AI Integration in Undergraduate Medical Education: A Qualitative Study of Faculty Perspectives in the UAE (Preprint)
Notice bibliographique
Résumé
Background: AI is transforming health care, creating an imperative to integrate AI into medical education. While student perspectives are well-studied, faculty views, particularly in non-Western contexts, remain underexplored. Objective: This qualitative study explores the perspectives of 10 medical faculty members from 2 institutions in the United Arab Emirates on integrating AI into undergraduate medical education. Methods: This multi-institutional qualitative study used purposive and reflexive sampling to recruit faculty from both public and private medical universities in the United Arab Emirates. Semistructured interviews were conducted with 10 faculty members involved in curriculum design, teaching, or assessment. Data collection followed COREQ (Consolidated Criteria for Reporting Qualitative Research) guidelines. Data were analyzed using a mixed inductive-deductive approach guided by the thematic analysis framework of Braun and Clarke. Findings were interpreted using the FACETS (Form, AI Use Case, Context, Education, Technology, and SAMR: Substitution, Augmentation, Modification, Redefinition) framework, which supported a structured examination of AI integration across different dimensions of teaching and learning. Results: Faculty primarily used generative AI tools, such as ChatGPT, for content creation, assessment development, and teaching support, reflecting a preference for accessible and general-purpose technologies. AI was mainly used to enhance teaching efficiency and support student learning, including personalized study planning and practice activities. Its application extended across preclinical and clinical contexts, with strong emphasis on adapting content to local cultural and ethical norms. While AI was perceived to improve efficiency and alignment between teaching and assessment, concerns were raised regarding equity, overreliance, and variability in student use. Overall, adoption remained focused on enhancing existing practices, with limited transformative use but recognition of future potential for more advanced applications. Conclusions: The UAE medical faculty demonstrate cautious optimism toward AI integration, recognizing its potential to enhance educational efficiency and personalization while emphasizing the critical importance of cultural contextualization. Current implementation remains at early adoption stages, focused on enhancement rather than transformation. Successful integration requires faculty development, context-sensitive policies, and equitable implementation strategies that address both technological and sociocultural dimensions of AI adoption 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
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 | 0,026 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,019 | 0,012 |
| Communication savante | 0,011 | 0,006 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».