📄 medicine

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

Une enquête transversale menée auprès de 100 étudiants en médecine de la Xiangya School of Medicine révèle une préparation élevée mais conditionnelle à l'enseignement de la pathologie assisté par l'IA, caractérisée par de fortes préférences pour des outils pratiques et spécifiques à la pathologie, tels que l'identification de lames et la simulation de cas, parallèlement à des préoccupations significatives concernant l'exactitude et la préservation de l'interaction enseignant-étudiant.

Auteurs originaux : Bingjie Lian, Zhou Jin, Yuhan Chen, Luqing Zhao

Publié 2026-07-06

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Bingjie Lian, Zhou Jin, Yuhan Chen, Luqing Zhao

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez la faculté de médecine comme une immense bibliothèque où des étudiants tentent d'apprendre une nouvelle langue : la langue de la maladie. Dans la discipline de la Pathologie, cette langue est écrite en de minuscules images de cellules et de tissus observées au microscope. C'est un domaine notoirement difficile car les étudiants doivent mémoriser l'apparence des choses, comprendre pourquoi elles sont ainsi, et déterminer ce que cela signifie pour un patient.

Ce document est comme une enquête demandant à un groupe d'étudiants en médecine : "Si nous vous donnions un assistant numérique super intelligent (Intelligence Artificielle) pour vous aider à étudier cette matière difficile, que voudriez-vous qu'il fasse, et qu'est-ce qui vous rendrait nerveux ?"

Voici la répartition de ce que les étudiants ont dit, en utilisant des analogies simples :

1. Les étudiants sont prêts, mais ils ont des conditions

Considérez l'attitude des étudiants face à l'IA comme celle d'un conducteur enthousiaste à l'idée d'essayer une nouvelle voiture technologique, mais seulement si la voiture possède une ceinture de sécurité et un conducteur de secours.

La bonne nouvelle : Les étudiants sont très ouverts à l'utilisation de l'IA. Ils ont obtenu des scores élevés sur une « échelle de préparation ». Ils voient l'IA comme un outil qui pourrait rendre l'étude moins ennuyeuse et moins axée sur la mémorisation par cœur (comme mémoriser un annuaire par cœur).
Le bémol : Ils ne veulent pas que l'IA conduise la voiture seule. Ils veulent une approche guidée par l'enseignant. Ils pensent que l'IA doit être le « copilote » ou le « partenaire d'étude », et non le remplaçant du professeur.

2. Ce qu'ils veulent que l'IA fasse (Les « Superpouvoirs »)

Les étudiants ne voulaient pas d'un chatbot générique capable de parler de n'importe quoi. Ils voulaient un outil spécialisé pour la pathologie. Leurs principales demandes étaient :

La « Lampe de poche » : Ils veulent que l'IA les aide à repérer des structures spécifiques dans les lames microscopiques. Imaginez que vous regardez une pièce sombre ; l'IA est une lampe de poche qui met en lumière les meubles importants pour que vous ne les manquiez pas.
Le « Traducteur » : Ils veulent que l'IA explique pourquoi une maladie survient (le mécanisme), en transformant le jargon médical complexe en un langage simple et clair.
Le « Coach personnel » : Ils veulent que l'IA crée des quiz d'entraînement personnalisés et des guides d'étude basés sur les points spécifiques qu'ils ont ratés, plutôt que de leur donner les mêmes devoirs génériques que tout le monde.
Le « Partenaire de répétition » : Ils veulent s'entraîner à diagnostiquer de faux cas de patients avec l'IA pour simuler des conversations réelles entre médecin et patient.

3. Ce qui les inquiète (Les « Dos d'âne »)

Même s'ils sont enthousiastes, ils ont quatre craintes, comme un voyageur inquiet face à un nouveau vol :

La peur de l'« Hallucination » (88 %) : Ils sont terrifiés à l'idée que l'IA donne des réponses fausses mais présentées avec assurance. En médecine, un fait erroné peut être dangereux. Ils veulent que l'IA admette quand elle n'est pas sûre et leur dise de vérifier auprès d'un manuel ou d'un professeur.
La peur du « Cerveau paresseux » (50 %) : Ils craignent que si l'IA fait tout le travail de réflexion, ils cesseront de réfléchir par eux-mêmes. Ils ne veulent pas devenir dépendants de l'outil au point d'oublier comment résoudre des problèmes de manière autonome.
La peur de la « Vie privée » (42 %) : Ils sont préoccupés par le fait que leurs données d'apprentissage personnelles puissent être volées ou mal utilisées. Ils veulent savoir qui observe leurs habitudes d'étude.
La peur de l'« Ennui » (56 %) : Ils ne veulent pas que l'IA soit compliquée ou qu'elle ajoute des heures de travail obligatoire supplémentaires à leurs emplois du temps déjà chargés.

4. La règle d'or : Les enseignants restent aux commandes

La conclusion la plus importante est que les étudiants ne veulent pas que l'IA remplace leurs professeurs.

Ils pensent que l'IA ne peut pas remplacer la capacité d'un enseignant à expliquer la « logique » derrière une maladie.
Ils préfèrent un modèle où l'enseignant explique d'abord le concept, puis l'étudiant utilise l'IA pour s'exercer et obtenir des commentaires.
Curieusement, les étudiants qui étaient déjà satisfaits de leurs professeurs actuels étaient plus enclins à vouloir l'IA comme aide. Ils ne voyaient pas l'IA comme une solution à un mauvais enseignement, mais comme un moyen de rendre un bon enseignement encore meilleur.

5. Une petite différence entre hommes et femmes

L'étude a trouvé une légère différence de genre : les étudiants masculins étaient légèrement plus susceptibles de penser que l'IA pourrait éventuellement remplacer l'enseignement traditionnel par rapport aux étudiantes. Cependant, le document note qu'il s'agit d'un résultat mineur qui ne doit pas être surinterprété.

L'essentiel

Le document conclut que les étudiants en médecine sont prêts à utiliser l'IA dans leurs cours de pathologie, mais seulement si elle est conçue avec soin.

Ils veulent un outil qui :

Soit spécifique à leur sujet (la pathologie), et non un chatbot généraliste.
Soit supervisé par un enseignant humain.
Soit précis et admette lorsqu'il pourrait se tromper.
Protège leur vie privée.
Les aide à apprendre à réfléchir, plutôt que de simplement donner les réponses.

En bref, les étudiants disent : « Donnez-nous l'IA, mais laissez le professeur aux commandes. »

Résumé Technique : Préparation Conditionnelle pour l'Enseignement de la Pathologie Assisté par l'IA

Énoncé du Problème
Bien que l'Intelligence Artificielle (IA) soit de plus en plus intégrée dans l'enseignement médical, la littérature existante se concentre principalement sur les attitudes générales, la sensibilisation ou les intentions comportementales des étudiants, plutôt que sur les besoins spécifiques au sein de cours particuliers. La pathologie présente des défis pédagogiques uniques, exigeant des étudiants qu'ils intègrent la morphologie microscopique, les mécanismes de la maladie et le raisonnement clinicopathologique. Il reste difficile de déterminer quelles tâches d'apprentissage spécifiques en pathologie les étudiants jugent appropriées pour un soutien par l'IA et quelles préoccupations pourraient limiter l'acceptation de l'enseignement assisté par l'IA. Cette étude comble la lacune de la compréhension de la manière dont les étudiants en médecine attendent que l'IA soutienne l'apprentissage de la pathologie, en investiguant spécifiquement leurs attentes, leurs préoccupations et leurs préférences concernant une mise en œuvre guidée par l'enseignant par rapport à une mise en œuvre dirigée par l'IA.

Méthodologie
L'étude a utilisé un plan de sondage transversal exploratoire mené entre avril et mai 2026 à la Xiangya School of Medicine, Central South University.

Participants : 100 étudiants de premier cycle en médecine ayant terminé un cours de pathologie. La cohorte comprenait des étudiants en soins infirmiers, en médecine fondamentale, en médecine clinique, en anesthésiologie, en médecine préventive et en technologie de laboratoire médical, la majorité (76 %) étant en deuxième année.
Instrument : Un questionnaire anonyme comprenant des données démographiques, la satisfaction vis-à-vis de l'enseignement actuel, l'utilisation auto-déclarée de l'IA, 19 items de type Likert à cinq points, deux questions à réponses multiples et trois questions ouvertes.
Mesures :
- Score de préparation (Readiness Score) : Une échelle de 10 items mesurant l'intérêt, la perception de l'utilité, l'intention comportementale et la demande pour un apprentissage soutenu par l'IA (Cronbach's $\alpha$ = 0,897).
- Préoccupations : Des items évaluant l'anxiété, la dépendance excessive, l'exactitude, la confidentialité des données et l'aversion pour les tâches obligatoires.
- Préférences : Des items évaluant la préférence pour les modèles dirigés par l'enseignant par rapport aux modèles de remplacement par l'IA.
Analyse : Les données ont été analysées à l'aide de SPSS version 26.0. Des statistiques descriptives, une analyse de la cohérence interne, des tests t pour échantillons indépendants (ou tests de Welch) et une analyse de corrélation de Spearman ont été effectués. Les réponses ouvertes ont été analysées selon une approche thématique descriptive.

Résultats Clés

Préparation et Acceptation : Les étudiants ont démontré une préparation élevée mais conditionnelle pour l'apprentissage de la pathologie assisté par l'IA, avec un score de préparation moyen de 4,22 ± 0,62 (sur une échelle de 5).
- Volonté : 92 % étaient prêts à essayer une plateforme d'IA spécifique à la pathologie recommandée par l'école ; 90 % étaient prêts à utiliser l'IA pour interroger des structures inconnues lors des séances de laboratoire ; 87 % souhaitaient des cas de pathologie simulés.
- Préférences : Il y avait une forte préférence pour un modèle dirigé par l'enseignant. 93 % étaient d'accord pour que les enseignants expliquent d'abord les concepts, l'IA servant d'outil de pratique auxiliaire. Seuls 17 % étaient d'accord sur le fait que l'IA puisse remplacer l'enseignement traditionnel.
Fonctions Attendues : Les étudiants ont privilégié les blocages d'apprentissage pratiques plutôt que les interactions générales avec des chatbots. Les fonctions les plus désirées étaient :
1. Identifier les structures de lames microscopiques (91,0 %).
2. Expliquer les mécanismes des maladies (76,0 %).
3. Récupérer des images de cas typiques (72,0 %).
4. Générer des exercices personnalisés et des plans de révision (68,0 %).
5. Simuler un dialogue de diagnostic clinicopathologique (51,0 %).
Préoccupations : La préparation était tempérée par des préoccupations significatives :
- Exactitude : 88 % ont cité l'immaturité technologique et le risque de réponses erronées comme une préoccupation primaire.
- Utilisabilité : 56 % s'inquiétaient de la complexité opérationnelle ou des charges de temps supplémentaires.
- Confidentialité : 42 % ont exprimé des inquiétudes concernant la sécurité des données et la collecte inappropriée de données.
- Interaction : 38 % craignaient une réduction de l'interaction enseignant-étudiant.
Corrélations : La satisfaction vis-à-vis de l'enseignement actuel de la pathologie était positivement corrélée avec la préparation à l'IA ( $\rho$ = 0,525, $p$ < 0,001) et la préférence pour un modèle d'IA dirigé par l'enseignant ( $\rho$ = 0,569, $p$ < 0,001). Les étudiants masculins étaient significativement plus susceptibles que les étudiantes féminines d'être d'accord sur le fait que l'IA pourrait remplacer l'enseignement traditionnel (2,65 contre 1,99, $p$ = 0,036), bien que l'accord global soit resté faible.

Principales Contributions

Spécificité des Besoins : L'étude dépasse les attitudes générales envers l'IA pour identifier que les étudiants en pathologie recherchent un soutien de l'IA pour des transitions cognitives spécifiques : de la reconnaissance des structures microscopiques à la compréhension des mécanismes et au raisonnement clinicopathologique.
Préparation Conditionnelle : Les résultats caractérisent la préparation des étudiants non pas comme un enthousiasme inconditionnel, mais comme une préparation « conditionnelle », dépendant de la capacité de l'IA à fournir un soutien vérifiable sans compromettre la supervision de l'enseignant ou la confidentialité des données.
Modèle Pédagogique : La recherche soutient un modèle « guidé par l'enseignant, assisté par l'IA » plutôt qu'un récit de « remplacement par l'IA ». Les étudiants voient l'IA comme un outil de pratique, de feedback et de révision, plutôt que comme un substitut à la logique clinique ou à l'explication de l'enseignant.
Perspectives de Mise en Œuvre : L'étude souligne que la résistance à l'IA peut provenir de la conception de la mise en œuvre (par exemple, les heures de plateforme obligatoires, le manque de vérification) plutôt que de la technologie elle-même.

Signification et Revendications
Les auteurs affirment que ces résultats fournissent une base pour le développement d'outils d'IA spécifiques à la pathologie qui s'alignent sur les véritables difficultés d'apprentissage. L'étude soutient qu'une intégration réussie nécessite :

Conception Spécifique à la Pathologie : Les outils doivent aller au-delà des chatbots généraux pour offrir la reconnaissance de lames, l'explication des mécanismes et la récupération de cas.
Supervision de l'Enseignant : L'IA doit fonctionner dans une structure où les enseignants sélectionnent le matériel, définissent les normes de vérification et interprètent les retours.
Vérification et Éthique : Étant donné les préoccupations concernant l'exactitude, les sorties de l'IA doivent être liées à des références vérifiables, et la gouvernance des données doit être transparente pour répondre aux préoccupations de confidentialité.
Éviter la Charge : La mise en œuvre doit réduire les charges cognitives et temporelles plutôt que d'ajouter des tâches administratives obligatoires.

L'article conclut que bien que les étudiants en médecine soient ouverts à l'IA, leur acceptation est subordonnée à la capacité de l'outil à améliorer, plutôt qu'à remplacer, l'élément d'enseignement humain, spécifiquement en soutenant la transition de la reconnaissance visuelle vers le raisonnement clinique. Les auteurs notent les limites concernant l'échantillon d'une seule institution, les données auto-déclarées et l'absence d'évaluation expérimentale des résultats d'apprentissage, appelant à des études longitudinales et multicentriques futures pour valider ces résultats.