AI时代下医学生如何清醒的学习:一项真实世界RAG-AI研究解读

我爱免费

作者：微信文章




点击蓝字 关注我们

01

研究核心内容

人工智能最直观的应用形式，是作为一款交互性极强的问答工具，能够对各类问题形成有效回应。在这样的智能工具可随时调用的背景下，其对人群具有显著的吸引力，对于正处于新知识、新事物接收与学习阶段的学习者而言，这一特征尤为突出。

提问者在使用人工智能工具时，核心诉求始终围绕信息的准确性与获取的及时性展开。在人工智能技术高速发展与迭代的当下，该技术已被越来越多的人融入日常学习与生活场景。而在医学教育领域，行业同样在焦虑与期待的双重情绪中探索发展方向，一系列核心问题亟待解答：人工智能技术能否切实提升医学学习的效率？未来教育场景中教师的角色是否仍具不可替代性？面对人工智能生成的海量信息与回答，该通过何种方式辨别内容真伪、筛选有效信息？

尽管上述问题的答案仍需进一步探讨与验证，但有一点已形成明确共识：医学教育领域已悄然步入 “AI 助教” 发展新阶段。

近期，美国达特茅斯医学院于《NPJ Digital Medicine》（影响因子 15.1）发表的一项研究，为该领域的发展提供了珍贵的真实世界证据。

研究团队在教学场景中实际部署了一款基于检索增强生成（RAG）技术的 AI 教学助手 ——NeuroBot TA。区别于标准大语言模型（LLM）依托通用数据的训练模式，NeuroBot TA 的数据库完全由教师提供的课程材料构建。当学生提出与课程内容相关的问题时，该系统会先从专属知识库中检索匹配的文本片段，将其与系统提示整合为具备完整上下文的查询指令，再传递至大语言模型进行处理。依托这一技术逻辑，模型能够基于课程专属材料生成回答，而非单纯依赖预训练阶段习得的通用知识。也正因如此，NeuroBot TA 的回答虽在内容范围上有所限定，却能保障信息的真实性与可靠性。





02

研究关键发现

（一）使用行为特征：医学生对 AI 助教的使用呈 “关键场景依赖” 模式

研究团队通过后台使用数据挖掘，发现医学生对 NeuroBot TA 的使用行为具有显著的场景指向性，核心特征如下：

1. 日常课程学习阶段使用频次较低，工具使用与课程压力高度相关；

2. 考前冲刺阶段使用量呈爆发式增长，较日常提升 329%；

3. 时间分布上，夜间使用量显著高于白天；

4. 使用高峰集中于课程压力较大的时段，尤以各类考试期间为核心节点。

（二）对话主题分布：聚焦课程核心内容理解，以 PPT 相关问题为主要诉求

对 AI 助教的对话主题进行分类统计后发现，学生的提问高度围绕课程核心知识，未涉及疾病治疗、病例诊断等超出课程范围的内容，核心主题及占比依次为：神经解剖与生理（65.9%）、临床疾病相关知识（53.7%）、学习资料定位（31.4%）、神经传导途径（29.6%）、课程与考试相关信息（28.4%）。

上述主题分布既与RAG 技术的知识库范围限定于课程材料相关，也客观反映了医学生在系统课程学习阶段的核心知识需求，即聚焦基础理论与课程内容的理解，而非临床实践应用。

（三）学生主观反馈：认可信息可信度，对内容广度存在明确诉求

两届研究对象对 NeuroBot TA 的满意度评分呈逐步提升趋势，第一年满意度评分为 2.8/5，第二年提升至 3.3/5。学生的评价呈现明显的两面性，具体如下：

1. 正面评价：一是认可回答的可信度，因所有内容均基于课程指定材料生成，溯源性强；二是肯定工具的便捷性，支持 7×24 小时随时提问，突破时空限制；三是认可其教学辅助价值，认为可作为课程学习的有效补充工具。

2. 负面评价：一是回答范围受知识库限制，无法解答超出课程材料的问题；二是功能单一，无法生成完整的学习笔记；三是综合信息整合与拓展能力有限。

上述反馈反映出医学生对教学类 AI 工具的核心需求：在保证信息准确性与溯源性的基础上，对内容广度与功能多样性存在明确期待，而当前 RAG 技术受限于知识库范围，暂无法实现二者的兼顾。

03

研究核心启示

（一）AI 在医学教育中的角色升级：从单纯问答工具向 “结构化学习伙伴” 转变

本研究表明，基于 RAG 技术的 AI 助教已突破传统问答工具的功能边界，不再仅满足碎片化问题的解答，而是能够基于课程材料为学习者提供结构化、可溯源的学习支持，成为医学生课程学习中的专属辅助伙伴，实现了从 “被动答疑” 到 “主动支撑” 的角色转变。

（二）RAG 技术赋能教学 AI：提升医学教育智能化应用的安全性与可信度

依托 RAG 技术构建的专属课程知识库，让教学类 AI 工具摆脱了通用大语言模型 “生成内容不可控” 的弊端，使其更贴合医学教育的严谨性要求 —— 如同为医学生配备的 “贴身助教”，所有解答均基于标准化课程材料，既保证了信息的准确性，也让 AI 在医学教育中的应用更具安全性与可控性。

（三）医学 AI 教育生态逐步成型：本土化实践与国际研究路径趋同

当前国内高水平医学教学机构正加速布局医学教育智能化建设，数字病人、临床技能大模型等产品的研发与应用，均采用了与 NeuroBot TA 一致的技术路径 —— 基于专属教学知识库构建定制化 AI 工具，标志着我国医学 AI 教育生态已进入实质性建设阶段，与国际前沿研究形成同频发展。

04

展望：AI 将重塑医学教育的学习模式

随着知识图谱、多模态输入、智能教学交互等技术的不断发展，AI 在医学教育领域的应用将进一步深化，其角色将从单一的教学辅助工具，逐步成为贯穿医学教育全流程的核心基础设施，覆盖基础课程学习、临床思维训练、临床技能操作、考核评估等各个环节。

现有研究证据均表明，医学教育的智能化转型已进入加速期，AI 并非医学教育的 “替代者”，而是学习模式的重塑者。现阶段，医学教育类 AI 工具的核心价值体现在三大维度：提升知识获取效率，让学习更 “快”；打破信息获取壁垒，让知识更 “可达”；突破时空限制，让答疑辅导更 “便捷”。未来，随着技术的持续迭代，AI 将进一步推动医学教育向个性化、精准化、高效化方向发展。



周虎 主任

门诊：每周一下午、每周四上午

病房:河南省肿瘤医院5号楼7楼血液九病区

主任医师、教授、博士生导师

医学博士，河南省肿瘤医院血液科副主任

河南省肿瘤医院贫血、止血血栓病区主任

河南省止血血栓诊断研究工程中心主任

河南省卫健委领军人才

中华医学会血液学分会止血与血栓学组委员

中国老年医学会血液学分会委员及血小板学组委员

中国生理学会止血血栓专委会委员

中国血液病专科联盟再障协作组副组长

中国血液病专科联盟MPN研究联盟副秘书

CSCO    MDS/MPN专委会常委

中国罕见病联盟血友病专委会常委

河南省血液学专业委员会止血与血栓学组副主委

《EJMO》杂志副主编

《血栓与止血学》、《Hematology》、《BLOOD》中文版杂志编委

主持国家自然科学基金面上项目3项

国家重点研发计划骨髓衰竭精准诊断及创新治疗课题骨干

主编参编参译专著《血液分册/内科疑难病例系列丛书》《威廉姆斯血液学第十版》等7部

作为PI或Leading PI 主导或参与注册临床研究160余项

作为通讯（共同通讯）或第一作者（共同第一）在JTH（影响因子17分）， lancet haematology（影响因子30分）British journal of hametology等近5年共发表论文数十篇



谢傲

河南省肿瘤医院血液科，研究生在读

导师：周虎教授