Bridging the Implementation Gap in Medical AI Education: A Three-Lever Framework for Concurrent Reform (Preprint)
Notice bibliographique
Résumé
UNSTRUCTURED The rapid integration of artificial intelligence (AI) into clinical practice necessitates urgent restructuring of medical education and physician assessment to ensure future doctors are proficient and responsible users of AI tools. Despite the existence of core AI competencies, the current state of AI education within Canadian Undergraduate Medical Education (UGME) is highly inconsistent and disjointed, and available data indicate that most medical students receive minimal to no formal AI training even as they anticipate AI profoundly shaping their future careers. National policy, specifically the Pan-Canadian AI for Health (AI4H) Guiding Principles, has advanced the agenda by calling for AI literacy among health professionals and emphasizing core values such as equity, robust data practices, and Indigenous-led data governance. However, these principles offer limited practical guidance on the educational and regulatory mechanisms required for effective implementation. We contend that this critical implementation deficit arises from a traditional, sequential reform model in which faculty development, curriculum change, and regulatory updates occur in isolation. This slow, siloed approach is fundamentally inadequate for addressing AI’s inherent speed, opacity, and significant equity risks. To overcome this, we propose a three-lever concurrent implementation framework. This model posits that AI competencies transition from abstract requirements to practical application only when three levers—clinician-educator capacity, digitally enabled learning environments, and regulatory and assessment reform—are activated simultaneously and in alignment. This Viewpoint extends existing AI competency frameworks by theorizing AI curriculum implementation as a problem of concurrent lever activation and by outlining minimum concurrent actions for deans and regulators that can be adapted to competency-based medical education systems. Although illustrated with Canadian examples, the framework is designed to be transferable beyond Canada and offers a testable, licensure-level blueprint for embedding AI competence in medical education.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Théorique ou conceptuel | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Commentaire Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Théorique ou conceptuel | low |
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 | 0,053 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,055 |
| Communication savante | 0,020 | 0,021 |
| Science ouverte | 0,005 | 0,015 |
| Intégrité de la recherche | 0,011 | 0,009 |
| 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».