Artificial intelligence for assessment in competency-based medical education: current practices and future directions
Notice bibliographique
Résumé
BACKGROUND: Competency-Based Medical Education (CBME) relies on frequent, competency-focused assessments, which can be challenging to implement consistently. Artificial Intelligence (AI) holds promise to improve assessment efficiency, objectivity, and feedback in CBME, but its use remains in early stages with limited understanding of current practices and evaluation methods. This study aims to map existing AI applications in CBME assessments to guide future work. METHODS: A comprehensive search was performed in MEDLINE (Ovid), EMBASE (Ovid), PsycINFO, and Scopus using tailored keywords and MeSH terms. Included studies focused on the deployment of AI for assessment within CBME, covering applications in generating, analyzing, or interpreting evaluation data across undergraduate, graduate, and continuing professional education. The PRISMA-ScR guidelines were used to ensure transparent reporting, and findings were synthesized following Levac et al.'s approach. RESULTS: Of the 1002 search results, 32 studies met the inclusion criteria. Key findings indicate a wide application of AI from surgical or procedural skill assessment, to clinical note assessment, communication assessment, feedback generation, projected trainee performance, and analysis of narrative feedback from supervisors. CONCLUSION: This review highlights potential advantages, such as timely evaluations, and challenges, such as lack of granularity, of AI integration. In conclusion, thoughtful integration of AI into competency-based medical education can complement traditional assessment methods and enhance learner outcomes, provided it is supported by robust infrastructure, ethical oversight, and collaborative policy development.
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 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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».