人工智能生成内容在医学教育中的应用、挑战与展望

随着以ChatGPT为代表的生成式人工智能技术的兴起,人工智能生成内容(AIGC)对医学教育的理论教学、实践教学、测量评估等方面均产生了推动作用。作为医学教育创新发展中的重要一环,AIGC的应用、挑战与未来发展值得关注。为推进新医科建设,更好地将AIGC融入我国医学教育,汇总AIGC在国内外医学教育中的创新应用,为我国医学教育提供借鉴,并进一步探讨AIGC的应用风险与伦理挑战,提出AIGC在医学教育中的三个先进案例,探讨AIGC相关技术如何运用于不同阶段的医学教育,进而促进AIGC技术对我国医学教育的赋能作用。最后,展望检索增强生成、多智能体、 Sora等AIGC相关技术在未来医学教育中的运用可能,基于此提出以下启示:AIGC作为新质生产力的代表,在医学教育中的应用前景广阔,但其发展和应用需要综合考虑技术可行性、伦理标准、社会接受度、法律法规、教育效果等多维度的因素。医学教育界既应积极把握AIGC技术所带来的机遇,也要做好准备以充分应对其挑战,以此来最大化AIGC对医学教育的价值和效果。

生成式大语言模型在医学考试题库建设中的实践探索

传统的医学考试题库建设耗时长且依赖于命题专家资源,而大语言模型为题库建设带来了新方式,其试题生成质量很大程度上取决于提示词的设计。为了提高医学试题质量,帮助医学教师有效利用大语言模型开展命题工作,本文介绍了大语言模型中常用的提示工程,并以"术后胆漏"试题生成为例,探索了零样本、少样本、思维链、自洽性思维链、思维树提示工程策略的命题效果。分析结果显示,零样本和少样本提示操作简便,但在试题多样性和深度上存在一定局限。通过增加思维成分的提示策略,可以引导大语言模型执行草稿、打磨、比较和确定等命题过程,从而提高试题质量。同时,虽然通过改进提示词可以有效提高命题效果,但其具体实施与设计仍有极大的挖掘空间,需要进一步的研究和探索。