摘要
人工智能正以前所未有的深度和广度重塑医学教育的底层逻辑。AI在医学教育中的应用图景、革新潜力与核心挑战。研究表明，AI已渗透至医学教育的全链条------从个性化学习路径生成、虚拟病人临床推理训练，到智能评估与即时反馈。然而，技术热潮背后潜藏着医学幻觉、认知外包、数字鸿沟等深层隐忧。基于对国内外最新研究与实践的整合分析，提出"Could I, Would I, Should I?"三维决策框架，主张在拥抱技术红利的同时，以学习者为中心、以伦理为基石，构建人机共生的医学教育新生态。
一、引言：从技术工具到教育范式重构
人工智能正在引发医学教育领域一场深刻的范式变革。自2022年底ChatGPT发布以来，相关研究呈指数级增长------仅2023-2024年间发表的文献就占2020年以来总量的显著比例。2025年初，DeepSeek等开源模型的出现进一步加速了这一进程，以更低成本、更强推理能力推动AI在中文医学教育中的本土化应用。
AI对医学教育的影响已超越"教学工具"层面，正在重构教育的底层逻辑。广东医科大学弓孟春指出，AI已深度融入临床辅助决策全链条，引发医学分工体系与职业能力的结构性变革。这意味着医学教育的核心使命正在发生转变：从培养"知识掌握者"到培养"技术驾驭者"------能够理解AI、善用AI、批判性审视AI的复合型医学人才。
然而，机遇与挑战并存。正如Cooper和Rodman所言，LLM可能成为"21世纪的潘多拉魔盒"。如何在拥抱技术红利的同时，守护医学教育的核心价值------临床推理能力、人文关怀精神与专业判断力------是当前最紧迫的教育议题。
二、革新潜力：AI赋能医学教育的多维图景
2.1 个性化学习：从"千人一面"到"因材施教"
传统医学教育采用统一进度、统一内容的教学模式，难以适应学习者的个体差异。LLM的对话式交互特性，使"千人千面"的个性化学习成为可能。
研究表明，LLM可通过分析学习者的认知风格和学习进度，定制内容呈现方式------为视觉学习者生成3D解剖模型可视化，为听觉学习者生成播客式讲解，为阅读型学习者提供结构化文本。纽约大学医学教育创新研究所利用机器学习算法分析学生的学习行为数据，根据其看过的患者类型、手术表现和教授反馈，动态调整学习路径。
这种个性化支持的临床价值已有实证支撑。一项随机对照研究发现，使用ChatGPT辅助学习的医学生在短期骨科测试及外科、妇产科最终考试中均表现更优。LLM还被用于帮助非英语母语医学生提升学术写作能力，弥合语言障碍带来的教育差距。
2.2 虚拟病人与临床推理训练：从"被动听课"到"主动实践"
临床推理能力是医学教育的核心目标，但传统教学依赖有限的真实病例，学生实践机会严重不足。AI驱动的虚拟病人系统正在改变这一局面。
北京协和医院的研究指出，AI通过四个核心要素构建临床推理教学新路径：智能案例系统（材料准备）、虚拟病人教学系统（能力训练）、智能评分系统（能力评估）以及全程嵌入的AI决策支持系统。虚拟病人可模拟多样化的临床情景，学生能在无风险环境中练习病史采集、鉴别诊断和沟通技巧，并获得即时反馈。
在外科教育领域，计算机视觉算法已被用于客观评估手术技能。一项验证性研究分析了150例腹腔镜手术，AI模型区分新手与专家级外科医生的准确率超过85%。这种自动化评估消除了传统评价中的主观性和变异性，为技能训练提供了精准指导。
2.3 智能评估与即时反馈：从"终结性"到"形成性"
医学教育的评估体系正经历从"结果导向"向"过程导向"的转变。AI在这一转型中扮演关键角色。
在评估生成方面，LLM可生成与可信赖专业活动对齐的考题，以及鼓励深度思考的"情境丰富简答题"。研究发现，AI生成与人类专家编写的题目质量相当。在评估反馈方面，AI可作为评分助手，对开放性问题提供初步评估和个性化建议。这对于大班教学和形成性评价具有显著效率价值。
更为深远的是，AI正在赋能"过程性评估"------通过追踪学生的学习行为轨迹，识别知识薄弱点，推送针对性训练，实现"测评-反馈-改进"的闭环。
2.4 教学内容生成与课程设计：从"教师主导"到"人机协同"
LLM显著降低了高质量教学内容的生成门槛。研究表明，ChatGPT生成的临床案例质量与人类专家相当。教师可利用AI快速生成符合特定学习目标的多选题、病例分析任务卡和模拟对话脚本。
这并非替代教师的创造性工作，而是将教师从繁重的重复性劳动中解放出来，使其能够专注于教学策略设计、学习体验优化和师生互动。正如外科教育委员会所指出的，AI时代外科教育者的角色正从"知识传授者"转向"批判性评价的促进者和专业价值的守护者"。
三、核心挑战：技术光环下的教育本质之思
3.1 医学幻觉与知识可信度
LLM的"医学幻觉"------生成看似合理实则错误或过时的信息------是其在医学教育中应用的首要风险。GAI被设计为"听起来正确"而非"真正正确"，其基于概率的内容生成机制决定了幻觉难以根除。
在医学教育场景中，这一风险尤为严重。医学生尚处于知识构建阶段，可能缺乏识别AI错误的能力。若AI提供的错误信息被不加批判地接受，将直接损害知识基础的准确性。北京协和医院的研究者明确建议："在关键决策点保留人工审核环节，以有效控制AI可能带来的错误风险"。
3.2 认知外包与技能侵蚀
这是LLM对医学教育最深层的挑战。当AI能够"代劳"信息检索、综合甚至初步推理时，学生是否会失去发展这些核心能力的机会？
一项发表在《柳叶刀胃肠病学与肝病学》的研究提供了警示：在结肠镜检查中过度依赖AI辅助的内镜医师，表现出独立操作技能下降和判断力受损。这种"技能侵蚀"风险同样存在于教育场景------若学生习惯让AI生成鉴别诊断清单，其自主构建临床推理框架的能力可能萎缩。
认知心理学家确定的五大核心学习策略------间隔提取、精细化、反思、交错学习、生成------都强调学习者的主动"心智努力"。AI若被用作"答案生成器"而非"思维伙伴"，将绕过这一关键过程，导致学习效果"向均值回归"------既可能拉高低水平学习者，也可能限制高水平学习者的创造性洞见。
3.3 数字鸿沟与教育公平
AI在医学教育中的应用存在显著的全球不平等。一项范围综述显示，74.0%的相关研究来自极高人类发展指数国家或地区，美国贡献最多（33篇），而低HDI国家仅贡献3篇（2.2%）。非洲地区的研究几乎空白。
这种差距不仅体现在研究产出上，更体现在技术可及性上。虽然DeepSeek等开源模型降低了门槛，但算力资源、网络基础设施、语言支持等方面的差异仍然存在。外科教育委员会强调，AI有潜力"民主化"外科教育，但全球部署需审慎考虑技术可及性、文化相关性、数据公平性和基础设施需求。
3.4 学术诚信与人机边界
LLM使"作业代写"变得前所未有的便捷。这引发了对学术诚信的根本性质疑：什么构成"自己的"作业？何时使用AI是可接受的，何时构成作弊？
当前各院校政策差异巨大，从完全禁止到鼓励探索不等。这反映了更深层的问题：医学教育界尚未就"AI使用的伦理边界"形成共识。伦理学家呼吁基于医学伦理四大原则------不伤害、有利、公正、忠诚------来构建AI使用的伦理框架。这要求教育者不仅要制定规则，更要培养学生的伦理敏感性。
3.5 教师角色转型与能力建设
AI的介入正在重新定义医学教师的角色。教师需要从"知识权威"转型为"学习设计师"和"AI协作导师"。这要求教师发展新的专业能力------不仅要会用AI工具，更要能设计AI增强的学习体验，并引导学生批判性地使用AI。
然而，多数院校尚未为教师提供系统性的AI培训。教师的AI素养短板正成为制约AI教育落地的关键瓶颈。
四、治理路径：构建负责任的整合框架
4.1 "Could I, Would I, Should I?"三维决策框架
面对AI融入医学教育的复杂性，研究者提出了一个实用的决策框架，帮助教育者审慎判断AI的适用性：
第一问：Could I use it？（技术可行性） ------AI是否具备完成该任务的能力？需理解AI的强项（内容生成、模式识别、个性化反馈）与局限（幻觉、偏见、缺乏真正理解）。
第二问：Would I use it？（教育价值） ------使用AI是否促进还是阻碍学习？关键在于AI应用是否与循证学习策略（间隔提取、精细化、反思等）相结合。AI应作为"副驾驶"辅助学习，而非绕过必要的心智努力。
第三问：Should I use it？（伦理正当性） ------使用AI是否符合医学伦理原则？需审慎评估对患者隐私、公平性、专业价值观的潜在影响。
这一框架的核心精神是：AI的使用应是有意识的、情境化的决策，而非默认选项。
4.2 医学生AI素养的系统化培养
《医学生AI素养能力清单及其测评框架专家共识（2025）》为AI素养教育提供了系统化路径。共识将AI素养定义为"医学专业学生有效整合AI技术于专业知识学习、临床实践与医学研究所需的综合素质"，涵盖知识、技能、态度三个维度的21项能力指标。
其中五项需优先关注的能力包括：
- CAIP3：理解AI在整合多学科知识、缓解知识碎片化中的作用
- CAIP2：掌握健康医疗数据治理的基本理论与关键技术
- CAIP17：坚持医生主导原则，合理利用AI辅助诊断
- CAIP12：识别AI系统诊断结果中的潜在偏倚
- CAIP18：医生需对AI辅助决策负最终责任
共识建议从本科低年级阶段分模块嵌入AI教育，构建"伦理-技术-临床"三位一体的教育生态。广东医科大学建立的AI医学院（GDMU-AIMS）已率先实践，引入20余个临床专病大模型，实现"边学边用、教评一体"的培养新范式。
4.3 政策、制度与生态建设
负责任的AI整合需要多层次协同。美国外科医师学会教育委员会提出了分层次的建议框架： - 认证机构层面：制定AI能力的国家标准，明确各阶段应掌握的AI素养
- 专业学会层面：开发AI教育资源，发布领域指南
- 医疗机构层面：建立AI使用的伦理监督机制和数据治理政策
- 教育者层面：将AI素养融入日常教学，示范负责任的AI使用
五、未来展望：从"人机分离"到"人机共生"
5.1 研究议程的优先方向
基于当前文献空白，未来研究应重点关注： - 长期影响评估：AI对临床推理能力、批判性思维的长期影响，亟需纵向研究
- 最佳实践识别：何种教学策略能最大化AI的益处同时最小化风险？
- 公平性研究：如何确保AI教育资源的全球可及性，避免加剧数字鸿沟？
5.2 "资源-方法-评估"三位一体模型
有研究者提出构建GAI赋能医学教育的"资源-方法-评估"三角模型：在资源层面，开发专用医学大模型与通用模型协同的整合系统；在方法层面，促进多技术融合的教学模式创新；在评估层面，建立动态、多维的能力评价体系。这一框架为系统性推进AI医学教育提供了理论参照。
5.3 结语：驾驭技术，守护本质
生成式AI与大语言模型正在以不可逆的方式重塑医学教育。这一变革既是机遇也是挑战。正如共识所指出的："AI素养教育的终极目标不是培养技术依赖者，而是塑造能驾驭技术、捍卫医学人文精神的守护者"。
在"人-机"协作的新生态中，教育者的终极使命始终未变------培养那些机器无法替代的人类能力：临床推理、同理心、专业判断与终身学习。AI不应被视为答案的提供者，而应被理解为思维的伙伴。唯有坚持"以人为本、技术为用"的理念，我们才能在智能时代培养出真正能够守护人民健康的卓越医师。