臺北榮民總醫院皮膚部 住院醫師
余文庭
人工智慧教育的依賴性及局限性
隨著人工智慧（artificial intelligence,
AI）技術的蓬勃發展，加上2022年底生成式AI（例如ChatGPT）問世，其在醫學教育中的應用也越來越廣泛，逐漸成為當代醫學教育的趨勢。然而隨著AI的普及也衍生出一些問題，包括學生過度依賴AI以及AI本身的局限性。
（一）學生依賴性問題
AI在學術應用中的便利性，尤其是生成內容和數據分析的能力，使學生逐漸將其視為學習過程中的主要工具。然而，這種依賴性可能導致醫學生批判性思維能力的削弱，過度依賴AI撰寫報告或解答問題，習慣性直接接收AI提供的答案，忽略了自主思考的重要性，長期下來對醫學知識的掌握僅停留在表層，沒有內化融會貫通構建成自己的知識架構。此外AI的高度自動化特性可能限制學生的創造能力，只一味依賴AI提供的答案或做法，喪失獨立探索新方法的動力和醫學創新的能力。
應對策略
- 融入批判性思維的課程設計：在課堂上引導學生分析AI生成的答案，並設計多層次的問題，讓學生深入思考並挑戰AI的結果。
- 限制AI的使用範圍：在部分課程或評估中，要求學生手動完成作業，以促進其思考和解決問題的能力。
- 強調過程學習：鼓勵學生記錄並展示學習過程，而非僅重視最終結果。例如要求學生解釋其分析步驟與推理過程。
- 評估學生的AI使用技能：設計專門的課程與評估，幫助學生學會如何有效且適當地使用AI輔助工具，而非完全依賴。
（二）AI的局限性
AI的訓練過程依賴於輸入的數據資料，若這些數據來源單一或存在偏誤，可能導致不準確或有偏見的結果。例如在影像診斷中，AI可能因缺乏某些族群的數據而對這些族群的疾病預測不準確。此外AI雖能快速分析大量數據，但其推理過程基於已知模式，無法像人類醫師一樣靈活考慮病人的多層面因素。例如AI可能根據症狀提供診斷建議，但無法充分考量病人的心理狀態、社會背景及其他複雜因素。加上AI的運作機制往往缺乏透明性，無法理解其推理過程，因此其生成的結果也不具備足夠的證據等級。
應對策略
- 優化數據來源：在訓練AI模型時，應確保數據的多樣性與代表性，避免因數據偏誤而產生的問題。
- 培養學生的AI結果檢驗能力：設計課程教授學生如何檢驗AI生成的結果，包括比對臨床資料和文獻資料，發現潛在錯誤。
- 建立人機協作模式：強調AI作為輔助工具的角色，培養學生在使用AI時仍能進行自主判斷，結合自身的臨床知識作出最終決策。
- 提升AI透明度：在醫學教育中引入解釋性AI（Explainable AI），幫助學生理解AI的運作原理，提升信任度。
- 注重倫理教育：讓學生了解AI的倫理問題，包括數據隱私、偏見與公平性，並培養其在使用AI時的責任感。
結論
AI的引入為醫學教育帶來了諸多機遇，但同時也產生了學生依賴性問題與AI局限性這兩大挑戰。解決這些挑戰需要教育者與學生共同努力，透過課程設計、技術優化與倫理教育，實現AI與人類醫療能力的最佳結合。未來的醫學教育應以AI為輔助，強調人類批判性思維與創造力的不可取代性，確保學生在利用AI技術的同時，仍能培養全面的醫學素養與獨立解決問題的能力。
參考資料：
- Gordon M, Daniel M, Ajiboye A, et al. (2024). A scoping review of artificial intelligence in medical
education: BEME Guide No. 84. Medical teacher, 46(4), 446–470.
- Mir MM, Mir GM, Raina NT, et al. (2023). Application of Artificial Intelligence in Medical Education:
Current Scenario and Future Perspectives. Journal of advances in medical education & professionalism, 11(3),
133–140.
- Narayanan S, Ramakrishnan R, Durairaj E, & Das A. (2023). Artificial Intelligence Revolutionizing the Field
of Medical Education. Cureus, 15(11), e49604.
