AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Образование в медицине и здравоохранении

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Образование в медицине и здравоохранении (HPE) — преподавание и подготовка врачей, медсестёр, фармацевтов и смежных медицинских профессий. ИИ преобразует эту область через клиническую Моделирование, тренажёры на обучении с подкреплением, адаптивное обучение и применение фундаментальных принципов обучения (опытного, ситуативного и распределённого познания) в контекстах медицинских профессий. Поскольку образование в медицинских профессиях является высокоставочным, основанным на компетентностях и клинически встроенным, оно ставит особые вопросы о роли ИИ в приобретении навыков, безопасности пациентов и суждении педагога. Сестринское дело — самая изученная программа в HPE — теперь имеет собственную страницу, Образование в области сестринского дела, где граница компетентности, формирование идентичности и данные о персонале, которые здесь представлены лишь в общих чертах, раскрыты полностью.

Вопросы для размышления

  • В медицине выгоды ИИ, такие как масштабируемая практика и адаптивная обратная связь, должны уравновешиваться рисками вроде утраты практических клинических навыков, где ошибки влекут прямые последствия для пациентов. Где бы вы провели границу между тем, что должен делать ИИ, и тем, что стажёр должен отработать самостоятельно?
  • Страница утверждает, что ИИ следует использовать для воплощения многовековых принципов обучения — опытного, ситуативного и распределённого познания, — а не для замены направляющей роли педагога. Что делает суждение педагога незаменимым, даже когда ИИ может симулировать или персонализировать практику?
  • Тренажёры на обучении с подкреплением и агентный ИИ теперь используются для клинических и процедурных навыков в резидентуре. Если ИИ-агент тренирует резидента по процедуре, как бы вы убедились, что тот действительно научился безопасно её выполнять до того, как сделает это на пациенте?
  • Поскольку образование в медицинских профессиях является высокоставочным и основанным на компетентностях, вопросы оценивания имеют особый вес. Как оценивание с помощью ИИ может и улучшать, и угрожать оценке клинической компетентности?
  • Чрезмерная опора на ИИ — конкретная проблема в медицине. Как, по-вашему, обучение с ИИ может произвести клинициста, который более уверен в себе, но менее способен рассуждать самостоятельно, — и что могло бы послужить защитой от этого?

Введение

ИИ в образовании в медицине и медицинских профессиях — растущее направление предметного покрытия этой базы знаний. В отличие от общего высшего образования, HPE ориентировано на развитие клинических компетентностей, процедурных навыков и профессионального суждения, что определяет, как проектируются и оцениваются ИИ-инструменты.

Как ИИ проявляется в образовании медицинских профессий

  • Воплощение фундаментальных принципов обучения. Fowlin и др. (разработано в Медицинском университете Южной Каролины) утверждают, что ИИ следует использовать для воплощения многовековых принципов обучения — опытного обучения Дьюи, ситуативного познания и распределённого познания, — а не для замены направляющей роли педагога. ИИ усиливает персонализированное и адаптивное обучение, в то время как преподаватель остаётся центральным для вовлечённости студентов и результатов.
  • Клинические навыки и обучение с подкреплением. ResidencyRL использует обучение с подкреплением для тренировки клинических рассуждений и процедурных навыков в резидентуре, демонстрируя ИИ как партнёра по тренировке навыков в реальных клинических рабочих процессах.
  • Симуляция и агентный ИИ. Симуляция агентного ИИ в брахитерапии показывает, как ИИ-агенты поддерживают практическую процедурную тренировку в медицинских специальностях.
  • Геймификация медицинского обучения. MedGame применяет геймификацию и LLM для вовлечения студентов-медиков.
  • Сестринское дело и междисциплинарное образование. Преобразование сестринского образования с помощью ИИ документирует, как ИИ перестраивает учебные планы и обучение в сестринском деле. Эта страница сохраняет сестринское дело как одну программу среди медицины, фармации, стоматологии и смежных профессий здравоохранения, организованную вокруг общей проблемы масштабируемой клинической компетентности; специфичная для сестринского дела часть — граница компетентности, на которой заканчиваются документированные выгоды ИИ, явно профессионально-идентичностная рамка и тревожность студентов в отношении рынка труда — относится к Образование в области сестринского дела и здесь только упоминается ссылкой, а не пересказывается.
  • ИИ-поддерживаемая симуляция в сестринском деле. Jiang и др. (2026) провели смешаннометодный систематический обзор 19 исследований (N = 1 253) и обнаружили, что управляемые ИИ симуляции (GenAI/LLM, виртуальные пациенты/манекены, ИИ-усиленное VR/MR и чат-боты) значительно улучшают когнитивные знания и аффективные результаты (Самоэффективность, уверенность в коммуникации) в самых сильных дизайнах, но действуют непоследовательно на сложные психомоторные навыки — одно РКИ обнаружило, что симуляция с помощью ИИ хуже стандартизированных пациентов. Их понятие «разрыва подлинности» — воспринимаемого учащимся дефицита эмоционального резонанса, невербальных сигналов и тактильного осмотра — обосновывает, почему ИИ лучше всего подходит для высоко структурированных целей (базовой коммуникации, сбора анамнеза) и должен находиться в ступенчатом континууме симуляции рядом со стандартизированными живыми пациентами и клинической практикой, а не вместо них. Это отличительное, опирающееся на данные уточнение направления Моделирование в этой области, и оно перекликается с находкой о принятии и доверии: учащиеся предпочитают человеческую обратную связь, воспринимаемую как «доброжелательная», ИИ, воспринимаемому как просто «компетентный».
  • LLM и переустройство профессиональной идентичности в сестринском деле (2026). Sun и др. (2026) в критическом интегративном обзоре 489 исследований из 47 стран (рамка Whittemore и Knafl) смещают вопрос с того, что LLM могут делать в сестринском образовании, на то, что их интеграция делает с процессами развития, посредством которых формируется медсестра. Опираясь на теорию приобретения навыков Беннер, теорию когнитивной нагрузки, автоматизационную предвзятость и теорию формирования идентичности Венгера, они обнаруживают, что одна и та же технология и усиливает, и разрушает компетентность в зависимости от того, является ли вытесняемая когнитивная работа посторонней или составляющей для целевой компетентности, — при этом неструктурированная опора на ИИ дала измеримые дефициты в этических рассуждениях и клиническом суждении. Их модель напряжения профессиональной идентичности различает интеграцию LLM, поддерживающую профессиональное становление, и интеграцию, которая молча подменяет его, а структурное подавление эмпатии переосмысляет кажущееся «превосходство» ИИ по реляционным метрикам как симптом системной перегрузки работой, а не как подлинную эмпатию ИИ. Карта пробелов в доказательствах показывает, что области с наибольшими последствиями для политики (профессиональная идентичность, реляционная/этическая компетентность, долгосрочные результаты) опираются на самые скудные строгие доказательства, — что является предостережением против уверенных заявлений о внедрении в сестринском образовании.
  • Мультиагентные ИИ-стандартизированные пациенты в обучении клиническому интервью. В рандомизированном контролируемом испытании 2026 года со 95 проанализированными студентами-медиками (Yang и др.) тренировка с мультиагентными ИИ-стандартизированными пациентами повысила итоговые баллы экзамена, согласованного с OSCE, по сравнению со структурированным контролем без LLM с прогрессивным раскрытием информации (71,8% против 55,6%; β = 16,4 процентных пункта; P = 3,30e-4), оставив двоичную диагностическую точность статистически идентичной (84% против 86%; P = 1,000). Это расхождение указывает, что прирост на раннем этапе клинической подготовки может проявляться сначала в качестве процесса консультации — коммуникации (в среднем 3,53 против 2,64 по шкале OSCE 1–5; P = 4,50e-4), выражении эмпатии (+31 процентный пункт по пункту контрольного списка «выражение эмпатии») и отдельных поведенческих аспектах сбора анамнеза, — прежде чем произойдёт какое-либо улучшение диагностических конечных точек, и что ИИ-пациентам всё ещё нужны человеческие оценщики и преподаватели для суждений о профессионализме и готовности.
  • Студенты по умолчанию относятся к ИИ-пациенту как к поисковой базе данных. При голосовом интервью с аватаром genAI в PBL-пилоте студенты задавали закрытые вопросы, ориентированные на эффективность, — один спросил, не является ли ИИ «просто, типа, базой вопросов», — а встречи длились 55–65 минут против 36–39 для прежнего модуля (Mool и др., 2026).
  • Распределение задач и рамка SCAN. Tsim и др. переформулируют интеграцию ИИ от «неправильного использования» учащимися к неправильной классификации — сбою оценки в реальном времени метакогнитивных процессов. Их рамка SCAN (Substitute, Complement, Aid, Non-Negotiable), опирающаяся на зону ближайшего развития Выготского, распределяет задачи генеративного ИИ по индивидуальному состоянию развития учащегося и выявляет пассивное вовлечение в задачах со скаффолдингом ИИ как скрытый путь к потере квалификации, требующий переопределения от помощи ИИ к экспертной помощи с человеческими эпистемическими аудиторами.
  • Генерация учебных материалов с человеком в контуре. Gen-Mentor (Dong и др. 2026) интегрирует основу из модели «зрение–язык» в рабочий процесс стоматологической рентгенографии: Faster R-CNN локализует четыре целевых находки (пломба, имплантат, ретинированный зуб, кариес), условная диффузионная модель генерирует синтетические кандидаты на области интереса, специфичные для класса, модель VLM создаёт связанные с доказательствами подписи, а Большие языковые модели (LLM) преобразует их в описания клинических случаев, сравнения и подсказки для викторин, — и всё это до структурированной экспертной проверки. При оценке с 45 студентами-стоматологами (средний SUS 72,7) система демонстрирует, как проверка с человеком в контуре учебных материалов, сгенерированных ИИ, может расширять разнообразие клинических случаев и поддержку немедленной обратной связью при сохранении экспертного надзора над тем, что видят студенты.
  • Оценивание с помощью ИИ экзаменов по фармации. Falahat, Das, Bhaumik и Thambi (2026) оценили ChatGPT-5 в сравнении с оцениванием преподавателями-людьми экзамена по фармации из 21 задания (16 студентов) по заданиям с множественным выбором, «выбери всё, что подходит», заполнению пропусков, перечислению, краткому и развёрнутому ответу. Модель хорошо согласовывалась с преподавателями по объективным заданиям (CCC 0,935–1,000), но была ненадёжна по заданиям на перечисление, краткий ответ (CCC ≈ 0) и сочинение (0,341–0,854), а структурированная рубрика не повышала согласие последовательно, — свидетельство того, что при высокоставочном, основанном на компетентностях Оценивание в медицинских профессиях ИИ подходит для чётко специфицированных заданий, тогда как человеческая проверка остаётся необходимой для субъективных, открытых клинических рассуждений.
  • Валидированный судья на базе LLM для клинической коммуникации. Hasan и др. (2026) оценивали коммуникативные навыки 3E только по транскриптам с помощью судьи, достигшего корреляции Пирсона 0,759 и ICC(A,1) 0,746 по сравнению с консенсусом человеческих оценщиков, внутри разброса индивидуальных людей, хотя его самое слабое измерение (Be Explicit) не улучшалось с течением встреч.
  • GenAI в сценарном образовании в здравоохранении. Neto и коллеги (2026) систематически обозрели 23 исследования GenAI в обучении на основе сценариев, случаев, проблем и симуляций в образовании в здравоохранении (PRISMA 2020). Их центральный вывод: проектирование промптов функционирует как спецификация обучения — кодируя когнитивные цели и критерии качества, неявно присутствующие в экспертной авторской работе, — однако лишь 34,8% исследований согласовывали сгенерированное содержание с рамками обучения и лишь 34,8% сообщали о промптах достаточно подробно для воспроизведения. GPT-4 доминировал в реализациях (44,4%), гибридное сотрудничество человека и ИИ превосходило полностью автоматизированные подходы, а доказательства были наиболее сильны для высших когнитивных навыков, но непоследовательны в остальном. Это основывает сценарийное/симуляционное и проблемное Педагогики и стратегии преподавания в медицинском образовании на бенчмарках валидности и качества интеграции.
  • Оценивание ИИ вопросов с открытым ответом. Olvet и др. (2026) проверили, может ли GPT-4 надёжно оценивать вопросы с открытым ответом на оцениваниях предклинической фазы в двух медицинских школах США. При итеративном уточнении преподавателями рубрик оценивания на протяжении трёх раундов анализа паттернов ошибок согласие между ИИ и преподавателями достигло уровня «существенного–почти идеального» по трём из четырёх вопросов (взвешенная каппа до 0,94), но только умеренного по вопросу с целостной рубрикой (κw = 0,54); расхождения объяснялись обеими сторонами (GPT-4 завышал оценки ответов с несколькими вариантами или словарным запасом вне рубрики; преподаватели были чрезмерно щедры), а эпизодические неточности в обратной связи сохраняют человека в контуре. Авторы утверждают, что аргумент в пользу автоматизированного оценивания вопросов с открытым ответом усиливается, потому что ~82% медицинских школ США оценивают работу предклинической фазы как «зачёт/незачёт», где точное согласие баллов ИИ не всегда требуется.
  • Оценка ИИ обучающих агентов, а не просто их внедрение. Zhang и др. (2026) развернули восемь обучающих агентов на базе LLM в четырёх парадигмах ролевой игры (пациент, студент, эксперт, член семьи) в учебном плане эндокринологии и оценили 167 диалогов студентов по рубрике качества обучения из восьми измерений. Баллы платформы резко расходились с качеством по рубрике; агенты различались сильнее всего по измерениям знаний и меньше всего по исполнению роли; адаптивная калибровка сложности была общей слабостью; а усиление эмпатии агента повышало качество ролевой игры, не улучшая покрытия знаний. Вывод о том, что парадигмы ролевой игры могут быть разделены (за пределами стандартного сценария «пациент–врач»), указывает на проектирование и оценку агентов в сравнении с явными педагогическими измерениями.
  • Очертания литературы самого поля. Sriram, Nichols, Ganti и Gue (2026) картируют саму литературу об этике ИИ в медицинском образовании: 1 403 публикации в Web of Science с 1995 по 2026 год, ничтожно малое число на протяжении двух десятилетий, затем 113 в 2023 году, 256 в 2024-м и 500 в 2025-м; 39 стран преодолевают порог авторства, лидируют США (533 публикации) перед Китаем (189) и Англией (95); а наиболее цитируемые работы — это тесты возможностей, прежде всего результаты ChatGPT на медицинских лицензионных экзаменах, — а не исследования управления. Их прочтение: поле выросло быстро, но выросло неравномерно, и эмпирическая оценка рамок управления — это та работа, которую историческая запись цитирований не вознаграждает. Это полезное предостережение для всех, кто рассматривает объём опубликованных исследований ИИ в медицинском образовании как доказательство того, что вопросы его безопасного использования уже решены.

Обзор 153 отчётов по GenAI в медицинском образовании картирует области применения — симуляция и клинические навыки крупнейшие (47 отчётов), впереди генерации оценивания и обратной связи (22) и обучения на основе случаев и клинических рассуждений (21), — и всё же лишь 13 отчётов содержали сигнал последующего наблюдения или сохранения знаний, и никакого результата на уровне пациентов обнаружено не было (Zhao и др. (2026)).

Почему это важно

HPE — высокоставочная, основанная на компетентностях область, где выгоды ИИ (масштабируемая практика, адаптивная обратная связь, симуляция) должны уравновешиваться рисками (чрезмерная опора на ИИ, утрата практических клинических навыков, этические проблемы и проблемы безопасности). Общие понятия этой базы знаний — Преподавание, Оценивание, Обратная связь, Справедливость и Этика — применимы с особой силой в медицинских профессиях, где ошибки влекут прямые последствия для пациентов.

Wang и Shan (2026) называют возникающий отсюда «разрывом безопасности» — расхождение между успешностью студента с помощью ИИ и его способностью без помощи её проверить — и предписывают утаивание решений, конструктивное когнитивное трение и сократические или состязательные архитектуры ИИ для высокоставочной клинической подготовки.

Следствия для педагогов медицинских профессий

  • Используйте ИИ для воплощения принципов обучения, а не для замены педагога. Fowlin и др. утверждают, что ИИ должен воплощать опытное, ситуативное и распределённое познание в обучении, в то время как преподаватель остаётся центральным для вовлечённости и результатов.
  • Используйте ИИ для тренировки клинических навыков. ResidencyRL и агентная симуляция показывают ИИ как партнёра по тренировке навыков в реальных клинических рабочих процессах — встраивайте его туда, где он добавляет безопасную масштабируемую практику.
  • Уравновешивайте высокоставочные выгоды чрезмерной опорой на ИИ. HPE основано на компетентностях и является высокоставочным; защищайтесь от того, чтобы ИИ подменял практические клинические навыки и суждение, и применяйте соображения Обратная связь, Оценивание и Этика с особой осторожностью.
  • Осознанно адаптируйте геймифицированный и междисциплинарный ИИ. Геймифицированное обучение на базе LLM и преобразование сестринского образования показывают потенциал, но нуждаются в оценке по безопасности и результатам навыков; для сестринского дела конкретно эти доказательства по безопасности и навыкам, — включая РКИ, в котором симуляция с помощью ИИ уступила стандартизированным пациентам, — собраны на странице Образование в области сестринского дела.

Связанные понятия

Связанные статьи

Метаданные

ДисциплинаMedical Education
УровеньHigher Ed
Целевая аудиторияLearners, Instructors
Технологии и методыАдаптивное обучение, Моделирование
Оценивание и измерениеОценивание
Основы ИИ в образованииПреподавание
SourceHistoryEditChat

Встроить эту страницу

Скопируйте код ниже, чтобы встроить эту страницу в систему управления обучением или на другой сайт. Во встроенной версии отображается только содержимое страницы — заголовок сайта, навигация и нижний колонтитул скрыты.