Artificial Intelligence Meets Holistic Review: Promises and Pitfalls of Automating the Medical Education Admissions Process
Notice bibliographique
Résumé
ABSTRACT: Holistic review has been widely adopted in medical education as a means of promoting equity in the application process and diversity in the medical workforce. Artificial intelligence (AI) is a rapidly emerging technology already having an impact on the medical school and residency application process as students and faculty alike increasingly turn to AI tools to automate some steps in the preparation and evaluation of application materials. While AI may have the potential to improve the holistic admissions process by increasing efficiency and adding some measure of standardization among reviewers, the authors caution that this promise does not come without certain pitfalls. AI models may introduce new sources of bias and amplify existing ones, which, when combined with a lack of transparency regarding their use in the admissions process, may perpetuate the very inequities that holistic review seeks to minimize. The authors call for the medical education community to establish clear regulations to govern the acceptable use of AI in the admissions process and for a principled adoption of AI tools in a way that is sustainable for applicants and reviewers in the future.
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 | 0,510 | 0,730 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,007 | 0,013 |
| Communication savante | 0,025 | 0,017 |
| Science ouverte | 0,005 | 0,014 |
| Intégrité de la recherche | 0,008 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».