健康专业教育对人工智能的讨论,往往由能力开始:学生需要懂得什么?教师应如何使用?院校应批准哪些工具?

这些问题很重要,却未能告诉我们,当人工智能出现时,什么条件能让专业学习真正发生。学习者可以正确披露、使用认可工具并交出优秀答案,但仍可能绕过培养专业判断所需的对话、不确定性与反思。

Michael Rowe 提出的健康专业教育人工智能理论框架,提供了另一个方向:不从工具开始,而从专业学习如何发生开始。

只聚焦能力的限制

不少框架描述人们需要具备的人工智能素养、能力、伦理意识与工具使用方式。Rowe 指出,它们仍留下另一个问题:什么条件能支持人工智能环境中的专业学习?

缺乏教学答案时,整合可能变得防御性,只把人工智能视为需要控制的威胁;也可能变得机会主义,只追求效率而让学习质量逐渐下降。当人工智能能生成看似合理的临床推理或反思文章,我们需要重新审视活动原本要发展什么。

四项理论,一个设计挑战

框架结合四种视角。社会建构主义关注知识如何通过对话建构;批判教育学追问哪些假设与利益决定什么被视为知识;复杂性理论把实践置于动态、关系性和依赖情境的系统中;连接主义则把知识视为分布于人、学科、工具与网络之间。

四项理论的六个汇合点成为设计原则。即使没有人工智能,这些原则仍然适用;人工智能却令它们更迫切,因为它既可支持,也可让学习者绕过这些条件。

1. 对话式知识建构

知识通过对话建构,而不是单向传递。若人工智能生成内容让学习者直接接受,即使答案准确,也可能只形成表层理解。

活动应要求学习者评估、质疑、比较或延伸输出。真正的学习在于对话与理据,而不只在最后答案。

2. 批判意识

学习者需要辨认哪些因素塑造了被接受的知识,包括人工智能的假设、遗漏、限制与内含利益。

在临床个案中,学生可比较人工智能与自己的推理,追问两者分别揭示或隐藏了什么,以及差异对实践和患者有何意义。

3. 适应性专业能力

专业实践并非重复已知程序,而是在程序不适用时仍能采取行动。人工智能越来越容易生成标准答案,但面对矛盾、边缘个案和变化信息时,安全调整仍依赖情境判断。

学习活动应要求学生在陌生个案中调整,而不只是重现标准计划。

4. 情境真实性

医疗实践复杂、关系性强,而且具有特定情境。移除社会决定因素、资源限制、互相竞争的优先次序与沟通困难,也许令个案更容易评分,却减弱了对真实实践的准备。

人工智能可以帮助教师加入有意义的变化与复杂性,但不应消除令专业判断变得必要的条件。

5. 元认知发展

正确答案可能令人以为学习已经发生。若缺乏对自身推理的觉察,学习者可能无法分辨真正理解与理解的表象。

学生应交代最初判断、不确定性、人工智能的使用方式及后续修订,让推理过程变得可见和可评估,而不是只留下精修结论。

6. 网络化知识建构

医疗问题跨越专业与学科界限。若学习停留在单一专业孤岛,毕业生可能无法运用复杂实践所需的知识网络。

人工智能或可揭示其他学科的视角,但学习者仍须判断哪些专业知识相关、不同视角如何连接,以及何时必须与真人协作。

设计约束,而不是另一张清单

六项原则最适合在活动建立之前使用。对每次人工智能互动,我会问:它打算支持哪项学习条件?同一互动可能如何破坏该条件?哪项学习者行动能令预期过程变得可见?

在课程与评估层面,框架带来另一个难题:我们测量的是作品产出,还是背后的推理?这项弱点未必由人工智能造成;人工智能可能只是令我们无法再忽视它。

与其他框架如何互补

“我是否应在这项工作使用人工智能?”关注个人决定;Health CARE-AI 关注使用是否切合情境、可问责、负责任及公平;Rowe 的框架再加入第三个问题:设计是否保留了专业学习得以发展的条件?

三个问题都不可或缺。人工智能活动可以在个人层面合理,也符合伦理与治理要求,却仍可能因绕过对话、适应、情境或元认知而缺乏教育价值。

理论主张,而非成效证据

这是一项以预印本形式发表的理论综合。六项原则来自学习理论之间的概念对照,而不是证明能改善学习或患者成效的试验。

因此,这些原则是值得应用和研究的设计主张,而不是已经确立的规则。未来研究需要把原则转化为可观察的教育实践,并审视它们能否改善推理、适应、迁移或元认知准确度,而不造成新的不公平或工作负担。

应保持不变的问题

人工智能能力会继续改变,但教学问题不必随每个新模型改写:我们是否正在创造条件,让学习者发展医疗实践所需的推理、判断与适应能力?

若一项人工智能活动无法回答这个问题,新颖或高效率并不足够。目标不只是帮助学生交出更好的作品,而是设计让他们成为更好专业人员的参与过程。

参考资料