The Role of AI in Shaping Medical Education: Insights from an Umbrella Review of Review Studies.
Notice bibliographique
Résumé
Introduction: Artificial intelligence (AI) has become integral to various fields, including medical education. This study explores AI applications in medical education through a review of relevant studies. Methods: Using the umbrella review method, this study synthesized findings from reviews conducted between 2018 and 2024. The PRISMA framework guided a comprehensive search of databases, including Science Direct, Springer, ERIC, PubMed, and Google Scholar. After quality assessment with the CASP framework, 77 systematic review articles were selected. Data analysis employed Elo and Kyngäs's qualitative content analysis approach, supported by expert validation and researcher consensus. Results: Six key themes of AI applications in medical education were identified: faculty, students, teaching and learning process, assessment, curriculum, and management/implementation. Management and implementation had the highest representation (26.5%), followed by teaching and learning processes (25.9%). Examples of each theme were highlighted. China produced the most articles, and three journals-International Journal of Educational Technology in Higher Education, Computers and Education: Artificial Intelligence, and Education and Information Technologies-were the leading publication venues. Conclusion: These six themes provide a roadmap for medical education policymakers to adapt to AI advancements. Emphasizing management and executive applications, the findings predict significant changes in the future of medical education and practice. This framework can help medical universities align curricula and operations with the evolving landscape of AI in healthcare.
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 | 0,045 | 0,129 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,047 | 0,034 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».