一个中国专家就医学学生的人工智能能力达成共识:能力和多模式评估

科学领域:

• 医学教育 医学教育
• 医疗保健中的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 人工智能 (AI) 正在迅速改变医疗保健,需要对医学教育标准进行重新评估.
• 中国的"新医疗教育"倡议需要为医学学生提供标准化的人工智能识字框架,因为标准碎片化和技术不断发展.
• 人工智能在医学的局部伦理准则不足,突出了需要一个明确的框架.

研究的目的:

• 建立一个中国专家对医学学生核心AI能力的共识.
• 开发一个多模式的评估框架,用于评估医疗学员的人工智能素养.
• 解决在中国不断变化的医疗环境中对标准化人工智能教育的需求.

主要方法:

• 一个多学科专家组 (n=32) 使用"知识-技能-态度"模型开发了一个初始的人工智能能力列表.
• 两个Delphi轮,100%的响应率完善了框架,使用共识值 (平均≥4.0,CV ≤0.25).
• 使用分析层次流程 (AHP) 优先考虑核心能力,专家会议后建立了最终的共识文件.

主要成果:

• 在知识,技能和态度方面定义了一份21项的AI精通能力 (CAIP) 清单.
• 优先考虑的关键能力包括理解AI在知识整合中的作用 (CAIP3),识别AI偏见 (CAIP4,CAIP12) 和健康数据治理 (CAIP2).
• 为纵向跟踪,建议采用多模式评估框架 (测试,SJT,具有新型评分尺度的欧安组织) 和动态的多阶段评估系统.

结论:

• 这一共识提供了权威的,针对中国的指导,用于定义和评估医学生在国家政策中的AI素养.
• 它为优化AI整合到医学教育提供了一个框架,培养AI熟练和人文化的医疗保健专业人员.
• 该框架强调动态更新,以适应人工智能技术及其在医学中的应用的不断进步.