美国医学院对人工智能相关文件的审计:基于框架的定性内容分析

科学领域:

• 医学教育 医学教育
• 人工智能政策 人工智能政策
• 高等教育行政管理.

背景情况:

• 生成型人工智能 (AI) 正在迅速融入医学教育,需要为政策制定提供系统指导.
• 美国医学院当前的人工智能政策往往缺乏全面覆盖,在关键领域存在重大差距.
• 现有的AI相关文件显示,过度强调学术诚信,而不是战略规划和基础设施.

研究的目的:

• 开发和应用一个理想化的人工智能 (AI) 政策框架,用于分析美国医学院机构的AI相关文件.
• 为医疗教育中制定和完善机构AI政策提供参考点.
• 评估当前人工智能政策的全面性,并确定美国医学院需要改进的领域.

主要方法:

• 来自美国全方位和骨科医学院的AI相关文档的系统收集和分析 (2024年8月至10月).
• 应用一个全面的人工智能政策框架,涉及六个领域的24个子主题:背景/背景,治理,人工智能素养,工具/使用,道德/法律考虑,技术支持和基础设施.
• 编码公开可用的在线文档以生成框架子主题分数,指示覆盖范围的广度.

主要成果:

• 来自73.7%的美国医学院机构的AI相关文档平均只涵盖了24个子主题中的8个 (32.3%的覆盖率).
• 很少涉及的子主题包括审计和合规机制 (6.8%),技术基础设施 (6.2%) 和环境管理 (1.4%).
• 与其他文件类型 (30.4%) 相比,正式的AI政策的框架覆盖率 (44.0%) 显著更高.

结论:

• 医学院当前的人工智能文件将学术诚信放在战略规划之上,突出了基础设施和审查机制的重大差距.
• 机构可以通过采用精心设计的政策的共同特征和利用平衡即时需求与长期适应能力的框架来加强其AI政策.
• 该研究提供了一个框架,并确定了在医学教育中制定更强大,更全面的机构人工智能政策的关键特征.