воспроизведение видео без звука зацикливание пауза видео без звука зацикливание включение звука видео выключение звука
Мы изучаем полезность моделей искусственного интеллекта Google в качестве инструментов в медицинском образовании. Используя подход, ориентированный на обучающегося и основанный на оценке, мы стремимся переосмыслить будущее образования для медицинских работников.
Быстрые ссылки
- Генеративный ИИ для медицинского образования
- LearnLM: Совершенствование Gemini для обучения
- Делиться
В сфере здравоохранения во всем мире наблюдается критическая нехватка кадров: по прогнозам, к 2030 году дефицит медицинских работников превысит 11 миллионов человек. В Google мы изучаем, как искусственный интеллект может трансформировать образование для медицинских профессий, чтобы помочь сократить этот разрыв, проводя исследования того, как модели ИИ Google могут служить эффективными инструментами персонализированного обучения в медицинских учебных заведениях.
Сегодня мы представляем два таких исследования. Во-первых, в статье «Генеративный ИИ для медицинского образования: выводы из тематического исследования со студентами-медиками и ИИ-репетитором для клинического мышления», опубликованной на конференции CHI 2025, мы использовали качественный подход к пониманию и разработке решений для студентов-медиков посредством междисциплинарных семинаров по совместному проектированию, быстрого прототипирования и пользовательских исследований. Во-вторых, в нашем последнем обновлении статьи «LearnLM: улучшение Gemini для обучения» мы количественно оценили LearnLM — наше семейство моделей на основе Gemini, доработанных для обучения, — в сценариях медицинского образования на основе оценок предпочтений как студентов-медиков, так и преподавателей-врачей. Оба исследования выявили сильный интерес к инструментам ИИ, которые могут адаптироваться к обучающимся и включать в себя поведение, подобное поведению наставника, например, предоставление конструктивной обратной связи и развитие критического мышления. Преподаватели-врачи оценили LearnLM как демонстрирующий лучшие педагогические методы и ведущий себя «больше как очень хороший человеческий репетитор» по сравнению с базовыми моделями. Эти новые возможности теперь доступны в Gemini 2.5 Pro.
Понимание обучающегося в медицинском вузе
Применение подхода, ориентированного на обучающегося, имело решающее значение для разработки ответственных инструментов искусственного интеллекта, которые масштабируют индивидуальные траектории обучения и дополняют подходы, основанные на компетенциях. В основе этого подхода лежит проведение предварительного исследования пользовательского опыта (UX) для понимания потребностей обучающихся-медиков. В рамках процесса совместного проектирования мы начали с семинара по совместному проектированию, на котором собралась междисциплинарная группа студентов-медиков, врачей, преподавателей медицинских вузов, UX-дизайнеров и исследователей в области ИИ для определения возможностей внедрения ИИ в этой сфере. Результаты этой сессии легли в основу разработки прототипа ИИ-репетитора, специально разработанного для обучения студентов клиническому мышлению на основе синтетического клинического примера.
Затем мы оценили полезность прототипа ИИ-репетитора в качественном пользовательском исследовании с участием восьми человек (4 студентов-медиков и 4 ординаторов). Целью исследования было выявление потребностей и проблем участников в обучении, а также их отношения к использованию ИИ в образовании. Каждый участник принял участие в часовой сессии с UX-исследователем, включавшей полуструктурированные интервью и интерактивные сессии с прототипом. Все сессии проводились удаленно с помощью программного обеспечения для видеоконференций. Участники получали доступ к прототипу по веб-ссылке и демонстрировали свой экран во время взаимодействия с прототипом.
Наш тематический анализ интервью с обучающимися медицинскими специальностями выявил различные проблемы, связанные с приобретением навыков клинического мышления, и потенциал генеративного ИИ в решении этих проблем. Например, обучающиеся медицинские специальности выразили значительный интерес к инструментам ИИ, способным адаптироваться к уникальным индивидуальным стилям обучения и пробелам в знаниях. Участники также подчеркнули важность поведения, подобного поведению наставника, такого как управление когнитивной нагрузкой, предоставление конструктивной обратной связи и поощрение вопросов и размышлений.
Обзор процесса исследовательских работ с участием общественности, направленных на понимание и создание условий для обучения студентов-медиков посредством междисциплинарного семинара по совместному проектированию, быстрого прототипирования и качественных исследований пользователей.
Встреча с будущими врачами-медиками там, где они находятся.
Основываясь на этих данных, мы провели слепое исследование осуществимости с участием студентов-медиков и преподавателей-врачей, чтобы количественно оценить педагогические качества LearnLM в условиях медицинского образования по сравнению с Gemini 1.5 Pro в качестве базовой модели. В сотрудничестве с экспертами мы разработали набор из 50 синтетических сценариев оценки по широкому кругу тем медицинского образования, от доклинических тем, таких как активация тромбоцитов, до клинических тем, таких как неонатальная желтуха, отражающих основные компетенции и стандарты медицинского образования.
Мы привлекли студентов-медиков как на доклиническом, так и на клиническом этапах обучения для участия в интерактивных беседах с LearnLM и базовой моделью в рандомизированном и слепом порядке. Студенты использовали сценарии оценки для ролевых игр, представляя различные типы обучающихся с разными целями обучения и ролями, в результате чего было создано 290 бесед для анализа. Каждый сценарий предоставлял обучающимся контекст для максимально стандартизации взаимодействия между обеими моделями, включая цель обучения, базовые материалы, роль обучающегося, план беседы и первоначальный вопрос, используемый обучающимся для начала разговора.
Пример сценария, использованного для оценки возможностей LearnLM в контексте медицинского образования.
Затем студенты оценивали поведение модели, сравнивая два взаимодействия в каждом сценарии по четырем критериям: (1) общее впечатление, (2) удовлетворение учебных потребностей, (3) удовольствие и (4) понятность. Преподаватели-врачи оценивали поведение модели, анализируя стенограммы разговоров и описания сценариев. Для каждого сценария преподаватели анализировали стенограммы обоих разговоров между обучающимся и моделью и выставляли оценки предпочтений по пяти критериям: (1) демонстрация педагогических навыков, (2) поведение, подобное поведению очень хорошего наставника, (3) следование инструкциям, (4) адаптация к обучающемуся и (5) поддержка учебной цели. Мы собрали в среднем три независимых отзыва преподавателей на каждую пару разговоров. Все оценки предпочтений проводились в случайном порядке и вслепую с использованием 7-балльных шкал, отражающих спектр сильных сторон предпочтений, включая возможность выразить отсутствие предпочтений между двумя моделями.
Преподаватели медицинских вузов неизменно отдавали предпочтение LearnLM по всем пяти критериям сравнения. Они особенно положительно оценивали LearnLM с точки зрения демонстрации более качественной педагогики (в среднем +6,1% по нашей шкале оценок) и за то, что платформа ведёт себя «больше как очень хороший человеческий наставник» (+6,8%). Если же рассматривать только то, выражали ли преподаватели какие-либо предпочтения в ту или иную сторону — независимо от их величины — то LearnLM явно оказался их выбором в большинстве оценок по каждому критерию. Студенты-медики наиболее сильно отдавали предпочтение LearnLM, отмечая, что с платформой приятнее взаимодействовать (в среднем +9,9% по нашей шкале оценок). Предпочтения студентов были менее выражены по остальным трём критериям сравнения, хотя в целом LearnLM также отдавала предпочтение.
Данное исследование указывает на потенциал LearnLM в преобразовании образовательных и учебных парадигм и масштабировании квалифицированной медицинской рабочей силы. Ни одни из данных, использованных для разработки или оценки модели в этом исследовании, не содержали реальных данных о пациентах. Подробности моделирования см. в техническом отчете.
Предпочтения, выраженные преподавателями-врачами и студентами-медиками, показывают долю оценок, отдающих предпочтение каждой модели в различных сценариях медицинского образования.
Переосмысление образования в сфере здравоохранения
Недавно мы представили результаты этого исследования на конференции MedEd on the Edge в Нобелевском форуме и провели практический семинар для международного сообщества медицинского образования, чтобы изучить эти возможности. Мы признаем двойную роль преподавателей как педагогических экспертов и исследователей в этой быстро развивающейся области знаний. Реализация ответственного будущего требует пристального внимания к таким задачам, как обеспечение точности, минимизация предвзятости и сохранение важнейшей роли человеческого взаимодействия и контроля. Это подчеркивает необходимость переоценки компетенций и профессиональной деятельности, заслуживающей доверия, а также необходимость учебных программ, которые развивают адаптивную экспертизу, фокусируясь не только на применении ИИ в образовании, но и на обучении фундаментальному пониманию самого ИИ. На этом этапе генеративный ИИ может служить катализатором желаемой продуктивной борьбы за развитие более глубокого понимания и критического мышления. Поскольку этот путь только начался, ниже приведены несколько примеров того, как ИИ от Google потенциально может трансформировать образование в сфере здравоохранения.
Посмотрите фильм
Ссылка на видео на YouTube
Примеры того, как преподаватели и учащиеся могут использовать искусственный интеллект Google для переосмысления образования в сфере здравоохранения. Возможности LearnLM теперь интегрированы и доступны в Gemini 2.5 Pro.
Заключение
Данное исследование продолжает закладывать основу для эффективного проектирования и внедрения персонализированных программ обучения, предоставляя возможность ускорить развитие клинической компетентности и в конечном итоге улучшить результаты лечения за счет переосмысления образования в сфере здравоохранения. Мы стремимся к сотрудничеству с сообществом специалистов в области здравоохранения, чтобы вдумчиво и ответственно подготовить будущих медицинских работников к успешной работе в условиях здравоохранения, дополненного искусственным интеллектом.
Благодарности
Описанное здесь исследование является результатом совместной работы Google Research, Google for Health, Google DeepMind и партнерских команд. В этой работе приняли участие следующие исследователи: Кевин Макки, Дэн Гиллик, Ирина Юренка, Маркус Кунеш, Каиз Аларакия, Мириам Шнайдер, Дженн Стерджен, Мэгги Шилс, Эми Ванг, Рома Рупарель, Анна Юрченко, Махвиш Нагда, Джули Энн Сеген, Дивья Пандья, Патрисия Страчан, Рене Вонг, Рене Шнайдер, Викнеш Саундераджа, Пит Кларди, Гарт Грэм, Меган Джонс Белл, Майкл Хауэлл, Джонатан Краузе, Кристофер Семтурс, Дейл Вебстер, Авинатан Хассидим, Жоэль Барраль, Ронит Левави Морад и Йосси Матиас. Особая благодарность участникам, внесшим свой вклад в эти исследования.
Источник: research.google
