AI-PACE：將人工智慧整合至醫學教育的框架研究
arXiv - Computers and SocietyScott P. McGrath, Katherine K. Kim, Karnjit Johl, Haibo Wang, Nick Anderson
本文提出一個結構化框架，旨在透過跨學科協作與縱向整合，將 AI 教育納入醫學培訓體系。
AI 幫你先抓重點
AI 重點 1
從「技術學習」轉向「臨床應用與技術平衡」的思維轉變。
滑鼠懸停看 AI 判斷理由
這項洞察強調了醫學教育不應僅僅是教授程式碼或演算法，而是要讓醫學生理解 AI 如何在臨床決策中發揮作用，這對於培養未來能與 AI 協作的醫師至關重要。
AI 重點 2
強調 AI 教育必須具備「縱向整合性」而非單點式教學。
滑鼠懸停看 AI 判斷理由
這改變了傳統「單一課程」的觀念，提醒教育者 AI 知識應像解剖學或生理學一樣，從基礎到進階階段持續滲透，才能建立深層的專業素養。
核心研究發現
- 1
醫學教育的發展目前尚未跟上醫療產業中人工智慧技術快速進步的步伐。
- 2
有效的 AI 教育需要採取縱向整合策略，將相關知識貫穿於整個醫學培訓的學習歷程中。
- 3
成功的 AI 課程設計必須在技術基礎知識與臨床實際應用之間取得平衡。
- 4
醫學教育需要透過跨學科的協作，才能有效應對 AI 驅動的醫療環境變革。
對教育工作者的啟發
課程設計者應避免將 AI 視為獨立的選修課，而應將其整合進現有的臨床實習與理論課程中。建議採取跨學科合作模式，邀請資訊科學專家與臨床醫師共同開發教材，確保教學內容既具備技術深度，又能解決實際醫療問題。此外，應建立從基礎原理到複雜臨床決策應用的漸進式學習路徑，以確保學生能應對未來 AI 增強型的醫療環境。
原始文獻資訊
- 英文標題：
- AI-PACE: A Framework for Integrating AI into Medical Education
- 作者：
- Scott P. McGrath, Katherine K. Kim, Karnjit Johl, Haibo Wang, Nick Anderson
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。