The role of generative artificial intelligence in psychiatric education– a scoping review
Notice bibliographique
Résumé
BACKGROUND: The growing prevalence of mental health conditions, worsened by the COVID-19 pandemic, highlights the urgent need for enhanced psychiatric education. The distinctive nature of psychiatry- which is heavily centred on communication skills, interpersonal skills, and interviewing techniques- indicates a necessity for further research into the use of GenAI in psychiatric education. OBJECTIVE: Given GenAI has shown promising outcomes in medical education, this study aims to discuss the possible roles of GenAI in psychiatric education. METHODS: We conducted a scoping review to identify the role of GenAI in psychiatric education based on the educational framework of the Canadian Medical Education Directives for Specialists (CanMEDS). RESULTS: Of the 12,594 papers identified, five studies met the inclusion criteria, revealing key roles for GenAI in case-based learning, simulation, content synthesis, and assessments. Despite these promising applications, limitations such as content accuracy, biases, and concerns regarding security and privacy were highlighted. CONCLUSIONS: Despite these promising applications, limitations such as content accuracy, biases, and concerns regarding security and privacy have been highlighted. This study contributes to understanding how GenAI can enhance psychiatric education and suggests future research directions to refine its use in training medical students and primary care physicians. GenAI has significant potential to address the growing demand for mental health professionals, provided its limitations are carefully managed.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».