生成式AI赋能高等医学教育：从课程到评价的变革之路

Generative AI empowering higher medical education: The path of transformation from curriculum to evaluation

摘要

科技快速发展推动人工智能技术不断进步，生成式人工智能通过多模态内容生成和个性化支持技术，正引发一场教育领域的认知革命。立足《教育强国建设规划纲要（2024—2035年）》中以人工智能赋能教育数字化转型、助力教育变革的要求，本文提出基于GAI驱动的“课程-教学-评价”改革新范式，有效解决传统高等医学院校教育中学科壁垒、个性化教育受限与评价机制滞后等现实问题，响应了健康中国战略下的优化复合型人才培养与个性化教育需求，为高等医学教育数字化转型提供参考和借鉴。

Abstract

The rapid development of technology is driving the continuous progress of artificial intelligence technology. Generative artificial intelligence is triggering a cognitive revolution in the field of education through multimodal content generation and personalized support technology. Based on the requirements of the “Outline of the Plan for Building an Education Strong Country (2024 — 2035)” to empower the digital transformation of education with artificial intelligence and assist in educational reform, this study proposes a new paradigm of “curriculum, teaching, and evaluation” reform driven by GAI, which effectively solves the practical problems of disciplinary barriers, personalized education limitations, and lagging evaluation mechanisms in traditional higher medical education. It responds to the optimization of composite talent cultivation and personalized education needs under the Healthy China strategy, and provides an example for the digital transformation of higher medical education.

Graphical abstract

关键词

生成式人工智能 / 课程优化 / 个性化教学 / 智能评价

Key words

generative artificial intelligence / curriculum optimization / personalized teaching / intelligent evaluation

人工智能技术的快速发展，推动生成式AI（generative artificial intelligence,GAI）逐渐成为教育领域创新的核心驱动力。生成式AI，特别是大语言模型(LLM)与检索增强生成(RAG)的协同应用，在自然语言处理、知识生成等领域展现出显著优势，为教育教学模式转型开辟了全新路径。未来教育领域将面临深刻变革，教师与学生角色将重塑，教育模式趋向更灵活、高效、智能的方向演进。2025年1月，中共中央、国务院印发的《教育强国建设规划纲要（2024 —2035年）》明确要求以教育数字化开辟发展新赛道、塑造发展新优势^[1]。教育部随后正式启动人工智能赋能教育行动。这标志着人工智能在教育数字化转型中的地位，已由“辅助工具”跃升为“关键要素”，凸显其在新时代教育发展蓝图中的优先地位。

近年来，在AI技术的推动下，我国高等医学教育在教学模式、资源配置等方面实现创新突破，但也逐渐凸显诸多亟待解决的问题。GAI的出现标志着教育从传统模式向智能化与个性化方向迈进，教育行业的数字化转型并非一蹴而就，尤其是在高等医学教育领域。当前，教育体系中学科间融合与交叉领域协作不足、个性化教育理念与实践受限、评价机制滞后，使得培养的学生在知识结构、能力发展及综合素质等方面难以满足社会对复合型、创新型人才的需求^[2-4]。在数智化新时代，高等医学教育必须遵循社会发展规律，与时俱进，数智赋能，探索高等教育内涵式发展。因此，破除学科壁垒、健全评价机制是高等医学教育改革亟待解决的关键问题。

1 GAI融入医学高校教育的必要性

高等医学教育领域面临多重挑战，涉及教学内容质量、技术整合、教育公平以及国际化等核心问题^[5]。以广西某医学院校为例，其医学信息类专业培养模式凸显跨学科融合受阻、培养模式同质化严重、评价机制与行业需求脱节等三大特征性问题。此模式难以适应当前医学信息学领域的动态发展及社会需求的持续演进。GAI凭借其强大的多模态内容生成、跨学科信息整合、深度模拟与逻辑推理能力，有望从“学科融合与实践”、“个性化教学”和“人才评估”三个维度驱动教育变革。

1.1 促进学科交叉融合

学科交叉是培养复合型人才的关键路径^[6]，当下课程体系人工智能与管理学科的融合程度较浅，学科融合是教育发展的必然趋势，目前仅停留在表层的融合还远远不够。在教育部推进“四新”建设背景下，人工智能与课程体系融合已成为教育发展的必然趋势^[7]。研究显示，GAI的接入在推动学科融合、虚拟实践、教育生态重置等方面发挥关键作用^[8-9]。医学信息学科涉及医学、计算机科学、数据科学等多个领域，传统的医学信息类专业教育培养模式中，医学与信息技术的交叉融合不够深入，使得学生难以将AI技术有效应用于医学实践。高校医学院校应抓住机遇，主动探索如何将GAI技术深度融入课程体系，实现从教学课程到教学评价的全链路革新。

1.2 实现教育公平与社会需求对接

在AI赋能教育的背景下，实现教育公平与社会需求对接是高等医学教育的重要目标。个性化高等教育是现代教育的重要命题，其必要性日益凸显。传统规模化教学中，因教学时长限制，教师多采用标准化教学模式，易忽视学生个体差异，且高等教育与就业市场存在矛盾，形成标准化教育与社会需求脱节的困境。而个性化教育通过精准识别学生需求，能有效弥合不同背景学生的发展差距，促进教育机会均等与教育公平。然而，当前高等教育与就业市场之间存在矛盾，这要求我们进一步探索如何通过AI赋能教育来实现教育公平与社会需求的有效对接。在AI赋能教育的大背景下，医学院校与教师应革新教育理念，关注学生独特需求，实现精准教学。

1.3 构建科学评价体系

评价改革将成为人工智能时代教育改革的重要命题之一，对于提高教育质量、培养适应时代需求的人才具有重要意义。教育部2022年数据揭示，现行评价体系与人才需求脱节等问题在教育体系中普遍存在，制约了教育发展进程与人才培养效能^[7]。战略层面，《中国教育现代化2035》提出构建服务全民终身学习的教育体系，强调复合型人才培养。政策导向上，《深化新时代教育评价改革总体方案》明确要求破除“五唯”顽疾，构建多维度的评价体系。形势驱动下，我国高等医学院校亟须建立动态评价机制，强化评价的全面性与科学性，实现从“结果评价”向“过程评价”的范式转换。深化人才培养评价机制改革，不仅是破解人才供给矛盾的关键，更是应对全球竞争的必然选择。

2 GAI赋能高等医学教育实践框架

本研究以高等医学信息类专业教育为背景，聚焦医学信息专业人才培养模式现存问题，提出如图1所示的GAI赋能医学信息专业人才培养改革与实践框架，旨在驱动GAI技术与医学教育深度整合，为高等医学教育变革提供实践范式。

2.1 GAI嵌入课程改革：跨学科知识整合

GAI作为新一代人工智能技术，其核心技术涵盖生成对抗网络（GAN）、变分自编码器（VAE）以及Transformer架构等。GAN通过生成器与判别器的对抗训练机制生成高质量数据，VAE在数据降维与特征提取方面表现出优势，Transformer架构则在自然语言处理及序列建模领域展现卓越性能。这些技术植根于深度学习与概率生成模型，能够有效捕捉数据的复杂分布与内在规律。以DeepSeek-R1与OpenAI o1为代表的深度学习模型，已在教育领域展现广泛影响^[10]。以广西某大学“医疗大数据分析与建模”课程为例，GAI嵌入课程改革主要涵盖课程设计、课程准备、课程实践与课后评估四大环节，具体流程如图2所示。

课程设计阶段 运用GAN以及VAE筛选、生成并提取关键数据，借助动态知识图谱关联相关信息，辅助专家开展课程内容设计以及课程目标制定工作，形成课程设计方案。在这一阶段，我们利用GAN技术生成高质量的教学案例，帮助学生更好地理解复杂的医学概念。

课前准备阶段 运用GAI强大的自然语言处理、多模态转化以及动态知识图谱技术，融合医学数据库与课程资源并生成多学科知识库，辅助教师明确教学目标，并生成生动多样的文字、音频、图像、视频等教学内容。此阶段我们利用GAI多模态技术辅助教师生成制作直观的教学资源，如生成糖尿病病理机制动画、图片等，帮助教师提高备课效率。

课程实践阶段 运用VAE技术进行数据降维与特征提取，学生可以操作GAI数据预处理工具包对海量医疗数据进行清洗及特征提取，开展基于糖尿病患者数据的风险预测建模与肿瘤筛查数据分类建模实践。例如，此阶段凭借GAI数据预处理工具包，辅助学生从1 000多维度的乳腺钼靶影像特征中降维提取15项核心的肿瘤形态学特征用于模型训练，帮助学生更加高效地训练分类模型，使学生熟练掌握大数据分析建模与图像处理方法。

课后反馈阶段 运用NLP、知识图谱、机器学习及生成模型技术，构建“解析反馈→关联知识→预测影响→优化方案”课程改革跟踪机制，辅助专家分析教学成效并优化课程体系，持续提升课程质量。这一阶段，我们利用机器学习技术预测教学难点对教学的影响，如分析糖尿病风险预测建模作业中的共性错误，并针对性优化后续教学内容。

2.2 GAI“以学习者为中心”的个性化教学

在当下教育变革的浪潮中，GAI依靠多模态数据融合技术优势，可精确地追踪学生认知发展的轨迹，促使基础教育从“量”朝着注重质量的方向转变^[11]。知识图谱在GAI教育领域的运用，提高了教学效率，契合了学生个性化的需求^[12]。而个性化教学的深化，根植于对学习个体差异的持续解析与动态响应过程，知识图谱构建的体系与多模态数据融合技术为个性化响应提供了底层支撑。本研究秉持“以学习者为中心”的理念，通过“学生三维能力画像→动态匹配学习资源→多模态反馈驱动精准干预”三个步骤实现个性化教学。具体流程如图3所示。

构建三维能力画像 GAI依托与学习者的多轮对话交互，充分发挥其大规模数据采集与分析能力，整合对话文本、课堂参与度、作业耗时、在线学习行为数据流等多维信息，通过聚类算法，系统精确识别学生学习风格，评估其知识掌握水平，构建涵盖医学知识、临床逻辑、技术应用的三维能力画像，设计个性化动态学习路径。

动态匹配学习资源 运用GAI知识图谱技术与自然语言处理技术，对教材和课件进行深度语义解析，从中提取核心知识点，进而构建结构化的医学知识图谱。随后，结合预先设定的资源难度量化评估函数，完成对学习资源的难度分级标注，确保各难度与知识点精确关联。依托已建立的学习者三维能力画像及其持续学习行为追踪数据，实时辨识个体学习能力特征，如学生遭遇学习障碍时，系统将自动推送低难度讲解视频与针对性练习题，而当学生遇到已经掌握的知识点时，系统会触发学习进度加速机制，动态调整并优化后续的学习路线规划。

多模态反馈驱动精准干预 借助GAI技术详细剖析学生提交的包含作业数据、实验数据等多模态数据反馈，辅助教师提炼出学生存在的关键问题与共性需求，依靠算法实时给出反馈并进行效果评估；并根据评估结果，使用GAI技术为学生提供差异化多模态智能板书干预。例如，GAI基于学生学习数据与偏好，生成如图片、视频等游戏趣味化学习材料或个性化板书教学内容等引导学生学习，以此提升学生学习兴趣，精准把控与干预学生学习。

2.3 学习评价：“场景-数据-能力”三维评估模型

过程性评价是教育评价体系中的关键环节，它主要通过对教学过程成效进行动态监测，以此为依据对教学策略进行调整，进而实现教学计划的优化。为突破传统单纯依据论文、项目的评价限制，该文以过程性评价为实例，构建人工智能驱动的“场景-数据-能力”三维评估模型框架。如图4所示，基于GAI技术设立虚拟病案分析与交互式代码沙箱实践教学，记录教学过程性数据，以生成针对学生能力的三维核心评价指标，通过反复迭代和优化，完善学生能力画像，为课程体系重构与培养方案迭代提供量化依据。

场景维度 设定虚拟病案分析和交互式代码沙箱两种模式场景。虚拟病案分析场景实践借助多模态数据采集、智能处理分析以及动态反馈机制保证评估的科学性与智能化，在多模态数据采集方面，结合医学专用词库，运用OCR术语提高技术来识别手写病历图像，以此降低识别错误率。智能处理分析环节，依靠知识图谱计算编码关联性，构建编码错误分类模型来识别编码错误，同时依靠知识图谱计算编码关联性，如学生在练习中遇到一病多码时会自动触发规则提示编码是否正确。在动态反馈机制设计上，建立“错误-提示”映射规则库，当DRGs分组错误率超过40%时，系统会自动推送相关课程资源，并且每周生成编码能力热图，可视化呈现学生各疾病系统编码薄弱环节。交互式代码沙箱基于大语言模型上下文理解能力，诊断逻辑语法错误并生成评分报告，附带详细修复指引与实时算法优化策略。借助这两种虚拟交互场景实践推动学生实现理论知识向实践能力的转化。

数据维度 采用GAI多源异构数据融合技术整合融合过程性、结果性与反馈性三类数据，构建动态学生能力画像，产出核心评价指标。

能力维度 设置编程基础、医学认知、逻辑思维三大核心指标，具体量化方法与评分标准如表1所示。

“场景-数据-能力”三维评估框架为教师提供了辅助评估工具，实时追踪个体学生编程能力进展与医学知识上的缺陷，构建了医疗大数据处理能力标准体系，建立了以指标驱动的动态教学迭代机制。

文章提出的由GAI驱动的“课程-教学-评价”一体化改革范式，有效解决了医学信息学科发展过程中的关键问题。然而，在推动GAI技术深度融入教育改革的过程中，其实践应用与推广工作仍面临着诸多风险。

3 GAI技术嵌入教育改革的风险

3.1 教学质量下降风险

GAI的强大功能，易催生学习依赖、弱化创新探索能力^[13-15]。从建构主义学习理论来看，学习是学习者主动建构知识的过程，强调学习者的自主探索。过度依赖GAI会抑制知识建构的深度参与，削减学习者批判性思维与创新能力的培育土壤。同理，在教学活动中教师若过度依赖生成式人工智能来准备教学内容和设计教学活动，教师可能不再深入研究教学方法和学科知识，而是直接使用人工智能生成的教学材料，这可能会削弱教师自身的专业素养和教学能力提升的动力，导致教学质量下降。

3.2 学生创新能力弱化风险

学生可能养成依赖技术“快速解题”的习惯。该行为未经知识内化所需的思维训练，易诱发思维惰性。学生学习的主动性及知识迁移能力面临系统性弱化，削弱其自主思考与创新能力，最终导致独立解决问题能力的缺失。长此以往，此趋势将制约个人潜能释放，甚至引发整体社会创新水平的下降。

3.3 数据泄露风险

GAI技术应用于教育领域，数据使用边界模糊是亟待解决的紧迫问题。其在综合素质评价中的应用，必然涉及大规模学生个人信息与学业数据的采集、分析。数据处理、存储或传输环节存在的安全漏洞，将导致身份信息、学业记录等敏感数据面临泄露风险^[16-17]。值得关注的是，GAI跨教育场景的数据关联可能加剧隐私泄露风险，甚至诱发身份盗用等衍生危害。

3.4 法规监管缺失风险

将GAI应用于教育领域中，监管机制缺位是亟待解决的问题，监管机制与法规体系尚未健全。一是现有法律法规在新兴教育数据隐私保护方面存在滞后性，缺乏对教育数据收集、存储、使用和共享合法范围的明确细致规定，监管机制的不完善导致对数据滥用行为的监督和惩处力度不足，无法有效遏制侵犯学生隐私的行为；二是GAI在教育、IT、数据保护领域的应用需要多部门的协同监管，当前存在信息壁垒与权责模糊等问题，使得监管效率低下。

4 GAI驱动高等医学教学改革的应对之策

4.1 构建“教师-GAI-学生”协同创新生态

教师维度须强化主体理性，有效驾驭工具理性，确立“教师主导、GAI辅助”的教学理念，并对GAI生成的教学内容实施深度重构与专业审核。同时，健全教学质控体系，定期评估GAI技术应用效能，动态调整教学策略以保障教育质量。学生维度要求院校引导学生深化智能工具认知，通过剖析GAI工具的局限性，助力学生明晰其功能边界，消解对技术的“全能化”认知偏差，降低依赖程度。课程实施环节，须强化实践能力要求，深化元认知能力考核，引导学生理性辨识技术裹挟下的意识形态风险。

4.2 构建“制度-技术”双协同的数据安全治理体系

数据隐私安全是高等教育领域技术应用必须坚守的底线。突破GAI技术局限、保障数据安全，要求相关部门建立““制度-技术”协同治理体系。制度层面，亟须健全法律框架与监管机制，确保法律框架完备性与监管机制可操作性。技术层面，技术部门应强化用户身份认证机制，对存储与处理的用户敏感信息部署数据脱敏及加密技术，有效抑制数据篡改与泄露风险。

4.3 构建权责清晰、多主体协同的监管机制

2023年7月，国务院颁布《生成式人工智能服务管理暂行办法》（简称《办法》），为生成式人工智能的规范应用提供了法律依据^[18]。应以该《办法》为准则，持续完善生成式人工智能应用场景下数据采集、存储、共享规则的权责明晰化，清晰界定数据滥用责任。有关部门须主导建立跨部门协同监管框架，明确教育、网信、卫健、公安等部门的职责边界，确保数据全流程监管的安全性与可靠性，保证数据流程监管安全且可靠，以此筑牢教育数据安全防线。

5 结束语

本研究聚焦GAI在高等医学教育中的变革路径，针对学科壁垒、个性化教育受限、评价机制滞后等关键问题，提出GAI驱动的“课程-教学-评价”一体化改革范式，促进健康中国战略实施所需的高素质复合型医学人才培养与个性化医学教育发展。后续研究计划长期追踪GAI的教学影响，深入探究其对学生思维、创新能力的动态作用机制，为构建更具科学性与可持续性的智能医学教育体系提供深化路径。伴随GAI技术持续迭代与教育理念演进，GAI将深度融入教育领域各环节，释放更强大的变革动能。然而，规避“技术至上”陷阱、坚守教育本质、平衡工具理性与价值理性、完善法律法规以防范潜在风险，是实现教育改革实质性突破的核心前提。

参考文献

[1] 中共中央, 国务院. 教育强国建设规划纲要(2024 —2035年)[N]. 人民日报, 2025-01-20(6).

[2] 谷志群, 纪越峰, 顾仁涛. “人工智能+X”教学模式下智能信息网络课程建设[J]. 高等工程教育研究, 2021(4): 93-97.

[3] 左锐, 刘洋, 鲁乔杉. 产教融合背景下数字化赋能人才培养模式探究:以会计类专业为例[J]. 现代商贸工业, 2025(8): 50-52.

[4] 杨庆, 刘志军, 孔纲强, 等. 学科交叉融合背景下高等工程教育策略研究[J]. 高等工程教育研究, 2025(3): 28-32.

[5] 王宇奇, 施昕昕, 黄家才. 新工科理念下人工智能基础课程课堂教学改革研究[J]. 中国教育技术装备, 2025(2): 114-115.

[6] 中共中央, 国务院. 中国教育现代化2035[J]. 中华人民共和国教育部公报, 2019(Z1): 2-5.

[7] 中华人民共和国教育部. 2022年全国教育事业发展统计公报[J]. 中国地质教育, 2023(3): 125-128.

[8] 李磊, 高学, 秦慧平, 等. 嵌入式人工智能系统实验课程改革与探索[J]. 实验室研究与探索, 2025(3): 147-152.

[9] 陆道坤. 颠覆与重构: DeepSeek引发的教育领域“蝴蝶效应”及应对[J]. 新疆师范大学学报(哲学社会科学版), 2025(4): 144-152.

[10] 陈默, 杨玉辉, 杨清元, 等. 智能体赋能高等教育变革: 基于DeepSeek-R1的范式重构与“浙大先生”实践探索[J].现代教育技术, 2025(5): 111-118.

[11] 罗生全, 李霓, 宋萑, 等. DeepSeek赋能基础教育高质量发展(笔谈)[J]. 天津师范大学学报(基础教育版),2025(3):1-14.

[12] 李超超, 陆丹. 数字技术革命与未来教育模态[J]. 自然辩证法通讯, 2025(4): 111-117.

[13] 崔丁斯诺, 徐建华. ChatGPT等人工智能融入高校课堂教学的价值、风险及对策[J]. 黑龙江教师发展学院学报,2025(4): 77-81.

[14] 周洪宇, 常顺利. 生成式人工智能嵌入高等教育的未来图景、 潜在风险及其治理[J]. 现代教育管理, 2023(11): 1-12.

[15] 闵小晶, 胡雪梦, 王娟. 生成式人工智能赋能综合素质评价: 应用场景与面临的挑战[J/OL]. 武汉大学学报(理学版): 1-9[2025-05-11]. DOI: 10.14188/j. 1671-8836.2024.0162 .

[16] 郭蕾蕾. 生成式人工智能驱动教育变革: 机制、风险及应对: 以DeepSeek为例[J]. 重庆高教研究, 2025(3): 38-47.

[17] 杨清望, 唐乾. 生成式人工智能赋能研究生教育: 理论逻辑、法律风险和治理路径[J]. 研究生教育研究, 2025(2):26-33.

[18] 国家互联网信息办公室, 中华人民共和国国家发展和改革委员会, 中华人民共和国教育部, 等. 生成式人工智能服务管理暂行办法[J]. 中华人民共和国国务院公报, 2023(24): 39-42.

基金资助

广西高等教育本科教学改革工程项目(2023JGZ115)