四川大学华西医院
华西护理毕业后教育
大型语言模型及其在医学教育中的影响：一项系统评价
A systematic review of large language models and their implications in medical education
文章讯息：
研究背景
近年来，大型语言模型（Lagre language models, LLMs）引起各个领域的广泛关注，尤其是医学教育领域。OpenAI的GPT-4和 Google的Bard等LLMs是自然语言处理和机器学习研究的代表。LLMs在大量数据集上进行训练，能够准确性生成、解释和响应人类语言，并提供了多种潜在应用，如个性化的学习工具和决策支持。
医学生成为合格的医疗保健专业人员须经历严格的教育过程，LLMs的出现为解决信息过载、时间限制和临床教育工作者的压力等挑战提供了有前景的解决方案。然而，将这些技术整合到医学教育中也存在挑战，如准确性、伦理考虑和对批判性思维的潜在负面影响等。尽管人们对LLMs的兴趣大幅增加，但仍缺乏在医学教育环境中对其进行全面评估方面。该系统评价全面回顾了目前LLMs在医学教育中的应用机遇与挑战，以促进人们负责任地使用LLMs，引导人们合理地使用这些工具。
研究方法
该研究遵守PRISMA 2020指南，从PubMed、Web of Science和Embase数据库中进行检索，采用与“LLMs”和 “Medication education”相关的关键词进行检索。检索时限为ChatGPT首次亮相后发表的研究，以反映了该领域的最新进展。文献纳入标准为在教育和临床环境中对LLMs的研究，排除标准为无法获取全文或非英文的文章。两名研究者先对标题和摘要进行初步筛选，以确定潜在的相关文章，然后根据LLMs在医学教育中的相关性进行详细的全文评估。审查内容包括对研究方法和结果的可信度评估，然后围绕LLMs在医学教育中的应用主题进行综合，根据研究中的共同主题进行定性分析。研究者间通过讨论解决分歧，以确保选择的平衡和公平。（图1）
图1 文献检索与筛选流程图
研究结果
该研究最终纳入40篇文献，对纳入研究的结果从LLMs的应用、生物医学中的LLMs、局限性，以及伦理、法律和隐私问题4个方面进行了主题整合。
3.1 LLMs的应用
多项研究表明，大型语言模型（LLMs）在各类医学考试中展现了其医学知识能力和作为医学教育工具的潜力。对于学习者而言，LLMs提供了对医学知识、研究和临床指南的即时访问，并能够帮助进行全面文献评估，将信息综合成易于理解的形式。当信息准确时，LLMs能节省时间并支持学习者的教育。此外，LLMs还促进了学科深入探索，并有助于通过分析大量数据解决当前问题。同时，通过允许提问和生成假设，LLMs还能改进临床推理和问题解决能力。
对于教育工作者而言，LLMs可作为教学工具，强化传统课程与教学，为教育培训提供真实的临床场景和反馈，从而提升临床教育质量。它们能够助力课程与评估计划、制定评分标准和资源分配，促进教学效果。此外，LLMs提供即时反馈与支持，打造互动学习体验，具有出色的可扩展性，惠及护生和教育者双方。通过提升教育效率，LLMs还有助于缓解医学教育者短缺问题，特别是在资源有限的环境中，使教育者能够有更多时间专注于个别护生的指导。
3.2 生物医学LLMs案例
有研究指出，创建特定领域的生物医学语言模型（BioLLMs）对提升医学自然语言处理任务极为有效。例如，BioBERT在生物医学识别方面超越了通用语言模型。研究人员利用电子健康记录和PubMed等医学文本开发了定制的BioLLMs，如ClinicalBERT、BioMegatron和BioMedRoBERTa。通过微调这些模型以适应特定领域数据，它们在处理医学语言上取得了卓越成果。当LLMs得到正确微调时，BioLLMs在医学教育中展现出巨大潜力，如计算机辅助诊断聊天机器人（ChatCAD），能够帮助护生讨论病例，并在鉴别诊断和诊断测试方面获得指导，从而提升医护生的临床技能。BioLLMs作为医学教育的改进工具，在提供研究支持、辅助临床决策、个性化辅导等方面展现出巨大潜力。然而，合理使用模型同样关键，需确保医学教育和临床护理不受技术发展的负面影响。例如，Desaire等人开发了可靠方法，用于区分人类与AI生成的文本，有助于识别学术和医学写作中AI的不当使用。
3.3 局限性
LLMs有望成为医学教育的强大工具，但其使用也存在局限性，如错误回答、技术过度依赖、影响批判性思维和临床推理能力，以及学术诚信问题。因此，需验证LLMs信息、强调实践技能的重要性，并持续监控其更新以确保准确性。通过严格测试和监督学员使用，确保LLMs得到负责任的应用。
3.4 伦理、法律和隐私问题
在医学教育中运用大型语言模型（LLMs）会涉及伦理、法律和隐私方面的关键议题。主要挑战之一是模型中的潜在偏见问题，若训练数据或算法本身带有偏见，LLMs可能会延续这些偏见，向护生传递不准确或具有歧视性的信息。此外，将LLMs应用于医学教育环境中还可能涉及患者信息和隐私的泄露风险。尽管已有一些应用案例，如将LLMs集成到电子健康记录中（如Dr.Chatbot），以辅助临床护理并确保隐私保护，但仍需谨慎处理。
在医学教育和研究中，使用大型语言模型（LLMs）进行项目或论文准备时，需要明确伦理问题和披露方法。提高LLMs使用的透明度，有助于推动相关知识的进步。若LLMs对研究有显著影响，应予以报告。同时，尽管如拼写检查器等小工具的使用通常不被报告，但为了清晰明了，也应纳入报告范围。研究人员应说明LLMs在项目或论文准备中的参与程度，因为透明度是克服使用阻力的关键。对于课堂教学中的项目和论文准备，机构和教育者应制定指导方针，帮助护生合理使用这些资源，避免不利于学习和缺乏伦理的行为。
图2 LLMs在医学教育中的机遇和挑战
（蓝色图标展示机遇，红色图标展示挑战）
结论
LLMs通过个性化学习、智能辅导、内容生成和临床决策支持等创新方案，为医学教育带来巨大变革潜力。这些应用不仅促进知识获取，还支持自主学习。但需注意伦理考量、内容质量、隐私保护，以及其对学习成果和临床实践的长远影响。随着技术的不断认可和应用，预计其准确性和应用范围将持续提升。应抓住LLMs带来的机遇，同时审慎面对挑战，共同构建更高效、有效、以学习者为中心的医学教育系统。
LLMs作为人工智能的重大突破，能将语言和非结构化文本转化为机器可读数据，理解和生成人类语言。近年来，LLMs等生成式AI创新迅速。在医学教育中，LLMs的应用也引发了各种关注。本研究梳理了LLMs在医学教育中应用情况及挑战，探索其带来的变革潜力，结果对合理利用LLMs有参考意义。
具体的，在护理教育中，护理教育者应拥抱基于LLMs的教学方法和技术，利用LLMs改进教学方法、完善教学评价、提升教学管理效率。如利用LLMs的深度学习算法，为每位护生量身定制个性化的学习路径。通过分析护生的学习习惯、能力、兴趣等，为护生提供最适合他们的学习资源、课程顺序和练习内容；借助LLMs模拟复杂的临床环境和患者情况，为护生提供模拟实习的机会，让护生在虚拟环境中进行护理操作、与虚拟患者互动，并接收即时的反馈和指导；护理教育者也可以合作开发基于LLMs的智能问答系统，使护生能够随时随地向系统提问并获得解答；根据护生的学习进度和表现，提供个性化的辅导和建议。利用LLMs自动评估护生的作业、练习和考试表现，同时提供详细的反馈和建议，帮助护生及时了解自己的学习状况，调整学习策略。护理教育者可以利用LLMs的推荐算法，为护生推荐符合其学习需求和兴趣的课程，进行个体化学习。
今后，护理教育者应关注提升护生人工智能素养，开展人工智能应用相关培训，构建护生LLMs相关专业知识，使其成为LLMs的高效使用者。护理教育者也需要关注LLMs潜在风险，如数据安全和隐私保护、模型的准确性和可解释性、法律和伦理等，谨慎有效地将LLMs应用到护理教育中，和信息部门等人员合作，尽量规避其使用风险，提升使用效能。
推荐人
吴金玉，硕士，护师
病区十二，温江第5护理单元
（骨科运动医学中心）
审核人：李鹏程，杜春萍
探索教学真谛·展现教学魅力
受医院“大刊论文解读”启发，护理部毕业后教育科特开设“教学论文荐读”专栏，拟邀请优秀师资骨干，精选在国内外发表的优秀教学论文，对论文的背景、方法、成果进行介绍，分享阅读心得，搭建全院临床护理师资读教学论文、品教学论文、用教学论文的学术交流平台。
他山之石，可以攻玉。我们期待通过专栏，帮助临床护理师资学习先进的教学理念与方法，积极开展教学创新和教学研究，提升临床护理教学质量和水平。后期，我们还将搭建院内临床教学创新分享平台，促进院内护理临床教学交流。
我们每迈出的每一步革新，都希望与您一路并肩同行。
护理部毕业后教育科
2020年3月19日
● 版权声明 ●
● 本文内容最终解释归四川大学华西医院护理部所有，未经授权不得转载。
● <护理教学论文荐读>封面版权归四川大学华西医院宣传部所有，未经授权不得修改、转载。
● 华西护理毕业后教育信息门户倡导尊重和保护知识产权。欢迎转载。本站内容及图片仅供参考、学习使用，不为盈利且不作为诊断、医疗根据。
川公网安备51010702002012
