人工智慧對健康專業教育成效影響之系統性回顧

摘要

本文整理 Feigerlova 等人於 2025 年發表的系統性回顧。該研究探討人工智慧（AI）工具應用於健康專業教育（如醫學、護理等）後，對學習成效所產生的具體影響。

整體證據品質偏低：目前有關 AI 介入健康專業教育並產生可量化教育成效的證據仍相當有限。現有研究多為單一中心研究、樣本數偏少，且研究方法的嚴謹度不足。
學習成效評估層次有限：所有納入研究皆僅達到Kirkpatrick 評估模型的第二層次，也就是評估技能表現或可量化的知識成果；尚無研究進一步評估學員在真實工作場域中的行為改變（第三層次）或臨床最終結果（第四層次）。
缺乏透明性與規範：多數研究未充分說明 AI 工具的準確性、訓練資料集、版權議題，以及學員個資保護方式。
學習理論應用不足：僅少數研究在設計 AI 教學策略時納入學習理論，例如經驗學習理論或自我效能理論。

本研究依循 PRISMA 2020 ，針對截至 2024 年 10 月 1 日的電子資料庫進行系統性檢索，資料庫包括 CINAHL Plus、EMBASE、PubMed 等。

AI 工具在健康專業教育中的應用，主要集中於診斷輔助、臨床技能訓練，以及溝通情境模擬。

研究指出，教育成效的評估應與學習理論、教學設計，以及學習者與 AI 的互動方式一併考量。

經驗學習（Experiential Learning）：應用於 AI 驅動的虛擬實境模擬，強調透過實際經驗與後續反思來建構新知。
社會認知理論與自我效能理論（Self-efficacy Theory）：應用於虛擬諮詢訓練，目的在透過觀察、模擬與回饋提升學習者自信。
實境式學習（Authentic Learning）：用於評估學習情境是否貼近真實世界。分析顯示，目前 AI 教學環境在「反思實作」與「真實評量」兩方面仍有不足。

現有文獻顯示，AI 應用於教育仍面臨多項待解決的問題：

挑戰類別	具體表現
證據品質	多為單一中心研究，缺乏長期追蹤，難以評估教學策略是否具有持續效果。
技術透明性	未清楚揭露 AI 工具的預測準確性、演算法風險，或訓練資料來源與可能偏差。
偏誤風險	AI 演算法可能帶有偏誤；若學習者過度依賴 AI 產出的答案，可能削弱批判思考與臨床推理能力。
資料倫理	幾乎未提及如何保護學員與教師的個資隱私，也未交代資料後續使用與管理方式。
教育目標	多數研究未明確說明學習目標或預期培養的核心能力。

針對 AI 驅動教學策略的未來發展，研究提出以下幾項重要建議：

教育者應在 AI 技術與人際互動之間取得平衡，避免學習者過度依賴 AI。較理想的方式是將 AI 與教師引導的模擬教學結合，以保留人際互動帶來的學習價值。

健康專業學生與畢業生應具備以下能力：

未來研究應納入以下評估面向：

AI 在健康專業教育中展現出相當大的發展潛力，但若要真正成為可靠且可廣泛應用的教育工具，仍需要更多具備嚴謹研究設計、明確學習目標，並重視資料倫理與治理的高品質研究支持。