人工智能赋能本科医学教育形成性评价的路径与策略：基于CBME框架的综述

The pathway and strategies of AI-empowered formative assessment in undergraduate medical education:

摘要

医学教育正由知识本位向胜任力导向转型，形成性评价在促进临床推理、沟通能力、操作技能与职业素养发展中的作用日益凸显；但在我国传统教学体系下，评价反馈滞后、数据碎片化、教师负担较重及数字化基础不均衡等问题，限制了其系统实施。人工智能（artificial intelligence， AI）的发展为破解上述瓶颈提供了新的技术路径。本文采用叙述性综述方法，梳理国际医学教育中三类代表性AI应用模式：虚拟病人用于临床思维过程评估，扩展现实（extended reality， XR）用于操作技能反馈，智能辅导系统（intelligent tutoring system， ITS）支持学习轨迹监测与个性化学习。结合北美与欧洲在课程整合、教师算法监督及数据治理方面的经验，分析其对我国医学教育的启示，并针对我国本科医学教育课程线性、评价断层与区域数字化差异等现实问题，提出AI赋能形成性评价的本土化策略。AI有望提升形成性评价的可操作性、客观性与规模化水平，为构建以能力发展为核心的医学教育质量保障体系提供支撑。

Abstract

As medical education shifts from a knowledge-centered paradigm to a competency-based framework, formative assessment has become increasingly important for fostering clinical reasoning, communication, procedural skills, and professionalism. However, in the traditional teaching system in our country, its implementation in China remains limited due to delayed feedback, fragmented data, heavy faculty workload, and disparities in digital infrastructure. The advancement of artificial intelligence (AI) offers new possibilities to address these barriers. This narrative review outlines three representative AI-enabled models widely adopted in international medical education: virtual patients for evaluating clinical reasoning, extended reality (XR) for real-time procedural feedback, and intelligent tutoring systems (ITS) for tracking learning trajectories and providing individualized support. Drawing on practices from North America and Europe, such as curriculum integration, faculty involvement in algorithm oversight, and structured data governance, the review discusses their relevance to the Chinese context. In response to China’s challenges, including linear curricula, disjointed assessments, and uneven regional digital capacity, the paper proposes localized strategies for AI-supported formative assessment. These include aligning competencies with curricular and assessment frameworks, enhancing educators’ AI literacy, strengthening governance of data and algorithms, and promoting shared digital platforms. AI is positioned to improve the feasibility, objectivity, and scalability of formative assessment, supporting a more competency-centered quality assurance system in medical education.

Graphical abstract

关键词

形成性评价 / 胜任力导向医学教育 / 虚拟病人 / 智能辅导系统 / 数据治理

Key words

formative assessment / competency-based medical education / virtual patients / intelligent tutoring systems / data governance

近二十年来，全球医学教育正在发生由知识传授向能力培养的深层变革^[1]。这是一场由长期存在的“理论优异但临床不足”所引发的变革，传统的以知识掌握为主的教学模式已经不能适应现代医疗对临床推理、沟通协作、职业精神等综合能力的要求。加拿大医学专科医师培养胜任力框架（CanMEDS）、美国研究生医学教育认证委员会（ACGME）等国际框架都指出，医学教育应该以培养在真实的临床环境中具有可观察、可测量和稳定胜任力的人才为目标^[2]。其共同点就是建立由能力项、行为指标和评价标准组成的体系，可以对学生的能力发展进行持续追踪，并且可以形成教学反馈闭环。

在这种情况下，形成性评价就成为胜任力导向医学教育（competency-based medical education,CBME）的主要机制。相比终结性评价来说，形成性评价更重视用连续的、低风险的观察与反馈来引导学生临床能力的逐步提高^[3]。其有效运行要满足三个条件，即获得反映学习行为变化的过程数据、给予个性化反馈、创建支持纵向追踪的系统结构。但是，传统的教学不能实时地记录学习过程，评价依靠经验，反馈滞后，缺少数据支撑，形成性评价难以落地。

为突破上述困境，理念与技术正成为改革双轮。人工智能（artificial intelligence, AI）凭借实时反馈、自动分析、多源数据整合、能力轨迹呈现等优势，给形成性评价提供实践基础^[4-5]。医学教育能力转型不能只是理念的更新，还需要数字、智能技术环境的支持。

1 形成性评价难以落地的结构性原因

虽然形成性评价被看作是促使能力不断发展的主要机制，但是它在教学实践中一直受到结构性障碍的制约。传统的评价依靠教师人工打分，反馈滞后且主观性强，不能实现高频、大规模的过程监测。首先，大班授课及带教资源较少，教师不能及时对学生的学习过程进行关注，评价也容易流于形式，重结果轻过程^[6]。其次，学生的学习数据分散在本科、见习和住培阶段，没有统一的平台来记录和共享，纵向能力的发展轨迹不能被还原出来，评价只能停留在阶段性考试上，不能支撑CBME所倡导的长期追踪和渐进授权^[7]。再次，课程结构以学科为单位，不能和能力框架系统对应。教师只重视知识进度，缺少观察和反馈复杂能力（推理、沟通、协作）的工具，使形成性评价不能深入教学过程。最后，“唯考试分数”的评价文化根深蒂固，终结性考核仍然占据主导地位，学习促进型的反馈机制很少出现。在制度和技术的支持下，很多高校的形成性评价存在“理念走在前、落实跟不上”现象。

综上，教师负荷重、数据割裂、课程支撑薄弱、评价导向单一等，都是造成形成性评价落实不好的系统性障碍，也体现了利用人工智能来弥补传统模式不足的现实必要性。

2 中国本科医学教育的结构性困境与改革压力

2.1 传统结构与面临的挑战

在梳理全球CBME和形成性评价理论基础之后，本研究对我国本科医学教育主要制约因素从结构上进行分析，确定AI赋能形成性评价的切入点。长期以来，我国本科医学教育以线性、学科分割式课程为主，教学重知识传授，考核重阶段性结果，虽然保证了基础理论的系统性，但是缺少临床能力的培养以及持续性评价的支持^[8]。大班授课模式下，学生的学习过程不能被观察到，教师也很难及时了解学生的掌握情况，反馈滞后，形成性评价缺少运行的基础。

执业医师考试集中在住培阶段，本科阶段缺少对于推理、沟通、技能等各方面的系统评估，造成学习记录零散，能力轨迹无法还原，培养方案也无法根据学习表现进行动态调整^[9]。地区间教学平台、数据系统、师资数字素养等各方面的差异很大，一些院校还没有形成长期的数据积累和分析能力，“数字鸿沟”限制了形成性评价的普遍推行，也加大了教育资源与评价质量的差距^[10]。

从整体上看，课程结构与能力框架没有很好地对接起来，知识模块之间衔接不紧密，学生虽然掌握了理论，但是在实际的情境中很难表现出综合的能力。缺少明确的评价参照和纵向监测体系，成为制约形成性评价发展的瓶颈，也表现出AI对提高反馈效率、能力追踪、数据整合等的必要性。

2.2 改革压力与能力导向模式的呼声

近年来，中国医学教育改革一直加快步伐，根本动因就是能力需求增长同教育供给失衡之间的矛盾。以学科知识为主的传统课程体系，已经不能满足临床实践中对推理、沟通、慢病管理等综合能力的要求，学生在真实情境中表现出来的胜任能力同培养目标之间存在差距。临床实践中多病共存、慢性病等复杂病例日益增多，进一步凸显了跨学科整合以及复杂问题解决能力的必要性，但目前课程缺少有效的衔接，能力培养是碎片化的。本科到住培阶段缺少连续追踪机制，学习差距不能被及时发现，课程优化也没有数据支撑，“能力不可视”成了成果导向教育（OBE）和CBME推进过程中存在的主要障碍。

随着国际认证标准的引进，形成性评价、能力映射、持续反馈成了刚性要求^[11]。部分高校虽然在综合课程设计、能力框架构建和早期临床实践上有所尝试，但是教师负担重、评价工具缺乏、反馈体系不健全等问题仍然普遍存在，改革目标同教学实践之间存在着断层。与此同时，学生的学习方式也在发生变化，对于即时反馈、个性化路径以及能力发展的可视化需求也越来越大，而现有的评价体系不能满足这些需求，从而影响到学习动机和自我调节能力的提高。

综合来看，中国医学教育存在着能力要求提高、纵向评价缺失、执行机制不匹配这三种压力。创建起以持续反馈、能力追踪、证据推动改进为特点的评价体系迫在眉睫^[12]。人工智能技术在数据处理、行为识别、智能反馈等各方面具有优势，符合结构变革所要求的需要，可以给体系重塑提供现实抓手。

2.3 国际与中国医学教育模式的比较概览

以欧美为代表的医学教育已经基本完成了由知识传授向能力培养的结构转型，形成了以可测量的能力指标、真实情境教学和持续反馈为特征的CBME实践路径^[13]。虚拟病人、模拟训练、学习数据分析等技术被广泛地用在临床推理、沟通、技能训练中。

相较之下，中国的医学教育还处在结构调整阶段。线性课程、终结性评价为主导以及能力发展不可视等问题，影响了形成性评价的系统推进。虽然高校已经开展了虚拟仿真、智能系统以及能力框架的建设工作，但是大多还处于试点阶段，成果零散化，缺少统一的导向。师资AI素养缺乏、数字基础设施不均等依然是主要障碍。教学数据平台缺乏、课程模块化程度低、跨部门协同机制缺失，造成AI工具不能很好地与教学、学习、评价环节衔接起来^[14]。

从整体上来说，以欧美为代表的医学教育已经实现了能力、课程、评价、数据的系统贯通，而中国还处在转型的初期。课程整合、反馈机制、数据决策三个方面存在的问题已经暴露出来，并且也指出了人工智能促进本土能力导向改革所起的关键作用,如表1所示。

3 人工智能赋能本科医学教育形成性评价的国际模式与本土实践

3.1 国际AI赋能形成性评价的核心模式

在全球医学教育改革的大背景之下，人工智能（AI）成了促使形成性评价落实的技术手段。与传统的依靠人工观察、阶段性打分来获取能力发展的纵向评价信息采集分析学习过程方式相比，利用AI即时反馈可持续采集到的能力发展纵向评价更为有效。目前，国际上有三种主要的模式。

3.1.1 虚拟病人（virtual patients, VPs）用于临床推理的可视化评价

北美和欧洲高校把虚拟病人和临床推理课程结合起来，用学生提问路径、假设产生、诊断排序等来动态展现学生的推理过程。人工智能可以对这一过程实施结构化的剖析，找出薄弱环节并给出个性化的反馈，把原本隐性的认知活动转变成可以量化的表现指标，充实了传统教学对于思维品质监测的缺失。

多项研究表明，将虚拟病人嵌入到内科学、急诊等课程之后，学生在结构化临床考试中诊断准确率、汇报条理性、推理透明度都有所提高，不同年级之间能力差距在训练周期延长之后趋于缩小。该类教学一般会采取“前测-训练-后测-随访”客观结构化临床考试（OSCE）的闭环模式，目的在于检验AI助力推理训练能否变成现实情境中的能力。一些院校把学习日志和反思性写作结合起来，用以促进专业身份的形成以及同理心的养成，从而达到知识、技能和态度三者协同培养的目的。

3.1.2 扩展现实（extended reality, XR）训练用于操作技能的精准化评估

XR沉浸式模拟系统可以利用传感器和机器学习算法，对学习者插管等操作时的角度、力度、时序等动作进行捕捉，并根据偏差实时给出纠正建议^[15]。该类AI辅助训练可以提高技能执行的一致性，也减少了教师对每个学生进行指导的需要。它所产生出来的量化、可重复且客观的数据，给技能的发展赋予了可以追踪的评价链条^[16]。在一些外科、麻醉学的住培项目中，XR手术模拟被用来做早期的训练。通过VR组与传统教学组在手术时长、错误率、术中紧张度等指标的比较可知，前者更稳定，导师评分的一致性也明显提高。研究结果表明，AI驱动的XR训练可以提高个体操作能力，也可以给教学机构建立统一、可比的技能评价标准提供支持，减少教师评分的主观性^[17]。

3.1.3 智能辅导系统（intelligent tutoring system, ITS）用于学习路径与知识掌握的动态监测

智能辅导系统（ITS）可以根据答题行为、学习速度、错误模式等动态改变教学难度，并给出个性化的反馈^[18]。在翻转课堂等教学模式中，ITS可以提高学生知识的保持、自主学习和完成复杂任务的能力。对形成性评价来说，该系统把原本“黑箱化”的学习过程变得透明起来，给精准教学赋予了即时的数据支撑^[19]。ITS在一些欧洲医学院被纳入基础课程以及系统整合课程中。系统根据题目难度感知、作答时长、错误模式等综合判断出高风险学生，然后将高风险学生推送至教师进行辅导或者谈话。研究发现，该种“学习分析+早期干预”机制在不加重教师负担的情况下，可以有效地降低不及格率、缩小不同背景学生之间的成绩差距、提高教学的针对性和公平性。

就整体而言，AI应用有效性的实现要依靠课程设计、教师角色、数据体系这三个方面相互配合来完成。只有把AI工具嵌入到持续的反馈系统里，融入教学过程当中去，才能使CBME真正落地。其赋能逻辑如图1所示。

图1给出了人工智能在教学、学习、评估这三个教育维度上主要的应用形态，也给出了政策框架、伦理与公平、师资发展、数据治理和算法公平等支撑方面的作用，从而促进个性化学习、智能化教学和胜任力导向的评价。

3.2 国际经验的启示与本土适用边界

在总结国际AI赋能形成性评价主要模式的基础上，本节从课程结构、教师角色、治理体系三个方面总结出北美和欧洲医学院校的共性做法，并探究其在中国情境下适用的边界。不同于把AI当作单一的技术工具，国际经验更重视把AI嵌入能力目标、课程设计、评价机制和学习数据管理等各方面的系统架构当中去，用制度来保证评价的连续性和可追踪性。

同时也要注意到，由于中国在数字基础、师资负担和监管要求等各方面存在着现实上的差别，所以国际模式不能直接复制，而应该根据本土条件进行有选择的裁剪和分层推进，防止出现“照搬照抄”式的移植。

3.2.1 课程结构启示：评价体系必须嵌入完整的教学链条

北美、欧洲高校普遍使用模块化、螺旋式课程体系，使AI工具能够沿着能力发展的路径贯穿多个学期^[20]。虚拟病人可以用来追踪学生各个阶段的诊断推理能力，有利于学生能力的积累。而我国课程以线性结构为主、学科间数据割裂，AI在教学全流程中深度嵌入的程度要低得多。所以，推动AI的应用要以课程整合和数据标准的同步建设为前提。

3.2.2 教师角色启示：AI是“教师能力的延伸”，而非替代

国际研究发现，AI驱动的评价体系要依靠教师的设计、使用和监督。伦敦大学学院的项目中，教师对虚拟病人以及学习分析模型进行检验，保证算法符合临床规范和教育伦理^[21]。他们不但要进行前期的样本筛选和标注工作，还要定期对系统的报告进行审核，复核异常评分，并且在教学会议上反馈出一些典型的案例，促使教学目标以及考核标准的不断更新。该校采取的是教师、算法、课程委员会三方参与的方式对AI评价结果进行解读和应用，防止变成简单的分数输出。

在本土实践当中，将人工智能作为替代人工的工具，教师的角色被弱化，评价体系不能运转。因此，提高教师的AI素养，重新塑造其在智能评价中所起的作用，是实现本土化落地的前提^[22]。

3.2.3 治理体系启示：公平、透明与问责是AI评价的底线

美国LCME、欧洲AMEE等机构已经把数据透明性、算法责任和伦理审查纳入医学教育质量保障体系，要求AI模型在教学使用之前要完成偏差检测和风险评估^[23]，以防算法偏见影响学生发展^[24]。相比而言，中国对于数据安全、算法监管以及学习者权益保障等方面的制度还处在起步阶段，缺少规范会导致评价数据被滥用，损害教育公正，削弱师生信任^[25]。国际认证机构一般会要求高校在提交材料的同时给出AI系统的功能说明、数据来源、偏差评估报告以及学生申诉流程等信息，从而保证技术的使用处在可问责的框架之下。

由此可见，国际经验的关键不是技术本身，而是制度体系的同步建设。从表2可以看出，AI赋能形成性评价要与课程结构、教师能力、治理机制协同推进，才能支撑CBME改革。防止出现重技术轻体系的路径依赖，这是本土化落地的关键。

3.3 中国AI赋能形成性评价的本土实践与体系建设进展

在国际体系化整合经验的启示之下，国内高校依照资源分配、反馈体系以及地域差别等现实状况，探寻出契合本国特点的AI助力形成性评价途径。目前，主要研究方向有虚拟仿真教学、智能学习支持系统、教学数据治理三个方面，主要解决资源短缺、反馈慢、地区发展不平衡等问题，在一些高校开始形成可以推广的模式，呈现出由局部试点向体系嵌入转变的趋势。

3.3.1 虚拟仿真推动临床能力训练的标准化

依托国家级虚拟仿真实验教学项目，多所高校把AI驱动的虚拟病人和沉浸式模拟教学融入课程当中，用以训练临床推理和操作技能。部分平台已经具有自动反馈、路径记录以及技能过程可视化的功能，给形成性评价提供了数据支持^[26]。福建医科大学以虚拟病例为载体展开多维推理训练，给予即时反馈，明显改善学生临床准备度以及能力表现。该类实践表明，虚拟仿真已成为我国医学教育中具有较强推广潜力的AI应用形式之一。

院校一般会以高频临床情境为基础，把胜任力指标匹配的虚拟任务融入病例讨论、小组汇报以及OSCE等教学环节，把系统生成的过程数据加入课程成绩，从而达成教、学、评一体化的设计。

3.3.2 智能学习系统提升过程性学习支持与教育可及性

以自然语言处理（NLP）、大语言模型（LLMs）为基础的智能学习机器人已经应用到解剖、诊断推理、沟通技能等课程中，用语音或者文本的形式即时答疑、引导推理，缓解教师资源紧张的问题^[27]。在中西部高校推广之后，学生对于学习支持、自主调节能力的反馈明显好转，超过七成的学生觉得学习的获得感提高了^[28]。系统产生的学习分析数据可以帮助教师发现学习难点，进行个性化的补救。常见的做法是将系统和学习平台账号对接起来，记录登录次数、答题情况、错误类型等，教师定期查看报告，对共性问题进行集中讲评，对于个体问题采用小测或者辅导的方式进行点对点的干预。

3.3.3 数据治理成为AI评价体系可持续运行的关键

随着AI的应用越来越广泛，大规模学习数据收集导致隐私保护和公平性问题的出现。国家政策“智慧教育中国”重视数据安全、透明使用、算法偏差监测，促使高校创建起跨部门合作的体系，防止技术扩大地区或者性别上的差别。

部分院校已经开始了算法偏差的监测以及伦理审查工作，尝试创建出一种适应医学教育场景的数据治理模式。具体做法就是设立教务、信息中心、伦理委员会三者组成的治理小组，制定数据采集和使用的规范，对重要的AI系统进行立项审查和定期评估，设置知情告知和申诉制度，保证形成性评价数据使用合法、可追溯。

3.3.4 典型案例：南方医科大学 AI 教学大模型提升形成性评价体系建设

2024年，南方医科大学牵头的“医学AI教学大模型协同创新项目”入选教育部“人工智能+高等教育”典型案例。项目联合多所医学院校创建跨学科医学大模型和教学知识库，包含基础、临床、人文医学课程。依靠该模型创建出的AI助教和智能评价系统，可以及时对学生的高阶思维、推理路径、沟通互动以及学习行为等各方面表现进行捕捉，并把结构化数据融入课程形成性评价体系。

实施路径分为四个阶段，即前期调研确定能力维度和可观察指标、课程试点在基础和临床课程中嵌入AI助教和虚拟病例开展对齐能力指标的互动任务、平台集成将评价数据接入统一分析系统、区域协同与兄弟院校共享模型和资源、探索缩小区域数字差距的机制。

该项目实现了课程资源共享、评价标准统一、个性化支持，给AI支持下形成性评价提供可以复制的制度和技术途径。

从整体上看，中国的医学教育人工智能应用正在由试点实验走向系统构建。虚拟仿真、智能系统、数据治理为形成性评价提供基础支持，但是从案例中可以看出，课程结构、师资能力、治理机制三者之间的协同推进才是AI赋能改革的关键。只有制度、技术、文化三者并行，人工智能才会有医学教育能力导向转型的持久动力。

4 推动AI赋能医学教育的本土化策略

随着人工智能在医学教育中不断深入，中国要想完成“能力导向教学—形成性评价—数据驱动决策”的系统升级，关键在于技术的融入之外还要推动制度、课程和教育文化进行深度重构。国际经验与本土实践均显示，课程结构、教师能力、数据治理是本土化推进的主要支点。

4.1 构建与AI深度融合的课程与评价体系

课程结构属于嵌入式人工智能在医学教育中的根基。CBME重视学习成果、教学活动和评价标准三者之间的对应关系，在培养方案中要达成能力指标、教学任务、学习数据的系统联动，创建起能力、课程、评价的闭环体系^[29]。为了使人工智能深度参与到形成性评价当中，课程的重构可以从三个方面入手，即内容重组、任务重组和评价机制重组。

一是推动课程模块化和能力映射。以课程单元为载体来承载核心能力的培养任务，加强跨学科的整合，把虚拟仿真、虚拟病人和智能系统融入教学的全过程，防止AI工具被孤立使用^[30]。

二是形成性评价标准体系的完善。根据能力框架制定出可操作的量化指标，让AI可以客观评分、统计数据，减少教师打分差异。

三是建立数据驱动的课程改进机制。把学习轨迹、能力表现等AI产生的数据当作教育质量监测的依据，用证据取代经验来推动教学改进^[31]。

本科临床医学教学可以采取“三步走”的方式推进实践路径，即对照能力框架和课程体系，确定每门课程对应的胜任力指标和可以采集的数据类型，形成能力-课程-数据的映射表；其次，选择1~2门基础或者临床课程进行试点，比如诊断学、儿科学，把AI工具嵌入到预习、课堂、课后任务中，设定评价权重反馈形成成果；最后，根据试点所获学习数据及师生意见，对评价标准及教学活动加以改进，进而逐步推行到其他课程群当中，而且还要把AI产生的能力指标融入教学评估和专业认证体系。

经过上面结构调整和逐步推进之后，AI工具才会稳定地嵌入教学流程之中，给形成性评价赋予连续且可追踪的数据支撑，从而把图1所示的“教—学—评”赋能框架转变为院校层面的可操作之路。

4.2 发展具备AI素养的医学教师队伍

教师在AI赋能医学教育中起着主导作用，既是技术使用者又是教学引导者、算法监督者、数据解释者。从国际上看，智能教学体系对教师的复合型要求很高。提高本土医学教师的AI素养可以从三个方面着手，即培训体系创建、系统共创参与、制度激励。

一是创建分层分类的教师培训体系。根据不同的教师设置不同的模块，把培训纳入本校师资发展项目，既包含虚拟病人、大语言模型等工具的操作，又包含教学场景下数据解读和反馈的设计。采用集中工作坊、在线微课、同伴观摩相结合的形式开展培训，提高实效。

二是促使教师深度参与到AI工具的共建之中。由跨学科教研团队或者“教学-技术”联合机制来提出典型的情境和能力指标，技术团队完成算法的实现以及界面的设计，双方共同制定评价的逻辑以及反馈的模板，在小范围的课程中试用并加以优化，之后再推广^[32]。

三是健全激励制度。把教师在AI应用、数据分析、教学创新等各方面的表现纳入职称评定和教学评价。教学成果奖、示范课程认定等可以将形成性评价实施情况、学习分析证据等作为评价指标，对表现突出者给予绩效和荣誉上的奖励。

医学教师AI素养的提高可以分为三个阶段，即短期唤醒、中期共创、长期固化。初期用培训、案例熟悉工具等方式来引导，中期参与系统建设、课程试点，后期制度嵌入经验沉淀、常态化推广。只有教师具备理解、监督、灵活使用AI的能力，才会有真正落地的、支撑能力培养目标的形成性评价体系。

4.3 建立符合国情的数据治理与算法监管体系

在医学教育当中，人工智能直接介入学习过程以及能力评价，倘若缺少专门的设计和监管，容易产生高风险。学习数据被挪作排名或者筛选，甚至被不当地共享给第三方，造成隐私泄露和标签化管理；评分模型在性别、地域或者学校类型上存在偏差，一些学生不断被低估或者边缘化；推荐或者预警系统缺少解释路径，使学生对评价结果的信赖度降低；教师如果过分依靠算法来判断，那么他们的专业判断以及育人责任就会被削弱。

由于形成性评价具有很强的敏感性，因此需要创建一个明确的、可以执行的数据以及算法治理体系，以保证其透明、公平和可问责。在现有的政策基础上，医学教育领域至少应该在四个方面达成共识：一是确定数据安全边界。对学习数据的采集范围、使用权限、保存期限作出具体规定，保障学生知情权、选择权、撤回权，防止出现过度采集、用途漂移等问题。二是建立算法偏差监测机制。定期检测评分模型在性别、地区等维度上的潜在偏差，必要时需要进行人工复核或者算法调整，防止技术加剧教育不平等^[33]。三是推动教育数据标准的统一。依靠国家或者区域平台统一数据格式和接口，加强院校之间系统兼容性以及数据共享水平，为多中心教学评价和研究打下基础。四是要加强伦理审查。在关键的AI工具中加入伦理审查程序，对它们的效度加以考察，留意教育公平、师生联系以及学习者心理安全等伦理问题。

高校可以成立由教务、信息、法务等相关部门组成的数据治理小组，制定数据分级管理制度，确定各个数据的使用范围和授权方式；对形成性评价相关的AI系统实行准入评估和定期体检的制度，在上线前经过小样本测试以及专家评审来验证它的可靠性，在上线之后按照一定的时间间隔随机抽取部分样本进行评分情况的分析，一旦出现系统性偏差则立即对模型加以修正或者恢复人工干预。

在与第三方技术公司合作时，合同中要规定数据归属、用途范围、安全责任等要素，并对数据存储、共享和删除等进行合规约定，防止第三方用于教学以外的用途。只有在保证学生权益和教育公平的前提下，AI在形成性评价中应用才会有稳健的发展。

4.4 促进区域公平与资源共享的协同机制

中国医学教育长期存在着区域发展不平衡的现象，AI的应用如果设计得不好，就会使强者更强、弱者更弱的新型不平等更加严重。为了保证智能化教学的普惠性，在国家和区域层面要建立起共享资源和能力协同机制。

一是创建面向基层院校的共享平台。利用统一入口给虚拟病人库、技能训练模块和智能学习系统提供服务，降低技术门槛，扩大使用范围。二是推进区域教师培训，重点支持中西部医学院校数字基础建设、AI素养提升，利用远程共建、在线指导扩大培训可及性^[25]。三是推动优质资源开放，把国家级虚拟仿真课程、医学AI工具、能力框架向全国开放，促进资源在区域内流动与配置。

从实践角度来讲，可以采取“一个平台、两类支撑”的方式来推进协同机制的创建。“一个平台”即以国家或者省级教学体系为基础，统一建设基础与临床课程的虚拟病例库、技能训练模块、学习支持系统，给不同层次的院校提供账号统一、数据标准一致的接入通道，由平台统一维护，减轻中小院校运维负担。“两类支撑”即能力支撑和政策经费支持，能力支撑即区域教研共同体定期开展线上交流、案例共建，使基层教师掌握虚拟仿真、学习分析、AI评价结果的课程应用；政策经费支持即设立专项资金，面向欠发达地区，把平台使用和形成性评价实施情况纳入项目评审和绩效指标，引导院校把AI工具用于教学质量与教育公平的提升，而不是流于形式化的展示。

因此，AI只有嵌入到区域教育协同体系之中，才能成为推动教育公平的制度性工具。推动AI本土化应用不是技术的叠加，而是课程结构、教师能力、数据治理三个方面一起推进，三者缺一不可。只有这样，能力导向的改革才会有实际效果。

5 结束语

在能力导向的改革大环境下，形成性评价是把课程目标、教学过程和能力达成联系起来的关键部分。但是，由于线性课程结构、终结性考试占主导地位、数字化基础薄弱，中国本科医学教育普遍存在学习过程不可视、反馈滞后、评价数据碎片化等现象。虚拟仿真、虚拟病人、智能辅导系统等人工智能技术给持续收集学习数据、描绘能力发展轨迹、实现个性化反馈提供工具支持，但其价值要依靠课程体系、教师角色和治理机制的同步改革。

因此，AI赋能形成性评价的中国路径，并不是技术的简单叠加，而应该从能力、课程、评价、数据四个方面进行系统整合。推进课程模块化设计、标准化能力评价体系和数据驱动的教学改进机制，创建起支撑智能评价运作的制度根基，经由优化教师的AI素养与参与度，使其在智能教学环境中既能担当引导者也能承担监督者，还能充当解释者，依靠治理机制保证数据安全、公平使用，借助区域共享平台和能力建设项目缩小数字鸿沟，达成技术创新与教育公平的统筹推进。

未来研究应该从真实教学场景出发，开展工具效能的全面评价，既要重视短期成绩的变化，也要重视对临床推理、沟通能力以及专业身份发展变化的关注，在统一的数据标准和伦理框架之下推动多中心的合作，挖掘出学习轨迹数据背后的能力发展模式，探究AI介入之后师生关系、教学文化以及组织治理的发展轨迹，给创建本土化的技术规范赋予实证依据。

从政策上讲，把形成性评价以及它的AI支撑证据纳入专业认证和教学评估当中来，创建起医学教育领域数据治理标准和伦理指南，加大对资源匮乏地区平台接入、资源共享和师资培训的支持力度。只有制度、技术、文化三者并重，AI才能成为推动中国医学教育高质量、公平发展的持久动力。

参考文献

[1] Wang W. Medical education in China: Progress in the past 70 years and a vision for the future[J]. BMC Medical Education, 2021, 21(1): 453.

[2] 张翰林, 何紫棠, 李玥, 等. 临床医师胜任力的经典模型与研究进展[J]. 协和医学杂志, 2023, 14(6): 1296-1300.

[3] 孙宝志. 医学精准教育概念的提出及启示 [J]. 医学与哲学, 2024, 45(19): 63-67.

[4] 旷光华, 罗伟, 夏瑞, 等. 情境模拟教学在临床医学教学中的应用[J]. 医学与哲学, 2023, 44(18): 56-61.

[5] 刘凯. 人工智能与教育学融合的双重范式变革[J]. 开放教育研究, 2023, 29(3): 4-18.

[6] 王阳, 隋琬婷. 基于网络平台的CBL混合式教学模式在护理专业大班制教学中的教学实践探究[J]. 卫生职业教育, 2023, 41(8): 106-109.

[7] 陆奥帆, 刘梅洁, 唐晓. 医学高校数字化校园建设现状及对策研究[J]. 信息与电脑, 2025, 37(10): 183-186.

[8] 赵呈智, 马金芳, 易祖木, 等. “探究式-小班化”教学的应用及展望[J]. 中国循证医学杂志, 2019, 19(12): 1481-1485.

[9] 王诗莹, 孙健, 王伟, 等. “5+3”口腔医学人才胜任力培养体系的探索与建立[J]. 中国继续医学教育, 2022, 14(7): 21-24.

[10] Li Z, Fu Q, Zhao Y, et al. Empowering standardized residency training in China through large language models: Problem analysis and solutions[J]. Annals of Medicine, 2025, 37(1): 2516695.

[11] 黄林燕, 罗保红, 毕艳侠, 等. 专业认证对医学检验专业本科教育改革的推动作用研究[J]. 现代生物医学进展, 2015, 15(7): 1332-1335.

[12] 王茹, 李毅恒, 孙世仁, 等. 人工智能在医学教育中的应用前景与挑战 [J]. 中国医学教育技术, 2025, 39(3): 306-310.

[13] Ten C O, Billett S. Competency-based medical education: Origins, perspectives and potentialities. Medical Education. 2014, 48(3): 325-332.

[14] 张丽丹, 孙畅, 王莉, 等. 人工智能在医学教育改革中的应用: 优势、挑战与对策 [J]. 科技风, 2025(33): 108-110.

[15] Barré J, Michelet D, Truchot J, et al. Virtual reality single-port sleeve gastrectomy training decreases physical and mental workload in novice surgeons: An exploratory study[J]. Obesity Surgery, 2019, 29(4): 1309-1316.

[16] 白洁, 高天昱, 顾耀祖, 等. 人工智能和虚拟现实技术在麻醉学教学中的实践与前景: 个性化学习路径的综述研究[J]. 中国医学教育技术, 2025, 39(3): 322-327.

[17] 蔡彦韬, 刘斌, 李幼生. 全剧情一体化模拟教学在临床技能培训中的应用研究: 基于AI问诊-模拟体检-虚拟手术的整合教学模式[J]. 中国医学教育技术, 2025, 39(6): 767-772.

[18] 黄国祯, 方建文, 涂芸芳. 人工智能教育应用研究的全球图景与趋势[J]. 现代远程教育研究, 2022, 34(3): 3-14.

[19] Sriram A, Ramachandran K, Krishn-Amoorthy S. Artificial intelligence in medical education: Transforming learning and practice[J]. Cureus, 2025, 17(3): e80852.

[20] 解静, 刘久畅. 人工智能时代美国医学教育改革前沿案例分析及其启示[J]. 医学信息学杂志, 2025, 46(8): 18-22.

[21] Boscardin C K, Gin B, Golde P B, et al. ChatGPT and generative artificial intelligence for medical education: Potential impact and opportunity[J]. Academic Medicine, 2024, 99(1): 22-27.

[22] 韦宇尘. 人工智能赋能教育评价的价值、挑战及路径[J]. 科教文汇, 2025(19): 23-26.

[23] Li Z, Li F H, Wang X H, et al. Ethical considerations and fundamental principles of large language models in medical education: Viewpoint[J]. Journal of Medical Internet Research, 2024, 26: e60083.

[24] Triola M M, Rodman A. Integrating generative artificial intelligence into medical education: Curriculum, policy, and governance strategies[J]. Academic Medicine, 2025, 100(4): 413-418.

[25] 郭炯, 荣乾. 人工智能赋能教育公平:国际共识、现实阻碍及实践路径[J]. 西南大学学报(社会科学版), 2025, 51(2): 247-258.

[26] 高阳, 赵沁平, 周学东, 等. 虚拟现实技术在新医科人才培养中的作用及应用现状[J]. 四川大学学报(医学版), 2021, 52(2): 182-187.

[27] 林岚, 武雨桐. 大型语言模型在医疗领域的应用现状与展望[J]. 医疗卫生装备, 2024, 45(8): 102-109.

[28] 李彦垒, 刘泽民, 周雯静, 等. 数字包容:华东师范大学数字支教研究报告[J]. 华东师范大学学报(教育科学版), 2025, 43(7): 108-126.

[29] Hawkins R E, Welcher C M, Holmboe E S, et al. Implementation of competency-based medical education: Are we addressing the concerns and challenges?[J]. Medical Education, 2015, 49(11): 1086-1102.

[30] 王宏杰, 闵建中, 侯丽英, 等. 基于模块化的线上线下混合教学模式在智能算法课程中的应用: 以医学院校为例[J]. 科教文汇, 2023(1): 82-85.

[31] Wu S P, Choi Y F, Patel L. Transforming feedback into learning throughout the trajectory of competency based medical education[J]. Indian Pediatrics, 2025, 62(3): 221-227.

[32] Ng F Y C, Thirunavukarasu A J, Cheng H, et al. Artificial intelligence education: An evidence-based medicine approach for consumers, translators, and developers[J]. Cell Reports Medicine, 2023, 4(10): 101230.

[33] Zhang J, Zhang Z M. Ethics and governance of trustworthy medical artificial intelligence[J]. BMC Medical Informatics and Decision Making, 2023, 23(1): 7.

基金资助

2024南方医科大学大学生创新创业计划(S202412121199)

2024高水平大学-省教育教学改革(粵教高函［2024］9号540)

2025年度教学类建设项目-高等教育教学改革项目(校教字［2024］6号ZL2023083)