人工智能赋能医学教育的政策文本研究

Policy text research on AI-enabled medical education

摘要

从政策工具视角出发，梳理中国人工智能赋能医学教育有关政策文本，分析政策发展方向，为今后政策的制定和完善提供参考和建议。本研究以154份人工智能赋能医学教育的政策文本为样本进行分析，采取政策语义特征研究、政策工具研究等方法，得出政策的趋势以及政策工具的具体使用情况。分析发现，“人工智能”“医学”“教育”等词占比突出。对所纳入的154份政策文本内容进行编码，统计结果显示政策工具主要以供给型为主，占比为51.15%；需求型政策工具次于之，占比为27.18%；环境型政策工具占比最少，占比为21.65%。研究结果显示，不同类型政策工具的使用存在失衡，应该增加供给型政策工具的实施，同时提高环境型政策工具中激励性工具的使用以及增加需求型政策工具的需求。

Abstract

From the perspective of policy tools, this paper reviews the relevant policy texts of AI-enabled medical education in China, analyzes the development direction of policies, and provides reference and suggestions for the formulation and improvement of policies in the future. Focusing on 154 policy texts of AI-enabled medical education, we adopted research methods such as policy semantic characteristics and policy tools to obtain the policy trends and specific use of policy tools. The analysis revealed that words “artificial intelligence”, “medicine”, “education” and so on accounted for a prominent proportion. The contents of 154 included policy texts were coded, and statistical analysis was mainly based on supply tools, accounting for 51.15%; demand policy tools were second only to supply policy, accounting for 27.18%; and environmental policy tools accounted for the smallest proportion, only 21.65%. On the whole, there is an imbalance in the use of different types of policy tools. Therefore, the implementation of supply-based policy tools should be increased; so should the use of incentive tools and the demand for demand-based policy tools.

Graphical abstract

关键词

人工智能 / 医学教育 / 政策文本 / 政策制定

Key words

artificial intelligence / medical education / policy text / policy making

在人工智能的发展领域，中国正处于起步阶段。国内对于人工智能与医学等学科的交叉融合日益重视，各种“人工智能+”应用不断涌现，其中最受关注的是人工智能与医学领域结合^[1]。为此，中央及各地方政府相继出台了一系列政策措施，旨在突破现有瓶颈，通过前沿科技手段，推动人工智能与医学教育的有机融合。政策的制定和实施，有助于更好地实现政策目标、优化资源配置、提高治理效率、提升治理能力，以及增强政策适应性等。医学教育承担着为中国卫生健康行业培养合格人才的重要使命，涵盖了涉及医学和教育两个关键民生问题^[2]。医学教育是健康中国和教育强国两大战略的重要交汇点，而人工智能与医学教育的结合是今后发展的重要方向。人工智能技术将驱动中国医学教育不断改革创新，使得多元化、个性化的医学教育成为可能，推动中国医学教育朝着高质量、高效率、可持续的方向发展^[3]。

不仅在中国，世界其他国家也积极推进人工智能在医学教育中的应用。例如：美国的多所高校和医疗机构已经开始将人工智能技术用于医学影像分析、病理研究和个性化治疗方案制定。人工智能作为一种辅助技术，已逐步在手术模拟、影像诊断、手术实施和康复治疗等临床诊疗中应用^[4]。欧盟也在其研究和创新框架计划中，明确了人工智能与医疗教育结合的重要性，希望通过建立跨国科研合作，推进相关技术的应用和普及。此外，日本和韩国等亚洲国家也在积极投资人工智能技术，旨在通过科技手段来提升医学教育和医疗服务水平。这些国际经验和国内政策的结合，不仅为我们提供了多角度的观察视野，也为中国制定和实施更加科学合理的政策提供了有借鉴价值的参考。综合国内外的经验和政策环境，未来我们可以进一步探索如何优化资源配置，加强国际合作，共同推动医学和教育领域的全球化发展。

为了系统性地分析这些政策的内涵和影响，本研究收集了154份聚焦于人工智能赋能医学教育的政策文本。对这些政策文本进行深入分析，运用政策语义特征研究和政策工具研究等方法，揭示人工智能赋能医学教育政策的发展趋势以及具体的政策工具使用情况。这些分析有助于明确战略方向，为推动医学教育与人工智能的深度融合提供理论依据，助力中国在全球健康与教育领域迈上更高台阶。

1 资料与方法

1.1 资源来源

为仔细研究中国关于人工智能赋能医学教育的政策文本，作者查询了国务院、教育部、科技部以及各省卫生健康委员会等机构的网页，通过阅读公开目录中与人工智能赋能医学教育有关的政策条文，以及相关的条目，据此获取有关人工智能赋能医学教育发展的有效政策。截至2024年5月14日，共收集得到154份相关政策文本，详情如表1所示。

1.2 政策语义特征分析

在154份人工智能赋能医学教育政策文本的基础上，汇总了政策文本的发布数量、发布内容等相关信息。通过词频统计、主题分析和关键词语义网络分析，总结并展望了未来的人工智能赋能医学教育政策趋势。本研究运用量化分析软件ROSTCM6对文本进行分词，得出总体的高频词即为研究的主题^[5]。通过分词和TF-IDF方法提取关键词，同时使用Jieba分词和定制化停用词表，提高了分析的准确性。通过设置共现词的co-occur值为0.5，筛选出真正相关的关键词。采用中文停用词库，剔除常见的无信息词汇，如“的”“是”“在”等，从而提高分析的准确性和有效性。ROSTCM6的强大功能及可视化展示增强了研究的直观性，使得我们能够系统地分析文本特征，并为政策趋势的总结和展望提供科学依据。

1.3 政策工具类型分析

采用 Rothwell和 Zegveld的经典分类，从环境型、供给型、需求型三个方面构建基本政策工具维度^[6]。其中，环境型政策工具主要包括法律规范、目标规划、策略措施、税收优惠，可以改善人工智能赋能医学教育政策体系发展的外部环境；需求型政策工具主要包括对人工智能研发与创新起到推动作用，与医学教育结合，更好促进医学发展，具体包括政府采购、合作模式、基本保障、产业发展等举措；供给型政策工具主要包括基础建设、资金投入、人才建设、技术支持。不同的政策工具其具体含义也有所不同，如表2所示。

利用政策工具类型构建政策文本分析框架，以此来划分政策文本的内容分析单元，分析中国人工智能赋能医学教育政策工具的使用情况。

2 结果

2.1 政策文本主题词

对人工智能赋能医学教育政策文本的主题词进行分析，能够较为清晰地了解中国人工智能与医学教育结合的目标与发展方向。对154篇人工智能赋能医学教育的政策文本总体内容进行分词，得出高频词。为了更加直观地展示分词的词频，导出政策主题词云图，词语的突显程度能够直观显示频次的高低，如图1所示。

由图1可以看出，“人工智能”“健康”“服务”“医学教育”等词占比突出。据此可以看出，中国政府以及各部门在制定人工智能赋能医学教育政策时的发展方向。人工智能在医学、教育等各个领域应用逐渐增多，从数字化、信息化向智能化发展。人工智能辅助的智能化教育手段为医学教育带来很多新机遇，将有力地提高医学教育水平和长效性^[7]。近年来，政府及有关部门也越来越重视医学教育与人工智能交叉学科融合，人工智能赋能医学教育已成为了全球趋势。除此以外，“创新”“技术”“建设”“应用”等词也相对突显，这表明人工智能与医学教育结合，需要更多的创新思维、技术支持、建设资源和实际应用。不断引入新的教学模式和方法，满足人工智能技术的发展和医学教育的需求，更好地为医学教育提供多样化、个性化的学习体验，有助于医学和教育行业发展。

2.2 主题词语义网络分析

通过人工智能赋能医学教育的政策文本进行语义网络分析，可以提取由高频词构成的网络子群，从而直观地反映政策文本的关注焦点，如图2所示。图中的方块代表高频词节点，节点的尺寸表示该节点在整个网络中的重要性和影响力，突出显示了内容的中心性和重要性。

图2中方块代表高频词节点，节点的尺寸代表该节点在整个网络中的作用和占比，用以凸显内容的中心性和重要性。图2中突出的方块节点所对应的主题词为“人工智能”、“医学”和“教育”，这是所收集的政策文本最核心的几个关键词，其在政策文本中扮演着最为核心和重要的角色。中国政府出台的一系列政策，旨在促进医学和教育两个领域的发展，加强其融合，以提升医学教育水平和质量。同时，政府对人工智能在医疗领域的应用非常重视，希望通过引入先进的人工智能技术提升医疗服务的效率、质量和普及程度。政策文本体现了政府希望通过引入和发展先进的人工智能技术，以提升医疗服务的效率、质量与普及程度。“医学”“教育”“人工智能”“技术”“建设”等词汇共同构成一个紧密联系的网络子群。这进一步揭示了在实现医学教育与人工智能融合发展的过程中，政府及相关部门需要加强建设，尤其是在技术投入和管理力度方面的提升。随着“医疗+人工智能”发展逐渐步入正轨，新医科人才培养将成为影响智慧医疗产业发展的关键所在，这也为高等医学教育带来了重大的历史发展机遇，推动医学院校人才培养模式的创新^[8]。

中国政府已经在政策层面明确了人工智能赋能医学教育的战略方向，强调通过政策支持和资源配置，实现这两个重要领域的深度融合和共同发展。这不仅有助于提升医学教育的质量，也为医疗行业的技术创新提供了广阔的空间和机遇。

2.3 政策演进脉络

2008年，为了加强医学教育改革，中国政府颁布了《国家中长期教育改革和发展规划纲要》^[9]；2015年，为了促进人工智能发展，中国政府颁布了《“互联网+”人工智能三年行动实施方案》^[10]；2020年，为了加快人工智能与医学教育的创新发展，中国政府出台了《国务院办公厅关于加快医学教育创新发展的指导意见》^[11]。这些标志性的网络安全政策勾画了中国人工智能赋能医学教育政策文本的演进脉络，在演进脉络的基础上，再结合政策文本的时间发布趋势，将其大致分为三个阶段：2008 — 2013年，政策初始发展阶段；2015 — 2019年，政策日趋成熟阶段；2022 — 2024年，政策战略调整阶段。详情如表3所示。

2.4 政策工具研究

针对梳理筛选出的154份政策文本，仔细阅读文本内容并进行提取和分类，按照“政策文本编号-1级标题-2级标题-具体条码”的编码规则进行编码，编码示例如表4所示。

通过对所纳入的154份政策文本内容进行编码，统计分析得出人工智能赋能医学教育政策基本政策工具的使用结果（如表5所示）。政策根据理论将政策根据从工具作用层面分为供给型、需求型、环境型三类，平衡使用这三种类型的政策根据能保证政策的合理性与科学性^[12]。环境型、供给型、需求型三种政策工具共同作用，可以促进中国人工智能赋能医学教育政策的发展与完善，但整体上使用频率有所不同。根据表中数据发现，中国人工智能赋能医学教育政策工具主要以供给型工具为主，占比为51.15%；需求型政策工具仅次于供给型政策，占比为27.18%；环境型政策工具占比最少，仅占21.65%。三种政策工具涵括的各项要素使用分布也各有侧重^[13]。其中，环境型工具主要使用策略措施（34.04%），其次为目标规划（31.91%），而法律法规和税收优惠占比最少；供给型工具主要使用技术支持（38.74%）、人才建设（31.53%）和基础建设（25.23%），较少使用资金投入（4.50%）；需求型政策工具主要使用合作模式（37.29%），其次为产业发展（35.59%），再次为基本保障（22.03%），从表中可得政府采购最少（5.08%）。

3 讨论与建议

3.1 增加资金投入，支持供给型政策工具的实施

供给型政策工具对于人工智能产业发展起直接作用，通过合理使用能够产生更强的动力，有助于推动人工智能与医学教育政策的发展和改进^[14]。通过研究发现，供给型政策工具使用较多，占比为51.15%；较为关注技术支持，占比38.74%；人才建设、基础建设次之，而对于资金投入关注度较低。因此，政府应加大资金投入建设，以推动人工智能赋能医学教育政策的全面发展。

3.2 政策工具类型需逐步提高环境型政策工具比例

环境型政策工具主要为促进政策目标实现提供外部支持，利用这些工具，有助于更清晰地确定整体目标方向，细化政策实施方案，并提高政策执行的效率^[15]。据研究结果显示，环境型政策工具在人工智能赋能医学政策发展与完善过程中的整体应用较少，仅占21.65%，说明政策的制定过程在一定程度上忽略了环境型政策工具的外部作用和意义，导致人工智能赋能医学教育政策未能进一步落实。因此，政府需重视外部环境的作用，颁布更多关于人工智能赋能医学教育的相关法律法规、目标规划等，增加环境型政策工具占比，落实政策实施。

3.3 增加政府采购等应用投入，满足需求型政策工具的需求

需求型政策工具对政策发展产生牵动作用，有利于完善人工智能赋能医学教育的政策体系。研究结果显示，需求型政策工具在人工智能赋能医学政策发展与完善过程中分配不均，其较为关注的为合作模式、产业发展与基本保障的应用，而对于政府采购关注度最低，占比仅为5.08%。这从一定程度上削弱了拉动政策发展的驱动力，进而阻碍政策方案的持续施行。政府需要一定的技术、设备、服务等，提高政府采购，开展医学院校的投入使用，加强人工智能赋能医学教育的结合，以此保障医学教育发展。

4 结束语

本研究对中国人工智能赋能医学教育政策文本发布数量、发布内容以及政策体系等基本内容进行了分析，采用词频统计、主题分析和关键词语义网络分析等方法，系统分析政策文本的变迁趋势。这些分析反映了中国政府对医学教育和人工智能的高度重视和支持，逐步认识到人工智能技术对医学教育的重要性，并制定相关政策文件加以支持和引导，从初期发展到日趋成熟，使中国的人工智能赋能医学教育政策更加完善。

本研究利用政策工具构建政策文本分析框架，以此划分政策文本的内容分析单元，分析中国人工智能赋能医学教育政策工具的使用情况。政策工具是政策制定者和实践者通常采用的一种通过有效政策干预，实现其政策既定目标的方法^[16]。中国人工智能赋能医学教育政策工具主要以供给型政策工具为主，其次为需求型政策工具，而环境型政策工具占比最少。三种政策工具涵括的各项要素使用分布也各有侧重，政府对供给型政策工具资金投入不够，关注度不高，导致相关政策未能及时落实；环境型政策工具占比不高，在政策的制定过程中一定程度上忽略了环境型政策工具的外部作用和意义，导致人工智能赋能医学教育政策未能进一步更好落实，政府应重视外部环境的作用，更加明确目标导向，落实政策实施；增加需求型政策工具，更好地完善人工智能赋能医学教育的政策体系，促进人工智能与医学教育更好地融合。通过“人工智能+医学”教育顶层规划，从而明确重点发展方向、指导资源投入、促进政策制定，让人工智能赋能医学教育的发展更加稳健有序^[17]。

参考文献

[1] 韩淏轩, 吕枫枫, 王强, 等. 人工智能技术赋能医学人才培养的应用与探究[J]. 中国医学教育技术, 2024, 38(3):261-265.

[2] 刘斌. 论医学教育研究对医科院校人才培养工作的重要性[J]. 中华医学教育探索杂志, 2019, 18(6): 541-547.

[3] 孔令希, 朱璇. 人工智能在检验医学教学中的应用[J/OL]. 医学教育研究与实践, 1-8[2024-11-07].

[4] 岳梅, 张叶江. 虚拟现实技术在远程医学教学中的应用场景[J]. 中国中医药现代远程教育, 2020,18(21): 43-45.

[5] 张念, 陶勇, 闫庆红. 基于ROST CM6的高校大学生创新创业能力培养分析及建议[J]. 内蒙古科技与经济, 2023(17): 35-37.

[6] 曹海军, 侯甜甜. 中国网络安全政策的演进理路与未来走向: 一个三维分析框架[J]. 中国应急管理科学, 2022(7): 17-29.

[7] 朱文舒, 顾文君, 李济宇. 政策工具视角下医学科技成果转化政策分析[J]. 科学管理研究, 2020,38(3): 49-54.

[8] 刘勤勇, 刘晓燕. 信息化与医学教学变革[J]. 解放军医院管理杂志, 2019, 26(2): 183-187.

[9] 中华人民共和国中央人民政府. 国家中长期教育改革和发展规划纲要(2010—2020年)[EB/OL]. (2010-07-29)[2024-06-04].

[10] 中华人民共和国中央人民政府. “互联网+”人工智能三年行动实施方案[EB/OL]. (2016-05-23)[2024-06-04].

[11] 中华人民共和国中央人民政府. 国务院办公厅关于加快医学教育创新发展的指导意见[EB/OL].(2020-09-23)[2024-06-04].

[12] 张涛, 马海群. 中国人工智能政策主题热点及演进分析[J]. 现代情报, 2021, 41(11):150-160.

[13] 苏丹妮, 皮思斯, 奉国和. 我国人工智能政策语义、 主题特征与演化研究: 基于政策文本的量化分析[J]. 文献与数据学报, 2023, 5(4): 16-29.

[14] 李首骏. 我国人工智能领域政策文本的量化研究[D]. 合肥: 安徽财经大学,2020.

[15] 郑超, 翟瑄. 人工智能在儿外科医学教育中的应用[J]. 中华医学教育探索杂志, 2024, 23(5): 589-593.

[16] 吕文晶, 陈劲, 刘进. 政策工具视角的中国人工智能产业政策量化分析[J]. 科学学研究, 2019, 37(10): 1765-1774.

[17] 黄智若, 沈晓沛, 陈湖星, 等. “医学+人工智能”复合型创新人才培养模式探析[J]. 中国医学教育技术, 2024, 38(3): 271-275.

基金资助

江苏高校哲学社会科学研究重大项目(2024SJZD062)

江苏省卫生健康委医学科研重点项目(ZD2022044)