Utilization of AI Among Medical Students and Development of AI Education Platforms in Medical Institutions: Cross-Sectional Study
Notice bibliographique
Résumé
BACKGROUND: The emergence of Artificial Intelligence (AI) is driving digital transformation and reshaping medical education in China. Numerous medical schools and institutions are actively implementing AI tools for case-based learning, literature analysis, and lecture support. This expanding application is accelerating the adoption of localized AI platforms, which are poised to become integral components in the coming years. OBJECTIVE: The primary aim of this study was to investigate the current use of AI tools among medical students, including usage frequency, commonly used platforms, and purposes of use. The second aim was to explore students' needs and expectations toward AI-powered medical education platforms by collecting and assessing student feedback and to identify practical requirements across disciplines and academic stages to inform more effective platform design. METHODS: Based on the Task-Technology Fit (TTF) model and five hypotheses, an anonymous online questionnaire was conducted to assess AI usage in learning, gather student feedback on AI-powered medical education platforms, and evaluate expected functionalities. The survey was conducted from March 1 to May 31, 2025, using a convenience sampling method to recruit medical students from various disciplines across Shanghai, China. The sample size was determined to be 422, accounting for a 10% rate of invalid responses. The questionnaire was developed and distributed online via Wenjuanxing and promoted through WeChat groups and in-person interviews. Data analysis was conducted employing IBM SPSS Statistics (v 27.0). RESULTS: A total of 428 valid questionnaires were collected. The average frequency of AI-assisted learning among medical students was 5.06±2.05 times per week. Over 90% of students (388/428) used more than two AI tools in their daily tasks. Students from different disciplines, educational stages, and academic systems demonstrated different usage patterns and expectations for AI-powered medical education platforms. CONCLUSIONS: AI technology is widely accepted by medical students and is extensively applied across various aspects of medical education. Significant differences are observed in usage patterns across disciplines, educational stages, and academic systems. Understanding the actual needs of students is crucial for the construction of AI-powered medical education platforms.
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 | Observationnel | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | high |
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».