医学生对基于人工智能的反馈和前馈在医患沟通技能培训中的看法——一项基于视频模拟的接受度研究

《Medical Education Online》：Medical students’ perceptions of AI-based feedback and feedforward on communication skills in doctor–patient consultation - an acceptance study in a video-based simulation

　　本研究探讨82名医学生在模拟医患咨询中如何评价AI生成的反馈与前瞻性建议。结果显示，AI通过虚拟角色提供的前瞻性建议（feedforward）在信任度（中位数5.0）和学习接受度（中位数5.0）上均显著优于反馈（中位数4.0）。学生对AI的积极态度与反馈的接受度呈正相关（r=0.256, p=0.02）。研究证实虚拟媒介能提升AI建议的信任度，且建议内容形式影响学习效果。

　　
本研究聚焦于人工智能（AI）在医学教育中的应用，特别是探索医学生对AI生成的反馈（feedback）与前馈（feedforward）的信任度及学习接受度的差异。研究以82名医学生为样本，通过模拟医患沟通视频，结合AI分析工具NOVA和虚拟化身技术，系统评估了不同媒介形式下AI建议的接受度。以下是研究的关键发现与解读：

### 一、研究背景与核心问题
在医学教育中，模拟医患沟通场景被广泛用于培养沟通技能，但传统评估依赖人工观察者，存在成本高、效率低的问题。随着AI技术的发展，通过视频分析提取非语言沟通数据（如眼神接触、面部表情）成为可能。然而，现有研究较少关注医学生对AI生成建议的信任度及其学习意愿，尤其是反馈与前馈的差异。

### 二、研究设计与实施
1. **样本特征**
研究对象为德国某大学82名医学生（女性占比56.1%），其中66人处于大二阶段，16人处于大四阶段。样本覆盖不同学习阶段，确保结果具有代表性。

2. **实验流程**
- **角色代入**：参与者需以视频中的模拟医学生视角观看4分钟标准化医患沟通视频，视频中演员刻意表现非语言沟通失误（如频繁看表、缺乏眼神接触）。
- **AI生成建议**：使用NOVA工具分析视频数据，提取非语言行为统计结果（如眼神接触频率），经医生人工转化为文本建议。再通过HeyGen虚拟化身技术，将建议转化为口语化反馈（如“建议在对话初期增加眼神接触，此行为占比仅40%”）。
- **评估维度**：
- **内容维度**：对比反馈（retrospective）与前馈（prospective）的建议接受度。
- **媒介维度**：分析虚拟化身在情感表达（共情）、拟人化程度（如动作自然度）和可信度上的影响。
- **来源维度**：探究医学生对AI技术的整体态度（采用ATTARI-12量表）与建议接受度的关联。

### 三、核心研究发现
#### （一）内容维度：前馈建议更受青睐
1. **信任度差异**
医学生对前馈的信任度（中位数5.0）显著高于反馈（中位数4.0），效应量d=0.21（p=0.003）。这可能与前馈提供具体改进方向（如“对话初期应保持眼神接触”）而反馈仅呈现数据（如“眼神接触频率90%”）有关。
**案例**：部分参与者指出“前馈建议结合了数据与行动指南，例如明确建议在开场对话中保持眼神接触”，而反馈因缺乏可操作性（如“仅说明数据未给出解决方案”）被部分学生认为“过于统计化”。

2. **学习接受度对比**
接受度评分显示前馈（中位数5.0）仍优于反馈（中位数4.0），但差异较小（d=0.19，p=0.018）。开放式反馈中，参与者普遍认可前馈的实用性（如“AI建议的微笑技巧可直接应用于临床”）。

#### （二）媒介维度：虚拟化身提升互动体验
1. **情感与拟人化感知**
参与者对虚拟化身共情能力评分较高（中位数4.0），拟人化程度（4.0）与可信度（4.0）均达中等水平。值得注意的是，共情感知与建议接受度呈正相关（r=0.39，p=0.001），例如“化身在建议中表现出对患者沟通的关切”被多次提及。

2. **可信度放大效应**
虚拟化身可信度每提升1单位，反馈建议的可信度增加0.63个单位（r=0.629），前馈建议增加0.399个单位（r=0.399）。这表明化身媒介本身可增强AI建议的可信度。

#### （三）来源维度：AI态度影响反馈接受度
1. **AI态度与反馈接受度关联**
参与者对AI的积极态度（如“AI能提高学习效率”）与反馈建议的学习接受度呈显著正相关（r=0.256，p=0.02）。但AI态度对前馈接受度无显著影响，可能因前馈的改进导向更易被独立判断。

2. **性别与态度的潜在差异**
研究样本中女性占比过半（56.1%），但未发现性别与AI态度或建议接受度的统计学关联，需扩大样本验证。

### 四、理论贡献与实践启示
1. **验证了“前馈优于反馈”的经典理论**
结果与教育心理学中的“前馈（feedforward）优于反馈（feedback）”理论一致。例如，参与者更倾向行动导向的前馈建议（如“在问诊开始时保持眼神接触”），而反馈的纯数据呈现（如“总共有90%时间保持眼神接触”）需结合人工解读才能提升实用性。

2. **媒介设计的关键作用**
虚拟化身在医疗教育中的应用潜力被证实：
- **情感传递优势**：化身可通过语调、面部表情增强建议的共情效果。
- **可信度构建**：化身作为“中立观察者”角色，其专业形象（如着装规范、语调沉稳）可间接提升AI建议的可信度。

3. **技术优化方向**
研究指出当前AI工具（如NOVA）的局限性：
- **数据呈现方式**：需将量化数据（如眼神接触频率）转化为可操作的改进建议（如“建议在开场对话前5秒内首次注视患者”）。
- **自动化程度**：当前需人工介入文本转换，未来可通过自然语言处理（NLP）实现自动化建议生成。

### 五、局限性与未来研究方向
1. **样本局限性**
样本集中于德国某大学，且女性占比过高。后续研究需纳入多国样本并控制性别比例。

2. **实验设计的“模拟性”局限**
参与者未实际生成自己的咨询视频，反馈基于他人表现。未来可开发系统，允许学生上传个人咨询视频获取定制化建议。

3. **化身特征的可控性不足**
研究仅使用单一女性虚拟化身。后续需测试不同性别、年龄、外貌特征的化身对建议接受度的影响。

4. **技术迭代需求**
当前NOVA工具仅能生成静态数据，缺乏动态交互能力。结合未来更先进的AI模型（如GPT-4类），可实现实时反馈与个性化建议。

### 六、医疗教育场景的落地路径
1. **分层应用策略**
- **基础层**：开发标准化AI分析工具，自动生成可视化数据报告（如热力图展示眼神接触频率）。
- **进阶层**：利用虚拟化身提供口语化建议，例如：“在解释治疗方案时，建议先通过点头确认患者理解，再逐步展开”（前馈）；“本次咨询中，你仅在对话中段才注视患者，建议在问诊初期增加眼神接触”（反馈）。

2. **可信度构建体系**
- **化身设计**：采用医疗从业者的典型形象（如白大褂、温和表情），结合医学教育场景需求。
- **透明度说明**：在AI建议中标注数据来源（如“基于NOVA分析的3项非语言指标”），增强可信度。

3. **评价机制优化**
- **双维度评估**：在量化指标（如眼神接触次数）基础上，增加质性描述（如“患者眼神变化呈现波动，建议固定注视点”）。
- **动态反馈**：结合学生后续咨询视频，持续跟踪改进效果，形成闭环学习系统。

### 七、对AI教育伦理的启示
研究显示，82%的参与者认可“AI作为教学辅助工具的必要性”，但仅有34%完全信任AI的建议准确性。这提示开发者需：
- **明确功能边界**：区分AI的数据分析能力与临床判断权限。
- **建立伦理审查机制**：例如要求AI建议必须包含人工医学教师的复核意见。
- **用户教育模块**：在系统中嵌入AI局限性说明（如“本建议基于模拟数据，实际应用需结合临床经验”）。

### 八、结论
本研究证实，在模拟医患沟通场景中，AI生成的前馈建议因其明确改进方向和行动指南，显著优于反馈形式的数据呈现。虚拟化身作为媒介，通过增强情感共鸣和拟人化感知，能有效提升建议的可接受度。未来需进一步优化AI工具的自动化程度，并通过多中心研究验证普适性。这一发现为构建智能化、个性化的医学沟通培训系统提供了重要理论支撑。