Artificial intelligence in health professions education: <i>A state-of-the-art meta-review</i>
Notice bibliographique
Résumé
Abstract The growing adoption of artificial intelligence (AI) technologies in healthcare is transforming modern healthcare systems, necessitating current and future healthcare providers to be educated on the meaningful use of AI in their academic and professional activities. Despite an emerging body of literature emphasizing the use of AI in health professions education (HPE) and the availability of multiple reviews on this topic, there is a lack of meta-research evidence that can provide a broader overview of the evidence landscape reported across the existing systematically conducted literature reviews. This meta-review aimed to synthesize evidence on the applications of different AI technologies in HPE, multi-level factors influencing the applications of AI in HPE, and associated outcomes from existing systematically conducted literature reviews (SCLRs). A total of 48 eligible SCLRs were identified from six databases and additional sources, and the synthesized findings suggest emerging use cases of multiple AI technologies among HPE users and institutions, including AI-assisted instructional delivery, augmenting learning sessions, content optimization, and providing feedback. While most reviews reported positive HPE-related outcomes, there are critical challenges at the user and institutional levels, which should be considered for effective AI implementation in HPE. Building AI capacities among HPE users and facilitating AI resources development are critical for AI adoption. This meta-review may inform HPE and broader healthcare communities to advance knowledge and practice on evidence-based AI in HPE settings.
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 | 0,017 | 0,088 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,013 |
| Bibliométrie | 0,011 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».