Artificial Intelligence and Medical Education (2013-2024): A Scopus-Based Bibliometric Analysis
Notice bibliographique
Résumé
Background: Artificial Intelligence (AI) is transforming medical education by enabling personalised learning, adaptive feedback, simulation-based training, and automated assessments. While AI offers significant benefits, including curriculum optimisation and virtual tutoring, concerns around data privacy, access, and ethical implementation persist. Although bibliometric studies have explored AI in healthcare, comprehensive analyses of global collaboration and publication trends in AI-focused medical education remain limited. Aim: This study aims to analyse global research trends, key contributors, and thematic developments in the application of AI within medical education. Methods: A bibliometric analysis was conducted using the Scopus database. The search strategy included terms such as "Medical Education", "Artificial Intelligence", "Machine Learning", "Deep Learning", "Clinical Training", "Virtual Patients", and "Simulation". Data were analysed using the Bibliometrix R package to assess publication volume, keyword co-occurrence, author collaboration, and citation patterns. Results: Research output on AI in medical education has grown significantly, peaking in 2024 with 1,081 publications. The United States leads in publication volume, followed by Russia and Canada. "Artificial Intelligence" was the most frequently used keyword. Co-authorship and co-citation networks revealed strong international collaboration, with emerging themes in clinical competence, virtual simulation, and ethical considerations. Conclusion: The future of artificial intelligence in medical education is promising, with applications in personalised treatment plans, drug development, and virtual healthcare assistants. AI has transformative potential for medical education, particularly in personalised learning and simulation-based training. Strategic investment in AI literacy, ethical frameworks, and infrastructure is essential to ensure equitable and effective integration across global contexts.
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 | 0,013 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,258 | 0,338 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».