医学和健康科学教育中的人工智能准备度感知：沙特阿拉伯学生的调查研究 - AI与医疗健康

背景

随着人工智能（AI）在医疗保健中的日益整合，让医学和健康科学学生为接触AI技术做好准备至关重要。

目标

本研究调查了沙特阿拉伯医学和健康科学学生的感知AI准备度，关注认知、能力、愿景和伦理四个领域，使用医学人工智能准备度量表（MAIRS-MS）。

方法

于2023年10月至11月进行了一项横断面调查，针对沙特阿拉伯多所大学和医学院的学生。共有1221名学生电子同意参与。通过一份20分钟的谷歌表单调查收集数据，包含22个条目的MAIRS-MS量表。使用Stata 16.0版进行描述性和多变量统计分析。计算克朗巴赫α系数以确保可靠性，并使用最小二乘法线性回归探讨学生人口统计学特征与AI准备度得分之间的关系。

结果

总体AI准备度平均得分为62分（满分110分），表明准备度中等。各领域得分显示总体一致水平：认知（58%，23.2/40）、能力（57%，22.8/40）、愿景（54%，8.1/15）和伦理（57%，8.5/15）。近44.5%的学生认为AI相关课程应为必修，而仅41%的学生报告其课程中有此类必修课。

结论

沙特阿拉伯的医学和健康科学学生在认知、能力、愿景和伦理方面表现出中等水平的AI准备度，既表明有坚实基础，也说明有成长空间。加强AI课程设置并强调实践、伦理和前瞻性技能，可以更好地使未来的医疗保健专业人员为AI驱动的未来做好准备。

引言

学生在医学和健康科学教育及未来实践中拥抱AI的准备程度如何？AI驱动的健康技术预计将越来越融入全球患者护理，增强可及性，推动数字化转型，并支持循证实践[1,2]。然而，AI在所有学科中的标准化临床采用仍然有限[3,4]。迄今为止，成功的AI实施主要集中在运营支持和诊断应用上，例如读取影像扫描、内窥镜和病理报告（例如[5-7]）。最终，拥抱医疗保健的未来变化取决于教育[8]。了解医疗保健中AI的认知对于成功部署和采用至关重要，尤其是在即将成为医疗保健领导者和基本服务提供者的医学和健康科学学生中[9-11]。

借鉴布鲁姆学习领域分类法[9,12]，教育准备度必须包括三个组成部分：认知（知识）、情感（态度）和心因（实践技能）。越来越多的文献强调需要培养医疗保健中的AI意识和知识[13-16]，以更好地让健康科学学生为使用AI技术做好准备[17]。将AI内容纳入健康科学课程可以帮助学生获得必要的AI相关技能[18,19]。先前的研究表明，许多学生对医疗保健中的AI表现出一定的意识（例如[19,20]），这强化了在医学和健康科学教育中更广泛纳入AI主题和应用的要求。

为了改进当前课程，应进行大规模调查，以评估医学和健康科学学生对AI内容的态度和认知[1]。这些评估可以确定学生所需的能力，以及教师需要优先考虑的资源和知识[1]。尽管此类研究非常必要，但关于该主题的文献相当稀少[17,19,21,22]。此外，不同医学和健康科学学科之间存在差异，关于康复、公共卫生、药学和护理等领域的AI应用文献相对较少[21,23]，而医学和牙科方面的文献较多[10,11,24,25]。因此，需要一种平衡的方法来识别不同学科学生的教育需求、偏好和能力。例如，最近一项关于AI对护理教育影响的范围综述[23]强调了在学术和临床环境中进行课程改革的必要性，以让护士和护理学生为AI时代的安全高效实践做好准备。类似的策略应侧重于提高对医疗保健中AI的认知、知识和技能，同时将这些努力与教师专长以及现有的技术和教学资源相结合[3]。

最近在沙特阿拉伯进行的一项研究[9]揭示了医学生对AI教育的积极态度，但其焦点仅限于单一学科，凸显了跨学科研究的必要性。以布鲁姆分类法为指导框架，本研究探讨了沙特阿拉伯医学和健康科学学生的感知AI准备度。我们提出两个关键研究问题：（1）沙特阿拉伯医学和健康科学学生的整体AI准备度水平如何？（2）哪些人口统计学和教育因素（如学习年份、项目类型、对AI相关培训充分性的感知以及对AI课程要求的态度）与这些AI准备度领域的差异相关？研究结果将为课程开发提供信息，并增强AI驱动医疗保健时代的跨专业合作。

方法

研究设计与人群

于2023年10月至11月进行了一项横断面研究。通过社交媒体平台（即WhatsApp、Snapchat、X（原Twitter）和Telegram）使用便利抽样招募参与者。选择这些平台是因为它们在沙特大学生中受欢迎[26,27]。符合条件的参与者包括18岁或以上的本科生和研究生，目前就读于沙特阿拉伯的大学和医学院，并能够提供知情同意。每位参与者在调查开始时填写了内置的电子同意书。该研究获得了贾赞大学出版与研究伦理常设委员会的伦理批准（参考编号REC-45/04/820，2023年10月24日获得）。研究遵循《赫尔辛基宣言》。问卷经过八名大学生预测试，以完善清晰度和结构。

数据收集

通过一份20分钟的谷歌表单问卷收集数据，问卷包括三个部分：人口统计学信息（如年龄、性别、学术项目类型）；学生对AI相关课程要求的认知；以及来自医学人工智能准备度量表（MAIRS-MS）[28]的AI相关问题。MAIRS-MS是一个经过验证的22项工具，用于评估学生在认知、能力、愿景和伦理方面的AI准备度[29]。调查仅以英语分发，因为英语是沙特阿拉伯医学和健康科学教育的教学语言。

统计分析

我们使用Stata 16.0版进行所有统计分析[30]。由于所有问题均为必填，无缺失数据；但未完成的调查因参与者自愿退出或中途停止而被排除。结果变量包括从MAIRS-MS 5点李克特子量表中提取的认知、能力、愿景和伦理得分，其中1表示非常不同意，5表示非常同意，得分越高表示准备度越高。通过计算克朗巴赫α可靠性系数（α）评估每个结果的内部一致性。估计α值在0.6到0.8之间，对于整体量表和子量表被认为是可接受的[31]。

预测变量包括参与者的人口统计学特征及其对AI的总体态度。使用频率和相对频率总结这些变量。我们使用夏皮罗-威尔克（S-W）检验评估结果变量的正态性。我们发现结果变量不服从正态分布（p值<0.05），因此我们探索了多种统计变换（即从均值中减去个体得分并除以标准差）以实现正态分布（S-W p值>0.1）。均值得分代表参与者AI准备度的中点，而非确定的准备水平，因为心理测量量表旨在近似正态分布。通过计算得分在最小和最大水平的参与者比例来评估地板和天花板效应，使用15%的阈值来确定显著效应。该分析结果表明，地板和天花板效应很小，不影响对结果的解释。

进行了探索性因子分析，以评估MAIRS-MS问卷的因子结构。我们对每个结果使用最小二乘法线性回归，以建模与所选预测变量的多变量关系。我们评估了所有预测变量之间可能的两两交互作用的统计显著性，以探讨变量之间的任何可能交互作用，考虑到本研究属于探索性性质。我们目

表1总结了参与者的人口统计学特征和对AI的总体态度。大多数参与者为女性（67.0%），年龄在18至22岁之间（49.7%）。约70%的学生就读于医学和临床相关科学的学生学位、文凭或高级文凭或同等学历。参与者主要集中在一年级至四年级。

我们发现有44.5%的参与者认为AI相关课程应为必修，而41%的人报告其课程中设有AI相关必修课。然而，40%的学生完全不同意这些课程提供的知识和培训足以应用于医疗保健AI（表1）。

参与者的AI准备度水平

图1展示了基于MAIRS-MS四个领域的参与者自评AI准备度结果摘要。我们估计的整体量表和认知、能力子量表的内部一致性系数是可接受的（αs > 0.7；表2）。然而，愿景和伦理子量表的估计α值处于可接受性的边缘（αs > 0.5；表2）。我们发现认知和能力领域的平均得分分别为23.2和22.8（满分40分）（表2）。同时，愿景和伦理因素的平均得分分别为8.1和8.5（满分15分）。然而，基于四个领域的总体平均准备度得分为62分（满分110分）。

AI准备度的人口统计学和教育预测因素

虽然推断的R²值相对较低（表3），但每个领域的多变量回归模型总体上都高度显著（p值 < 0.001）。认知模型的R²最高，约为0.21，而愿景模型的R²最低，为0.09。预测变量之间未发现统计上显著的交互作用，所有VIF均小于1.2，表明不存在多重共线性。年级水平、认为AI相关课程应为必修的信念以及认为当前AI培训不足的认知是所有四个领域的一致显著预测因子（p值 < 0.01；表3）。然而，学习项目类型仅是能力和伦理的显著预测因子（p值 < 0.05；表3）。年龄、性别和学位类型均不是这四个领域的显著预测因子。

讨论

在接受调查的便利样本中，沙特阿拉伯的医学和健康科学学生认为自己为AI做好了中等准备。总体AI准备度平均得分为62分（满分110分），表明学生虽然具备AI的基础理解，但在AI知识和应用于医疗保健方面仍有很大的成长空间。我们以布鲁姆学习领域分类法为概念框架，从增强知识（认知领域）、态度和价值观（情感领域）以及实践技能（心因领域）方面讨论这些结果。

认知领域：改革课程以纵向构建知识

学生在认知和能力方面的中等得分意味着他们对AI概念有基本理解，并对自己的技术技能有一定信心。然而，年级水平是AI准备度的显著预测因子这一发现，强调了在早期引入AI相关内容并在整个教育项目中强化的必要性。随着学生的进步，增加AI主题的深度和复杂性——从基础算法到临床决策支持系统——可以确保他们的知识跟上快速发展的技术[8,32]。此外，认为当前培训不足的认知表明现有课程可能需要重新设计[3,33]。纳入结构化的、强制性的AI课程，涵盖核心原理和新兴应用，有助于弥合差距[1]，提高学生认知准备度的下限和上限。

情感领域：培养积极参与的态度和伦理推理

学生在愿景和伦理领域表现出中等准备度，其中愿景得分最低（54%），表明他们可能没有充分认识到AI的更广泛影响[34]。认为AI相关课程应为必修的信念与所有领域准备度得分提高之间的显著关系表明，重视结构化AI教育的学生也可能更倾向于从伦理角度参与并展望AI的长期影响。此外，学习项目类型是能力和伦理的显著预测因子，表明某些领域的学生可能更愿意接受或更好地准备应对AI的道德和职业挑战。通过纳入伦理案例研究、关于患者隐私和算法偏见的辩论以及关于AI在未来患者护理中角色的讨论，教育工作者可以培养出的不仅仅是有知识，而且具有伦理意识和前瞻性思维的专业人才[35,36]。

为了加强情感领域，教育工作者应超越单一讲座或课程，将伦理和愿景纳入课程。基于案例的讨论、模拟和跨专业工作坊可以帮助学生探索与AI相关的复杂伦理困境[35,37]。通过让学生参与关于数据隐私、算法偏见、AI幻觉以及对患者护理长期影响的对话，教育工作者可以培养出超越死记硬背、鼓励批判性反思的细微态度[36]。

心因领域：弥合理论与实践之间的差距

尽管认知和能力得分中等，但认为AI培训不足的认知指出了将理论知识转化为实践技能的差距[32]。为了让学生能够在临床环境中有效应用他们的理解，课程必须包括实践练习、模拟和跨专业合作的机会[3,33]。鼓励学生使用AI工具、分析AI可以优化患者结果的临床场景，并合作开展AI相关项目，可以推动他们通过布鲁姆的心因领域——从仅仅知道AI是什么到在实际环境中有效使用它。

优势与局限性

本研究是首次评估沙特阿拉伯大量医学和健康科学学生样本的AI准备度。使用经过验证的MAIRS-MS工具增强了我们研究结果的可靠性。我们使用便利抽样收集数据，这是一种非概率技术，可能会引入选择偏差。然而，这种方法为我们提供了在合理时间范围内从多所大学收集数据的独特机会。此外，横断面设计限制了在本研究中建立变量与结果之间因果关系的能力[38]。此外，依赖自我报告的数据可能会因报告不准确而引入偏差[39]，而MAIRS-MS量表的英文版本可能限制了我们结果的普遍性[29]。我们承认愿景和伦理子量表的α值处于可接受性的边缘，并认识到这可能会削弱对内部一致性的担忧。在本研究中，我们没有探索替代的因子结构，但我们鼓励未来的研究考虑这种方法以提高量表的可靠性。重要的是，在这些统计局限性的背景下解释我们的发现。我们还主张进一步验证MAIRS-MS量表，或开发更稳健的量表以在未来的工作中解决这些问题。此外，为了解决这些局限性，未来的研究应在不同的语言环境和阿拉伯文化背景下验证MAIRS-MS。另外，纳入定性方法[3]可以提供更深入的见解，探索教师的态度和学生对AI对医疗角色影响的认知如何塑造他们的准备度。此类调查将提供更全面的理解，了解如何最好地让医学和健康科学学生为AI驱动的未来做好准备。

结论

本研究中的医学和健康科学学生普遍表现出中等水平的AI准备度，涉及认知、能力、愿景和伦理，表明有坚实的起点，但仍有很大的改进空间。通过系统地增强基础知识（认知领域）、培养积极参与和具前瞻性的态度（情感领域）以及提供动手实践的经验（心因领域），教育工作者可以更好地让未来的医疗保健专业人员做好将AI合乎道德且有效地整合到患者护理中的准备。未来的研究应调查不同教育策略的相对影响，并比较不同地区和国家的AI培训和准备情况。这种比较努力可以指导制定标准化、循证的指南，用于将AI整合到医学和健康科学课程中，确保毕业生在利用AI的变革潜力方面既技术精湛又具有坚实的伦理基础。

缩略语

AI 人工智能

MAIRS-MS 医学人工智能准备度量表（医学生用）

补充信息

在线版本包含补充材料，可通过以下方式获取：

补充材料1

致谢

作者感谢本研究中所有参与者的贡献。

作者贡献

M.A. 和 M.A.C. 构思了研究，制定了研究设计，并协调了数据收集过程。M.O.A. 和 F.K. 进行了统计分析，并撰写了统计描述部分和结果。M.A.C.、M.O.A. 和 M.A. 解释了结果。M.A.C. 在起草和修改手稿方面发挥了主导作用。所有作者都参与了本手稿最终版本的撰写和编辑。

资助

本研究未获得任何资助或财务支持。