人工智能应用临床监督的教育策略

《Obstetrics & Gynecology》：Educational Strategies for Clinical Supervision of Artificial Intelligence Use

人工智能在医学教育中的应用需平衡效率与风险，提出DEFT-AI框架和centaur-cyborg模型指导合理整合与批判性评估。

　　```section>

摘要 通俗语言总结

---

人工智能（AI）的出现，尤其是大型语言模型（LLMs），有潜力从根本上改变医疗实践。然而，效率的提升伴随着一个风险：如果AI使用不当，独立批判性思维的能力可能会下降。这种权衡同样适用于医学培训。过度依赖AI可能导致先前掌握的知识被遗忘（“去技能化”）、无法发展新技能（“永不技能化”）以及强化错误的做法（“误技能化”）。这些问题的许多根源在于LLM推理过程的透明度有限。在面对不确定性和偏见时，批判性思维仍然至关重要，而AI的快速整合使这一技能成为医学教育的核心。本文提出了一个结构化的框架，帮助教育者和学习者在医学背景下使用AI时培养批判性思维。

AI在学习环境中的使用存在若干风险。由于AI的应用尚处于早期阶段，教育者和学习者都容易受到这些挑战的影响，因此强调基于社区的学习方式尤为重要，在这种学习方式中，角色是灵活的，知识可以得到共享。过度依赖AI会导致临床推理能力的下降（“去技能化”和“永不技能化”），从而限制技能的发展。研究发现，AI使用频率越高，批判性思维能力越有可能减弱，尤其是在年轻参与者中。一项随机临床试验表明，AI的使用会妨碍复杂分析任务的完成。另一项研究显示，接触了带有偏见的AI诊断预测的临床医生更有可能将这些偏见纳入自己的评估中，这凸显了误技能化的风险。这种效应与个人的基线表现相关：基线表现较差的临床医生受AI的影响更大，而那些表现优于AI的医生在AI得到适当整合后能够取得更好的结果。

为应对这些风险，作者提出了一个框架，帮助教育者将涉及AI的临床场景视为教学机会。当教育者观察到学习者与AI工具互动时，可以运用DEFT-AI框架（诊断、证据、反馈和教学）来引导苏格拉底式的讨论。这一过程包括诊断、讨论和交流：学习者需要解释他们的临床推理过程以及使用AI的原因。在证据阶段，学习者提供支持或反对临床评估的证据，并评估AI在特定情境下的优势和局限性。反馈阶段，教育者鼓励学习者反思自己在临床推理和AI使用方面的不足。教学阶段则基于这种反思，提供有针对性的指导和建议，通常鼓励继续使用AI，但需根据具体情况调整使用方式和监督程度。

作者还用“半人马-赛博格”模型来描述AI的使用方式。“半人马”模式下，用户将任务战略性地分配给自己和AI，将高风险决策留给人类负责。“赛博格”模式下，人类和AI通过迭代协作完成任务，这种方法适用于低风险的离散任务，但存在过度依赖的风险。教育者应帮助学习者在两种模式之间灵活切换，通过认知暂停和对AI使用的批判性评估来实现这一点。应参考临床指南、已发表的文献和专家意见来评估AI的输出结果，提示应具体、符合情境且无偏见。提供示例并要求对AI的推理过程进行清晰解释，有助于进一步支持批判性判断。

总体而言，作者支持将AI融入教学实践而非排斥它。对AI输出的验证和批判性评估是有效AI教育的关键，采用DEFT-AI方法可以提升临床推理能力和AI素养。

通俗语言总结将AI（尤其是大型语言模型）整合到医疗实践和教育中可以提高效率，但也可能削弱批判性思维能力。由于AI的透明度有限，过度依赖AI可能导致“去技能化”、“永不技能化”和“误技能化”。作者提出了DEFT-AI这一结构化框架，帮助教育者和学习者在使用AI的过程中培养批判性思维。该框架包括诊断、证据评估、反馈和教学环节。“半人马-赛博格”模型建议在人类和AI之间进行任务的战略性分配，将高风险决策留给人类处理。作者倡导将AI融入教学实践，并强调通过验证和批判性评估来增强临床推理能力和AI素养。

```