AI in Psychiatric Education and Training From 2016 to 2024: Scoping Review of Trends
Notice bibliographique
Résumé
Background: Artificial intelligence (AI) is rapidly changing both clinical psychiatry and the education of medical professionals. However, little is currently known about how AI is being discussed in the education and training of psychiatry for medical students and doctors around the world. Objective: This paper aims to provide a snapshot of the available data on this subject as of 2024. A deliberately broad definition of AI was adopted to capture the widest range of relevant literature and applications, including machine learning, natural language processing, and generative AI tools. Methods: A scoping review was conducted using both peer-reviewed publications from PubMed, Embase, PsycINFO, and Scopus databases, and gray literature sources. The criterion for inclusion was a description of how AI could be applied to education or training in psychiatry. Results: A total of 26 records published between 2016 and 2024 were included. The key themes identified were (1) the imperative for an AI curriculum for students or doctors training in psychiatry, (2) uses of AI to develop educational resources, (3) uses of AI to develop clinical skills, (4) uses of AI for assessments, (5) academic integrity or ethical considerations surrounding the use of AI, and (6) tensions relating to competing priorities and directions. Conclusions: Although a nascent field, it is clear that AI will increasingly impact assessment, clinical skills training, and the development of teaching resources in psychiatry. Training curricula will need to reflect the new knowledge and skills required for future clinical practice. Educators will need to be mindful of academic integrity risks and to emphasize development of critical thinking skills. Attitudes of psychiatrists toward the rise of AI in training remain underexplored.
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 | 0,017 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,035 | 0,039 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».