A cognitive–motivational perspective on AI-assisted pre-clerkship preparation: a theory- informed cross-sectional study

तकनीकी सारांश: AI-सहायता प्राप्त प्री-क्लर्कशिप तैयारी पर एक संज्ञानात्मक-प्रेरणात्मक दृष्टिकोण

समस्या विवरण
चिकित्सा शिक्षा को सैद्धांतिक ज्ञान प्राप्ति और अनुभवात्मक नैदानिक अभ्यास के बीच एक महत्वपूर्ण संक्रमण अंतराल (transition gap) का सामना करना पड़ता है, विशेष रूप से प्रसूति एवं स्त्री रोग (obstetrics and gynecology) जैसे विशिष्ट क्षेत्रों में। छात्र क्लर्कशिप के दौरान संरचनात्मक बाधाओं का सामना करते हैं, जिनमें गोपनीयता संबंधी चिंताओं के कारण प्रतिबंधित रोगी पहुंच, सीमित व्यावहारिक परीक्षण अवसर और नैदानिक मामलों के प्रदर्शन में परिवर्तनशीलता शामिल है। ये कारक अक्सर अपर्याप्त तैयारी और एक "प्री-क्लर्कल संज्ञानात्मक स्कैफोल्डिंग गैप" (pre-clinical cognitive scaffolding gap) की ओर ले जाते हैं, जहाँ शिक्षार्थियों के पास वास्तविक नैदानिक संदर्भों में संलग्न होने से पहले ज्ञान को व्यवस्थित और सक्रिय करने के लिए संरचित तंत्र की कमी होती है। यद्यपि आर्टिफिशियल इंटेलिजेंस (AI), विशेष रूप से लार्ज लैंग्वेज मॉडल्स (LLMs), इंटरैक्टिव और अनुकूलन योग्य शिक्षण के लिए क्षमता प्रदान करते हैं, लेकिन नैदानिक जोखिम से पहले के विशिष्ट तैयारी चरण में उनकी भूमिका अभी भी अनुकूलित (under-optimized) है और अंतर्निहित शिक्षण तंत्रों तथा शिक्षार्थी स्वीकृति के संबंध में अपर्याप्त रूप से समझी गई है।

कार्यप्रणाली
अध्ययन ने चिकित्सा छात्रों द्वारा AI-सहायता प्राप्त प्री-क्लर्कशिप तैयारी मॉडल की स्वीकृति की जांच करने के लिए एक सिद्धांत-आधारित क्रॉस-सेक्शनल डिजाइन का उपयोग किया।

• प्रतिभागी: फरवरी और अप्रैल 2026 के बीच हांग्जो सिटी यूनिवर्सिटी (चीन) के 176 स्नातक चिकित्सा छात्रों का सर्वेक्षण किया गया, जो उनकी प्रसूति एवं स्त्री रोग क्लर्कशिप से पूर्व था। प्रभावी प्रतिक्रिया दर 91.7% (192 एकत्र किए गए में से 176 वैध प्रतिक्रियाएं) थी।
• उपकरण: मेडिकल एजुकेशन के साहित्य और टेक्नोलॉजी एक्सेप्टेंस मॉडल (TAM) के आधार पर एक 32-आइटम प्रश्नावली विकसित की गई। इसने जनसांख्यिकीय विशेषताओं, डिजिटल साक्षरता, क्लर्कशिप अपेक्षाओं, कथित उपयोगिता (5 आइटम) और व्यवहारिक इरादे (भागीदारी की इच्छा) तथा कार्यान्वयन प्राथमिकताओं का मूल्यांकन किया।
• सैद्धांतिक ढांचा: अध्ययन TAM द्वारा निर्देशित था, जो यह मानता है कि कथित उपयोगिता (perceived usefulness) व्यवहारिक इरादे का प्राथमिक निर्धारक है। कथित उपयोगिता को एक संयुक्त स्कोर (5 आइटम का माध्य) के रूप में संचालित किया गया था, और व्यवहारिक इरादे को सक्रिय रूप से भाग लेने की इच्छा का आकलन करने वाले एकल आइटम के माध्यम से मापा गया था।
• विश्लेषण: सांख्यिकीय विश्लेषण में वर्णनात्मक सांख्यिकी, पियर्सन/स्पियरमैन सहसंबंध विश्लेषण और मल्टीवेरिएबल मॉडल में स्वतंत्र भविष्यवक्ताओं की पहचान करने के लिए SPSS संस्करण 26.0 का उपयोग करके मल्टीपल लीनियर रिग्रेशन शामिल था। यूनिवेरिएट विश्लेषण में महत्वपूर्ण वेरिएबल्स ($P < 0.10$) को मल्टीवेरिएबल मॉडल में डाला गया था।

मुख्य परिणाम

• स्वीकृति स्तर: छात्रों ने AI-सहायता प्राप्त तैयारी के प्रति मध्यम-से-उच्च स्वीकृति प्रदर्शित की, जिसका औसत इच्छा स्कोर $3.73 \pm 0.70$ था। लगभग 63.0% ने ऐसी गतिविधियों में भाग लेने की इच्छा व्यक्त की।
• जुड़ाव के भविष्यवक्ता: यूनिवेरिएट विश्लेषणों में, कथित उपयोगिता, शैक्षणिक प्रदर्शन और डिजिटल साक्षरता ने व्यवहारिक इरादे के साथ संबंध दिखाया। हालांकि, मल्टीवेरिएबल रिग्रेशन विश्लेषण में, कथित उपयोगिता एकमात्र महत्वपूर्ण स्वतंत्र भविष्यवक्ता के रूप में उभरी ($\beta = 0.866, P < 0.001$)।
• व्याख्या की गई भिन्नता: मॉडल ने व्यवहारिक इरादे की भिन्नता का 71.8% हिस्सा समझाया ($Adjusted\ R^2 = 0.718$)।
• गैर-महत्वपूर्ण कारक: समायोजन के बाद, स्व-रेटेड शैक्षणिक प्रदर्शन, सैद्धांतिक पाठ्यक्रम ग्रेड, डिजिटल साक्षरता आत्मविश्वास, मेडिकल डेटाबेस की परिचितता और करियर इरादा जैसे चर व्यवहारिक इरादे से स्वतंत्र रूप से जुड़े नहीं थे। यह सुझाव देता है कि उनका प्रभाव कथित उपयोगिता के माध्यम से मध्यस्थ (mediated) हो सकता है।
• कार्यान्वयन प्राथमिकताएं: छात्रों ने संक्षिप्त, संरचित प्रारूपों को प्राथमिकता दी। प्रमुख प्राथमिकताओं में शामिल थे:
  • समय: क्लर्कशिप से 2-3 दिन पहले (34.1%)।
  • सामग्री: स्पष्ट शिक्षण उद्देश्य (50%) और मार्गदर्शक प्रश्नों के साथ रोग सूचियाँ (35.3%) को वर्चुअल पेशेंट केसों की तुलना में प्राथमिकता दी गई।
  • प्रारूप: लिखित सारांश (33.6%) और कॉन्सेप्ट मैप्स (25.8%)।
  • अवधि: दक्षता के प्रति प्रबल प्राथमिकता, जिसमें 69.9% ने 30 मिनट के भीतर पूर्ण होने वाले कार्यों का समर्थन किया।

महत्व और दावे
यह शोध एक सरलीकृत टेक्नोलॉजी एक्सेप्टेंस मॉडल का समर्थन करने का दावा करता है जहाँ कथित उपयोगिता प्राथमिक चालक है, जो डिजिटल साक्षरता या पूर्व शैक्षणिक प्रदर्शन जैसे व्यक्तिगत अंतरों से अधिक प्रभावी है।

लेखकों का तर्क है कि ये निष्कर्ष इस धारणा को चुनौती देते हैं कि तकनीकी दक्षता चिकित्सा शिक्षा में AI अपनाने में प्राथमिक बाधा है। इसके बजाय, वे एक मूल्य-संचालित अंगीकरण तंत्र (value-driven adoption mechanism) का प्रस्ताव करते हैं: छात्र उन AI उपकरणों के साथ जुड़ते हैं जब वे नैदानिक शिक्षण और प्रदर्शन के प्रति स्पष्ट प्रासंगिकता देखते हैं। अध्ययन का सुझाव है कि AI-सहायता प्राप्त तैयारी प्री-क्लिनिकल संज्ञानात्मक स्कैफोल्डिंग गैप को संबोधित कर सकती है, जो संरचित, संज्ञानात्मक रूप से सहायक शिक्षण अनुभव प्रदान करती है जो छात्रों को क्लिनिक में प्रवेश करने से पहले ज्ञान को व्यवस्थित करने और संज्ञानात्मक भार (cognitive load) को कम करने में मदद करती है।

लेखक निष्कर्ष निकालते हैं कि शैक्षिक कार्यान्वयन को तकनीकी जटिलता के बजाय सार्थक शिक्षण मूल्य और नैदानिक प्रासंगिकता को प्राथमिकता देनी चाहिए। वे तर्क देते हैं कि AI को नैदानिक शिक्षण के विकल्प के रूप में नहीं, बल्कि एक तैयारी स्कैफोल्ड के रूप में देखा जाना चाहिए जो व्यवहारिक जुड़ाव को बढ़ाता है, जिससे संभावित रूप से नैदानिक तत्परता (clinical readiness) में सुधार होता है।

सीमाएं
लेखक कई सीमाओं को स्वीकार करते हैं: एकल-संस्थान डिजाइन सामान्यीकरण को सीमित करता है; स्व-रिपोर्ट किए गए उपायों का उपयोग प्रतिक्रिया पूर्वाग्रह (response bias) पेश कर सकता है; व्यवहारिक इरादे को एक एकल आइटम के माध्यम से मापा गया था; और अध्ययन ने वास्तविक उपयोग या डाउनस्ट्रीम लर्निंग परिणामों के बजाय अनुमानित जुड़ाव का आकलन किया। भविष्य के अनुसंधान में वास्तविक नैदानिक प्रदर्शन या सीखने के परिणामों पर प्रभाव का मूल्यांकन करने के लिए अनुदैर्ध्य (longitudinal) और प्रयोगात्मक डिजाइनों का उपयोग करने की सिफारिश की जाती है।