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

Resumen Técnico: Disposición Condicional para la Educación en Patología Asistida por IA

Planteamiento del Problema
Si bien la Inteligencia Artificial (IA) se está integrando cada vez más en la educación médica, la literatura existente se centra predominantemente en las actitudes generales, la conciencia o las intenciones de comportamiento de los estudiantes, en lugar de en las necesidades específicas dentro de cursos particulares. La patología presenta desafíos pedagógicos únicos, que requieren que los estudiantes integren la morfología microscópica, los mecanismos de la enfermedad y el razonamiento clinicopatológico. No está claro qué tareas específicas de aprendizaje de la patología consideran los estudiantes adecuadas para el apoyo de la IA y qué preocupaciones podrían limitar la aceptación de la enseñanza asistida por IA. Este estudio aborda la brecha en la comprensión de cómo los estudiantes de medicina esperan que la IA apoye el aprendizaje de la patología, investigando específicamente sus expectativas, preocupaciones y preferencias con respecto a la implementación guiada por el profesor frente a la liderada por la IA.

Metodología
El estudio empleó un diseño de encuesta transversal exploratoria realizado entre abril y mayo de 2026 en la Escuela de Medicina Xiangya, Universidad Central del Sur.

• Participantes: 100 estudiantes de medicina de pregrado que habían completado un curso de patología. La cohorte incluyó estudiantes de enfermería, medicina básica, medicina clínica, anestesiología, medicina preventiva y tecnología de laboratorio médico, con una mayoría (76%) en su segundo año.
• Instrumento: Un cuestionario anónimo que comprendía datos demográficos, satisfacción con la enseñanza actual, uso de IA autoinformado, 19 ítems de tipo Likert de cinco puntos, dos preguntas de respuesta múltiple y tres preguntas abiertas.
• Mediciones:
  • Puntuación de Disposición: Una escala de 10 ítems que mide el interés, la utilidad percibida, la intención de comportamiento y la demanda de aprendizaje apoyado por IA (Cronbach's $\alpha$ = 0.897).
  • Preocupaciones: Ítems que evalúan la ansiedad, la dependencia excesiva, la precisión, la privacidad de los datos y la aversión a las tareas obligatorias.
  • Preferencias: Ítems que evalúan la preferencia por modelos liderados por el profesor frente a modelos de reemplazo por IA.
• Análisis: Los datos se analizaron utilizando SPSS versión 26.0. Se realizaron estadísticas descriptivas, análisis de consistencia interna, pruebas t para muestras independientes (o pruebas de Welch) y análisis de correlación de Spearman. Las respuestas abiertas se analizaron mediante un enfoque temático descriptivo.

Resultos Clave

• Disposición y Aceptación: Los estudiantes demostraron una disposición alta pero condicional para el aprendizaje de la patología asistido por IA, con una puntuación media de disposición de 4.22 ± 0.62 (en una escala de 5 puntos).
  • Voluntad: El 92% estaba dispuesto a probar una plataforma de IA específica para patología recomendada por la escuela; el 90% estaba dispuesto a usar la IA para consultar estructuras desconocidas durante las sesiones de laboratorio; el 87% quería casos de patología simulados.
  • Preferencias: Hubo una fuerte preferencia por un modelo liderado por el profesor. El 93% estuvo de acuerdo en que los profesores deben explicar primero los conceptos, sirviendo la IA como una herramienta de práctica auxiliar. Solo el 17% estuvo de acuerdo en que la IA podría reemplazar la enseñanza tradicional.
• Funciones Esperadas: Los estudiantes priorizaron los cuellos de botella prácticos del aprendizaje sobre las interacciones generales con chatbots. Las funciones más deseadas fueron:
  1. Identificación de estructuras de laminillas microscópicas (91.0%).
  2. Explicación de mecanismos de la enfermedad (76.0%).
  3. Recuperación de imágenes de casos típicos (72.0%).
  4. Generación de ejercicios personalizados y esquemas de revisión (68.0%).
  5. Simulación de diálogo de diagnóstico clinicopatológico (51.0%).
• Preocupaciones: La disposición se vio atenuada por preocupaciones significativas:
  • Precisión: El 88% citó la inmadurez tecnológica y el riesgo de respuestas erróneas como una preocupación primaria.
  • Usabilidad: El 56% se preocupó por la complejidad operativa o las cargas de tiempo adicionales.
  • Privacidad: El 42% expresó preocupaciones con respecto a la seguridad de los datos y la recopilación inadecuada de datos.
  • Interacción: El 38% temía la reducción de la interacción profesor-estudiante.
• Correlaciones: La satisfacción con la enseñanza actual de la patología se correlacionó positivamente con la disposición a la IA ($\rho$ = 0.525, $p$ < 0.001) y con la preferencia por un modelo de IA liderado por el profesor ($\rho$ = 0.569, $p$ < 0.001). Los estudiantes varones fueron significativamente más propensos que las estudiantes para estar de acuerdo en que la IA podría reemplazar la enseñanza tradicional (2.65 vs. 1.99, $p$ = 0.036), aunque el acuerdo general siguió siendo bajo.

Contribuciones Clave

• Especificidad de las Necesidades: El estudio va más allá de las actitudes generales hacia la IA para identificar que los estudiantes de patología buscan el apoyo de la IA para transiciones cognitivas específicas: desde el reconocimiento de la estructura microscópica hasta la comprensión de los mecanismos y el razonamiento clinicopatológico.
• Disposición Condicional: Los hallazgos caracterizan la disposición de los estudiantes no como un entusiasmo incondicional, sino como "condicional", dependiente de la capacidad de la IA para proporcionar un apoyo verificable sin comprometer la supervisión del profesor o la privacidad de los datos.
• Modelo Pedagógico: La investigación respalda un modelo de "guía del profesor, asistencia de la IA" sobre una narrativa de "reemplazo por IA". Los estudiantes ven la IA como una herramienta para la práctica, la retroalimentación y la revisión, en lugar de un sustituto de la lógica clínica o la explicación del profesor.
• Perspectivas de Implementación: El estudio destaca que la resistencia a la IA puede derivar del diseño de la implementación (por ejemplo, horas obligatorias de plataforma, falta de verificación) en lugar de la tecnología en sí misma.

Significancia y Reivindicaciones
Los autores afirman que estos hallazgos proporcionan una base para desarrollar herramientas de IA específicas para la patología que se alineen con las dificultades reales de aprendizaje. El estudio sostiene que una integración exitosa requiere:

1. Diseño Específico de Patología: Las herramientas deben ir más allá de los chatbots generales para ofrecer reconocimiento de laminillas, explicación de mecanismos y recuperación de casos.
2. Supervisión del Profesor: La IA debe funcionar dentro de una estructura donde los profesores seleccionen los materiales, definan los estándares de verificación e interpreten la retroalimentación.
3. Verificación y Ética: Dada la preocupación por la precisión, los resultados de la IA deben estar vinculados a referencias verificables, y la gobernanza de datos debe ser transparente para abordar las preocupaciones de privacidad.
4. Evitar la Carga: La implementación debe reducir las cargas cognitivas y de tiempo en lugar de añadir tareas administrativas obligatorias.

El artículo concluye que, si bien los estudiantes de medicina están abiertos a la IA, su aceptación depende de la capacidad de la herramienta para mejorar, en lugar de reemplazar, el elemento de enseñanza humana, específicamente al apoyar la transición del reconocimiento visual al razonamiento clínico. Los autores señalan las limitaciones relacionadas con la muestra de una sola institución, los datos autoinformados y la falta de una evaluación experimental de los resultados del aprendizaje, llamando a futuros estudios multicéntricos y longitudinales para validar estos hallazgos.