Resident Physicians’ Perceptions of Artificial Intelligence and Implications for Medical Education: A Qualitative Study
Notice bibliographique
Résumé
Background: Educators have called for training in artificial intelligence (AI) in medical education given its certain impact on the future of healthcare. However, there is no consensus regarding how to introduce AI into medical education and little is known about how AI is viewed among medical trainees. In an effort to inform the development of medical education curricula on AI, this study explores perceptions of resident physicians regarding AI in healthcare and its possible impact on their future practice. Methods: The authors conducted focus groups with resident physicians across multiple specialties in 2018-2019. Residents were invited to voluntarily participate during pre-existing conference times. Interview transcripts were coded iteratively, and coded data was clustered into categories and themes to capture resident perceptions on AI. Results: Fifty-six residents from emergency medicine, internal medicine, pathology, pediatrics, and radiology participated in six separate focus groups. Conversations generated the following five overarching themes: healthcare is transforming, AI has a role at the clinical and systems level, concern for lack of agency in the development and implementation of AI, AI presents potential harms and uncertainties, and enduring roles of the physician: humanism, judgment, and responsibility. Conclusion: Residents described humanistic roles that should not be replaced by technology and voiced concerns that physicians lack agency to influence how AI will be used in healthcare. Medical education should explore humanistic and ethical challenges related to AI, provide a foundational understanding of AI technology, and offer opportunities for participation in the development of AI technology when possible.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».