Design and Feasibility of a Large Language Model-Based Teaching Pathway for Clinical Pharmacy Practice Competencies
本研究表明，利用结构化提示框架（SPADE 和 RTF）的基于大语言模型（LLM）的教学路径能够有效地模拟真实的临床药学查房对话，并提供与专家判断高度相关的形成性反馈，尽管在响应稳定性及系统性评分低估方面存在微小局限性，但其为传统培训提供了一种可扩展且低成本的替代方案。
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
在医疗领域，学习如何与患者沟通与掌握开什么药同样至关重要。对于临床药学专业的新手来说，掌握这些对话的路径往往被一个简单的现实所阻碍：缺乏足够的真实患者可供练习，而能够指导他们的专家也因为太忙而无法观察每一次互动。传统上，学校使用“标准化病人”——即经过培训、通过扮演患有特定症状的病人来模拟病情的演员——来创造安全的实践环境。虽然这种方法很有效，但聘请这些演员成本高昂，难以安排时间，而且在变得疲劳或表现不一致之前，他们只能重复有限次数的剧本。
为了解决这个问题，研究人员开始转向人工智能，特别是被称为“大语言模型”的一种计算机程序。这些模型经过海量文本训练，能够生成类似人类的响应，使其成为创建永不疲倦的虚拟患者的潜在候选者。然而，早期在医学领域应用这项技术的尝试往往会导致僵硬、机械的对话，感觉不自然，或者无法提供有用的反馈。挑战在于，不仅要教这些计算机程序如何说话，还要教它们如何像一个拥有病史的真实人类一样行动，同时还要教它们如何公平地评定学生的表现。
南京医科大学附属肿瘤医院的一个研究小组致力于构建并测试一种利用这项技术培训药师的新方法。他们想看看是否可以创建一个虚拟教学系统，使其既足够真实以发挥作用，又足够聪明，能够在没有人类教师在场的情况下给出准确的反馈。他们将重点放在了肿瘤学（即癌症护理）领域，这是一个药物管理复杂且失误可能导致危险的领域。该团队创建了三个特定的场景，涉及不同类型的癌症和化疗方案。随后，他们邀请了包括初级药师和研究生在内的21名受训者，通过与一个由开源人工智能模型驱动的虚拟患者进行对话来练习技能。
研究人员在设计该系统时有两个主要目标：首先，要让虚拟患者听起来并表现得像个真人；其次，要让计算机自动为受训者的表现评分。为了实现第一个目标，他们使用了一套结构化的指令集（称为“提示词”），告诉计算机具体该如何表现。计算机被指示要保持患者的角色身份，自然地回答问题，并且仅在被问及或在符合真实人类会主动告知的情况下才分享医疗细节。为了实现第二个目标，他们给计算机另一套指令，让其充当考官，通过审查对话文本来查看受训者是否提出了正确的问题并收集了必要的信息。
研究开始时，结果非常令人振奋。虚拟患者的表现极其逼真。评审对话的专家对计算机模拟人类说话的能力给出了极高的评价，指出其言语自然，没有机械化的生硬感。受训者也表示赞同，报告称他们在与虚拟患者互动时感到比面对人类演员时更轻松、压力更小。他们很欣赏虚拟患者提供了一个安全的练习空间，让他们无需担心受到评判，从而能够全身心地投入到对话中。该系统成功模拟了真实医院查房的流程，从采集病史到为患者提供用药指导并回答其问题。
计算机也被证明能够为受训者评分。当研究人员将人工智能给出的分数与人类专家小组给出的分数进行比较时，他们发现两者具有高度的一致性。计算机和人类通常会对受训者的排名保持一致，能够识别出谁表现出色，以及谁需要更多练习。然而，研究也揭示了计算机评分逻辑中的一个特定缺陷。人工智能给出的分数往往比人类专家低，在标准量表上的差距约为2.5分。
造成这一差距的原因在于计算机理解规则的方式。在真实的对话中，患者可能会主动提供重要信息，例如即使药师还没问起，也会提到自己正在经历某种副作用。人类专家会将此视为一次成功的互动，因为药师现在已经掌握了信息。然而，计算机被编程为严格寻找“特定问题后紧跟答案”的模式。如果患者在未被询问的情况下主动提供了信息，计算机有时会扣分，认为药师未能提出正确的问题。这表明，虽然计算机在遵循严格规则方面表现出色，但在处理人类对话中那种微妙且灵活的性质（即语境比清单更重要）方面仍存在困难。
尽管存在这种评分局限性，研究结论仍认为这种方法是强大的培训工具。由于存在持续性的低估现象，该系统尚不准备取代人类教师进行那些决定职业生涯的单次高风险考试。但对于日常实践、自我评估和建立信心而言，它提供了一个低成本、随时可用且高效的解决方案。研究人员展示了通过使用清晰的指令来引导人工智能，可以创建一个既真实又具规模化的教学路径。这意味着，预算有限的医院和学校也可以通过采用这种方法，为受训者提供所需的实践机会，从而弥合课堂学习与现实世界患者护理之间的鸿沟。这项工作表明，医学培训的未来可能不再依赖于聘请更多的演员，而是依靠教导计算机如何以真实人类的细微差别去倾听与回应。
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。