📄 medicine

Conditional readiness for AI-assisted pathology education: a cross-sectional survey of students’ expectations, concerns, and preferences

Eine Querschnittserhebung unter 100 Medizinstudierenden der Xiangya School of Medicine zeigt eine hohe, aber bedingte Bereitschaft für die KI-gestützte pathologische Ausbildung, die durch starke Präferenzen für praktische, pathologiespezifische Werkzeuge wie die Identifizierung von Schnitten und Fallsimulationen sowie durch erhebliche Bedenken hinsichtlich der Genauigkeit und der Bewahrung der Interaktion zwischen Lehrenden und Lernenden gekennzeichnet ist.

Ursprüngliche Autoren: Bingjie Lian, Zhou Jin, Yuhan Chen, Luqing Zhao

Veröffentlicht 2026-07-06

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Bingjie Lian, Zhou Jin, Yuhan Chen, Luqing Zhao

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich das Medizinstudium wie eine riesige Bibliothek vor, in der Studenten versuchen, eine neue Sprache zu lernen: die Sprache der Krankheiten. Im Fach Pathologie wird diese Sprache in winzigen Bildern von Zellen und Geweben unter einem Mikroskop geschrieben. Es ist berüchtigt schwierig, weil die Studenten auswendig lernen müssen, wie Dinge aussehen, verstehen müssen, warum sie so aussehen, und herausfinden müssen, was das für einen Patienten bedeutet.

Dieses Paper ist wie eine Umfrage unter einer Gruppe von Medizinstudenten: "Wenn wir Ihnen einen superintelligenten digitalen Assistenten (Künstliche Intelligenz) zur Verfügung stellen würden, um diesen schwierigen Fachbereich zu lernen, was sollte er tun und was würde Sie nervös machen?"

Hier ist die Aufschlüsselung dessen, was die Studenten sagten, unter Verwendung einfacher Analogien:

1. Die Studenten sind bereit, aber sie haben Bedingungen

Betrachten Sie die Einstellung der Studenten gegenüber KI wie einen Fahrer, der begeistert ist, ein neues, hochmodernes Auto auszuprobieren, aber nur, wenn das Auto einen Sicherheitsgurt und einen Beifahrer hat.

Die gute Nachricht: Die Studenten sind sehr offen gegenüber der Nutzung von KI. Sie schnitten hoch bei einer "Bereitschaftsskala" ab. Sie sehen KI als ein Werkzeug, das das Lernen weniger langweilig und weniger auf reines Auswendiglernen (wie das Auswendiglernen eines Telefonbuchs aus dem Kopf) ausgerichtet machen könnte.
Der Haken: Sie wollen nicht, dass die KI das Auto alleine fährt. Sie wollen einen lehrergeleiteten Ansatz. Sie glauben, dass die KI der "Co-Pilot" oder der "Lernpartner" sein sollte, nicht der Ersatz für den Lehrer.

2. Was sie von der KI wollen (Die "Superkräfte")

Die Studenten wollten keinen generischen Chatbot, der über alles Mögliche spricht. Sie wollten ein Spezialwerkzeug für die Pathologie. Ihre wichtigsten Wünsche waren:

Die "Taschenlampe": Sie wollen, dass die KI ihnen hilft, spezifische Strukturen auf mikroskopischen Schnitten zu erkennen. Stellen Sie sich vor, Sie schauen in einen dunklen Raum; die KI ist eine Taschenlampe, die die wichtigen Möbel hervorhebt, damit man sie nicht übersieht.
Der "Übersetzer": Sie wollen, dass die KI erklärt, warung eine Krankheit entsteht (den Mechanismus), und komplexen medizinischen Jargon in einfaches Englisch (bzw. verständliche Sprache) übersetzt.
Der "Personal Trainer": Sie wollen, dass die KI maßgeschneiderte Übungsquizze und Lernhilfen erstellt, die auf den spezifischen Dingen basieren, die sie falsch gemacht haben, anstatt ihnen die gleiche generische Hausaufgabe wie alle anderen zu geben.
Der "Rehearsal Partner" (Proben-Partner): Sie wollen mit der KI fiktive Patientenfälle üben, um reale Arzt-Patient-Gespräche zu simulieren.

3. Was sie beunruhigt (Die "Geschwindigkeitsbegrenzungen")

Obwohl sie begeistert sind, haben sie vier Ängste, wie ein Reisender, der vor einem neuen Flug besorgt ist:

Die Angst vor der "Halluzination" (88 %): Sie haben schreckliche Angst davor, dass die KI selbstbewusst, aber falsche Antworten gibt. In der Medizin kann ein falscher Fakt gefährlich sein. Sie wollen, dass die KI zugibt, wenn sie sich unsicher ist, und sie anweist, ein Lehrbuch oder einen Lehrer zu konsultieren.
Die Angst vor dem "faulen Gehirn" (50 %): Sie befürchten, dass sie aufhören werden, selbst zu denken, wenn die KI das gesamte Denken übernimmt. Sie wollen nicht so abhängig von dem Werkzeug werden, dass sie vergessen, wie man Probleme eigenständig löst.
Die "Privatsphäre"-Angst (42 %): Sie sind besorgt darüber, dass ihre persönlichen Lerndaten gestohlen oder missbraucht werden könnten. Sie wollen wissen, wer ihre Lerngewohnheiten beobachtet.
Die "Langeweile"-Angst (56 %): Sie wollen nicht, dass die KI kompliziert ist oder zusätzliche Arbeitsstunden in ihren ohnehin schon vollen Zeitplan drängt.

4. Die Goldene Regel: Die Lehrer bleiben im Steuer

Die wichtigste Erkenntnis ist, dass Studenten nicht wollen, dass die KI ihre Lehrer ersetzt.

Sie glauben, dass die KI nicht die Fähigkeit eines Lehrers ersetzen kann, die "Logik" hinter einer Krankheit zu erklären.
Sie bevorzugen ein Modell, bei dem der Lehrer das Konzept zuerst erklärt und der Student dann die KI nutzt, um zu üben und Feedback zu erhalten.
Interessanterweise waren Studenten, die bereits mit ihren aktuellen Lehrern zufrieden waren, eher bereit, KI als Helfer zu nutzen. Sie sahen KI nicht als Ersatz für schlechte Lehre, sondern als Möglichkeit, gute Lehre noch besser zu machen.

5. Ein kleiner Unterschied zwischen Jungen und Mädchen

Die Studie fand einen winzigen Unterschied beim Geschlecht: Männliche Studenten glaubten etwas eher daran, dass KI den traditionellen Unterricht irgendwann ersetzen könnte, als weibliche Studenten. Das Paper merkt jedoch an, dass dies ein kleiner Befund ist und nicht überinterpretiert werden sollte.

Das Fazbeit (Bottom Line)

Das Paper kommt zu dem Schluss, dass Medizinstudenten bereit sind, KI in ihren Pathologie-Kursen zu nutzen, aber nur wenn sie sorgfältig konzipiert ist.

Sie wollen ein Werkzeug, das:

Spezifisch für ihr Fachgebiet (Pathologie) ist, nicht ein allgemeiner Chatbot.
Von einem menschlichen Lehrer beaufsichtigt wird.
Genau ist und zugibt, wenn es sich unsicher ist.
Ihre Privatsphäre schützt.
Ihnen hilft, zu denken, anstatt ihnen nur die Antworten zu geben.

Kurz gesagt, die Studenten sagen: "Geben Sie uns die KI, aber lassen Sie den Lehrer am Steuer sitzen."

Technisches Resümee: Bedingte Bereitschaft für KI-gestützte pathologische Ausbildung

Problemstellung
Während Künstliche Intelligenz (KI) zunehmend in die medizinische Ausbildung integriert wird, konzentriert sich die bestehende Literatur vorwiegend auf allgemeine Einstellungen, Bewusstsein oder Verhaltensabsichten der Studierenden, statt auf spezifische Bedürfnisse innerhalb bestimmter Kurse. Die Pathologie stellt besondere pädagogische Herausforderungen dar, da Studierende mikroskopische Morphologie, Krankheitsmechanismen und klinopathologische Argumentation integrieren müssen. Es bleibt unklar, welche spezifischen Aufgaben des pathologischen Lernens Studierende für eine KI-Unterstützung als geeignet erachten und welche Bedenken die Akzeptanz von KI-gestütztem Unterricht einschränken könnten. Diese Studie adressiert die Lücke im Verständnis darüber, wie medizinische Studierende erwarten, dass KI das Lernen der Pathologie unterstützt, wobei insbesondere deren Erwartungen, Bedenken und Präferenzen hinsichtlich einer lehrergesteuerten versus einer KI-geleiteten Implementierung untersucht werden.

Methodik
Die Studie verwendete ein exploratives Querschnitts-Survey-Design, das zwischen April und Mai 2026 an der Xiangya School of Medicine der Central South University durchgeführt wurde.

Teilnehmer: 100 Bachelor-Medizinstudierende, die einen Kurs in Pathologie abgeschlossen hatten. Die Kohorte setzte sich zusammen aus Studierenden der Pflege, der Basis-Medizin, der klinischen Medizin, der Anästhesiologie, der Präventivmedizin und der medizinischen Labortechnologie, wobei die Mehrheit (76 %) sich im zweiten Studienjahr befand.
Instrument: Ein anonymer Fragebogen, der demografische Daten, die Zufriedenheit mit dem aktuellen Unterricht, die selbstberichtete KI-Nutzung, 19 Likert-Typ-Items (5-stufig) sowie zwei Multiple-Response-Fragen und drei offene Fragen umfasste.
Maßstäbe:
- Bereitschaftsscore (Readiness Score): Eine 10-teilige Skala zur Messung von Interesse, wahrgenommener Nützlichkeit, Verhaltensabsicht und Bedarf an KI-gestütztem Lernen (Cronbachs $\alpha$ = 0,897).
- Bedenken (Concerns): Items zur Bewertung von Angst, Überverlassenschaft, Genauigkeit, Datenschutz und Abneigung gegen obligatorische Aufgaben.
- Präferenzen: Items zur Bewertung der Präferenz für ein lehrergesteuertes gegenüber einem KI-Ersetzungsmodell.
Analyse: Die Daten wurden mit SPSS Version 26.0 analysiert. Es wurden deskriptive Statistiken, interne Konsistenzanalysen, unabhängige t-Tests (oder Welch-t-Tests) sowie Spearman-Korrelationsanalysen durchgeführt. Offene Antworten wurden mittels eines deskriptiven thematischen Ansatzes analysiert.

Kernergebnisse

Bereitschaft und Akzeptanz: Die Studierenden zeigten eine hohe, aber bedingte Bereitschaft für KI-gestütztes Lernen in der Pathologie, mit einem mittleren Bereitschaftswert von 4,22 ± 0,62 (auf einer 5-Punkte-Skala).
- Bereitschaft: 92 % waren bereit, eine schulempfohlene, pathologiespezifische KI-Plattform auszuprobieren; 90 % waren bereit, KI zur Abfrage unbekannter Strukturen während der Laborpraktika zu nutzen; 87 % wünschten sich simulierte pathologische Fälle.
- Präferenzen: Es gab eine starke Präferenz für ein lehrergesteuertes Modell. 93 % stimmten zu, dass Lehrkräfte Konzepte zuerst erklären sollten, wobei die KI als ergänzendes Übungswerkzeug dient. Nur 17 % stimmten zu, dass KI den traditionellen Unterricht ersetzen könne.
Erwartete Funktionen: Studierende priorisierten praktische Lernengpässe gegenüber allgemeinen Chatbot-Interaktionen. Die am meisten gewünschten Funktionen waren:
1. Identifizierung mikroskopischer Objektpräparat-Strukturen (91,0 %).
2. Erklärung von Krankheitsmechanismen (76,0 %).
3. Abruf typischer Fallbilder (72,0 %).
4. Generierung personalisierter Übungen und Lernübersichten (68,0 %).
5. Simulation klinisch-pathologischer diagnostischer Dialoge (51,0 %).
Bedenken: Die Bereitschaft wurde durch signifikante Bedenken gemindert:
- Genauigkeit: 88 % nannten technologische Unreife und das Risiko fehlerhafter Antworten als primäre Sorge.
- Anwendbarkeit: 56 % sorgten sich um die operative Komplexität oder zusätzliche Zeitbelastungen.
- Datenschutz: 42 % äußerten Bedenken hinsichtlich der Datensicherheit und unsachgemäßer Datenerhebung.
- Interaktion: 38 % befürchteten eine verringerte Interaktion zwischen Lehrkraft und Studierenden.
Korrelationen: Die Zufriedenheit mit dem aktuellen pathologischen Unterricht korrelierte positiv mit der KI-Bereitschaft ( $\rho$ = 0,525, $p$ < 0,001) und der Präferenz für ein lehrergesteuertes KI-Modell ( $\rho$ = 0,569, $p$ < 0,001). Männliche Studierende stimmten signifikant häufiger zu, dass KI den traditionellen Unterricht ersetzen könne, als weibliche Studierende (2,65 vs. 1,99, $p$ = 0,036), wenngin die allgemeine Zustimmung niedrig blieb.

Zentrale Beiträge

Spezifität der Bedürfnisse: Die Studie geht über allgemeine KI-Einstellungen hinaus und identifiziert, dass Pathologiestudierende KI-Unterstützung für spezifische kognitive Übergänge suchen: vom Erkennen mikroskopischer Strukturen zum Verständnis von Mechanismen und zur klinisch-pathologischen Argumentation.
Bedingte Bereitschaft: Die Ergebnisse charakterisieren die Bereitschaft der Studierenden nicht als bedingungslose Begeisterung, sondern als „bedingt“, abhängig von der Fähigkeit der KI, verifizierbare Unterstützung zu bieten, ohne die Aufsicht durch Lehrkräfte oder den Datenschutz zu gefährden.
Pädagogisches Modell: Die Forschung unterstützt ein Modell des „lehrergesteuerten, KI-gestützten“ Lernens gegenüber einem „KI-Ersetzungs“-Narrativ. Studierende betrachten die KI als Werkzeug für Praxis, Feedback und Wiederholung, nicht als Ersatz für klinische Logik oder Lehrererklärungen.
Einblics in die Implementierung: Die Studie hebt hervor, dass Widerstand gegen KI eher aus der Implementierungsgestaltung (z. B. obligatorische Plattformzeiten, mangelnde Verifizierung) resultiert als aus der Technologie selbst.

Bedeutung und Behauptungen
Die Autoren behaupten, dass diese Ergebnisse eine Grundlage für die Entwicklung pathologiespezifischer KI-Werkzeuge bilden, die mit den tatsächlichen Lernschwierigkeiten übereinstimmen. Die Studie argumentiert, dass eine erfolgreiche Integration Folgendes erfordert:

Pathologiespezifisches Design: Werkzeuge müssen über allgemeine Chatbots hinausgehen und die Erkennung von Präparaten, die Erklärung von Mechanismen und den Abruf von Fällen anbieten.
Lehreraufsicht: Die KI sollte innerhalb einer Struktur funktionieren, in der Lehrkräfte Materialien kuratieren, Verifizierungsstandards definieren und Feedback interpretieren.
Verifizierung und Ethik: Angesichts der Bedenken hinsichtlich der Genauigkeit müssen KI-Outputs mit verifizierbaren Referenzen verknüpft sein, und die Datenverwaltung muss transparent sein, um Datenschutzbedenken zu adressen.
Vermeidung von Belastung: Die Implementierung sollte die kognitive und zeitliche Belastung reduzieren, anstatt zusätzliche administrative Aufgaben zu schaffen.

Die Arbeit kommt zu dem Schluss, dass medizinische Studierende zwar offen für KI sind, ihre Akzeptanz jedoch davon abhängt, dass das Werkzeug in der Lage ist, das menschliche Lehrelement zu verstärken, anstatt es zu ersetzen, insbesondere indem es den Übergang von der visuellen Erkennung zur klinischen Argumentation unterstützt. Die Autoren weisen auf Limitationen hin, wie die Stichprobe aus einer einzelnen Institution, selbstberichtete Daten und das Fehlen einer experimentellen Bewertung der Lernergebnisse, und plädieren für zukünftige multizentrische und longitudinale Studien zur Validierung dieser Ergebnisse.