Beyond Lectures: Reimagining Psychiatric Didactics for the Age of AI
Notice bibliographique
Résumé
The increasing use of generative large language models (LLMs) necessitates a fundamental reevaluation of traditional didactic lectures in medical education, particularly within psychiatry. The specialty's inherent diagnostic ambiguity, biopsychosocial complexity, and reliance on nuanced interpersonal skills demand an educational model that transcends mere information transfer, focusing instead on cultivating sophisticated clinical reasoning. This viewpoint argues for a shift from passive knowledge transmission to active, facilitated development of higher-order thinking, aligning with the Bloom taxonomy. We describe four core propositions: (1) shifting foundational knowledge acquisition to faculty-curated asynchronous artificial intelligence (AI)-assisted micromodules; (2) transforming synchronous time into "Ambiguity Seminars" for discussing nuanced cases, biopsychosocial formulation, and ethical dilemmas, leveraging faculty expertise in guiding reasoning; (3) integrating live LLM critical interaction drills to develop prompt engineering skills and critical appraisal of AI outputs; and (4) realigning assessment methods (eg, objective structured clinical examinations [OSCEs], reflective writing) to evaluate clinical reasoning and integrative skills rather than rote recall. Successful implementation requires comprehensive faculty development, explicit institutional investment, and a phased approach that addresses scalability across varying resource settings. This reimagined approach aims to cultivate clinical wisdom, equipping psychiatric trainees with adaptive reasoning frameworks essential for excellence in an AI-mediated 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 | 0,021 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,008 |
| Communication savante | 0,011 | 0,014 |
| Science ouverte | 0,003 | 0,015 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,004 |
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 ».