Are AI knowledge and educational expectations homogeneous across clinical training stages and intended specialties?
一项针对法国医学生的调查研究显示，充足的人工智能知识并不会随着临床培训阶段或专业兴趣的增加而自动提升，这凸显了将人工智能显性教育纳入本科医学课程体系的必要性。
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
想象一下医学生的过程，就像是一个漫长且蜿蜒的视频游戏关卡。你从早期区域（第四年）开始，在中间关卡（第五年）中进行“刷级”，最后到达最终 Boss 战区域（第六年），然后选择你最终的角色职业（你的专业方向）。长期以来，玩家们一直认为，只要玩游戏的进程越长、见过的世界越多，你的角色就会自然而然地变得更擅长理解游戏的隐藏代码：人工智能（AI）。
但这项对 1,342 名法国医学生进行调查的研究表明，游戏并不是这样运作的。
“升级”的迷思
研究人员要求学生用自己的话来定义 AI。他们发现，无论你在关卡中走到了多远，你解释 AI 的能力并没有得到显著提升。
- 在第四年，37.6% 的学生能给出不错的定义。
- 在第五年，这一比例为 37.4%。
- 在第六年，这一比例为 39.6%。
这些数字几乎是孪生兄弟。该研究表明，仅仅在医院里闲逛、观察医生工作并积累临床经验，并不会神奇地教会你什么是 AI。这就像认为玩了十年的赛车游戏会自动教会你如何制造引擎一样。这种经验是无法转移的。作者认为，如果你想让学生理解 AI，你不能只是等着他们在变老的过程中“顺便学会”它；你必须进行显性的教学。
“职业”的转折
现在，让我们来看看那些正瞄准特定角色职业（如放射科、皮肤科或心脏科）的玩家——这些领域高度依赖图像和数据（可以把它们看作是游戏中的“重图像区”）。
你可能会猜，这些整天盯着 X 光片和数据图表的学生会是 AI 专家。但研究也否定了这一点。对这些重图像领域感兴趣的学生，其 AI 知识水平与其他人完全相同（37.7% 对比 37.9%）。
然而，这些学生的感觉却不同。他们是那些敲响警钟的人。
- 他们感到更有必要学习 AI 的基础知识。
- 他们稍微担心 AI 可能会对他们未来的工作造成什么影响。
- 他们想要学习“技术术语”，以便与工程师交流并理解代码究竟是如何运作的。
这就像是那些瞄准“图像区域”的玩家意识到：“嘿，这场 Boss 战将会很不一样，我需要更好的策略，”尽管他们实际上还并不了解该策略。
结论
论文并未声称已经解决了问题或找到了灵丹妙药。相反，它建议了一种新的游戏教程设计方式。
既然仅靠经验并不能教会 AI，作者提出了一种“混合型”课程。想象一个每个人都要参加的强制性“新手玩家”工作坊，用于学习 AI 基础、伦理以及如何识别虚假算法。然后，对于那些前往重图像区域的学生，可以提供可选的“高级 DLC”（可下载内容）模块，深入探讨技术细节。
这项研究在庞大的学生群体中测量了这些情况，并发现虽然他们的态度大致相似，但他们的需求是不同的。结论很明确：我们不能指望学生仅仅通过在医院里成长来学习 AI。我们必须把课堂构建进游戏里，否则他们将只能拿着木棍去对抗拥有激光枪的 Boss。
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。