ابزارهای هوش مصنوعی در مدت کوتاهی از یک فناوری تازه به بخشی از آموزش پزشکی تبدیل شده‌اند؛ از توضیح مفاهیم و ساخت سؤال گرفته تا شبیه‌سازی بیمار و ارائه بازخورد. اما هرچه دسترسی به پاسخ آسان‌تر می‌شود، یک پرسش جدی‌تر شکل می‌گیرد: اگر دانشجو پاسخ بسیاری از سؤال‌هایش را در چند ثانیه دریافت کند، کتاب مرجع و فرایند ساختن دانش پزشکی چه جایگاهی خواهند داشت؟

تا همین چند سال پیش، وقتی دانشجوی پزشکی در فهم یک مبحث فیزیولوژی، آناتومی یا پاتولوژی به مشکل می‌خورد، مسیر کم‌وبیش مشخص بود؛ کتاب مرجع را باز می‌کرد، سراغ جزوه استاد می‌رفت یا از یک دانشجوی سال بالاتر کمک می‌گرفت. امروز یک گزینه دیگر به این فهرست اضافه شده است: پرسیدن از هوش مصنوعی.

یک ابزار مبتنی بر هوش مصنوعی می‌تواند مفهومی پیچیده را ساده کند، برای یک موضوع مثال بسازد، از دانشجو سؤال بپرسد یا مطلبی را خلاصه کند. همین قابلیت‌ها باعث شده پرسش قدیمی درباره انتخاب کتاب‌ها و منابع پزشکی با سؤال تازه‌ای همراه شود: وقتی جواب در چند ثانیه تولید می‌شود، کتاب پزشکی هنوز چه ضرورتی دارد؟

شواهد فعلی بیشتر از حذف کتاب، از تغییر جایگاه آن در کنار ابزارهای جدید یادگیری خبر می‌دهند. مسئله نیز فقط تغییر عادت مطالعه دانشجویان نیست؛ اگر هوش مصنوعی بخشی از فرایند یادگیری، حل مسئله و ارزیابی اطلاعات را تغییر دهد، موضوع در نهایت به شیوه تربیت پزشک و کیفیت قضاوت حرفه‌ای او مربوط خواهد شد.

هوش مصنوعی چگونه وارد آموزش پزشکی شده است؟

استفاده از هوش مصنوعی در دانشکده‌های پزشکی دیگر صرفاً حاصل کنجکاوی چند دانشجو نیست. در نظرسنجی‌های انجمن کالج‌های پزشکی آمریکا (AAMC)، سهم دانشکده‌های پزشکی پاسخ‌دهنده‌ای که اعلام کردند هوش مصنوعی در برنامه درسی آنها پوشش داده می‌شود، از ۵۳ درصد در سال ۲۰۲۳ به ۷۷ درصد در سال ۲۰۲۴ رسید. تعداد پاسخ‌های مثبت نیز از ۸۸ دانشکده به ۱۴۰ دانشکده افزایش یافت.

البته ترکیب نمونه دو نظرسنجی کاملاً یکسان نبوده است؛ بنابراین این اعداد را بهتر است نشانه‌ای از سرعت گسترش موضوع هوش مصنوعی در آموزش پزشکی بدانیم، نه یک مقایسه آزمایشگاهی دقیق.

کاربرد این فناوری نیز فقط به سؤال‌کردن از یک چت‌بات محدود نمی‌شود. تولید تمرین، شبیه‌سازی بیمار، ارائه بازخورد و کمک به شخصی‌سازی آموزش از جمله کاربردهایی هستند که در دانشکده‌های پزشکی بررسی یا اجرا می‌شوند. AAMC نیز در سال ۲۰۲۶ توسعه مجموعه‌ای از شایستگی‌های مرتبط با هوش مصنوعی برای آموزش پزشکی را دنبال کرده است؛ اقدامی که نشان می‌دهد بحث دیگر بر سر ورود یا عدم ورود این فناوری نیست، بلکه بر سر چگونگی استفاده از آن است.

پژوهش‌های اولیه هم استفاده آموزشی از این ابزارها را بی‌فایده نشان نمی‌دهند. یک متاآنالیز منتشرشده در BMC Medical Education که ۱۱ کارآزمایی تصادفی با مجموع ۷۸۶ دانشجوی پزشکی را بررسی کرد، در نتیجه کلی تفاوت معناداری در کسب دانش میان آموزش مبتنی بر هوش مصنوعی مولد و روش‌های سنتی پیدا نکرد. در بعضی تحلیل‌های فرعی، به‌ویژه دوره‌های طولانی‌تر و آموزش‌های عملی، نتایج به نفع روش‌های مبتنی بر هوش مصنوعی بود.

با این حال، پژوهشگران کیفیت کلی شواهد را پایین ارزیابی کرده‌اند و ناهمگونی میان مطالعات زیاد بوده است. بنابراین این یافته‌ها هنوز برای نتیجه‌گیری درباره برتری کلی یک روش بر روش دیگر کافی نیستند.

پاسخ سریع، جای منبع معتبر را می‌گیرد؟

توانایی تولید پاسخ فوری، مهم‌ترین جذابیت هوش مصنوعی برای بسیاری از کاربران است. اما دریافت سریع یک پاسخ، به خودی خود چیزی درباره میزان اعتبار آن نمی‌گوید.

سازمان جهانی بهداشت درباره استفاده از مدل‌های مولد در حوزه سلامت هشدار داده است که این سیستم‌ها ممکن است اطلاعات غلط، ناقص یا سوگیرانه تولید کنند. WHO همچنین به خطر «سوگیری اتوماسیون» توجه داده است؛ وضعیتی که در آن اعتماد بیش از اندازه به یک سیستم می‌تواند باعث شود کاربر خطایی را که در شرایط عادی تشخیص می‌داد، نادیده بگیرد.

در آموزش پزشکی، این مسئله اهمیت بیشتری پیدا می‌کند. دانشجویی که هنوز دانش پایه کافی برای ارزیابی یک پاسخ ندارد، ممکن است در برابر متنی روان، منظم و ظاهراً مطمئن آسیب‌پذیرتر باشد. خروجی یک مدل می‌تواند قانع‌کننده باشد، بی‌آنکه همه اجزای آن الزاماً درست یا کامل باشند.

هوش مصنوعی را می‌توان «واحد پاسخ» دانست؛ کتاب مرجع بیشتر «واحد دانش سازمان‌یافته» است.

دانشجو در کتاب فقط جواب یک سؤال را پیدا نمی‌کند. او می‌بیند یک مفهوم در کجای یک نظام علمی قرار دارد، چه دانشی پیش‌نیاز آن است و چگونه به مباحث دیگر متصل می‌شود. ترتیب فصل‌ها، ارتباط مفاهیم و حرکت از مبانی به جزئیات، خود بخشی از فرایند یادگیری است؛ چیزی که هنگام دریافت یک پاسخ منفرد ممکن است به چشم نیاید.

کتاب همچنین منبعی قابل شناسایی است. عنوان، نویسنده، ناشر، ویرایش و ساختار آن مشخص است و خواننده می‌داند دقیقاً با کدام نسخه و کدام منبع روبه‌روست. به همین دلیل آشنایی و دسترسی به کتاب‌ها و منابع پزشکی همچنان برای دانشجویی که در حال ساختن دانش علمی خود است اهمیت دارد؛ حتی اگر برای توضیح سریع‌تر یا مرور بعضی مفاهیم از هوش مصنوعی کمک بگیرد.

البته کتاب نیز مصون از قدیمی‌شدن نیست؛ اما عنوان، ویرایش و منشأ آن قابل ردیابی است، در حالی که مسیر رسیدن یک مدل عمومی به پاسخ همیشه به همین وضوح در برابر کاربر قرار ندارد.

پس انتظار نمی‌رود کتاب در سرعت با هوش مصنوعی رقابت کند. اهمیت آن بیشتر در ساختار، زمینه علمی و قابلیت ردیابی اطلاعات باقی می‌ماند.

نگرانی تازه؛ وقتی هوش مصنوعی به‌جای دانشجو فکر می‌کند

نگرانی مهم‌تر شاید این نباشد که دانشجو کتاب کمتری بخواند؛ مسئله این است که آیا بخشی از فرایند فکرکردن را هم به ماشین واگذار می‌کند یا نه.

این نگرانی فقط در ادبیات بین‌المللی آموزش پزشکی مطرح نشده است. سلامت‌نیوز در خرداد ۱۴۰۵، در گزارشی درباره استفاده پزشکان از هوش مصنوعی، از سیدامیرپاشا طبائیان، معاون آموزشی و پژوهشی سازمان نظام پزشکی، نقل کرد که استفاده از هوش مصنوعی بدون برخورداری از پیش‌زمینه علمی مناسب می‌تواند مسئله‌ساز باشد و باید میان استفاده از این فناوری به‌عنوان مشاور و واگذاری تصمیم حرفه‌ای به آن تمایز قائل شد.

AAMC نیز در ژوئیه ۲۰۲۶ در مطلبی تحلیلی به نگرانی درباره اتکای بیش از اندازه دانشجویان و پزشکان به هوش مصنوعی پرداخت. متخصصانی که در این مطلب با آنها گفت‌وگو شده بود، هشدار دادند که اگر ابزار هوشمند چالش لازم برای تمرین یک مهارت را از میان بردارد، ممکن است آن مهارت از ابتدا به اندازه کافی شکل نگیرد. در عین حال، همان مطلب تأکید می‌کند که شواهد تجربی درباره کاهش گسترده مهارت‌های حرفه‌ای هنوز محدود است.

در آموزش پزشکی، دانستن پاسخ تنها بخشی از کار است. دانشجو باید یاد بگیرد چگونه مسئله را صورت‌بندی کند، میان چند احتمال تمایز بگذارد، منبع مناسب را پیدا کند و بفهمد چرا یک پاسخ ممکن است درست یا اشتباه باشد.

اگر پاسخ آماده پیش از درگیرشدن دانشجو با مسئله ارائه شود، بخشی از تمرینی که برای شکل‌گیری همین مهارت‌ها لازم است ممکن است از دست برود.

یکی از توصیه‌هایی که در گزارش AAMC مطرح شده، رویکردی با این مضمون است: ابتدا خود دانشجو مسئله را بررسی کند و بعد سراغ هوش مصنوعی برود. در برخی دوره‌ها نیز از دانشجویان خواسته می‌شود خروجی مدل را نقد کنند و بخش‌های درست، ناقص یا ساختگی آن را شناسایی کنند.

چنین استفاده‌ای تفاوت مهمی با سپردن کامل مسئله به ماشین دارد. هوش مصنوعی در این حالت بخشی از تمرین می‌شود، نه جایگزین آن.

آینده آموزش پزشکی؛ نه کتاب یا AI، بلکه کتاب در کنار AI

با توجه به مسیری که آموزش پزشکی در حال طی‌کردن است، بعید به نظر می‌رسد بتوان یکی از این دو ابزار را به سادگی کنار گذاشت.

هوش مصنوعی در توضیح اولیه مفاهیم، ساخت مثال، طرح سؤال و پیدا کردن نقاط مبهم کاربرد دارد. برای تثبیت دانش، بررسی منشأ اطلاعات و قرار دادن مفاهیم در یک چارچوب منظم، همچنان منابع معتبر اهمیت پیدا می‌کنند. سؤال و تمرین نیز نشان می‌دهد دانشجو واقعاً چه چیزی را فهمیده و چه چیزی هنوز برای او مبهم است.

دانشجوی پزشکی ممکن است دیگر برای پاسخ به هر سؤال کوچک چندین صفحه کتاب را جست‌وجو نکند. اما زمانی که بخواهد بداند یک پاسخ بر چه پایه‌ای استوار است، یک مفهوم چگونه به بخش‌های دیگر دانش متصل می‌شود یا اختلاف میان چند پاسخ از کجا ناشی شده، همچنان به منابع ساختاریافته نیاز خواهد داشت.

دانشجوی پزشکی آینده احتمالاً باید بیش از نسل‌های پیش با یک مهارت تازه زندگی کند: استفاده از ابزاری که می‌تواند بسیار مفید باشد، بدون آنکه اختیار قضاوت علمی را به آن واگذار کند.

هوش مصنوعی شاید بسیاری از پاسخ‌ها را سریع‌تر از هر کتابی در اختیار دانشجو قرار دهد؛ اما سرعت دسترسی به پاسخ با توانایی سنجیدن آن یکی نیست.

رقابت واقعی میان کتاب و هوش مصنوعی نیست؛ میان دریافت سریع پاسخ و ساختن دانشی است که بتوان با آن پاسخ را سنجید.

و در پزشکی، جایی که تشخیص یک پاسخ اشتباه گاهی به اندازه دانستن پاسخ درست اهمیت دارد، هنوز برای دومی جایگزین ساده‌ای پیدا نشده است.