ধতি পদ্ধতিগত পর্যালোচনা
• The Safety Gap: Restoring Productive Struggle Through Pedagogically Aligned Generative AI — নিরাপত্তা-ফাঁক: উৎপাদনশীল সংগ্রাম ফিরিয়ে আনা
• Gen-Mentor: A Human-in-the-Loop Instructional Framework for Dental Radiography Using Generative AI — Gen-Mentor: মানুষ-চক্রে দন্ত-রেডিওগ্রাফি নির্দেশনা (Dong et al. 2026)
• Generative AI in Scenario-Based Healthcare Education: A Systematic Review of Applications, Validation Practices, and Pedagogical Integration — পরিস্থিতি-ভিত্তিক স্বাস্থ্যসেবা শিক্ষায় জেনএআই-এর পদ্ধতিগত পর্যালোচনা (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 — স্কেলযোগ্য এআই-ভিত্তিক ক্লিনিকাল যোগাযোগ-প্রশিক্ষণ ও স্বয়ংক্রিয় মূল্যায়ন
• Ethical and responsible use of artificial intelligence in medical education — চিকিৎসা-শিক্ষায় এআই-নৈতিকতার বাইবলিওমেট্রিক মানচিত্র: প্রকাশনা 113 (2023) থেকে 500 (2025)-এ, 39টি দেশ, আর উদ্ধৃতি সুশাসনের বদলে সক্ষমতা-পরীক্ষাকে পুরস্কৃত করে (Sriram et al. 2026)
• Large language models as grading assistants in public health education: a method-comparison study of essay-style exam assessment — পুনরাবৃত্ত রান একই গ্রেড পুনরুৎপাদন করে না
• An artificial intelligence application framework for nursing education: a scoping review based on the KAS model — শিক্ষামূলক এআই-দক্ষতা কাঠামোকে 12-অংশের KAS মানচিত্রে মানচিত্রায়িত করা স্কোপিং পর্যালোচনা
• The agency gap in AI-supported writing: how reactive and proactive agent designs shape multimodal reasoning — স্বাস্থ্য-পেশা প্রশিক্ষণে প্রতিক্রিয়াশীল বনাম সক্রিয় এআই লেখন-এজেন্ট: এজেন্সি-ফাঁক
• Federated learning for privacy-preserving at-risk student prediction in health professional education: A multi-scenario evaluation of FedAvg and FedProx — HPE কর্মসূচি জুড়ে ফেডারেটেড ঝুঁকি-পূর্বানুমান: নগণ্য গোপনীয়তা-ব্যয়, এবং আমদানি করা থ্রেশহোল্ড কেন ভুল করে
• Nursing educators' perspectives on the integration of artificial intelligence into academic settings — বাংলাদেশের নার্সিং শিক্ষাবিদেরা এআই-প্রস্তুতি, বাধা ও তথ্য-সুশাসন নিয়ে, TPACK দিয়ে পাঠ
• Exploring the integration of artificial intelligence into residency education curriculum: qualitative interviews — রেসিডেন্সি পাঠ্যক্রমে এআই সংহতকরণের বাধা: বারো জন চিকিৎসক-নেতার গুণগত সাক্ষাৎকার