生成式人工智能現在能夠撰寫病人解釋、提出可能的鑑別診斷、建立臨床個案,並提供近乎即時的回饋。對物理治療教育工作者而言,一個很容易出現的問題是:人工智能可以接手多少教學工作?

我認為更重要的問題是:我們如何運用人工智能,同時確保學生仍然學會觀察、推理、溝通和承擔責任?

物理治療並不只是產生一個正確的書面答案。學生需要觀察一個人的動作,選擇並調整檢查方法,詮釋不完整的資料,在不確定中溝通,並安全地回應眼前的病人。人工智能系統或可產生具說服力的建議,但它並沒有參與這些具身體性和關係性的臨床過程。

潛力與審慎

我的 Obsidian 筆記呈現一個一致立場:教育中的人工智能應是增強式,而不是替代式。人工智能可以減少部分認知和文字組織負擔,擴闊學生思考的問題,並支援形成性回饋。然而,人工智能的第一個回應應被視為待檢視的材料,而不是完成答案。

近期臨床人工智能研究亦提醒我們需要審慎。早期研究和預印本顯示,人工智能輔助系統或有助臨床人員考慮其他可能性,並產生更個人化的復康材料,但亦可能遺漏重要脈絡、造成自動化偏誤,或產生仍須由專業人員修正的病人教育資訊。物理治療教育中的直接證據仍然有限。

先推理的模式

因此,人工智能應被引入為思考伙伴,而不是臨床捷徑。一個實用模式可簡單地應用於課堂、模擬教學或書面個案分析。

  • 推理:學生先評估個案並記錄初步判斷,然後才使用人工智能。
  • 諮詢:學生請人工智能提出其他可能性、問題、反方觀點或回饋。
  • 質疑:學生根據證據、病人脈絡、專業標準和安全要求檢視回應。
  • 決定:學生說明哪些內容被接受、拒絕或修改。
  • 反思:學生指出自己學到甚麼,以及哪些地方仍然存在不確定性。

對教學的改變

這種結構能使學生的思考變得可見。它亦把人工智能素養由懂得寫提示語,轉化為一種專業能力,當中包括核實、私隱、偏見意識、披露和可問責的判斷。

它亦區分了學習與表現。人工智能可以幫助學生快速產生一個看似更好的答案,但這並不證明學習已經發生。在臨床教育中,發展過程中的努力本身是重要的,因為學生正在成為日後不能外判責任的專業人員。

  • 使用刻意設計為不完整的人工智能生成評估或治療計劃,要求學生辨識不安全假設。
  • 要求學生先完成臨床推理圖,再諮詢人工智能,然後比較改變了甚麼及原因。
  • 把人工智能生成的病人教育材料用作批判、改寫和以人為本溝通的練習。
  • 容許人工智能改變模擬病人的病史,同時由教師控制學習成果和安全界線。
  • 要求學生披露所用工具、目的、核實過程及自己的貢獻。

評估仍須保障臨床能力

評估仍應重視人工智能不能代學生展示的能力:觀察、實務操作、溝通、適應能力和可辯護的臨床推理。學生能貼上一段合理的人工智能答案,並不代表他能檢查病人、回應困擾、識別紅旗或解釋治療決定。

目標並不是保護昨天的作業不受明天的科技影響,而是設計出讓科技強化,而不是悄悄取代,物理治療師培養過程的學習。

本文參考的筆記

  • Obsidian 筆記:AI in Physiotherapy Education - Weekly Digest。
  • Obsidian 筆記:Generative AI in Teaching and Learning - PolyU Conference。
  • Obsidian 筆記:Artificial Intelligence - Foundations and Educational Use。
  • Obsidian 筆記:Research Integrity in the Generative AI Era。
  • Obsidian 筆記:Should I Use AI for This?,改寫自 Olivier 與 Rowe 為博士研究者設計的決策指南。