BMJ Evidence-Based Medicine | 过度依赖AI或削弱医学生和住培医生的批判性思维并加剧现有偏倚
- 来源：未知
- 作者：bmjchina
- 日期：2026-01-12
- 分享：
BMJ Evidence-Based Medicine医学教育栏目发表的一篇文章警告称，过度依赖生成式人工智能（Generative AI）不仅可能削弱医学生和住培医生的批判性思维能力，还有可能加剧现有的数据偏倚和不平等。研究人员指出，尽管生成式人工智能工具已得到广泛应用，相关的机构政策和监管指南却寥寥无几。他们呼吁医学教育工作者保持警惕，调整课程设置和培训内容，以减轻AI技术的隐患。
原文献信息：
Potential risks of GenAI on medical education
Hough J, Culley N, Erganian C, et al.
BMJ Evidence-Based Medicine 2025;30:406-408.
doi: 10.1136/bmjebm-2025-114339
AI目前已被用于大量不同的任务中，但随着其潜力迅速增长，过度依赖AI的风险也在随之增加。这给医学生和住培医生带来了一系列潜在问题，包括：
自动化偏倚：长期使用AI后对自动化信息产生不加批判的信任
认知卸载与推理外包：将信息检索、评估和综合工作转交给AI，因此削弱了批判性思维和记忆保持能力
技能退化：专业技能变得迟钝，这对于正处于技能学习初期且缺乏足够经验去审查AI建议的医学生和新晋医生而言后果尤为严重
加剧现有的数据偏倚和不平等
幻觉（hallucination）：生成流畅、看似合理但不准确的信息
隐私、安全和数据治理方面的风险：鉴于医疗数据的敏感性质，这是一个格外需要注意的问题
研究人员建议进行多项改革以最大限度地降低这些风险。首先，在教育评估中应基于“学习者会使用AI”这一假设，对AI使用过程进行评分，而不仅仅是评估最终结果。其次，对于床旁沟通、体格检查、团队合作和专业判断等关键技能的评估，应采取有监考的考站或现场考试的形式以排除AI参与。最后，将AI能力本身作为一项竞争力进行评估可能也很重要，因为数据素养以及教授AI的设计、开发和评估比以往任何时候都更重要，这方面的知识对于医学生和住培医生来说不再是可有可无的“奢侈品”。
研究人员强调，接受医学培训的人群需要理解AI的优势与劣势背后的原理和概念，以及在何处、如何将AI工具有效地整合至临床工作流程和诊疗路径中。同时这类人群也需要了解如何评估自身的预期表现以及随时间推移可能产生的潜在偏倚。研究人员建议：“特别需要加强批判性思维的教学，而这可以通过构建教学用的案例来实现。即让AI生成正确答案和故意设计的错误答案，然后让学习者选择接受、修正或拒绝，并引用原始证据来源来论证他们的决策。” 研究人员表示，全球的监管机构、专业学会和教育协会也需要发挥作用，制定并定期更新关于AI对医学教育影响的指南。
他们总结道：“生成式AI拥有许多有据可查且经过充分研究的益处，但它并非没有隐患，尤其是对医学教育和初学者而言。这些工具可能会编造来源、内化偏倚、造成过度依赖，并对教育过程产生破坏性影响。医学教育项目必须对这些风险保持警惕，调整相应课程和培训计划，以降低风险发生的可能性并防患于未然。”
关于BMJ Evidence-Based Medicine
BMJ Evidence-Based Medicine发表与医疗卫生重要事项相关的原创性循证研究、见解和观点类文章，旨在为循证医学实践提供相关性高、值得信赖和有影响力的证据。该刊聚焦于循证医学教学和实践中的核心工具、方法和理念。
收稿率：11%
出版频率：双月刊
出版速度：
投稿至初步决定：73天（中位时间；含外审）
接收至发表：24天（中位时间）
2024年影响因子：10.4
期刊主页：ebm.bmj.com
京公网安备 11010502034496号