Applications of Artificial Intelligence for Nonpsychomotor Skills Training in Health Professions Education: A Scoping Review
Notice bibliographique
Résumé
PURPOSE: This study explores uses of artificial intelligence (AI) in health professions education for nonpsychomotor skills training at undergraduate, postgraduate, and continuing health professions education levels for education program development, delivery, and evaluation. METHOD: This scoping review was conducted in 5 stages: (1) planning and research, (2) search strategy, (3) screening and selection, (4) review and recording data, and (5) synthesis. Seven bibliographic databases were searched using terms for artificial intelligence and continuing health professional education to capture articles that used AI for the purposes of nonpsychomotor skills training for health professions education and involved health care professionals and/or trainees. Databases were searched for articles published from January 1, 2001, to March 26, 2024. The original searches were performed on July 26, 2021, and again on March 26, 2024. Two reviewers independently screened, reviewed, and extracted data. Data extraction was performed using Kern's 6-step curriculum development framework to guide analysis. RESULTS: In total, 9,914 studies related to AI in health professions education for nonpsychomotor skills training were screened. Of these, 103 studies were identified that met the inclusion criteria. Of these 103 studies, 52 (50%) were cohort studies. The most common learner population was health care professional students (67 studies [65%]). Most studies (76 [74%]) were set in nonclinical settings. Sixty-eight studies (66%) fit under step 6 of Kern's criteria (evaluation and assessment), illustrating that AI is predominantly being used for the purposes of evaluation and assessment of learners and programs. CONCLUSIONS: Most studies in the literature illustrate that AI is being applied in a nonpsychomotor context to evaluate health professional education programs and assess learners. Additional opportunities to use AI in curriculum design and implementation could include identification of learning needs for training, personalizing learning with AI principles, and evaluating health care professional education programs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,032 | 0,112 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,029 | 0,029 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».