医学生人工智能应用素养的现状与分群分析

Current situation and cluster analysis of artificial intelligence application literacy among medical students

摘要

目的 剖析医学生人工智能（artificial intelligence，AI）应用素养的群体差异，并基于调查结果提出针对性的医学AI教育培养策略，同时论证大规模开放在线课程（massive open online course，MOOC）在医学AI教育落地中的可实现性与应用价值。 方法 采用横断面调查方法，对武汉大学人民医院527名医学相关专业学生进行问卷调查。基于“认知-应用-态度”三维模型评估其AI应用素养，并开展分群比较分析。 结果 医学生AI应用素养呈现显著群体分化：“先驱者”（16.51%）具备高认知、高应用水平且态度积极；“矛盾者”（41.74%）认知水平较高但应用能力薄弱，其核心障碍在于责任界定困惑（89.54%）与技能缺失（85.00%）；“旁观者”（41.74%）则表现为低认知、低应用与态度模糊。不同群体对医学AI教育存在差异化需求，且MOOC相较于传统线下授课在覆盖群体、灵活度等方面具备显著优势。 结论 医学生AI应用素养存在明显分层，需构建分层分类的医学AI教育体系，而MOOC是实现该教育体系高效落地的优选载体，可为医学生AI复合能力的提升提供可行路径。

Abstract

Objective To analyze the group differences in medical students' application literacy of artificial intelligence (AI), put forward targeted medical AI education and training strategies based on the survey results, and demonstrate the feasibility and application value of massive open online course (MOOC) in the implementation of medical AI education. Methods A cross-sectional survey was conducted among 527 medical-related majors in Renmin Hospital of Wuhan University. Their AI application literacy was evaluated based on the three-dimensional "cognition-application-attitude" model, and group comparison analysis was carried out. Results Significant group differentiation was observed in medical students' AI application literacy: "Pioneers" (16.51%) had high cognition, high application level and positive attitude; "Contemplators" (41.74%) had relatively high cognitive level but weak application ability, with core obstacles being confusion about responsibility definition (89.54%) and skill deficiency (85.00%); "Bystanders" (41.74%) showed low cognition, low application and ambiguous attitude. Different groups had differentiated demands for medical AI education, and MOOC had significant advantages over traditional offline teaching in terms of group coverage and learning flexibility. Conclusion Obvious stratification exists in medical students' AI application literacy, so a hierarchical and categorized medical AI education system needs to be constructed. MOOC is an optimal carrier for the efficient implementation of this education system, which can provide a feasible path for improving medical students' AI comprehensive abilities.

人工智能（artificial intelligence，AI）技术正以前所未有的深度与广度融入医疗健康领域，催生了智能诊疗、精准医疗和医院智慧管理等新模式^［1］。在此背景下，培养具备高水平AI素养的复合型医学人才，已成为推动新医科建设、落实“健康中国”战略的核心环节^［2-3］。然而，与技术的飞速发展相比，医学教育体系的响应仍显迟滞，存在课程体系不完善、与临床实践脱节等诸多挑战^［4］。

当前，国内研究多集中于对医学生AI知识或态度的单一维度调查^［5］，缺乏对“认知、技能与态度”三者内在联系的系统性剖析，更少见能将研究成果直接转化为教育实践的应用性探索^［6］。为此，本研究以武汉大学人民医院医学相关专业学生为调查对象，系统分析其 AI 应用素养的群体特征与现存问题，进而针对性提出医学 AI 教育培养方向，并探讨大规模开放在线课程（massive open online course，MOOC）在医学 AI 教育落地中的独特优势，为医学 AI 教育体系构建提供参考。

1 对象与方法

1.1 研究对象

本研究采用横断面调查设计。于2025年11月，采用方便抽样法，选取武汉大学人民医院医学相关专业527名在校学生作为研究对象。纳入标准为：①在校医学生，学习阶段涵盖本科、参加住院医师规范化培训的学生、硕士研究生及博士研究生；②知情同意并自愿参与本研究。排除标准为：①问卷填写不完整；②所有选项答案呈现明显规律性，视为无效问卷。本研究采用匿名问卷调查法收集数据，所有研究对象均知情同意。

根据Kendall的样本量估算原则^［7］，进行问卷调查的样本量至少应为问卷中量表条目数的5～10倍。本研究核心量表部分条目数为25项，故所需最小样本量为125～250例。考虑到抽样误差和无效问卷，本研究计划样本量为500例，最终共回收问卷550份，剔除无效问卷23份，获有效问卷527份，有效回收率为95.80%，样本量充足。

1.2 研究工具

采用自行设计的横断面调查设计调查问卷。问卷初稿经过3名医学教育专家和2名人工智能领域专家评审，并进行小范围（n=30）预调查，根据反馈意见对题项的表述清晰度和内容效度进行了修订与完善。问卷的内部一致性信度经检验，总体Cronbach's α系数为0.89，各维度的α系数为0.75~0.86，表明问卷具有良好信度。

正式问卷共包含以下四部分：①基本情况：包括学习阶段、专业领域等；②AI认知与培训情况：包括对AI的了解程度（Q3）、课程学习情况（Q4）及培训充足度评价（Q5）；③AI应用现状：涵盖临床应用（观察领域Q6、使用频率Q7、效果评价Q8）与科研应用（使用频率Q11、辅助环节Q12、工具类型Q13、效率提升Q14、使用阻碍Q15）；④态度与教育需求：包括对AI潜在价值（Q9）与担忧（Q10）的看法、对AI与医生关系的认知（Q16，Q17）、对人机协同能力重要性的评价（Q18）、能力培养需求（Q19）、学习意愿（Q20）以及对课程整合的态度（Q21）等。

1.3 核心分析框架：三维素养模型

为超越单一维度的描述，实现对学生群体的深入分型，本研究构建了“认知-应用-态度”三维素养模型作为核心分析框架。最终基于研究者设定的规则与阈值，根据学生在3个维度上的“高/低”组合，将其归类到不同的素养群体。该模型的操作化定义与赋值标准如下。

（1）认知层：反映学生对医学AI的理论知识掌握水平，由Q3（了解程度）与Q4（课程学习）综合评定。① 高认知：Q3选择“比较了解”或“非常熟悉”，或Q4选择“是，已系统学习过”；② 低认知：未达到高认知标准者。

（2）应用层：反映学生在学习与研究中对AI工具的实际使用能力，由Q7（临床使用频率）、Q11（科研使用频率）及Q13（工具多样性）综合评定。①高应用：Q7选择“是，经常主动使用”或Q11选择“非常高”或“比较高”，且Q13选择的工具类型≥2种；② 低应用：未达到高应用标准者。

（3）态度层：反映学生对AI的价值认同与学习开放性，由Q18（协同重要性）与Q20（学习意愿）综合评定。① 积极态度：Q18选择“非常重要”或“比较重要”，且Q20选择“非常愿意”或“比较愿意”；② 消极/模糊态度：未达到积极态度标准者。

1.4 统计学方法

采用SPSS 26.0软件对数据进行处理分析，计数资料用例数（百分比）［n（%）］表示。基于前述三维素养模型的操作化定义与规则分组方法，对学生进行人工分群，采用χ²检验比较三组间各指标的差异。以P<0.05为差异有统计学意义。

2 结 果

2.1 调查对象基本情况

本研究共回收有效问卷527份。其中，硕士研究生群体占比最高（35.10%），构成了本研究的主要受访群体；在专业分布上，以外科系列（28.65%）与内科系列（26.00%）为主，此二者合计占比超过半数，这与临床医学人才培养的总体结构相符，也确保了样本能有效反映核心临床专业学生的观点（表1）。

2.2 医学生人工智能准备度总体概况

医学生对人工智能在医学中的应用已具备初步认知，但系统化训练严重不足，呈现出“高意愿、低实践”的突出矛盾。47.25%的受访者自我评价为“有一定了解，能说出部分应用场景”，这表明相关概念的普及已初见成效；然而，与之形成鲜明对比的是，仅有3.80%的学生表示“已系统学习过”医学AI相关课程，而高达44.02%的学生认为当前学校/医院提供的AI相关培训仅为“一般”水平（表2）。

2.3 人工智能应用场景与能力表现的结构性失衡

医学生在临床与科研场景中的AI应用呈现出“科研热、临床冷”的显著差异与结构性失衡。①在临床应用方面，AI工具的观察度与使用度存在落差。如表3所示，学生观察到AI技术最常应用于“医学影像识别与辅助诊断”（48.96%），但其个人在临床学习或决策中，“偶尔使用”AI工具者占46.30%，“经常主动使用”者仅为21.63%。②在科研应用方面，AI工具的使用则更为广泛和深入。使用频率“偶尔使用，经常使用”者合计67.93%。大型语言模型（如ChatGPT等）是绝对主流工具，使用率达68.12%。AI辅助科研的环节高度集中于“文献阅读与摘要总结”（66.60%）。然而，在“研究设计与思路启发”“数据建模与分析”等更具创造性和核心价值的环节，AI的渗透率相对较低。

2.4 态度、担忧与教育需求：价值认同与伦理焦虑并存

医学生对AI赋能医学的总体价值高度认同，但同时对其实施过程中的风险抱有深刻的伦理与职业焦虑。①在价值认同上，83.68%的学生愿意投入额外时间学习医学AI知识。AI在“减轻医务工作者的事务性负担”方面的潜在价值获得了压倒性认可（84.25%）。绝大多数学生（87.86%）认为“人与AI协同工作”的能力对未来医生的职业发展“重要”或“非常重要”。②在担忧方面，责任与技能问题最为突出。“诊断或治疗错误的责任界定问题”与“过度依赖技术，导致临床技能退化”两项担忧并列首位，选择率均高达71.73%。这反映了学生在技术浪潮中对自身专业角色与法律责任的深层思考。③在教育需求上，整合AI教育的呼声空前一致。96.21%的受访者认为将AI教育整合到医学核心课程中“有必要”，其中70.02%的学生倾向于以“选修课”形式先行开展。对于最急需培养的能力，排在前三位的分别是“批判性评估AI工具输出的能力”（70.02%）、“操作使用临床AI软件的能力”（68.12%）以及“理解AI基本原理与局限性的能力”（58.82%）。

2.5 核心发现：基于三维素养模型的群体分化及其特征

依据“认知-应用-态度”三维素养模型进行分群分析^［8］，本研究识别出3个在统计学上具有显著差异的典型群体（P<0.01），其分布与核心特征如表4所示。①“先驱者”（16.51%）：该群体是医学AI应用的领跑者。他们通常处于更高的学习阶段（硕/博士研究生比例合计68%），具备较高的技术认知与频繁的应用实践，对AI持积极乐观态度。他们是教育体系中天然的“创新扩散者”。②“矛盾者”（41.74%）：这是占比最大、也是最关键的群体。他们认知水平不低，能清晰阐述AI的价值与应用场景，但在行动上极为审慎。其核心特征在于内在的张力：他们是对“责任界定”（89.54%）和“技能缺失”（85.00%）感知最强的群体，凸显了“想用而不敢用，愿学而无人教”的困境。他们是教育干预能否成功的关键所在。③“旁观者”（41.74%）：该群体处于AI应用的边缘。他们表现出全面的低认知、低应用与模糊态度。其根本原因在于系统接触的严重缺乏（该群体中“未学习过任何课程”者占比95%）。他们是潜在的需求者，但需要有效的认知唤醒和基础启蒙。

3 讨 论

3.1 医学生 AI 应用素养现存问题的根源剖析

本研究揭示的“先驱者”“矛盾者”与“旁观者”的群体分化，是当前医学教育体系应对AI技术革命时的结构性滞后的集中体现^［9］。首先，传统课程体系的刚性约束是首要原因。以生物医学知识为核心的既定课程表已趋饱和^［10］，难以容纳AI等新兴交叉学科的深度内容，导致系统化教育缺位，直接造成“旁观者”的认知空白和“矛盾者”的技能短板 ^［11］。其次，医学教育文化中对技术不确定性的天然审慎加剧了应用障碍。医学决策关乎生命，其核心要义是确定性与可解释性，而当前AI（尤其是深度学习）的“黑箱”特性及其潜在错误风险，与医学教育的核心诉求存在内在张力^［12］。这一冲突在“矛盾者”群体的责任焦虑中表现得最为突出，他们虽知AI之利，但更惧其不可控之后果。最后，跨学科师资与教学资源短缺形成实施瓶颈^［13-14］。兼具医学临床思维与 AI 技术原理的复合型师资匮乏，导致多数培训仅停留在概念普及层面，无法覆盖“数据预处理-模型实战-伦理评估”的完整工作流，学生难以将宏观认知转化为微观实操技能^［15-16］。这三重因素共同作用，导致了当前医学生AI素养“知易行难”的普遍困境。

3.2 基于群体特征的医学AI教育培养方向

针对不同群体的素养短板与教育需求，需构建分层分类的医学AI教育体系，实现精准化培养（图1）。

（1）针对“旁观者”的认知唤醒与基础启蒙。“旁观者”群体的核心痛点是AI认知的全面缺失，因此教育的首要目标是完成认知启蒙与兴趣激发，需从医学AI的基础概念、发展历程与典型应用场景入手，搭建基础认知框架，同时结合医学影像识别、智能病历分析等具象案例，直观展现AI技术的医学价值，破除其对AI技术的陌生感与距离感，为后续能力提升筑牢认知根基。

（2）聚焦“矛盾者”的技能补齐与顾虑消解。“矛盾者”是医学AI教育的核心靶向群体，其核心困境是“有认知无技能、有意愿无底气”。一方面，需强化实操技能培训，围绕临床与科研场景设计实操课程，覆盖医学数据预处理、AI工具操作、模型结果解读等核心技能，帮助该群体将理论认知转化为实践能力；另一方面，要针对性破解伦理与责任顾虑，开设医学AI伦理与法律专题课程，明确AI辅助诊疗中的责任边界与法律规范，为临床应用AI技术构建“安全防线”。

（3）助力“先驱者”的能力进阶与价值转化。“先驱者”具备扎实的AI认知与应用基础，教育重点应转向能力升华与成果产出，可开设AI赋能医学科研与教学的高阶课程，指导其利用AI优化研究设计、开展数据分析、撰写学术论文，同时鼓励其参与医学AI创新实践项目，推动其从AI技术的“使用者”向“创新者”转变，发挥其在医学生群体中的示范与辐射作用。

3.3 MOOC在医学AI教育中的可实现性与落地举措

3.3.1 MOOC相较于线下授课的独特优势

在医学AI教育的落地载体选择上，MOOC相较于传统线下授课具备更强的可实现性。①MOOC可突破时空与规模限制，既能覆盖“旁观者”群体的大范围认知启蒙需求，也能满足“矛盾者”碎片化的技能学习诉求，同时为“先驱者”提供灵活的高阶课程学习渠道，解决传统线下授课受众覆盖面有限的问题；②MOOC的模块化课程设计可实现精准适配，不同群体可根据自身需求选择对应课程模块，契合分层分类的教育培养逻辑；③MOOC具备资源复用与迭代优势，可整合优质跨学科师资力量，形成标准化课程内容，同时能根据技术发展与学生反馈及时更新课程，解决复合型师资短缺的行业共性难题。

3.3.2 MOOC的落地举措

为保障医学AI MOOC的落地成效，需构建“线上课程+线下实践+考核认证”的完整实施体系。

（1）搭建分层模块化的MOOC。内容需覆盖“基础认知-技能实操-伦理规范-科研进阶”4个层级，对应不同群体的教育需求：基础认知模块面向“旁观者”，包含医学AI概述、技术原理等内容；技能实操模块针对“矛盾者”，设置医学数据预处理、临床AI工具操作等实操课程；伦理规范模块兼顾全体学生，重点解答责任界定等核心顾虑；科研进阶模块服务“先驱者”，聚焦AI赋能医学科研与论文写作。

（2）配套线下实践工作坊。以MOOC完成理论知识传授，同时依托医院教学资源开设线下实践工作坊，针对“矛盾者”等群体的实操短板，提供消化内镜AI分析、智能诊疗系统模拟等实战场景，实现“线上学理论、线下练技能”的有机结合，强化知识向能力的转化。

（3）建立多元考核与认证机制。构建“过程性考核+ 实践成果考核”的多元评价体系，过程性考核关注学生MOOC课程的学习进度与知识掌握情况，实践成果考核则通过实操测评、案例分析、科研成果等维度，检验学生的AI应用能力。考核合格者可授予相应学分或培训证书，提升学生的学习积极性与课程权威性。

（4）组建跨学科教学运维团队。组建由医学教育专家、临床医师、AI技术人员构成的跨学科教学运维团队，负责课程内容的设计、更新与答疑，同时收集学生学习反馈，形成课程内容的动态迭代机制，保障课程质量与实用性。

3.4 研究局限性

本研究存在一定局限性，在解读研究结论时需予以审慎考虑。①在样本代表性方面，本研究采用方便抽样法，仅选取了武汉大学人民医院的医学生作为调查对象，样本来源集中于单中心，可能无法全面反映不同地区、不同类型医学院校学生的AI素养现状，研究结论的外部效度有待进一步验证；②在分类方法方面，本研究构建的“认知-应用-态度”三维素养模型及“先驱者”“矛盾者”“旁观者”的群体划分标准，系基于研究者设定的阈值与规则进行分组，该方法虽具备理论依据与操作便利性，但具有一定的主观性，不同阈值设定可能导致分类结果的差异；③在数据收集方面，本研究采用自陈式问卷调查，学生对自身AI认知、应用及态度的报告可能受到社会期望效应、自我评价偏差等因素的影响，存在一定的主观报告偏倚；④本研究为横断面调查设计，仅能描述当前医学生AI素养的现状及其群体差异，无法揭示各因素之间的因果关联及各群体素养的动态演变过程。未来研究可进一步拓展多中心样本，优化群体分类方法，并开展纵向追踪研究，以更全面地揭示医学生AI素养的形成机制与发展规律。

4 结 语

本研究通过实证调查明确了医学生 AI 应用素养的群体分化特征与现存核心问题，并据此提出了分层分类的医学AI教育培养方向，同时论证了MOOC在医学AI教育落地中的可实现性与实施路径。基于研究结果，提出以下建议：①构建分层分类的医学AI教育体系，针对“先驱者”“矛盾者”“旁观者”的差异化需求，设计阶梯式课程内容，实现精准化培养；②优先依托MOOC推进医学AI教育普及，配套线下实践工作坊与多元考核机制，形成“线上+线下”的混合式教育模式；③建立医学AI教育的长效保障机制，组建跨学科师资团队，搭建课程迭代与反馈渠道，为医学 AI 教育的持续优化提供支撑。

参考文献

[1] 刘琴.AI+医疗健康开启智能医疗新时代［N］.中国高新技术产业导报，2025-11-10（19）.

[2] 申少铁.人工智能为健康服务注入新动力［N］.人民日报，2025-05-30（19）.

[3] 李恒.“医学+AI”视角看健康中国新图景［N］.新华每日电讯，2025-11-12（5）.

[4] 何蕾，柴桦，闫昱江. 中国医学教育领域人工智能应用研究与实证研究现状和热点分析（2022—2025年）［J］. 中国医学教育技术，2026，40（1）：1-6，32.

[5] 臧玉静. 人工智能在人体解剖学教学中的应用［J］. 西部素质教育，2025，11（21）：133-136.

[6] 祁子珏，王佳一，杨娇，等. 某医学院校医学生对人工智能准备度现状及影响因素研究［J］. 医学教育管理，2025，11（5）：598-606.

[7] 曾琳，陶立元，赵英帅. 健康管理学研究中的样本量估计［J］. 中华健康管理学杂志，2021，15（2）：205-208.

[8] 弓孟春，潘慧，刘辉，等. 医学生人工智能素养能力清单与测评框架专家共识（2025年版）［J］. 中国医学科学院学报，2026，48（1）：13-23.

[9] 周昕欣，王小飞，杨智航. 中医学和西医学异同点医学教育模式的探讨与整合［M］. 沈阳：辽宁科学技术出版社，2023.

[10] 吴志祥，伊海港，祝艺萌，等. 基于早期知识结构新颖性的学者影响力预测研究——以生物医学领域为例［J］. 图书情报工作，2025，69（7）：42-52.

[11] 方欣，徐小冬. 人工智能赋能系统解剖学“大思政”育人体系的构建与实践［J］. 基础医学教育，2025，27（11）：1085-1088.

[12] 张晖，刘继海. 人工智能在医学教育中的应用发展及思考［J］. 今日科苑，2025（3）：15-22.

[13] 徐丽超，王刚，王子安，等. 人工智能时代核医学人才培养的社会需求变迁与跨学科教学改革研究［J］. 佳木斯大学社会科学学报，2025，43（11）：180-182.

[14] 张思玮.人工智能时代，如何培育复合型医学人才？［N］.医学科学报，2025-08-29（11）.

[15] 郑红，孙晓娟，李会敏，等. 人工智能时代 “学科融合+项目驱动” 医学人才培养路径的探索［J］. 基础医学教育，2025，27（8）：799-802.

[16] 易楠. 人工智能技术在高等教育医学检验专业人才培养中的应用［J］. 科技风，2025（22）：55-57.

RIGHTS & PERMISSIONS

本文使用遵循知识共享 署名-非商业性-禁止演绎4.0 协议（CC BY-NC-ND 4.0）， 详细信息请访问https：//creativecommons.org/licenses/by-nc-nd/4.0/.。