Ten recommendations for the use of generative artificial intelligence into epidemiology teaching: Results from an expert workshop
继2026年专家研讨会之后，本文提出了十项基于证据的建议，这些建议分为治理、能力和反馈三个领域，旨在指导流行病学讲师在负责任地将生成式人工智能整合进教学的同时，保留核心科学技能并应对伦理关切。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在流行病学（即研究疾病如何传播以及如何保持人群健康性的领域）的研究中，核心工作一直依赖于人类的判断。专家必须观察数据、发现模式，并决定这些模式对公共卫生的意义。这需要对因果关系的深刻理解、发现信息收集错误的能力，以及清晰解释复杂研究结果的技巧。几十年来，教授这些技能意味着引导学生进行自主思考的艰苦过程，确保他们在尝试解决问题之前能够建立坚实的知识基础。现在，一种能够编写文本、分析数字并几乎瞬间生成答案的新型技术已经到来。这种被称为生成式人工智能的技术提供了强大的工具来辅助学习，但也带来了隐藏的危险。如果学生过早或过于轻易地使用这些工具，他们可能会跳过思考的艰苦过程，导致在没有技术辅助时无法独立解决问题。当今教师面临的问题不是是否使用这些工具，而是如何在不丧失使专家成为专家的核心技能的前提下使用它们。
一群来自德国、挪威和奥地利的大学及研究机构的专家聚集在一起，试图回答这个问题。他们在为期三天的研讨会上进行了讨论，旨在制定一套在人工智能时代教授流行病学的规则。这十项建议旨在帮助讲师在利用新技术带来的益处与保持学生思维敏锐度和能力的需求之间取得平衡。该小组包括经验丰富的教师、学生和人工智能专家，他们认为目标不是禁止这些工具，而是谨慎地整合它们，使学生在掌握专业领域基础知识的同时，学会负责任地使用这些工具。
专家们建议的第一步也是最重要的一步是设定明确的规则。每门课程都需要一份书面政策，明确告知学生可以使用和不可以使用人工智能的行为准则。这包括关于可以将哪些类型的数据与这些工具共享的规定，因为某些信息是私密的且必须受到保护。规则还必须解释学生应如何承认自己使用了该技术，就像科学家必须承认其使用了某种特定方法来获得结果一样。如果学生使用该工具来检查语法或寻求理解某个困难概念的帮助，他们应当说明。如果他们使用它来撰写整篇作业，通常是被禁止的。教师本身也必须遵守这些同样的规则，向学生展示如何诚实且透明地使用技术。
除了设定规则外，专家们强调教师必须保持知识更新。技术变化如此之快，以至于去年还在学习相关知识的教师可能今年就已经落后了。讲师需要接受定期培训，以了解这些工具是如何运作的、它们的局限性在哪里，以及如何以有助于学生学习而非取代学习过程的方式来使用它们。这种培训不仅应涵盖如何在电脑中输入问题，还应涵盖如何判断电脑给出的答案是否正确。教师还必须学会如何察觉学生是否过度依赖机器，研究人员将这种现象称为“从未习得技能”（never-skilling），即由于机器完成了工作，学生从未真正掌握该项技能。
为了防止这种情况，专家建议学生必须首先在没有任何人工智能帮助的情况下学习基础知识。在被允许使用工具编写代码或分析数据之前，他们必须能够通过手工或使用标准软件来完成这些工作。他们需要理解如何计算风险、如何发现研究中的缺陷以及如何独立解读结果。只有在建立了这种基础之后，才应允许他们使用这些工具来检查自己的工作、完善写作或探索新的想法。这确保了技术扮演的是助手的角色，而非拐杖。如果一名学生无法解释为什么在分析中做出了某种决策，那么即使最终答案看起来是正确的，他也并未真正掌握材料。
在测试学生所学知识方面，专家们警告说，传统的考核方式（如带回家完成的论文）已不再足够，因为学生可以直接要求电脑撰写论文。相反，教师应该使用不同的方式来测试学生，例如口试、现场演示或在不允许使用人工智能的监督写作环节中进行。这些方法迫使学生实时展示他们的思考过程并解释其推理逻辑。专家还建议不要使用声称可以检测学生是否使用了人工智能的软件。这些检测工具通常并不可靠，可能会出错，从而不公平地惩罚那些并未违反学术诚信的学生。依靠明确的规则、诚实的披露和人类的判断力来确保公平，才是更好的做法。
这些建议还强调了教导学生如何有效地与计算机沟通的重要性。这被称为“提示词工程”（prompt engineering），简单来说就是通过提出正确的问题来获得最佳答案的技巧。一个提出模糊问题的学生会得到模糊的答案，而一个能提出具体、结构良好的问题的学生则可以获得好得多的结果。教师应当引导学生掌握这项技能，展示如何将复杂问题分解为较小的步骤，以及如何验证计算机提供的信息。这包括检查事实、寻找错误，并确保计算机没有捏造不存在的来源或数据。
最后，专家们敦促教师彼此分享所学。由于这是一个新兴领域，目前还没有人掌握所有答案。教师应当尝试不同的方法，看看哪些有效，哪些无效，然后向同事们传达这些经验。这可能意味着分享一份行之有效的教学计划，或者承认某种工具带来的问题多于其解决的问题。通过协作并从彼此的经验中学习，整个流行病学领域可以适应这项新技术，从而让学生在未来保持安全、专业且具备能力。最终目标是培养出既能使用这些强大工具开展更出色工作，又具备批判性思维能力，能够判断何时信任机器、何时信任自身判断力的流行病学家。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。