生成式人工智能在基于医疗模拟的教育中的应用：一项范围综述

《Clinical Simulation in Nursing》：Generative artificial intelligence in healthcare simulation-based education: A scoping review

　　生成式人工智能在模拟医学教育中的应用及效果分析，涵盖虚拟患者、自动化反馈等类型，证实其能提升学习效果并增强现实感，但需解决伦理与信任问题，未来需加强AI技术与传统模拟教育的融合。

　　随着科技的迅速发展，生成式人工智能（GenAI）正逐渐成为教育领域的重要工具。GenAI，作为一项新兴技术，能够利用计算方法和复杂的算法生成各种形式的内容，包括文本、图像、音乐等。自2022年OpenAI推出ChatGPT以来，GenAI的应用迅速扩展，并在医疗教育中展现出巨大的潜力。特别是在基于模拟的医疗教育（Simulation-Based Education, SBE）中，GenAI的引入为教学方法带来了新的变革。本文旨在通过系统性的研究，探讨GenAI在SBE中的应用现状，分析其类型、实际用途以及所带来的教育效果。

在医疗教育领域，GenAI的使用正逐步改变传统的教学方式。与以往依赖预设数据的教育方法相比，GenAI能够通过大规模数据集的训练，实现更强大的模式识别和数据处理能力。这种能力使得GenAI能够生成更加丰富和多样化的学习情境，从而提高学生的参与度和学习效果。在SBE中，GenAI的应用形式多种多样，既包括作为独立虚拟患者模拟工具，也包括作为传统标准化患者、模拟人和计算机模拟的补充。这些应用不仅提高了教学的效率，还增强了学习的互动性和沉浸感，为学生提供了更加贴近真实医疗场景的学习体验。

GenAI的应用不仅限于技术层面，还涉及伦理和实践方面的考量。在SBE中，GenAI的使用被认为是一种可行的教育方式，因为它能够提供准确和现实的反馈，帮助学生在模拟过程中进行反思和学习。然而，GenAI的使用也引发了一些担忧和不确定性，尤其是在长期影响和数据隐私方面。部分学习者和教育者对GenAI的可靠性表示怀疑，担心其在实际医疗场景中的应用可能带来潜在的风险。因此，在推动GenAI在SBE中的应用时，需要综合考虑其技术优势和伦理挑战，确保其使用符合教育和医疗实践的标准。

为了全面了解GenAI在SBE中的应用情况，本研究采用了一种广泛的文献综述方法。研究团队利用Joanna Briggs Institute（JBI）的方法学指导，对六种数据库进行了检索，时间跨度从这些数据库的创建开始，直到2025年2月。通过这一过程，研究团队筛选出了28篇相关文献，这些文献发表于2023年至2025年之间。其中，大部分文献涉及医学和护理领域，分别有14篇和10篇。这些文献主要探讨了GenAI的类型、应用场景以及其对学习效果的影响。

在具体的应用方面，研究发现，OpenAI的GPT模型被广泛用于模拟角色的创建和自动化反馈的提供。这些模型在复杂的医疗推理和诊断决策方面表现出色，使得GenAI在SBE中的应用更加高效和实用。此外，GenAI还能够促进反思性实践，这是模拟结束后的关键学习环节。通过这些功能，GenAI不仅被视为信息检索工具，更被看作具有结构化推理能力和学习促进作用的临床合作伙伴。

从学习内容的角度来看，GenAI的应用在不同的医疗学科中有所不同。它不仅被用于沟通训练，还被广泛应用于基于场景的模拟教学。学习者普遍认为，GenAI增强的模拟教学更具真实感和心理安全感，有助于他们在模拟过程中更好地理解和应用所学知识。同时，教育者也支持GenAI的使用，因为它能够提高教学效率，特别是在初始程序结构和GenAI提示被确定之后。这种效率的提升使得GenAI成为SBE中不可或缺的一部分。

然而，尽管GenAI在SBE中展现出诸多优势，其应用仍然面临一些挑战。其中，最大的挑战之一是学习者和教育者对GenAI的长期影响和数据隐私的担忧。这些担忧限制了GenAI在SBE中的应用范围和研究深度。因此，在推动GenAI在医疗教育中的应用时，需要进一步探索其在不同场景下的适用性，并建立相应的伦理规范和使用指南。

此外，研究还发现，现有的AI使用综述大多关注于一般性的AI应用，而缺乏针对GenAI在SBE中的专门研究。因此，本研究的开展具有重要的现实意义，旨在填补这一研究空白，为未来的教育实践和研究提供参考。通过系统性的分析，本研究不仅总结了GenAI在SBE中的应用现状，还探讨了其未来发展的方向。

在研究方法上，本研究采用了一种广泛的文献综述方法，以确保对GenAI在SBE中的应用进行全面和系统的分析。研究团队遵循Joanna Briggs Institute的方法学指导，对六种数据库进行了检索，并利用Endnote的内置去重功能和人工筛选相结合的方式，对文献进行了整理和筛选。最终，研究团队筛选出28篇相关文献，涵盖了医学和护理等多个领域。这些文献的分析结果表明，GenAI在SBE中的应用具有广泛的潜力，同时也存在一些需要进一步解决的问题。

在讨论部分，研究团队强调了GenAI在SBE中的重要性，并指出随着AI技术的不断发展，模拟教育者需要不断提升自身的AI素养，以更好地适应这一变化。同时，研究团队认为，构建教育AI社区和实践平台是推动GenAI在SBE中应用的重要途径。这些社区不仅可以帮助教育者及时了解最新的AI技术进展，还能够促进不同学科之间的交流与合作，为GenAI在医疗教育中的应用提供更多的可能性。

此外，研究团队还指出，GenAI在SBE中的应用不仅仅是技术层面的革新，更涉及教育理念的转变。传统的模拟教学方式通常依赖于固定的场景和标准化的反馈，而GenAI的引入使得教学更加灵活和个性化。这种灵活性不仅能够满足不同学习者的需求，还能够提高教学的互动性和沉浸感，使学生在模拟过程中获得更加真实的体验。因此，GenAI的应用被视为一种新的教育模式，能够为医疗教育带来更多的创新和可能性。

然而，研究团队也承认，本研究存在一些局限性。首先，由于研究团队主要关注英文文献，因此可能存在语言偏倚。不过，在筛选过程中，研究团队已经对非英文文献进行了初步评估，并仅排除了三篇不符合要求的文献。其次，研究团队在筛选过程中扩大了研究范围，包括了一些不完全符合SBE核心原则的文献。这种做法虽然能够增加研究的全面性，但也可能影响研究结果的准确性。因此，研究团队建议在未来的研究中，进一步明确研究范围和筛选标准，以确保研究结果的科学性和可靠性。

综上所述，GenAI在SBE中的应用正逐步扩展，并展现出巨大的潜力。然而，其应用仍然面临一些挑战，包括伦理问题、数据隐私和长期影响等方面。因此，在推动GenAI在医疗教育中的应用时，需要综合考虑其技术优势和潜在风险，确保其使用符合教育和医疗实践的标准。同时，研究团队建议未来的研究应更加关注GenAI在SBE中的具体应用，以进一步探索其在不同场景下的适用性，并为教育者和学习者提供更多的指导和支持。