📄 medicine

Are AI knowledge and educational expectations homogeneous across clinical training stages and intended specialties?

Une étude menée auprès d'étudiants en médecine français révèle qu'une connaissance adéquate de l'IA ne s'améliore pas passivement avec le stade de l'apprentissage clinique ou l'intérêt pour une spécialité, soulignant la nécessité d'une éducation explicite à l'IA intégrée dans les cursus de premier cycle de médecine.

Auteurs originaux : Vincent Garrouste, Frédéric Paris

Publié 2026-07-12

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Vincent Garrouste, Frédéric Paris

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 le parcours d'un étudiant en médecine comme un long niveau de jeu vidéo sinueux. Vous commencez dans les zones de début de partie (la 4ème année), vous faites le "grind" dans les niveaux intermédiaires (la 5ème année), et vous atteignez la zone du combat contre le boss (la 6ème année) avant de choisir votre classe de personnage finale (votre spécialité). Pendant longtemps, les joueurs ont supposé qu'en jouant simplement au jeu plus longtemps et en découvrant davantage de mondes, votre personnage deviendrait naturellement meilleur pour comprendre le code caché du jeu : l'Intelligence Artificielle (IA).

Mais cette étude, qui a interrogé 1 342 étudiants en médecine français, suggère que le jeu ne fonctionne pas de cette manière.

Le mythe du "Level Up"
Les chercheurs ont demandé aux étudiants de définir l'IA avec leurs propres mots. Ils ont constaté que, peu importe l'avancement dans le niveau, la capacité à expliquer l'IA ne s'améliorait guère.

En 4ème année, 37,6 % des étudiants ont donné une définition correcte.
En 5ème année, c'était 37,4 %.
En 6ème année, c'était 39,6 %.

Ces chiffres sont pratiquement des jumeaux. L'étude suggère que le simple fait de traîner à l'hôpital, de regarder les médecins travailler et d'acquérir de l'expérience clinique ne vous apprend pas par magie ce qu'est l'IA. C'est comme penser que jouer à un jeu de course pendant dix ans vous apprendra automatiquement à construire un moteur. L'expérience ne se transfère pas. Les auteurs soutiennent que si vous voulez que les étudiants comprennent l'IA, vous ne pouvez pas simplement attendre qu'ils la "prennent sur le tas" en vieillissant ; vous devez l'enseigner explicitement.

Le twist de la "Spécialité"
Maintenant, regardons les joueurs qui visent des classes de personnages spécifiques, comme la Radiologie, la Dermatologie ou la Cardiologie — des domaines qui reposent lourdement sur les images et les données (pensez à eux comme aux "zones riches en images" du jeu).

Vous pourriez deviner que ces étudiants, qui passent leurs journées à fixer des radiographies et des graphiques de données, seraient les experts en IA. Mais l'étude l'infirme également. Les étudiants intéressés par ces domaines riches en images avaient exactement le même niveau de connaissance en IA que tous les autres (37,7 % contre 37,9 %).

Cependant, ces étudiants se sentaient différents. C'étaient eux qui sonnaient l'alarme.

Ils ressentaient un besoin plus fort d'apprendre les bases de l'IA.
Ils étaient légèrement plus inquiets de ce que l'IA pourrait faire à leurs futurs emplois.
Ils voulaient apprendre le "jargon technique" pour parler aux ingénieurs et comprendre comment le code fonctionne réellement.

C'est comme si les joueurs visant les "zones d'images" réalisaient : "Hé, ce combat de boss va être différent, et j'ai besoin d'une meilleure stratégie", même s'ils ne connaissaient pas encore la stratégie.

Le verdict
L'article ne prétend pas avoir résolu le problème ou trouvé un remède miracle. Au lieu de cela, il suggère une nouvelle façon de concevoir le tutoriel du jeu.

Puisque l'expérience seule n'enseigne pas l'IA, les auteurs proposent un curriculum "hybride". Imaginez un atelier obligatoire pour les "Nouveaux Joueurs" que tout le monde suivrait pour apprendre les bases de l'IA, l'éthique et comment repérer un algorithme truqué. Ensuite, pour ceux qui se dirigent vers les zones riches en images, il y aurait des modules optionnels de "DLC Avancé" (Contenu Téléchargeable) qui plongeraient profondément dans les aspects techniques.

L'étude a mesuré cela auprès d'un groupe important d'étudiants et a constaté que, bien que leurs attitudes soient globalement similaires, leurs besoins étaient différents. La conclusion est claire : nous ne pouvons pas compter sur les étudiants pour apprendre l'IA simplement en grandissant à l'hôpital. Nous devons intégrer la salle de classe dans le jeu, sinon ils seront coincés à essayer de combattre le boss avec un bâton alors que le boss possède un fusil laser.

Résumé technique : Connaissances en IA et attentes éducatives selon les stades de formation clinique et les spécialités

Problématique
L'intelligence artificielle (IA) remodèle de plus en plus les soins de santé et l'enseignement médical, nécessissant que les futurs médecins possèdent des compétences en littératie des données, en évaluation critique des algorithmes et en application éthique. Cependant, les programmes de premier cycle de médecine actuels manquent d'un cadre largement adopté pour l'enseignement de l'IA, laissant planer l'incertitude quant à savoir si les connaissances en IA et les attentes éducatives évoluent naturellement au cours de la formation clinique ou varient selon la spécialité envisagée par l'étudiant. La littérature existante suggère un décalage entre l'enthousiasme des étudiants pour l'IA et leur compréhension conceptuelle réelle, mais il reste insuffisamment exploré si l'ancienneté clinique ou l'orientation de spécialité (plus précisément l'intérêt pour les domaines intensifs en imagerie ou en données) est corrélée à une meilleure connaissance de l'IA ou à des besoins éducatifs distincts.

Méthodologie
Cette étude est une analyse secondaire d'une enquête nationale transversale en ligne menée auprès d'étudiants en médecine français de quatrième à sixième année (DFASM1, DFASM2 et DFASM3), correspondant à la période de l'externat. L'échantillon analytique comprenait 1 342 étudiants.

Variables :
- Variables explicatives : Stade de la formation clinique (année d'étude) et orientation de la future spécialité préférée. L'orientation de spécialité a été catégorisée largement, avec un accent spécifique sur les « spécialités intensives en imagerie ou en données » (incluant la radiologie, la dermatologie, l'ophtalmologie, la pathologie, la médecine nucléaire, la cardiologie, la génétique et la santé publique).
- Critère de jugement principal : Connaissance conceptuelle de l'IA, évaluée via une définition libre de l'IA. Les définitions ont été catégorisées comme inconnues, incorrectes, partiellement correctes ou correctes. Une « connaissance adéquate de l'IA » a été définie par la fourniture d'une définition partiellement correcte ou correcte.
- Critères de jugement secondaires : Attitudes liées à l'IA (mesurées sur des échelles de 0 à 10 concernant l'optimisme, l'inquiétude, le besoin perçu de formation, etc.) et attentes éducatives (intégration curriculaire préférée, objectifs d'apprentissage et formats d'enseignement).
Analyse statistique : Les variables catégorielles ont été comparées à l'aide de tests du chi carré ou du test exact de Fisher ; les échelles d'évaluation numériques ont été analysées par des tests de Kruskal-Wallis. Des modèles de régression logistique et linéaire ont été employés pour explorer les associations, en ajustant selon l'âge, le classement de la classe et les aspirations de carrière. Les tailles d'effet ont été rapportées (V de Cramer et epsilon-carré), et une correction du taux de fausses découvertes a été appliquée pour les analyses exploratoires spécifiques aux spécialités.

Résultats clés

Connaissance de l'IA et ancienneté clinique : Il n'y avait aucune association significative entre le stade de la formation clinique et la connaissance de l'IA. La proportion d'étudiants fournissant une définition adéquate de l'IA est restée stable à travers toutes les années : 37,6 % en DFASM1, 37,4 % en DFASM2 et 39,6 % en DFASM3 ( $P=.82$ ). Les définitions incorrectes étaient la catégorie la plus fréquente dans tous les groupes (~56–58 %), tandis que les définitions correctes restaient rares (3,3 % – 6,1 %).
Attitudes et ancienneté : Les scores d'attitude étaient globalement similaires à travers les stades de formation. La seule différence statistiquement significative était une diminution négligeable de l'optimisme envers l'IA chez les étudiants en fin de cursus, avec une taille d'effet très faible.
Orientation de spécialité et connaissance : L'intérêt pour les spécialités intensives en imagerie ou en données n'était pas associé à une meilleure connaissance de l'IA. Le taux de connaissance adéquate était presque identique entre les étudiants intéressés par ces spécialités (37,7 %) et ceux ayant d'autres intérêts (37,9 %) ( $P=.93$ ).
Orientation de spécialité et attentes éducatives : Malgré des niveaux de connaissance similaires, les étudiants intéressés par les spécialités intensives en imagerie ou en données ont rapporté un besoin perçu de plus élevé pour apprendre les bases de l'IA (différence de moyenne ajustée +0,39 point) et une inquiétude légèrement plus élevée concernant le rôle de l'IA (différence de moyenne ajustée +0,30 point). Ce groupe a également montré une plus grande préférence pour des objectifs d'apprentissage avancés, tels que la compréhension des processus technologiques sous-jacents et la communication avec les ingénieurs, ainsi qu'un intérêt plus marqué pour la poursuite d'une formation de niveau Master ou Doctorat.

Signification et affirmations
Les auteurs concluent que la connaissance de l'IA ne s'améliore pas passivement au cours de la formation clinique ; la progression de la quatrième à la sixième année de médecine ne conduit pas intrinsèquement à une meilleure compréhension conceptuelle de l'IA. Par conséquent, s'appuyer uniquement sur l'exposition clinique est insuffisant pour développer des compétences en IA.

L'étude soutient la mise en œuvre d'un enseignement explicite de l'IA au sein des programmes de premier cycle de médecine. Les auteurs proposent un modèle éducatif hybride :

Un curriculum fondamental commun pour tous les étudiants, couvrant les concepts de base de l'IA, l'évaluation critique et les questions éthiques/réglementaires.
Des modules optionnels orientés par spécialité, adaptés aux étudiants des domaines intensifs en imagerie ou en données qui démontrent un besoin perçu plus élevé pour une compréhension technique avancée et des compétences de collaboration interdisciplinaire.

L'article souligne que, bien que les perceptions de l'IA par les étudiants puissent être influencées par leur contexte professionnel anticipé (intérêt pour une spécialité) plutôt que par leur exposition éducative, les programmes actuels ne parviennent pas à aligner l'offre éducative sur ces besoins perçus. Les conclusions plaident pour la conception de l'enseignement de l'IA comme une composante intentionnelle et structurée de l'enseignement supérieur professionnel, plutôt que de compter sur une exposition informelle ou autodidacte.

Résumé technique : Connaissances en IA et attentes éducatives selon les stades de formation clinique et les spécialités

Articles similaires