大语言模型（large language models，LLMs）作为人工智能（artificial intelligence，AI）领域的重要技术
[1]，近年来在多个行业获得了广泛应用，在医疗健康领域也不例外。随着AI技术的不断进步，尤其是自然语言处理（natural language processing，NLP）能力的提升，较为著名的是2022年11月由美国Open AI公司发行的大语言模型——ChatGPT，一经推出便引起了医疗领域的广泛关注。随后，DeepSeek等国产大语言模型的快速迭代进一步推动了AI技术在护理教育中的探索。DeepSeek凭借其垂直领域的优化能力，在医学知识问答、临床决策支持等场景中展现其潜力，为护理教育提供了新的技术工具
[2]。护理学作为医学健康的重要分支，也迎来了前所未有的发展机遇
[3]。在护理学领域，大语言模型可以通过辅助教学、临床决策支持、患者护理计划生成、虚拟患者模拟等多种形式，改进护理教育和临床实践。护理教育作为培养高素质护理专业人才的重要环节，面临着许多传统教学方法难以解决的瓶颈问题，例如教学资源不足、学生个体差异、学习过程中的反馈延迟等
[4]。而大语言模型的应用，能够在多个方面助力护理教育的创新和发展。本研究将采用Arksey等
[5]提出的范围综述方法，回顾并分析大语言模型在护理教育领域的研究现状及发展趋势。通过对现有文献的梳理，旨在为护理教育领域的学者和从业者提供清晰的研究框架，探讨大语言模型在教学模式创新、临床技能训练、考试辅导及个性化学习路径设计中的应用潜力。同时，文章还将评估该技术在中国护理教育中的适应性与发展前景，为国内相关领域的研究提供参考，并促进跨学科合作与技术创新。
1 资料与方法
1.1 确定研究问题
具体研究问题包括：①大语言模型在护理教育中有哪些具体的应用场景（如教学辅助、考试评估、临床模拟等）？②护理教育中的不同主体（学生、教师、管理者）应如何有效应用大语言模型？③大语言模型在护理教育中的优势与局限性（如信息准确性、伦理风险、技术适配性）如何？
1.2 文献纳入与排除标准
纳入标准：①内容涉及大语言模型在护理教育领域的应用；②可获取全文；③中英文文献。
排除标准：①未明确指出人工智能产品是否基于大语言模型；②重复发表、信息及数据不完整；③无法获得全文；④社评、评论、简讯、观点类等非学术性研究类文章。
1.3 文献检索
以“大语言模型，生成式人工智能，自然语言处理，DeepSeek，ChatGPT，GPT，Google Bard，Bing-Chat，Copilot，LaMDA，LLaMA，MT-NLG，BatGPT，Moss，Sora，Kimi，文心一言，通义千问，讯飞星火，智谱清言，天工，腾讯元宝，紫东太初；护理教育，护士培训，护理课程”为中文检索词。以“natural language processing, DeepSeek, large language model*, generative artificial intelligence, LLM, Generative Pre-trained Transformer, natural language generat*, ChatGPT*, GPT*, Google Bard, Bing-Chat, Copilot, LaMDA, LLaMA, MT-NLG, BatGPT, Moss, Sora, Kimi, Ernie Bot, Qwen*, iFLYTEK Spark, ChatGLM*, Skywork, Tencent Yuanbao, ZiDongTaiCh; nursing education, nurse training, nursing curriculum”为英文检索词。检索时限为“建库至2025年3月”。
1.4 文献筛选及资料提取
将所检索的文献导入EndNote软件去重。由两名参与过循证护理培训的研究者严格按照纳入与排除标准进行文献的筛选和内容的提取。结果有争议时由课题组专家进行判定。文献提取的内容包括作者、国家、研究设计、研究内容、研究结果。
2 结果
2.1 文献筛选结果
通过检索，获得检索数据库和每个数据库的文献数量如下：中国知网19篇、万方数据62篇、维普网36篇，PubMed162篇、Web of Science 111篇、The Cochrane Library 2篇、CINAHL 75篇、Embase180篇、Spocus129篇。 初步检索获得相关文献共776篇。阅读文献题目、摘要并去重后获得文献45篇。阅读全文后排除与研究主题不相关文献6篇、无法获取全文2篇、内容重复或相似5篇、不符合纳入标准9篇。最终纳入23篇（如
图1所示）。
2.3 大语言模型在护理教育领域的研究内容
首先，在护理实践与教育工具开发中
[6,11-12,22-23]，研究包括为护理博士（DNP）学生设计临床实践支持工具、开发虚拟患者以提升护理本科生的临床沟通能力，以及将生成式人工智能整合到护理课程中以促进知识学习和护理文档记录的优化。其次，在护理考试中的表现评估方面
[8,14,16-17,19,26,28]，研究聚焦于大语言模型在中国国家医学考试（NMLE、NPLE、NNLE）及护理执照考试（NCLEX-RN和NNLE）中的表现，比较 AI 生成题目与人工题目的质量，并分类评估其答案准确性。第三，护理教育中的内容生成与场景设计
[10,13,15,24,27]探讨了利用ChatGPT生成临床模拟场景、虚拟患者及互动学习材料，并评估其在特定领域（如产科疫苗知识学习）中的效果。第四，学术研究与写作中
[7,9,25]，研究关注使用大语言模型辅助撰写护理学术论文以及护生对其使用体验的探索，为规范化使用提供依据。最后，在课程与技能评估方面
[17-18,21]，研究涉及本科护理课程对学生能力提升的效果评估，分析ChatGPT在护理教育中的应用潜力及其可持续性因素。
2.4 大语言模型在护理教育领域的应用效果
大语言模型（如ChatGPT）在护理学领域的应用效果涵盖学生与教师的使用体验、学习效果、考试表现、教学与文档记录，以及工具对比等多个维度。在使用体验方面，学生对ChatGPT的接受度和参与度
[12]较高，其多样化的场景应用
[10,25]显著提升问题解决能力和学习感受；教师则借助ChatGPT高效生成复杂临床模拟场景，显著节约教学准备时间，表现依赖输入提示的质量
[15]。在学习效果上，使用ChatGPT的学生在全球健康能力、沟通技能、自我导向学习等方面表现优于传统教学方法
[22]，并且互动技能与整体表现呈正相关
[13]。在考试表现上，ChatGPT在护理执照考试（NNLE）和国家护理考试中的准确率分别达 80.75% 和 81.49%，在 NCLEX-RN实践题中表现尤为出色（88.7%）
[19]。然而，其在知识应用
[26-27]和复杂选择题
[14,28]的准确率相对较低。在教学与文档记录中，ChatGPT生成教育内容、模拟场景及护理文档
[20]的效率显著提高，但护理诊断的准确性尚须优化。与其他AI工具相比，ChatGPT（尤其是GPT-4）的表现整体优于Google Bard和Claude 2
[17,19]，特别是在简单选择题和知识记忆题
[26]中表现突出，但在引用文献和专业标准应用方面
[7]仍存在改进空间。这些研究结果表明，大语言模型在护理学领域具有显著的教育与实践价值，但其可持续性和专业适配性需进一步探索。
2.5 大语言模型在护理教育领域的应用场景与形式
大语言模型在护理教育领域的应用场景与形式呈现多元化特征，其核心价值体现在教学流程优化、资源生成效率提升及临床实践能力强化等方面。在应用场景上，教学辅助是重要方向之一，例如通过DeepSeek进行试题作答
[28]、模拟临床对话以训练护生的问诊技巧，或利用ChatGPT快速设计病例讨论材料；考试评估场景中，大语言模型可自动生成标准化试题
[8,19,26]（如ChatGPT在NCLEX-RN考试题目设计中的表现），并基于学生答题数据提供针对性反馈；临床模拟场景
[10,25]则聚焦于虚拟患者互动，如ChatGPT通过自然语言对话模拟复杂病例的诊疗流程，帮助学生在无风险环境中锻炼临床决策能力；学术写作场景中，模型可辅助文献综述撰写、研究框架构建及论文语法润色，例如基于提示词优化生成符合学术规范的护理计划文本
[9]。从应用形式来看，文本生成是基础功能，涵盖护理计划
[12]、教学大纲、考试题目等结构化内容的自动化生产；对话交互形式通过虚拟患者问诊训练提升学生的沟通与应变能力；智能评估形式则利用自然语言处理技术实现作业自动评分
[9]、学习路径动态推荐等功能。
3 讨论
3.1 大语言模型在护理教育领域的潜在应用和优势
大语言模型在护理教育领域展现出显著的潜在应用价值和技术优势，主要体现在个性化学习支持、教育资源生成、临床教育与实践辅助、医学知识获取与应用、学习效果提升，以及未来技术发展等方面。首先，模型能够根据学生需求定制学习材料
[15]、提供即时反馈
[21-22,24]和写作指导
[9,18]，通过模拟对话和问题解答增强学习参与度，同时提高学习效率并促进问题解决能力。其次，在教育资源生成方面，大语言模型可自动生成教学大纲、考试题目和案例研究
[15]，为教师减轻教学负担，支持课程评估
[16]和动态临床模拟设计
[10]，构建安全、逼真的学习环境。在临床教育与实践中，模型通过提供真实互动模拟
[11,15,23]和辅助护理诊断
[20]，提升学生的临床判断能力与沟通技能，同时优化文档记录过程
[17]，增强决策支持能力
[16]。在医学知识获取方面，模型快速检索和系统化排序的能力为学生和临床工作者提供了高效的信息来源，提高知识构建效率
[17]。模型的使用还显著提升了学生在知识应用和学习参与度
[24]方面的表现，降低教育资源投入，增加学习的成本效益。展望未来，大语言模型在智能评阅、试题命制和教学评价方面有望推动教学技术的革新
[27]，且凭借其多语言支持能力，适应全球化护理教育需求。
3.2 针对医学生和教师的建议
在利用ChatGPT等人工智能（AI）工具时，医学生和教师需综合考虑学习支持
[9]、教学辅助
[16]、批判性思维的培养
[20]，以及信息准确性、隐私保护
[21]和伦理规范
[25]。医学生应通过 ChatGPT 提高学习效率，如用于初步研究
[18]、资料收集和多语言医学知识获取
[19]，同时借助虚拟患者互动
[13,23]和模拟训练
[13]提升沟通技能与临床判断力。在使用过程中，应保持批判性思维，验证生成信息的准确性，并结合实际案例增强学习的现实性。教师可将ChatGPT作为教学辅助工具，用于生成高质量的教学材料
[16]、考试题目
[8]和案例研究
[15]，同时设计动态的虚拟场景以提升学生参与度。掌握提示工程
[15]（Prompt Engineering）技巧，优化AI使用效果，并注重将AI内容与临床实践结合，以增强教学的实用性和创新性。此外，师生双方应提升数字素养，积极探索AI工具的潜力，平衡传统教学资源与创新技术的应用，定期反馈
[15]和优化AI工具使用效果。在使用过程中，须遵守数据隐私和伦理规范，教育机构
[17]也应提供相应培训，确保工具的合理和有效应用。这些建议旨在帮助医学生和教师更高效地应对医疗和教育领域的挑战，实现教学与实践的协同提升。
3.3 大语言模型在护理教育领域的风险和局限性
在护理教育中，大语言模型（如 ChatGPT）虽具备显著的潜力，但仍存在诸多风险和局限性，需谨慎使用。首先，信息准确性问题尤为突出
[6, 24]，模型可能生成不符合最新医学指南或标准
[15]的信息，在复杂临床推理、多步骤解决方案
[26]中表现不足，甚至出现逻辑不一致的情况。此外，其领域知识具有局限性，尤其在图像分析
[17]、护理诊断
[20]和复杂医学问题解决方面的专业性不足。语言与文化偏差
[16]也影响其在多语言环境中的稳定性和适用性。其次，过度依赖AI工具
[15, 20-22, 24]可能削弱学习者的批判性思维和自主学习能力，同时可能导致传统教学方法的边缘化。隐私与伦理问题同样不容忽视，涉及患者数据泄露、数据偏见
[22]以及潜在的学术不诚信
[7, 26]行为。此外，技术与系统局限也限制了其在数值计算、虚拟患者互动等场景中的表现，生成内容缺乏一致性和可重复性。最后，AI 的教育场景适配性有限，需在教师指导下进行合理使用，以确保学习效果并避免误用。为有效应对这些风险，应注重信息验证、隐私保护和伦理规范，结合传统资源与方法提升教育质量，合理权衡技术优势与局限性。
3.4 大语言模型在护理教育领域的未来研究方向
未来研究方向应着重从以下五个维度系统推进：第一，深化技术融合创新，探索大语言模型与虚拟现实、增强现实技术的深度交互机制，构建高拟真度的智能临床模拟环境
[29]；第二，强化本土化应用适配，针对中文护理教育场景开发专用模型，通过类似DeepSeek的垂直领域优化实现教学语料与临床实践的特征对齐
[30]；第三，构建伦理治理框架，建立涵盖数据隐私保护、算法透明度及学术诚信监管的多维度AI教育应用规范体系
[31]；第四，开展纵向追踪研究，通过多周期对照实验评估大语言模型对学生临床决策能力、实践技能发展的长效影响
[32]；第五，建立跨学科协同创新机制
[33]，整合计算机科学的前沿算法、教育学的认知理论以及护理学的专业需求，形成“技术-教育-临床”三位一体的研究范式。
4 结束语
大语言模型（如DeepSeek）在护理教育中展现了广泛的应用前景和潜在价值。其优势主要体现在个性化学习支持、教育资源生成、临床实践辅助、医学知识传播以及学习成效提升等方面。这些工具能够根据学习者需求定制学习内容、生成高质量的教学资源和模拟场景，并促进学生问题解决能力的提升。然而，其局限性和潜在风险同样不容忽视，包括信息准确性不足、用户过度依赖、隐私和伦理问题、技术与系统稳定性限制，以及在实际教学和临床场景中的适配性不足。因此，在使用大语言模型时，需结合传统教学方法和资源，注重信息验证和隐私保护，通过合理的教师引导和伦理监督，平衡其应用优势与局限性，充分发挥技术在护理教育中的助力作用。
河南省自然科学基金(242300421307)
河南省教改重点课题(2024SJGLX0141)
河南省教改项目重大项目(2024SJGLX0022)
河南省重点研发专项(251111314400)
精神心理疾病防治河南省协同创新中心开放课题(XTkf11)
京公网安备11010202008535号
PDF
(548KB)
