通过实践性AI体验为未来医疗保健构建数字能力 - AI与医疗健康

摘要

引言：数字能力在健康职业教学中至关重要。本研究考察了结构化、实践性的AI参与如何影响硕士生对其在实践和学习中应用的看法，采用DigCompEdu框架，并将创新能力视为学习者导向的技能。

材料与方法：在跨专业健康-技术课程中进行前后调查（基线n=47；终期调查自由文本n=34）。基线项目评估了先前接触和期望，终期调查叙述采用反思性主题分析（归纳性、语义性）。DigCompEdu作为解释指南而非严格编码本。创新能力定义为识别机会、通过小改变进行实验确保有效，以及跨学科协作的能力。

结果：出现了五个关键主题，反映了学生的未来导向：（1）未来临床整合——AI融入日常工作（如决策支持、文档记录、监测），同时保持人类判断；（2）学习轨迹——持续使用AI进行范围界定、结构化和总结等任务，并建立验证例程和边界以防止过度依赖；（3）专业身份与跨专业角色——将AI视为协作者，准备弥合临床与工程视角；（4）伦理指南与支持——呼吁指南、加强治理素养，并提供验证的时间与工具；（5）实践中的创新——通过迭代试验测试小规模AI支持的创新。这些主题主要对应于A6（促进学习者数字能力），特别是A6.1（信息与媒体素养）、A6.3（数字内容创建）、A6.4（负责任使用）、A6.5（数字问题解决），以及A1（专业参与）的贡献，A2/A3也有贡献；A4（评估）代表性不足。基线背景显示学生对AI的先前接触有限，64%的参与者报告很少或没有AI经验。

结论：短期、实践性的AI体验，结合明确的伦理指南，可以促进未来所需技能的发展，并有助于形成AI增强的专业身份。课程应将其学习成果与DigCompEdu框架对齐。必须将实践AI与验证过程以及治理和伦理的简短入门相结合。此外，课程应通过跨专业共同设计实践服务和流程创新，如计划-执行-研究-行动循环、实施画布和可用性走查。还需要通过低风险活动（如提供AI反馈与传统评分标准比较）来解决A4（评估）缺口。这些策略将帮助毕业生不仅熟练使用工具，而且具有伦理基础、创新能力，并为在AI赋能的医疗保健中的职业生涯做好准备。

1 引言

1.1 数字能力作为医疗保健的核心要求

近期文献强调，数字能力已成为现代健康专业人员的基本要求，并且这种必要性日益扩展到涉及医疗保健技术的工程领域。欧盟明确将数字能力确定为终身学习的关键能力之一，强调其在职业生活，特别是医疗保健中的关键重要性（Mainz et al., 2024）。

2024年由Mainz等人进行的范围综述发现，医疗保健领域对数字素养和能力在各健康专业中的必要性达成了广泛共识。这一能力对于在当代医疗环境中有效表现至关重要，因为数字工具和数据在临床决策、患者监测和健康信息管理中发挥着不可或缺的作用。此外，参与开发和实施健康技术的工程专业学生必须达到高水平数字能力，类似于健康相关专业的学生。他们很可能参与创建诸如患者监测设备、健康信息学软件或AI驱动的诊断工具等创新。掌握数字技能使这些未来工程师能够设计出满足临床需求并顺利融入医疗工作流程的解决方案，最终惠及患者护理。

国际框架现在将数字能力置于健康专业教育的核心。欧盟委员会的教师数字能力框架（DigCompEdu）鼓励包括健康专业教师在内的教育者不断提升其数字技能和教学方法。它强调诸如专业协作（例如，分享和共创知识）以及利用数字资源进行持续专业学习等领域（Redecker and Punie, 2017; The Joint Research Centre: EU Science Hub, 2017）。

国际框架现在将数字能力置于健康专业教育的中心。欧盟委员会的DigCompEdu框架继续鼓励教育者发展其数字实践和教学法（Redecker and Punie, 2017; The Joint Research Centre: EU Science Hub, 2017）。与此同时，公民框架已更新至DigComp 3.0（2025年11月27日），该版本保持了整体结构，同时更新了能力措辞，修订了熟练程度（现为四个级别），增加了学习成果，并将AI能力横向整合到所有21项能力中（The Joint Research Centre: EU Science Hub, 2025）。其制定基于内容主题：AI（包括生成式AI）、网络安全、数字权利/选择/责任、数字环境中的福祉，以及应对错误/虚假信息。

它还设定了应用主题：数字能力作为终身学习的一部分；承认达到基本水平的前提条件；承认不同个体和不同时期需求的差异；以及需要灵活、敏捷地应用框架。这些框架共同强调健康教育中需要持续提升技能，其中AI嵌入各领域，而不是作为独立主题处理。

尽管政策要求不断进步，但实施仍滞后：许多健康课程难以跟上AI及相关技术的步伐，因此学生毕业时往往缺乏实践经验，这一实施差距已得到近期综述的证实，显示AI培训缺乏标准化，伦理、数据素养和实际工具使用的覆盖不一致（Rincón et al., 2025; Shishehgar et al., 2025）。权威利益相关者也表达了类似担忧：2024年美国国家医学科学院会议指出，尽管健康系统对AI投资不断增加，但医学和护理课程中缺乏正式指导，公共卫生教育中也存在类似差距，机器学习和大型语言模型培训依然稀缺（National Academy of Medicine, 2024）。作为回应，世界卫生组织等机构呼吁有意识地重新设计课程，嵌入AI素养、数据科学/信息学和AI伦理；扩展体验式学习；并投资于教师发展，以培养“AI就绪”的劳动力。本研究通过展示结构化的实践性AI体验（通过DigCompEdu解释）如何揭示具体的设计目标（例如，加强A4导向的评估）来缩小政策与实践差距，从而为该议程做出贡献。

1.2 颠覆性技术与创新能力的必要性

新兴文献将创新思维与数字能力在医疗保健中联系起来。颠覆性技术可以通过提升独特的人类技能——问题解决、批判性思维和适应性创造力——来增强（而非取代）专业实践，前提是临床医生有能力并自信地将这些工具整合到护理中（Meskó et al., 2017）。正如Meskó等人所指出的，数字工具只有在解决文化和人为因素时才能改善结果；临床医生需要创造性解决问题的技能和开放心态，才能有效使用AI。因此，我们将创新能力（特别是在服务/流程层面）视为DigCompEdu A6（信息与媒体素养、负责任使用、数字问题解决）和A1（专业参与）的组成部分。

医疗保健生态系统中的创新涉及共同创造和协调技术、组织和流程解决方案，以增强服务交付、利益相关者参与和价值创造（Adner, 2017; Pikkarainen et al., 2017）。一个有用的区别是将服务/流程创新（组织护理、工作流程和交付的新方式）与产品/技术创新（新工具、设备或软件）区分开来（Greenhalgh et al., 2004; Omachonu and Einspruch, 2010）。两者都很重要，但涉及不同的利益相关者和能力。

医疗保健中的服务创新通常由数字平台和数据驱动能力促成，应对不断变化的患者需求和系统层面的挑战（Lusch and Nambisan, 2015; Pikkarainen et al., 2022）。这种创新在专业实践中日益核心，并且经常决定新技术成功整合的条件（Shaw et al., 2018）。创造创新文化依赖于授权团队、有效沟通和支持性领导；近期工作将医疗保健创新描述为技术进步与不断演变的交付系统之间的动态互动（Kosiol et al., 2024）。相比之下，产品/技术创新（例如，药物、设备、AI算法）通常由行业和工程团队主导，临床医生作为用户、共同设计者或测试者参与（Alami et al., 2020）。鉴于这种分工，健康专业人员的主要创新焦点通常是服务/流程改进，而高技术产品开发则通过跨学科、技术主导的方法进行。

1.3 本研究

这些区别对教育和专业身份具有重要影响。毕业生需要准备好通过调整工作流程、改进护理流程和批判性地整合工具来实践创新，而不一定要为设备或算法编写代码。关于AI辅助决策支持的研究显示了临床医生之间的身份紧张。虽然一些人因感知到自主权和专业知识的丧失而感到威胁，但另一些人则将AI视为增强其能力的工具（Ackerhans et al., 2024）。因此，教育者和领导者应培养重视持续学习、跨专业协作和创新的专业身份，使未来从业者能够引领而不是抵制数字化转型。

本研究考察了硕士层次的学生在跨学科健康-技术课程中，经过结构化、实践性的AI技术接触后，如何设想AI在未来临床实践和学术研究中的角色。我们使用DigCompEdu框架分析学生关于数字能力领域的未来导向视角，以及他们认为对发展专业身份、实践创新和未来准备所必要的支持。为解决这种跨学科相关性，我们设计并实施了一门汇聚健康和工程学科学生的课程，确保未来的临床医生和技术开发者都能培养这些基本技能。

RQ1. 学生如何预期在未来的临床工作和学术学习中应用AI，并且这些预期中反映了哪些与DigCompEdu一致的能力领域？
RQ2. 学生认为哪些伦理/安全条件和制度支持对于未来负责任的AI使用是必不可少的？
RQ3. 学生课程中的AI使用如何被理解为创新能力的证据（即识别机会、迭代改进工作流程、跨学科协作实施变革的能力）？

2 材料与方法

2.1 研究设计与课程概述

本研究使用硕士课程的前后调查评估。“健康与技术互动”课程侧重于医疗保健中的跨学科协作、技术创新和以用户为中心的设计。学生分组（4-6人）制定解决健康-技术问题的案例提案，通常与外部利益相关者互动。课程包括讲座、实践工作坊和基于案例的学习，强调AI整合、伦理考量和可持续医疗保健解决方案。关键主题包括技术研究、系统设计、用户参与和创新，来自健康服务和行业专业人士的贡献。通过理论与实践的结合，学生了解公共和私人利益相关者的角色，同时应对现实世界的医疗保健挑战。

2.2 数据收集

数据通过前测和后测以电子方式收集。前测在课程开始前约2周进行。报告了学生的专业背景、跨学科工作经验、技术创新经验以及AI使用经验。

后测在课程结束后立即进行。该调查是课程评估，并包含以下与AI在未来临床实践和学习中的作用相关的开放式问题：

在课程期间，你关于使用AI学到的最重要经验是什么？
AI在课程的各个阶段如何影响小组工作？
在课程期间，AI的使用最让你惊讶的是什么？
你能想到使用AI进行学习有什么缺点吗？
你在本课程中使用AI的经验将如何影响你在未来学习中的使用？
你认为AI将以何种方式改变你专业领域未来的工作？

2.3 数据分析

我们分析了课程结束时调查的开放式回答（n=34），采用反思性主题分析（Braun and Clarke, 2019; 2021），基于建构主义立场。我们的方法主要是归纳性和语义性的，关注参与者的明确含义。分析迭代进行：（i）熟悉（反复阅读、记笔记），（ii）在Excel中对所有相关片段进行初步编码，（iii）将编码整理成候选主题，（iv）对照编码数据和完整数据集审查主题，（v）通过指定每个主题的核心组织概念来定义和命名主题。为支持透明度和反思，主要分析员保留了分析备忘录、审计轨迹和不断演变的主题图。所有合著者均可访问匿名原始数据和编码材料，并被邀请在定期“批判性朋友”讨论中质疑并在适当时挑战新兴解释；一些合著者独立阅读了完整数据集或子集，以探讨替代解释并完善主题边界。我们积极寻找变异和对比示例，并选择说明性引语来传达典型性和范围。

DigCompEdu框架在解释/报告阶段用作敏感化框架（而不是在编码时用作演绎编码本）。DigCompEdu描述了22项能力，组织在以下六个领域（见图1）：专业参与（A1）；数字资源（A2）；教学与学习（A3）；评估（A4）；赋能学习者（A5）；促进学习者的数字能力（A6）。我们翻译了典型的教育者导向领域为学习者面对的能力描述符，以帮助表达和命名共享意义的模式，而不限制归纳编码。为了说明主题为了说明主题，我们在结果中为每个主题包含1-2条匿名逐字引语。引语在可读性方面进行了最小修改（省略号表示省略，括号表示说明），并在适用时从挪威语翻译成英语。在表1中，“数据证据（说明性）”一列展示了参与者近似的、综合的数据摘录，即保留参与者措辞和含义的简短释义。这些摘录提供描述性证据（非解释性声明）。

【图1：DigCompEdu框架，包含六个领域中的22项能力】

【表1：基线熟悉度、期望和与AI相关的学习需求（N=47）】

对于RQ1（预期使用AI），我们编码了所有描述在学习/临床工作中打算或设想的AI应用（例如，证据筛选、文档支持、范围界定/结构化），将这些模式归为实践模式，然后在解释阶段将其定位于相关的DigCompEdu领域（主要是A6，A1-A3也有贡献）。对于RQ2（风险和责任使用的条件），我们编码了命名负面因素（隐私、偏见、准确性/“幻觉”、过度依赖）以及有利条件（指导、治理素养、实践培训、验证时间/工具）的陈述，并对照A6.4负责任使用（以及组织支持的A1）进行解释。对于RQ3（创新能力），我们操作化了面向学习者的服务/流程视图，即识别机会、运行小的变革测试、验证/缓解风险以及跨学科协作的能力，并在定义和命名主题时将这些方面用作解释性提示（而非演绎编码本），这与DigCompEdu（A6/A1）和基于PDSA的质量改进方法一致。

2.4 伦理考量

已申请并获得挪威教育和研究共享服务局（SIKT）的批准（参考号397521）。参与者被告知他们有权随时退出，无需承担任何后果。已获得参与者的书面知情同意。

3 结果

参与者的先前AI经验描述性信息通过前测收集（n=47）。大多数参与者具有放射学和生物医学实验室科学背景，此外还有药学、护理、物理治疗、放射治疗、医学、生物医学/生物技术/分子生物学、公共卫生/健康经济学与政策，以及相关设计/工程学科（例如，工业设计、化学工程）的代表。

在回答职业一致性问题的40名受访者中，大多数人期望该课程通过培养AI辅助诊断和临床工作流程（例如，CT/MR、文档记录、自动化）的能力、加强跨专业协作以及提供创新/服务设计工具（用户需求、可用性、实施）来支持他们的职业规划。一个较小的群体对直接相关性不确定（特别是在生物医学实验室科学中），而少数已经使用AI的人预期更清晰的治理/验证实践以及政策、研究和数字化方面的潜在途径。

表1总结了学生对人工智能的初始熟悉度、对其在未来医疗保健中的作用的期望，以及了解更多AI与其专业相关性的兴趣。数据突显了普遍对AI相关性的乐观态度，同时伴随着有限的先前经验以及对结构化学习和伦理指导的强烈愿望。我们提出了五个主题；DigCompEdu领域代码显示在括号中（表2）。标签使用官方DigCompEdu术语。为在不使表2过载的情况下提供参与者的声音，我们在每个主题下包含1-2条匿名的示例引语。

【表2：与DigCompEdu对齐的主题（领域和示例子能力），附证据和差距】

3.1 主题1：未来临床整合 [A6, A1]

学生设想AI嵌入日常临床工作，如简化文档记录、筛选信息和支持决策路径。他们期望临床医生充当知情的评估者，将算法输出转化为临床负责任的行动，同时保持专业责任感。

“AI可以支持监测、解释医学图像、辅助手术，并帮助跟踪急诊科的患者流动。”
“在放射学图像上识别更多病理并提供更快的现场结果……可以减少放射科医生的工作量。”

3.2 主题2：学习轨迹 [A3, A2, A6]

到课程结束时，许多人报告了使用AI进行范围界定和构建学习任务的具体计划，辅以验证程序和引用管理。学生将AI视为支持其学术推理和自我调节而非取代它的学习辅助工具。

“我会在学习中更多地使用AI，但会以批判的方式使用。”
“这次经历鼓励我整合AI进行研究、组织和想法生成，以提高学习效率。”

3.3 主题3：专业身份与跨专业角色 [A1, A6]

课程中的接触使一些人将AI从仅仅是“工具”重新定义为“协作者”，促进跨专业边界的沟通。学生将自己视为临床视角与工程视角之间的翻译者，强调协作的同时保持以患者为中心的决策方法。

“自动化医院流程，为高要求任务腾出时间，缩短患者等待时间。”
“简化预约、协调和文书工作，减少电话通话，提高工作流程效率。”

3.4 主题4：伦理护栏与支持 [A6, A1]

对AI的乐观情绪被谨慎所调和。学生经常提出关于隐私、偏见、准确性（包括“幻觉”）以及过度依赖AI风险的担忧。他们强调需要治理素养、机构指导以及充足的时间和资源进行验证，以实现负责任且受良好监督的AI使用。

“AI将产生很大影响，但在安全使用之前必须解决安全问题。”
“我学会了如何正确安全地使用它，例如，永远不要与ChatGPT共享敏感信息。”

3.5 主题5：实践创新（服务/流程） [A6, A1]

与RQ3一致，学生使用AI对其工作流程进行的调整，例如模板化笔记、筛选信息和构建决策路径，被视为微创新。他们认为迭代、测试以及与技术人员协作对于确保AI保持有用、安全并以患者护理为中心至关重要。

“提高效率，为患者腾出时间，AI可以管理预约、提供以患者为中心的信息并帮助协调。”
“自动化日常任务并改进数据分析，增强决策能力，让专业人员专注于关键和创造性工作。”

3.6 与DigCompEdu框架的对齐

我们将每个主题与DigCompEdu框架对齐，以指示能力集中的位置和存在的差距（表1）。在表1中，“数据证据（说明性）”一列展示了参与者近似的、综合的摘录。

如表1所示，证据集中在A6（促进学习者的数字能力）和A1（专业参与）中，而A4（评估）代表性不足，突显了加强评估判断和反馈实践的必要性。

4 讨论

本研究考察了硕士层次的学生在跨专业健康-技术课程中结构化接触AI后，如何设想AI在未来临床实践和学习中的角色。如表1总结，学生的描述主要映射到A6（促进学习者的数字能力）和A1（专业参与），A2（数字资源）和A3（教学与学习）也有贡献；A4（评估）代表性不足，这表明加强评估判断和反馈实践的具体机会。结合先前关于数字能力和AI在健康教育中的研究，这种框架明确了学生认为对专业身份发展和未来准备所必需的能力和支持（Mainz et al., 2024; Meskó et al., 2017）。

学生探索了五个主题：未来临床整合、学习轨迹、专业身份（包括跨专业角色）、伦理指南和实践创新。他们预期AI工具在近期内整合，并描述了结合AI辅助范围界定和结构化与明确验证过程的实用学习路径。学生将自己定位为临床和技术视角之间的翻译者，同时倡导机构支持。他们将AI支持的工作流程调整视为微创新，通过迭代测试并以患者为中心的护理为重点进行开发。

重要的是，安全与伦理问题归属于A6.4（负责任使用），而非A4（评估）。在我们的数据中，“负责任使用”以学习者面对的术语出现：隐私、偏见、准确性/“幻觉”和过度依赖，突显了课程中对治理素养、明确监督以及验证时间和工具的需求。总之，发现主要映射到A6/A1，而A4代表性不足；三个RQ在下面详细阐述。

4.1 解决A4评估缺口

学生主要参与A6（特别是A6.1, A6.3, A6.4, A6.5）和A1，而A4（评估）代表性不足。与其说这是缺点，不如说这是一个建设性的诊断，可以指导课程设计。低风险活动，例如利用AI反馈与评分标准比较、使用范例进行标准校准以及进行简短的反思-修正论证，可以在不削弱人类监督的情况下增强A4的覆盖范围（Redecker and Punie, 2017; Rincón et al., 2025）。

最近推出的DigComp 3.0将AI重新定义为一项横向能力，贯穿其他数字领域：网络安全、权利/责任、福祉以及错误/虚假信息（The Joint Research Centre: EU Science Hub, 2025）。这将焦点从单纯的“使用工具”转向在这些领域中运用判断、治理和安全实践。在健康专业教育中，这意味着将AI素养嵌入这些相关领域。例如，将模型使用与隐私/安全程序配对；将提示和验证置于信息/媒体素养中；并将评估与责任和批判性评价对齐，而不是将AI视为独立主题。

4.2 服务/流程创新作为核心毕业生能力

学生通过AI支持的微创新（模板化、筛选、决策路径框架）展示了初级服务/流程创新，配以明确的验证程序以及健康-工程协作计划。通过生态系统视角解读，这些实践反映了临床医生经常主导的服务变革的共同创造和协调，并映射到DigCompEdu A1（专业参与）和A6（数字问题解决/负责任使用）（Lusch and Nambisan, 2015; Pikkarainen et al., 2022）。

一个有用的区别仍然是服务/流程创新（组织护理、工作流程和交付的新方式）与产品/技术创新（新工具、设备、软件）。前者通常由临床医生在本地生态系统中主导；后者通常需要工程/工业合作和平台能力（Greenhalgh et al., 2004; Omachonu and Einspruch, 2010）。为了培养服务创新能力，课程可以嵌入简短的“计划-执行-研究-行动”（PDSA）循环，使用简单的实施画布（问题→拟议变革→验证计划→风险/监督），并与最终用户运行简短的可用性走查。每个微变革应包括轻量级指标（例如，任务时间、错误/遗漏率、患者理解）和A6.4负责任使用检查（隐私、偏见、文档记录）。这将超越“实施”，走向数字健康服务设计，同时将产品级开发保留给与工程/工业的共同设计（Kosiol et al., 2024）。

4.3 AI时代的专业身份

学生将AI视为协作者而非仅仅是工具，这支持了他们作为AI增强型专业人员的身份，他们保留判断、沟通技巧和同理心（Ackerhans et al., 2024; Cruess et al., 2014）。为了在不妨碍人类能动性的情况下使这种身份正常化，课程可以嵌入简短、结构化的反思。例如，错误审计、责任图以及关于“我的专业判断在哪里增加价值”的简短备忘录，链接到A1（专业参与）和A6.4（负责任使用）（Braun and Clarke, 2019; 2021）。

4.4 跨专业准备

鉴于混合队列的构成，学生预期健康与工程在可用性、集成和治理方面的合作。简短的合作设计冲刺模拟了真实世界的部署，构建了共同语言，并培养了使AI既可用又安全的习惯（Greenhalgh et al., 2004; Guidance WHO, 2021; Rincón et al., 2025）。这种跨专业立场与A1（协作/专业参与）一致，而产品级开发则保留给与工程和工业的合作关系。

4.5 负责任AI使用的伦理护栏与制度支持

学生的乐观情绪始终与伦理谨慎相匹配，特别是关于隐私、偏见和部署条件（A6.4负责任使用），而不是将其视为障碍。在DigCompEdu的背景下，这些担忧属于A6.4（负责任使用），并指向具体支持：指南、监管/治理素养、实践培训以及验证时间/工具（Guidance WHO, 2021; Vuorikari et al., 2022）。

一个实用的课程级支持框架可以包括：（i）简洁的数据处理和提示安全指南；（ii）说明已知局限性的简短模型/功能卡；（iii）嵌入的验证例程（双源检查、错误日志）；（iv）简短的治理入门（风险类别、文档记录、责任归属）；（v）有针对性的教师发展。这些措施将负责任使用落实到操作层面，并与行业建议一致（Rincón et al., 2025; Mainz et al., 2024）。

4.6 启示

为了将谨慎的乐观转化为实践能力，课程应将实践性AI与验证例程、治理素养、专注于A4的评估活动（例如，将AI反馈与评分标准比较、校准标准）、跨专业共同设计和教师发展相结合。这种方法将DigCompEdu能力A6（信息与媒体素养、负责任使用、数字问题解决）和A1嵌入日常学习。它回应了健康教育和劳动力机构对结构化、体验式AI培训的呼吁（Guidance WHO, 2021; Redecker and Punie, 2017）。因此，毕业生不仅会更加熟练地使用工具，而且将具备伦理基础和未来准备。

4.7 研究局限性

在解释这些发现时，应承认研究的几个局限性。首先，研究依赖自我报告数据，而非行为或表现客观测量。虽然自我报告捕捉了学生的感知和意图，但可能存在偏差，例如社会期望或回忆偏差，可能无法准确反映实际参与度或学习成果（Chan and Hu, 2023）。第二，参与者来自单一机构的一门硕士课程，这限制了结果在该情境之外的普遍性（Divya et al., 2022）。本课程特定的教育环境和学生群体可能无法代表其他课程或机构，因此在将发现外推至更广泛的健康专业教育时应谨慎。最后，基线与课程结束时调查之间的短时间框架（一个学术期内）仅捕捉了态度的即时变化，而非长期影响。观察到的视角转变是否会持续或随时间转化为实践尚不清楚，这突显了进行纵向研究以追踪持续影响的必要性（Chan and Hu, 2023）。

4.8 未来研究方向与政策

优先的后续步骤是：（1）对毕业生进行纵向追踪，以测试AI整合教育是否能预测负责任使用（A6.4）、评估判断（A4）和有效的实践采纳，同时将自我报告与观察任务、工件分析和OSCE式评估进行三角验证；（2）使用共同结果（AI素养、信息/媒体实践、验证行为、伦理推理）比较教学模式（专门的AI课程与整合模块；模拟课程与课堂课程）（Redecker and Punie, 2017; Rincón et al., 2025）；（3）进行多站点/国际重复以考察课程和文化效应；（4）通过测量微变革周期（例如，PDSA）、跨专业共同设计和轻量级指标（任务时间、错误/遗漏率、文档质量、患者理解）来操作化服务创新能力；（5）评估以A4为导向的评估设计（AI反馈与评分标准比较、标准校准、反思-修正论证）对学生评估判断的影响（Redecker and Punie, 2017; Rincón et al., 2025）。

与其创建新框架，更可取的做法是使课程和认证与DigCompEdu和最新的DigComp 3.0保持一致，后者将AI视为一项横向能力，与网络安全、权利/责任、福祉和错误/虚假信息相交汇（The Joint Research Centre: EU Science Hub, 2017, 2025）。具体来说，监督机构应：（a）指定映射到DigCompEdu领域的核心AI/数字健康能力，并将其嵌入课程学习成果和评估蓝图；（b）要求教师发展，使教育者能够自信地监督AI辅助学习；（c）提供治理和伦理入门、验证时间/工具以及跨专业共同设计的资源，以反映实际部署（Bekiaridis and Attwell, 2024; Redecker and Punie, 2017; Vuorikari et al., 2022）。在机构层面，明确的AI使用政策、课程创新种子基金以及共享范例/评分标准的平台将帮助课程保持步伐，同时保障质量和公平性（Mainz et al., 2024; Shishehgar et al., 2025）。

5 结论

结构化、实践性的AI接触可以重塑硕士生在跨专业健康技术课程中对其未来实践和学习的设想。通过DigCompEdu的视角，学生的描述主要与A6（促进学习者的数字能力）一致，特别是在信息与媒体素养、数字内容创建、负责任使用和数字问题解决等领域——以及A1（专业参与），A2/A3也有贡献；A4（评估）代表性不足。对于RQ1，学生预期使用AI进行证据筛选、文档支持和构建学习，同时保持人类判断。对于RQ2，他们指定了负责任使用的条件：明确指导、治理素养、实践培训以及验证时间/工具。对于RQ3，他们通过AI支持的微变革和验证程序展示了服务/流程创新，表达了与工程师共同设计的意向，并阐明了一种AI增强的专业身份，该身份维护同理心、沟通和责任。

对于教育者和课程领导者来说，启示既是实用的也是紧迫的。必须将真实的AI使用与验证例程以及简短的治理/伦理入门相结合。此外，我们应通过诸如短期的计划-执行-研究-行动循环、简单的实施画布和可用性走查等方法来实践服务和流程创新。为了弥补框架中的一个重要缺口，我们必须纳入低风险的、以A4为导向的评估活动。例如，将AI生成的反馈与评分标准进行比较，以及校准标准以加强评估判断。这些步骤也与DigComp 3.0的目标一致，该目标强调AI应被视为一项横向能力，整合到相关的数字领域中。这强化了将AI与隐私和安全实践、权利/责任、福祉以及错误/虚假信息相结合的价值，而不是将其作为独立主题处理。这些方法将共同帮助毕业生不仅熟练掌握工具，而且具备伦理基础，能够在未来实现AI赋能的医疗保健。

声明

数据可用性声明

支持研究发现的匿名材料，包括调查工具、编码框架、主题图以及一套去标识化的示例引语，可根据合理要求从通讯作者处获得。

伦理声明

涉及人类的研究得到了挪威教育和研究共享服务局（SIKT）的批准（参考号397521）。研究按照当地立法和机构要求进行。参与者提供了参与本研究的书面知情同意书。已获得个人关于其任何可能可识别图像或作者贡献（已输出），此外：

资助

作者声明，此项工作及其发表未获得任何经济支持。

利益冲突

作者声明，此项工作是在不存在任何可能被解释为潜在利益冲突的商业或财务关系的情况下进行的。

生成式AI声明

作者声明，生成式AI被用于创建此手稿。生成式AI（ChatGPT）仅用于语言润色和格式建议。所有研究设计、数据分析、解释和最终文本均由作者制作和验证。

本文中与图表一同提供的任何替代文本均由Frontiers在人工智能的支持下生成，并已尽合理努力确保准确性，包括在可能的情况下由作者进行审查。如果您发现任何问题，请联系我们。