生成式人工智能辅助医学研究生开题设计路径与反思

Approach and Reflection of Applying Generative AI in Proposal Design of Medical Graduates

摘要

近年来，人工智能技术的发展日新月异，其中大规模语言模型的崛起尤为引人注目。以ChatGPT为代表的生成式人工智能技术，正逐步渗透并广泛应用于多个领域，展现出对社会发展的巨大潜在驱动力。尽管在学术研究领域的应用尚存争议，但从长远来看，生成式人工智能技术应用潜力不容置疑。基于国内外生成式人工智能（Generative AI，GAI）在医学研究生开题过程中的应用案例及实际调研数据，深入剖析其在选题、文献综述、方案设计等环节的应用价值，同时探讨其可能带来的挑战与局限，以期为医学研究生课题开展提供参考。

Abstract

In recent years, artificial intelligence (AI) technology has advanced rapidly, with the rise of large-scale language models being particularly remarkable. Generative AI technologies, represented by ChatGPT, are gradually penetrating and being widely applied across multiple fields, demonstrating immense potential to drive social development. Although their application in academic research remains controversial, their long-term potential is undeniable. Based on the application cases and the practical research data of generative AI in proposal design of medical graduates at home and abroad, this paper conducts an in-depth analysis of the value of generative AI in key stages including topic selection, literature review, and research design, while candidly addressing potential challenges and limitations, so as to provide references for improving research of medical graduates.

Graphical abstract

关键词

生成式人工智能 / DeepSeek / ChatGPT / 医学研究生 / 医学教育

Key words

Generative AI / DeepSeek / ChatGPT / Medical graduates / Medical education

当前，各种生成式人工智能技术如雨后春笋般涌现，其中ChatGPT（Chat Generative Pre-Train-ed Transformer）、DeepSeek等为主要代表性产品。凭借先进的自然语言理解能力与创造性的文本生成能力，它们正深刻改变着学术研究与教育领域。这一技术的迅猛发展，在带来科研效率与创新能力提升的同时，也引发了关于“科研诚信”与“学术伦理”的广泛讨论。

医学研究生是未来推动中国医学事业进步的后备军，其课题的开展不仅关乎毕业考核与未来职业规划，更是衡量学术素养的关键指标。在此背景下，如何将生成式人工智能有效融入医学研究生的课题开题实践中，以提高研究课题的质量和效率，成为亟待探索的议题。本研究基于生成式人工智能（Generative AI，GAI）在医学研究生开题中的应用实例及调研数据，详细阐述GAI在医学研究生课题开题中的应用路径、实施成效及存在的局限性，旨在探索其能力边界与优缺点，并就如何规避潜在风险、促进人工智能与学术研究的良性融合提出建议。

1 当前背景与现状

1.1 生成式人工智能

一般来说，人工智能模型可大致分为决策式AI（Discriminative AI）和GAI两类。前者利用已有的数据进行分析、判断和预测，常见应用如自动驾驶、智能推荐系统等；而GAI则是基于已有的大规模数据，通过复杂的算法、模型和规则，创造出全新的数据实例（如文本、图片、音频、视频等）的人工智能技术^［1］。自2022年11月美国OpenAI公司推出代表性产品ChatGPT以来，全球范围内掀起了“ChatGPT热潮”。随后，谷歌公司的新一代人工智能聊天机器人Bard、微软公司整合了ChatGPT的全新搜索引擎Bing和Edge浏览器，以及Stable Diffusion、DALL-E系列、Claude 3系列、Gemini、Sora等大模型应运而生^［2-3］。中国也相继推出了文心一言、讯飞星火、通义千问、Kimi等整合了优秀大语言模型的应用服务程序。2025年1月，中国的DeepSeek更是登顶中美区苹果App Store下载榜首，成为AI领域的强势“黑马”。据不完全统计数据显示，全球此类模型总数已超过200个^［4］。同时，在OpenAI和杭州深度求索等公司数据开源的背景下，可以预见更多的优秀大语言模型将迅速发展，应用到各种领域。目前，这些模型已在金融、管理、医学教育等领域展现出了广阔的应用前景^［5-8］。

然而，在学术写作及教育领域，GAI的角色一直颇具争议。一方面，其生成的文本对当前学术评价制度产生了一定冲击，引发了关于学术诚信、原创性等多方面的担忧。另一方面，GAI先进的自然语言处理能力在获取信息、学术转写、文本润色等方面展现出极大优势，可以简化科研和学习路径，提高科研工作效率，对科研工作者具有极大的吸引力。作为杂志编辑和审稿人，Dritjon Gruda在Nature中坦言，GAI在科学写作方面为其提供了巨大帮助^［9］。目前，国内外已有一些利用GAI直接生成学术论文的探索^{［10- 11］}。其中，蔡基刚等人尝试从选题到结语，直接用ChatGPT生成了一篇完整的学位论文，为科研工作者开展学术活动提供了一定启示。然而，一些学者指出，GAI不太适合于一些逻辑性强、专业知识要求高的任务。同时，在医学应用中，由于通用GAI对医学数据理解不足，可能产生看似合理实则错误的输出，即“数据幻觉”^［12］，且产生的错误建议和结论会进一步引发法律及伦理问题。因此，对于GAI在科研学术活动中的应用仍需进一步探索。

1.2 当前医学研究生课题开题现状

医学研究生教育是中国现阶段医学高层次人才培养的主要途径。对于医学生来说，研究生阶段是将专业知识与临床实践结合并深化、提升科研素养的重要时期。目前，中国医学研究生分为专业型和学术型。专业型硕士学位研究生培养与住院医师规范化培训（简称“住培”）并轨，学生需同时完成相关学位课程和“住培”的学习任务，而对于学术型硕士研究生而言，科研和论文是其主要目标。无论哪种类型，开展学术研究并撰写论文都是医学研究生必不可少的一环。而开题即是研究生对所选论文题目进行的较为详细的介绍，是对所开展研究的前期总结、未来规划及总体思考，其主要形式是开题报告的撰写及报告^［13］。而开题报告是人才培养链条中的关键环节，对于学术研究具有“验前导后”的枢纽作用^［14］。然而，随着近年来医学研究生规模的扩大、跨学科研究的兴起，医学研究生的开题暴露出很多问题。例如，开展过程缺乏独立性、创新性不足、计划性不强、方法方案模糊、存在学科局限性等^［13-14］。面对这些亟须解决的问题，GAI模型无疑是医学研究生的得力助手。GAI丰富而可及的资源为开题提供了新思路，有助于医学研究生更好地开展课题研究工作。

2 GAI在医学研究生开题中的应用路径及应用情况

2.1 研究方法

DeepSeekR1是中国杭州深度求索人工智能基础技术研究有限公司于2025年1月15日正式上线的开源人工智能大语言模型，相较于ChatGPT等主流模型，对中文输入指令的适应性更好。同时，考虑到笔者的专业性，我们以内分泌方向的常见疾病为例，利用GAI（主要为DeepSeekR1）辅助开题各个环节，分析其在开题过程中的表现。为了进一步探索GAI对医学研究生开题的效用，本研究以问卷星的形式对西安交通大学第一附属医院（以下简称我院）正处于或已完成开题的临床医学研究生进行了调研，了解医学研究生在开题中GAI的使用情况及态度，以进一步剖析其优缺点。

2.2 GAI在医学研究生开题中的应用路径

GAI的引入，对于医学研究生的课题开题具有划时代的重大意义。具体应用路径介绍如下。

2.2.1 开题前：研究问题挖掘与框架构建

辅助选题。在研究设计的初始阶段，GAI通过其强大的搜索、关联和推理能力，为医学研究生提供了丰富的课题设计灵感。本研究以内分泌方向的“原发性醛固酮增多症”为例，向DeepSeekR1发出指令请其提供5个具体研究方向，其可迅速输出涵盖筛查、诊断、预后及跨学科融合的选题建议，并详细给出了具体研究内容及创新点及可行性。其中不乏如“药物激发试验的改良方案探索”等研究热点，可为医学研究生提供借鉴。除以此外，GAI还能跨越学术壁垒，整合不同领域的研究成果和方法，为跨学科研究提供全新视角，推动创新性研究项目的开展，如本例中，其提出PA患者预后模型的构建，需整合临床医学及生物信息学知识，体现了多学科融合。

助力文献阅读。文献综述的撰写是开题报告的重要一环。研究生需要在阅读大量文献的基础上，梳理本学科在研究课题相关方向上的现状及发展趋势，为自己的研究提供思路与方法^［13］。GAI在直接生成文献综述方面具有巨大应用潜力。N.Jenko等人曾尝试使用GPT-4撰写综述，发现其在绝大部分情况下都能生成较为完整准确的综述^［10］。

我们向DeepSeekR1输入确定的选题（以“肾上腺静脉采血在原发性醛固酮增多症中的分型诊断价值”为例），其可迅速生成包含引言、国内外研究现状、总结与展望的结构化内容。尽管存在文献时效性不足、准确性偏差及部分内容泛化的问题（见后文详述），但其输出的综述框架可帮助研究生快速定位核心议题，此类初步框架为后续精细化文献阅读与批判性分析奠定基础。并且通过不断优化提示词、将指令具象化等方式可以引导GAI进一步理解用户意图，进而生成更令人满意的答复。

2.2.2 开题中：研究方案优化与多学科资源整合

多学科资源整合与简化设计。开题报告是研究生学术生涯的起点，亦是学术写作的基石。其中研究方案设计是这个研究尤为关键的一环，决定研究的成败。诚然，这离不开扎实的学术积累，而GAI的引入或可为医学研究生提供新思路。首先，GAI可突破学科壁垒，提供多维度解决方案。例如，请DeepSeekR1针对“机器学习辅助原发性醛固酮增多症亚型分类”选题提出方案设计建议，它给出整合多组学数据、开发动态预测模型、跨病种迁移等多方面建议（图1），能为研究开展提供借鉴。GAI还可辅助设计科学严谨的研究方案。如给定选题并向GAI输入指令“生成研究方案与技术路线图”，AI可输出包含“研究类型、纳入排除标准、数据采集与处理方法”等在内的研究方案，甚至指出此课题设计的潜在挑战及解决方案，对方法学薄弱的研究生具有指导价值。不仅如此，整合了GAI插件的应用软件能够根据指令直接生成贴合情境的流程图、幻灯片及汇报文本，稍加改动即可运用，能为医学研究生节省一定精力从而专注于更具创新性的研究探索。

数据整理分析。优质的开题离不开大量的数据作为依托，而数据准备与预处理环节的严谨性直接决定后续研究的科学性与可靠性。GAI模型在大数据处理方面展现出显著优势^［15］：其不仅能够通过智能算法识别数据中的异常值、缺失值及重复值，确保数据集的完整性与可靠性；还能基于研究目标与数据结构特征，推荐适配的数据分析工具（如Python、R语言等）及统计方法。更值得关注的是，经过适当的训练和提示词引导后，GAI可针对复杂数据处理需求生成定制化代码，并对生成的代码进行语法纠错与逻辑优化，显著降低科研人员的技术门槛^{［16- 17］}。在实际应用中，研究者可根据相关医学问题的知识体系、相关医疗文本及内容，以及实际数据集的类型等，对GAI进行进一步的训练及适应性调整，使之更符合使用目的，达到更好的应用效果^［12］。此外，GAI也支持数据可视化，能为成果展示提供便利。

2.2.3 开题后：动态反馈与持续改进

开题报告修订与逻辑校验。GAI能够通过自然语言处理技术识别开题报告中的逻辑漏洞。我们向DeepSeekR1输入完整的开题报告，令其“检查以下研究方案的可行性”，GAI从“研究设计合理性”“样本量估计”“指标定义与公式验证”“统计方法适用性”及“伦理与数据获取”方面进行了评估，并对我们的开题报告给出“可根据术者插管成功率进行亚组分析”等方案优化建议。其提出的建议对于医学研究生具有极强的借鉴意义。此外，GAI是具有创造性的数据实例，能够在理解数据全局性的基础上，根据已有文本内容生成意义接近的转述文本^［18］，故其在学术转写方面尤为出色，可优化语言表述，使报告更加专业和准确。

模拟答辩与风险评估。GAI的角色扮演功能可以模拟答辩场景。如输入指令“作为评审专家，请对本研究提出3个潜在质疑”，GAI可根据研究内容提出相应问题（图2），这些问题可帮助医学研究生重新审视研究设计，提前识别研究中的潜在风险，优化数据分析方法，或者进一步验证结果的可靠性和有效性。通过这种模拟答辩，研究生可以更好地准备答辩，提高开题报告的通过率。

伦理与规范性审查。在医学研究中，伦理问题是不可忽视的一部分，尤其是在涉及人体实验、患者数据使用以及基因研究等领域。GAI可以嵌入伦理审查模块，自动识别研究方案中可能涉及的伦理风险。尽管GAI无法真实识别人类伦理，其审查完全依赖于使用者及评估者的价值观，且当使用者存在特定目的时其审查结果及方向可被修改^［19］，研究人员仍可借由GAI协助进行伦理及规范性审查，通过合适的标准界定及预先输入，GAI可以系统且细致完成审查工作，实现预先自查自纠。例如，研究方案中是否涉及患者隐私数据，是否需要知情同意书，是否符合相关法律法规等。如果研究方案中存在伦理风险，GAI也可提供具体的改进建议。此外，GAI还可以帮助研究生准备伦理审查相关的材料。例如，GAI可以根据研究方案自动生成伦理审查申请表，或者提供伦理审查常见问题的模板，帮助医学研究生更好地应对伦理审查过程，确保了伦理审查材料的完整性和规范性。

因此，合理地利用GAI技术于开题的各个环节中，将其有效地融入医学研究生课题开题的各个环节中，将为医学研究生探索高效的课题开题设计开辟新的路径（图3）。

2.3 GAI在医学研究生课题开题中的应用情况

本研究共回收有效问卷36份，回收率90%，其中20人（55.5%）认同GAI在开题中的积极作用并尝试利用GAI辅助开题过程，另有16人更信任传统开题方式，主要原因集中于“未接触过相关培训”及“学术伦理风险担忧”。研究发现，在医学研究生课题开题过程中，GAI在文献综述撰写、研究设计优化、选题方向确定这三方面被认为最具有显著效用，其认同人数占比可达60%。

2.3.1 拓宽选题思路

传统上，医学研究生课题选择主要依赖于导师的研究方向，在此基础上通过广泛阅读文献来捕捉灵感，提炼课题。而GAI的引入，为课题选择带来了更多可能性。GAI通过快速分析海量文献来识别研究热点和潜在方向，同时也能基于用户需求提供个性化的研究建议，帮助研究生找到既符合个人兴趣又具有学术价值的课题，激发了跨学科研究的创新潜力。

2.3.2 提升文献分析效率

GAI基于其海量的数据库和资源，可以快速提取文献要点，分析和整合大量医学研究文献，帮助研究生在开题之初迅速掌握研究领域动态，在节省文献检索和阅读时间同时，也为课题的定位提供了坚实的基础。莱顿大学一项研究评估了新型摘要筛选工具ASReview在综述撰写中的文献筛选性能，结果表明该工具平均可以减少83%的筛选时间，同时识别出95%的相关文章^［20］。本研究结果显示，文献综述效率平均评分4.1（5级量表），75%的使用者表示“同意”或“很同意”效率提升。

2.3.3 增强开题报告质量

GAI能够通过自然语言处理技术识别开题报告中的逻辑漏洞，并优化语言表述，使报告更加专业和准确；在研究设计方面，GAI可突破学科壁垒，提供多维度解决方案，并推荐适配的数据分析工具及统计方法。

3 局限性及思考

3.1 局限性

通过实际应用及问卷反馈，我们发现，尽管GAI在开题中的许多环节展现出一定的优势，但其缺点也同样明显。

3.1.1 内容真实性不确切

GAI “输入—交互—输出”的应用模式依赖于大规模的数据训练，其性能受限于数据集的潜在偏差、数据来源异质性及算法偏见等，导致生成内容的真实性有待专业知识的进一步评判验证^［21］。值得注意的是，此类模型实际上并不具备深层次语言理解能力，其输出本质上基于训练数据的统计模式重组^［22］，甚至能够“自信满满”地生成逻辑自洽但完全虚构的陈述^［17］。一项对比试验表明，尽管Google Gemini在医学研究中生成引言的引用正确性和准确性方面均显著优于OpenAI GPT-4，但两者均存在虚构引用的问题（如捏造作者、嫁接真实学者姓名）。我们对上文中DeepSeekR1生成综述时所引用的9篇参考文献（图4）进行了验证，发现其中5篇参考文献检索不到，并且正确引用的4篇文献集中于指南及大型研究，对创新性探索并无太多助益。这很大程度上是因为AI的文献检索逻辑基于相同字符的比对，并且不存在“真伪”这一概念。况且，GAI的推荐算法更容易“投喂”提问者感兴趣的信息，即倾向于提供给提问者更期待的回答。这一基于大数据的算法逻辑不仅存在于绝大多数大语言模型的底层代码中，也因互联网企业广泛的应用，而被几乎所有具有自我学习能力的人工智能模型不加分辨地吸收。若医学研究生过于依赖于GAI的输出，可能会陷入“知识幻觉”的困境——即误将表面连贯但缺乏实证支持的陈述视为真实知识。因此，无论利用何种GAI工具辅助医学课题开题，均需谨慎验证引用来源以确保学术严谨性。

3.1.2 数据时效性受限

由于GAI生成内容高度倚靠训练数据，其时差性不可避免。以ChatGPT为例，其训练数据来源主要包括超过版权保护期的作品数据、受版权保护的作品数据及非作品数据^［23］，且数据库训练存在时间间隔，如Chat GPT-4o模型的数据训练截止时间为2024年6月，时差是客观存在的。因此，其引用的信息可能并非最新内容，对于一些创新性、前沿性的探索来说，可供借鉴的范围有限。在前文利用GAI生成综述的实践中，我们发现其引用的参考文献时间区间为2014 —2022年（图4），未提及近年前沿内容。同时，请DeepSeekR1评估设计方案的可行性时，其也提出“研究截止时间为2024年12月（尚未到达），需确认当前是否已有足够病例（建议调整为2020 — 2023年数据）”，然而输入请求的实际时间为2025年1月。鉴于此，切不可盲目引用其生成的内容，仍需要带着批判性思维仔细甄别。

3.1.3 威胁学术原创性

当前，学术论文仍是科学研究成果的核心载体，其原创性既是知识创新的基石，亦是研究者学术诚信的体现。然而，GAI凭借其强大的“生成”特性，正在重塑学术写作范式。虽然可以快速合成语法严谨、逻辑连贯的文本，但其生成过程缺乏透明性，不能完全注明原始信息来源，这给论文写作这一创造性科研活动带来剧烈冲击^［24］。这种“黑箱化”创作模式模糊了原创与剽窃的边界，对学术伦理构成严峻挑战。在我们调研的医学研究生中，仅25.0%的学生愿意在开题报告中注明GAI生成的内容，而88.9%的学生表达了对GAI使用所引发的学术不端行为的担忧，几乎所有学生均支持接受GAI相关的伦理培训。国内外均有相关研究表明，GAI（如 ChatGPT4.0）生成的文本的文献相似性检测规避率显著高于由人类写作的文本^［25-26］。对此，早在ChatGPT发布之初，Nature、 Science等顶级期刊就明确禁止投稿人将GAI列为合著者，并强调使用其生成文本、图像及数据必须声明具体范围与验证方式，否则将视为学术不端行为^［27-28］。尽管最近关于人工智能的文献计量学统计显示，全球排名最高的100名期刊中，87%已为作者提供了GAI的具体使用指南，但其内容多局限于原则性声明（如“禁止直接复制AI输出内容”），仍缺乏操作性规范（如引用标注标准、算法透明度要求）^［29］。这种政策真空可能引发“无意识剽窃”风险，即科研工作者误将AI重组内容视为独立原创成果。而在实际应用过程中，部分使用者通过进一步修改AI模型的限制及预先设定目标等手段，“倒果为因”，利用GAI修改实验数据使其拟合预定标准，并伪造对应的证明及辅助材料，使其数据来源拟真程度远超以往学术造假，导致学术不端行为大幅增加^［19］。

3.1.4 阻碍创新能力的发展

GAI的生成内容基于大规模数据的模式拟合，因而其输出内容有趋向同质化的风险。这种风险不仅会抑制创新多样性，还可能通过隐性认知驯化削弱研究者的原创思维。有实验表明，GAI在一定程度上不利于学生的创意写作^［30］。依据我们的调研，在较常使用GAI的20名医学研究生中，16名（80%）认为GAI会产生“工具依赖”。马银琦等人基于1 714份研究生调查数据显示，一定范围内GAI使用频率与科研创新力呈正相关，但过度使用可能导致“工具依赖”，反而对创新成果产生负面影响^［31］。由于利用手段及目的等差异性，具有较强的批判性思维和创新能力的学生将在利用过程中获得更大效益，而缺乏批判性思维能力的学生获益少，甚至更可能被其误导或因依赖其结果而陷入平庸。久而久之，缺乏创新思维的医学研究生将被湮没于人工智能的大趋势中。

3.1.5 使用场景及使用者局限

在当前技术发展阶段，人工智能模型的专业化及精确化应用仍需要使用者具有一定的计算机及人工智能领域相关的知识储备，且具有相当的模型训练能力^［12］。然而，对于一般医学生群体而言，其专业培养目标及知识结构体系主要聚焦于医学理论与实践，通常并不涵盖且无需深入掌握上述计算机及人工智能领域的专业知识与技能。这种专业背景的差异，导致医学研究生在实际应用人工智能模型时面临诸多操作难题，限制了其在开题实践中的有效运用。一方面，由于医学临床数据的敏感性、隐私性及复杂性，GAI系统能够直接获取的有效信息极为有限，难以支撑复杂且精准的决策；另一方面，若要通过进一步的数据收集与模型优化来提升GAI的应用能力，则可能需投入更多的人力、物力及时间成本。因此，受限于上述因素，医学生在使用GAI时，其应用场景往往被局限于处理相对简单、基础的临床及研究问题，而在面对复杂、具体的临床情境时，GAI则难以提供有效的支持与指导，无法充分满足医学生在临床探索与研究中的深度需求。

3.2 医学研究生应对之策

在人工智能的浪潮席卷而来的今天，医学知识和信息的获取方式正在发生深刻变革^［32］。GAI在医学研究中的应用为科研效率提升带来机遇，但也伴随数据可靠性、学术诚信及伦理合规性等挑战。在这一背景下，医学研究生需构建“专业知识—AI技能—伦理素养”三位一体的能力矩阵。

3.2.1 深耕专业本领，强化批判思维

医学研究生应系统学习医学基础理论，构建坚实的知识体系，以深入理解疾病本质和发病机制，为评估GAI生成的结论提供理论依据。同时，需密切关注医学前沿动态，通过阅读顶刊论文、参加学术会议等方式，紧跟最新研究成果和技术进展，增强对AI生成内容的前沿适配性判断。此外，培养医学生批判性思维能力至关重要，学会从多角度分析GAI结论的科学性、可靠性和适用性，确保科研工作的准确性和可靠性。

3.2.2 驾驭AI工具

GAI技术在医学研究中的广泛应用，医学研究生作为未来的科研工作者，应主动学习并掌握这一技术。通过参加医学院校和科研机构定期举办的GAI技术培训与研讨会，学习其基本原理、应用场景和操作方法，为实战应用打下坚实基础。在实战应用中，医学研究生应积极参与GAI在文献挖掘、数据分析、模型构建等方面的应用，并通过案例分析总结经验教训，提高实战应用能力。同时，探索GAI与医学研究的深度融合，如疾病预测、个性化医疗、药物研发等，以推动医学领域的进步和发展。

3.2.3 坚守伦理底线

医学研究生应深刻认识医学伦理教育的重要性，了解医学研究伦理原则和规范。在利用GAI进行医学研究时，医学研究生需坚守学术诚信红线，确保技术应用的正当性。严格保护患者隐私与数据安全，防止数据泄露和滥用，并关注算法可能带来的隐私风险。同时，应坚守学术诚信与科研道德，避免过度依赖GAI生成内容可能引发的学术不端行为。2024年6月发布的国内首份《GAI学生使用指南》指出，学生需要明确标注GAI在学生学业相关任务中的贡献，直接生成的内容不能超过全文的20%。

唯有如此，医学研究生方能在AI浪潮中“驭势而行，不乱其心”，既提升科研效率，又守护医学研究的科学性与人文性，将人工智能的长处发挥到极致。

4 结语

在医学研究生培养体系中，课题设计的创新性与可行性始终是核心评价维度。过去受限于研究方法、技术手段等因素，医学研究生们往往难以在课题设计中充分展现出这两点。如今，GAI技术的融入，正重塑课题设计流程。该技术通过多模态数据融合与智能预测建模，显著提升了课题新颖度与研究可行性。

然而，在技术赋能的背后仍然存在理论偏见、伦理失衡等问题。对此，建议构建三维应对体系：①技术层面健全医学领域专属的伦理审查算法模块；②教育层面增设AI辅助研究的方法学课程，强化研究者的数字素养；③制度层面需出台相关法律法规，明确技术应用的边界条件。

总之，GAI与医学研究的深度融合已展现出范式革命潜力。我们应充分认识到其所带来的积极影响和价值，但需清醒认识到，人工智能始终是研究工具而非决策主体。医学研究生应积极建立“技术赋能—专业主导”的研究范式，在保持学术原创性的同时，充分发挥智能技术的辅助价值。

参考文献

[1] 於兴中，郑戈，丁晓东 ．生成式人工智能与法律的六大议题：以ChatGPT为例［J］．中国法律评论，2023（2）：1-20．

[2] 蒋华林 ．人工智能聊天机器人对科研成果与人才评价的影响研究：基于ChatGPT、Microsoft Bing视角分析［J］．重庆大学学报（社会科学版），2023，29（2）：97-110．

[3] 谢正，李浩，宋伊萍，等 ．从AIGC到AIGA，智能新赛道：决策大模型［J］．科学观察，2024，19（2）：14-33．

[4] 王雯，李永智 ．国际生成式人工智能教育应用与省思［J］．开放教育研究，2024，30（3）：37-44．

[5] 刘树 ．生成式人工智能在金融审计中的应用：以Kimi为例［J］．审计研究，2025（1）：42-50．

[6] 米加宁，张斌. 从DeepSeek应用场景看政务服务“生成式”转型：任务、挑战与路径［J］.北京行政学院学报，2025，（3）：65-75.

[7] 齐艳伟，张玉红，马长玲 ．人工智能在“人体寄生虫学” 教学中的运用［J］．医学教育研究与实践，2025，33（2）：264-268．

[8] 隋佳宇，刘爽，刘海霞，等 ．ChatGPT在临床医学教育中的应用与挑战［J］．医学教育研究与实践，2024，32（2）：141-145．

[9] GRUDA D ．Three ways ChatGPT helps me in my academic writing［J］．Nature，2024．

[10] JENKO N， ARIYARATNE S， JEYS L，et al ．An evaluation of AI generated literature reviews in musculosk-eletal radiology［J］．The Surgeon，2024，22（3）：194-197．

[11] 蔡基刚，林芸 ．学术论文写作的挑战与变革：借助ChatGPT直接生成一篇学位论文的实验［J］．北京第二外国语学院学报，2024，46（4）：29-42．

[12] SHAH N H， ENTWISTLE D， PFEFFER M A ．Creation and adoption of large language models in medicine［J］．JAMA，2023，330（9）：866-869．

[13] 张永祥，朱丹宸，赵磊 ．研究生毕业论文选题与开题的思考［J］．科教导刊（下旬），2018（33）：29-30．

[14] 汪德根 ．学位论文开题报告设计：极易被忽视的重要环节：以人文—经济地理学为例［J］．地理研究，2018，37（6）：1238-1250．

[15] 周培斌，张靓，王希，等 ．“人工智能+X” 背景下医学生科研创新能力培养探究［J］．医学教育研究与实践，2024，32（3）：252-255．

[16] 张华锋 ．生成式AI辅助“数据结构” 教学研究：以CodeGeeX为例［J］．互联网周刊，2024（6）：73-75．

[17] 王树义，张庆薇 ．ChatGPT给科研工作者带来的机遇与挑战［J］．图书馆论坛，2023，43（3）：109-118．

[18] 车璐，张志强，周金佳，等 ．生成式人工智能的研究现状和发展趋势［J］．科技导报，2024，42（12）：35-43．

[19] YU K H， HEALEY E， LEONG T Y，et al ．Medical artificial intelligence and human values［J］．The New England Journal of Medicine，2024，390（20）：1895-1904．

[20] VAN DER POL J A， HUIZINGA T W， BERGSTRA S A ．Is AI-assisted active learning software able to reliably speed-up systematic literature reviews in rheuma-tology？A real-time comparison of AI-assisted and manual abstract selection［J］．RMD Open，2024，10（4）：e005024．

[21] FROSOLINI A， GENNARO P， CASCINO F，et al ．In reference to “role of chat GPT in public health” ，to highlight the AI’s incorrect reference generation［J］．Annals of Biomedical Engineering，2023，51（10）：2120-2122．

[22] 陈万球，罗一人 ．生成式人工智能的“知识幻觉”及其风险治理探论［J］．上海市社会主义学院学报，2024（4）：38-51．

[23] 宋伟锋 ．生成式AI训练数据源版权风险与规范重塑：以ChatGPT应用场景为例［J］．大连理工大学学报（社会科学版），2025，46（2）：100-110．

[24] 樊晓磊，王宏鑫 ．ChatGPT对研究生学位论文质量监督的挑战及其应对［J］．河南财政金融学院学报（哲学社会科学版），2024，43（1）：29-34．

[25] GAO C A， HOWARD F M， MARKOV N S，et al ．Comparing scientific abstracts generated by ChatGPT to real abstracts with detectors and blinded human reviewers［J］．NPJ Digital Medicine，2023，6（1）：75．

[26] 沈锡宾，王立磊.人工智能生成学术期刊文本的检测研究［J］.科技与出版，2023（8）：56-62.

[27] STOKEL-WALKER C ．AI bot ChatGPT writes smart essays—should professors worry？［J］．Nature，2022．

[28] HOLDEN THORP H ．ChatGPT is fun，but not an author［J］．Science，2023，379（6630）：313．

[29] GANJAVI C， EPPLER M B， PEKCAN A，et al ．Publishers’ and journals’ instructions to authors on use of generative artificial intelligence in academic and scientific publishing：Bibliometric analysis［J］．BMJ，2024（384）：e077192．

[30] 李艳燕，郑娅峰 ．生成式人工智能的教育应用［J］．人民论坛，2023（23）：69-72．

[31] 马银琦，黄恒，毋磊，等 ．“技术赋能” 还是“工具依赖”：生成式人工智能对研究生科研创新力的影响研究［J］．电化教育研究，2024，45（12）：58-66．

[32] 瞿星，杨金铭，陈滔，等 ．ChatGPT对医学教育模式改变的思考［J］．四川大学学报（医学版），2023，54（5）：937-940．