人工智能大模型赋能医学教育实践的伦理风险及对策

Ethical risks and Countermeasures of Medical Education Practice Empowered by Large Language Models of Artificial Intelligence

摘要

人工智能技术整合融入医学教育已经成为当前教育教学改革研究的重点方向之一。人工智能技术为医学教育教学领域带来了诸多机遇，同时也面临着伦理风险。结合当前人工智能技术应用于医学教育实践过程遇到的潜在伦理问题，提出可能的应对策略，为医学教育领域“赋能”，为医学教育中的人工智能协同发展提质增效。

Abstract

The application of artificial intelligence (AI) technologies into medical education has become one of the important directions in current teaching reform research. AI technology has brought numerous opportunities to the field of medical education and teaching, but it also faces ethical risks that need to be addressed. This paper discusses the ethical issues encountered in the application of AI technology in medical education and proposes several possible countermeasures to address them, aiming to empower the application of AI in the field of medical education and enhance the coordinated development of AI within medical education.

关键词

人工智能 / 医学教育教学 / 伦理防范

Key words

Artificial intelligence / Medical education and teaching / Ethical prevention

1 人工智能大模型嵌入医学教育的必要性

2024年被称为人工智能（Artificial Intelligence， AI）的“诺奖元年”。诺贝尔三大科学奖项，其中两项大奖与人工智能研究相关，即诺贝尔物理学奖授予了在人工神经网络和机器学习领域杰出的科学家：加拿大多伦多大学的Geoffrey E. Hinton和美国普林斯顿大学的John J. Hopfield；同时诺贝尔化学奖也颁给了蛋白质设计与结构预测领域的先驱：华盛顿大学的David Baker、DeepMind公司的Demis Hassabis和John M. Jumper。这些领域的获奖反映了人工智能技术在加速基础科学研究，且正逐步成为引领新一轮科技革命、产业转型和社会发展的革命性技术^［1］。

大模型是人工智能行业飞速发展的关键，也是人工智能领域当前的热门研究方向，被誉为全球科技竞争的新高地和未来产业的新赛道^［2-3］。以ChatGPT和DeepSeek为代表的大语言模型技术的应用，掀起了国内外大模型研究的热潮，也推动了生成式人工智能（Artificial Intelligence Generated Content， AIGC）的繁荣发展^［4］。大模型作为支撑AIGC的核心技术，具有强大的学习能力、高效的计算推理能力、广泛的知识覆盖面和数据挖掘能力^［5］。以当下热门的大模型为例，已经能够从人类指令中提取意图，通过深度学习，生成文字、音频、图像和视频等内容，为用户带来全新的交互式体验^［6-7］。

医学教育是培养具备强烈社会责任感的高层次创新型医疗人才的关键环节，目标在于培养学生拥有扎实的专业理论基础、科学的逻辑思维和独立进行医学及相关领域科学研究的能力，不仅要注重“应用型”人才的培养，还要注重提升学生的实践能力和人文素养^［8］。然而，由于教学资源有限、医学知识体系庞大分散及教材内容更新滞后等原因，易造成学生陷入学习困境，使得学生的学习往往难以跟进现代医学的发展。

针对上述问题，人工智能大模型的出现为医学教育带来前所未有的新机遇。通过整合各类教育资源，为学生提供前沿的研究进展、丰富的教学资源和先进的教育理念；根据不同学生的学习进度，有针对性地进行个性化辅导及文献资料推荐，提升学习效率。将大模型引入医学教育，不仅有助于解决教育资源不均等痛点，还能进一步拓宽教学的广度和深度，促进精准教学，使得医学教育更加适应时代需求和发展趋势。因此，利用人工智能技术推动医学教育的数字化转型，也是满足国家当前需要和未来发展方向的重要策略之一。

2 人工智能大模型应用在医学教学领域的现状

医学是一门侧重于理论与实践紧密结合的学科，且其具有较强的实践导向性。传统教学方法侧重于灌输式学习，导致学生积极性不高。在传统模式下，教师和学生大量时间被消耗在基础理论知识的讲解和记忆上，而缺乏对实际应用能力和创新思维能力的培养。

随着人工智能技术的进步，知识的产生与获取的成本在大幅度降低，大学的传统学科边界与专业概念在逐渐消融。人工智能大模型的应用正在重塑医学教育的面貌^［9］，促使医学教育方式日趋社会化、自主化和多样化^［10-11］。例如，2022年，华侨大学推出的“华文教育机器人”可以对海外学子进行语言训练与辅导；2023年，字节跳动发布的“豆包”大模型，其功能涵盖文案创作、图像生成、信息整合及拍照答题等；2024年，OpenAI发布的Sora人工智能文生视频大模型^［12］更是可以通过文字生成逼真的动态高清视频，成为推动医学教育创新的重要工具。

人工智能技术为教育领域提供了广阔的应用前景和无限的发展潜力^［13-14］。一方面，人工智能技术不仅仅局限于提升教学质量、辅助教学过程和增强学习体验，还在监控教学质量、支持学生自我评估、促进个性化教学等方面发挥着关键作用^［15］。另一方面，人工智能技术的应用大大减少了人力物力的投入，逐渐打破了时间和空间的限制，使得学习过程和技能训练变得更加容易实现。在医学实验教学中，虚拟现实技术和人工智能技术的结合使实验教学更加直观与高效^［16］。人工智能技术正在贯穿整个医学教学过程：课前，教师可以利用大数据分析提前了解学生的学习状况，有针对性地准备授课内容，更好地做到因材施教；课中，学生可以通过虚拟仿真平台和模拟临床情景深入理解知识点，能够在安全的环境中模拟操作；课后，学生可以随时回顾并评估自己的学习成果，不受时间和地点的约束。这一系列措施极大地丰富了师生知识获取的途径，也为不同背景的学生提供了平等的学习机会。

综上所述，在医学教育领域，人工智能大模型技术的重要性不言而喻，它不仅是改进现有教学模式的关键，更为未来医学人才培养的教育改革提供了新途径。

3 人工智能大模型赋能医学教育实践的伦理风险

人工智能技术的迅猛发展为医学研究的进步和教育方式的改革带来了新动力，逐渐取代了重复性甚至一部分创造性工作。大学的目标不再是传授具体知识，而是培养具有跨界创新能力，能够与人工智能协作、驾驭知识、创造价值及解决问题的高层次复合型医学人才。因此，在迎接技术变革的同时，我们面临着一系列亟待解决的伦理问题。

3.1 医学教育伦理：传统医学知识与新兴技术结合的矛盾

医学是一门不断发展的科学，随着医学研究的深度和广度不断拓展，医学教育也应与时俱进以应对现代医学的多样性与复杂性^［17］。传统医学侧重于基础医学知识的掌握，临床经验与临床技能的精进，而人工智能在处理数据，提出医疗诊断的过程中，更强调的是机器学习与算法的准确性，这就要求学生除掌握基础医学专门知识外，还要具备数字化和数据分析的能力，学生若对数字化内容不熟悉，会影响其学习效率。

3.2 患者权益伦理：数据隐私与安全风险

将大模型整合融入医学教育时，数据安全是核心的问题之一^［18］。从数据的收集、处理、输出到使用和管理，每个环节都可能存在潜在的安全隐患^［19］。①数据泄漏风险。为了确保人工智能工具提供有价值的数据信息，需要处理大量的敏感数据，包括患者的隐私信息、病史甚至遗传背景资料。如果这些数据被泄漏或滥用，可能会对患者的生活造成不可逆转的影响。②数据篡改风险。恶意篡改数据会导致模型输出错误信息，从而误导学生。若未能及时发现并纠正，可能导致教学决策失误，进而产生难以界定的责任问题。③数据合规性。数据来源的合法性、患者知情同意的界限以及数据跨境传输等问题，均增加了数据管理的复杂性和安全隐患。

3.3 社会公正伦理：数据偏见与算法偏倚的风险

智能算法应用于医学人工智能领域所发挥的效力一定程度上取决于数据的质量、算力的大小和算法的优劣^［20］，其中训练数据偏见和算法偏倚成为一个重点关注的议题。这些风险主要来自：虚假数据，如恶意篡改；内容偏见数据，如性别歧视、种族歧视、文化偏见等^［21］；模型算法具有倾向性。①数据被操纵风险。开发者的性别、种族、文化、教育、政治属性、宗教信仰等使得模型训练过程可能带有主观色彩，若再存在可能的利益相关性，通过恶意部署或使用带有争论的数据，则会导致教学过程中影响学生价值观塑造。②模型算法偏倚风险。算法因技术缺陷，在关键特征提取中选择具有倾向性的特征（如某国家或地区偏好）用于下游模型的训练，导致得到的结果出现偏差甚至错误，从而影响学生的正确认知。

3.4 技术信任伦理：与循证医学之间的矛盾与风险

循证医学又称“实证医学”，是紧密围绕临床决策而产生的，需要有充分的科学依据支持。人工智能正在从另一个角度重塑循证临床决策^［22-23］，但也存在以下风险。①数据质量风险。循证医学需要由高质量的医学或专科循证研究作为证据，需要权威、可靠的数据来辅助医疗决策的生成，但是目前的通用“大模型”往往是基于传统经验医疗（非循证医学证据）“知识”基础上生成的，若学生过度依赖于此类大模型，会导致决策偏误。②知识更新滞缓。疾病是一个与人类社会、自然环境及医学进步相互作用的动态过程，若医学知识未及时更新，大模型则可能生成看似合理但是实际错误的医学结论（例如药物剂量、诊断标准等）并进行错误的传播；当学生处于基础医学知识较为薄弱，且不具备很好的分辨能力的阶段时，面对大模型生成的已经淘汰或者过时的结论，极易造成误导。③“算法黑箱”造成的不确定性。循证医学要求决策要透明且能够溯源，医生要能够理解掌握每一个诊断其背后的深层逻辑，并应用于临床决策。但是人工智能大模型内部本质上属于“黑箱”，决策过程难以解释^［24］，故与循证医学的内涵之间面临矛盾与决策风险。

3.5 学术诚信伦理：医学培养目标的冲突

医学教育旨在培养学生具备保护患者隐私和权益的专业素养，并以严谨的态度和科学的思维方式来分析解决问题，坚守科研诚信，避免学术道德腐败。生成式大模型对现有教育科研生态带来了巨大冲击，在工具层面提升了医学生的学习效率及科研能力^［25］，但在高效便捷的同时，过度依赖和学术诚信问题也需引起我们深思。①过度依赖，削弱诊疗判断力。疾病诊疗需要通过深入探索病因后才可进行精准治疗，人工智能的应用可以快速进行分析并给出诊断建议，易导致学生对结果过度依赖的现象，从而阻碍临床思维能力的培养与发展。②学术道德失范。伴随获取知识的难度降低，学术诚信问题日益凸显。随堂思考、课后作业、研究论文都是对学生学习能力的巩固和学习成果的检验，也是师生之间最简单有效的教学反馈过程，部分自制力不强的学生因过度依赖人工智能而逐渐丧失了独立思考的能力，更有甚者依赖人工智能通过“复制粘贴”完成作业和论文，此类现象不仅削弱了科研思维训练的过程，甚至造成抄袭或学术造假等科研伦理问题，这与我们教育的初衷背道而驰。

3.6 医患关系伦理：情感维度的削弱

医学教育既关注于专业知识和临床研究的传授，还强调人文关怀与职业道德的培养^［26］。随着人工智能工具在医学教育中的广泛应用，学生的情感发展面临着新的困境^［27］。①师生关系疏远。人工智能工具逐步取代教师的角色，导致师生间的有效沟通与互动大幅度减少，师生间的情感距离逐渐被拉大。学生不再依赖教师才可以获取知识，随时随地打开智能工具便可获取想要的内容，便捷的知识获取方式，造成学生的人际交往能力和团队协作能力的发展受到限制，教育的情感维度被大幅削弱，师生之间互信度大幅度下降。②人文素养缺失。学生可能更加关注人工智能系统与平台的操作和数据的收集，当面对患者时，可能缺乏同理心和情感共鸣，从而难以理解患者复杂的情感需求，无法与患者建立信任关系。这些负面因素不仅影响了学生的全面发展，也偏离了医学教育的本质目标。

综上所述，尽管人工智能为医学教育带来了诸多便利，但其在以上6个方面的医学伦理问题不容忽视，迫切需要在推动技术创新的同时，确保这些问题得到妥善解决，以实现科技与教育的和谐共进。

4 伦理风险的应对策略

针对上述伦理风险，本文提出以下几条应对策略。

4.1 医学教育伦理：健全医工交叉人才培养体系建设

伴随着新医科模式的发展，多学科交叉融合成为医学人才培养的新趋势，也为医学领域带来了无限的潜力和机遇。故而应更好地把握“抓手”，结合人工智能等新技术，健全医工交叉人才培养体系，从“医”出发，以“工”助力^［28］，守“伦理”边界，发挥“跨学科”优势，培养出能够更好地应对未来医学领域前沿问题的高层次人才。

4.1.1 探索医工交叉人才培养新体系

在打破学科壁垒、院系边界的基础上，改变原有思维方法和培育理念，进一步优化资源配置，在教学和科研的过程中，鼓励不同学科背景的人员相互协助，优势互补，从多维角度结合医学特色及学科优势，将医学与计算机科学、数据科学等结合，帮助学生建立数字化思维，提升使用人工智能工具和平台的能力。

4.1.2 优化培养方案，构建多学科课程体系

根据人才培养目标，成立医工交叉学科试点班，根据培养需求论证培养方案。构建多学科课程体系，除医学知识外，建设医工交叉人工智能课程体系，在课程建设中增加数字化课程，涵盖信息科学、数据分析、人工智能基础、机器学习、深度学习及自然语言处理等课程，同时开设密码学、信息系统安全与对抗、智能计算与处理、数据科学导论等工科内容供学生选择；待学生初步掌握医学知识与人工智能知识后，进一步将人工智能技术与医学专业知识深度融合，例如增加医疗人工智能、医学图像的分析与处理，同时增加数字化实操课程，帮助学生以“人”为导向，构建和谐的“人机”关系，提升对智能工具的深入了解，以便更好的应用。

4.2 患者权益伦理：建立健全的数据管理体系和政策法规

人工智能的运用主要涉及大数据、云计算、自然语言处理及深度学习等。因而在大模型融入医学教育的过程中，无论是实施者还是使用者，都需要恪守法律法规及政策的要求与规范。只有在持续完善的监管体系下运行，才能筑牢数据安全防线，避免相应伦理风险的发生。

4.2.1 强化使用者主体意识，增强思辨能力与责任担当

使用者应清晰明了地认识到数据泄露可能带来的负面影响与风险。在收集、存储、处理和使用医学数据时，做到尊重个人隐私，保护个人权益，确保数据安全为第一准则。例如在收集患者医学数据时，要明确向数据主体告知数据收集的目的、方式、范围及可能带来的风险，必须获得数据主体的知情同意才可使用；同时在收集和处理的过程中应保持最小必要原则，不应收集与目的无关的额外信息，减少对个人隐私的侵犯，在使用过程中时刻具有防范意识，避免造成不良影响。

4.2.2 引入评估机制，增强数据分类分级

评估机制应贯穿智能工具使用的全过程，对纳入数据进行评估，根据数据获取的来源、重要程度及数据类型等划分等级，针对不同等级进行不同授权程序，设置多点位责任人。同时采取适当的技术和防范措施，确保医学数据的安全存储，防止数据的泄漏、丢失、损坏或者未经授权的访问，通过进一步防范风险，助力人工智能的高效应用。

4.2.3 制定规范化使用标准

使用者必须严格遵守数据使用的规范，仅将数据用于合法授权的用途，不得私自泄露或倒卖。所有用户都应接受必要的培训，了解数据保护的重要性及操作规程；开发者应确保数据的收集、处理和存储过程符合相关法律法规。可采用先进的网络安全防护措施，如《密码学》中对涉及隐私的信息进行加密处理，防止数据泄露；可引入数字签名技术，确保程序的完整性和真实性；可增添访问控制及安全审计，进一步规范数据使用标准；在处理医学数据的同时，要做好匿名化及去标识化处理，以减少对个人身份的直接关联，最大限度地保护数据主体。

4.3 社会公正伦理：明确智能算法在医学教育领域的责任

在数智化医疗与教学高质量发展的时代背景下，智能算法的应用潜力巨大。通过“技术升级+伦理监管”，明确智能算法在医学教育领域的责任与义务，进一步提高人工智能算法的准确性与安全性，推动智能算法在医学教育领域的良善发展。

4.3.1 构建兼具多样性与安全性的数据生态环境

多方合作研发更具权威性、专业性、高质量的医学人工智能大模型，尽可能多的收集来自不同国家、种族、语言，具有不同文化背景、宗教信仰、政治属性的多元化数据。增加对数据的筛选与审核，除去带有性别歧视、种族歧视、文化偏见、以偏概全等数据，做好数据的更新与迭代工作，从而保证智能算法的有效性、安全性与多样性。与此同时，为确保数据开发的公平性，开发人员可在第三方监管下进行资格审核，避免其为带有主观色彩或成为利益相关获得者，进一步强化风险管控。

4.3.2 建立健全监管机制

尊重隐私权，以人文精神为核心，逐步建立适用于人工智能的法律准则。明确各方的责任与义务，对于违反规定的行为，应有明确的处罚机制；成立由法律专家、医学法律学者等组成的法律专家委员会，负责监督和评估数据使用的安全性和有效性，定期审查人工智能系统的运行情况，确保其符合伦理和法律规定；建立伦理审查机制，成立关于人工智能使用规范的伦理审查机制及审查委员会，制定审查程序及标准，增强透明性及可解释性，以监管促改进，进一步加大防范力度。

4.4 技术信任伦理：基于循证医学原则合理使用智能工具

生成式工具处于发展早期，潜力巨大但是不够高效准确。循证医学增强了临床决策，人工智能已经能够生成简单的辅助决策方案。可基于循证医学原则，明确智能工具的“辅助”角色，促进循证证据与个性化医疗的深入结合，进一步提升临床教学与决策的科学性。

4.4.1 明确大模型工具的辅助作用

人工智能大模型提供的结果应作为辅助参考意见，使用者应明确其局限性，医学生在使用过程中需结合自己的医学基础知识及临床经验对结果进行研判，对于存疑的地方进行专科循证，对其根本原因进行剖析学习，从而更好地掌握知识。

4.4.2 大模型可解释性理论与方法的突破

大模型的可解释性研究旨在破解“算法黑箱”困境，核心目标是让人理解、信任并有效管控复杂模型进一步深挖大模型深度思考能力。从“事后解释”转向“原生可解释模型设计”，在兼顾性能的同时，内建解释能力，提供支持其结论的证据，解释其生成过程，进一步提升透明性。

4.5 学术诚信伦理：明确新型医学教育的主体与人才培养目标

围绕医学学科特色与人才培养目标，构建健全培养体系，重视医学教育内涵，贴合人才培养目标，进一步提升学生岗位胜任力。提高学生的应用技术素养，明晰智能工具的应用界限，避免学生过度依赖智能工具，从而造成创新能力的下降。

4.5.1 贯彻“以人才培养人才理念”，确立教师的主导教学地位

个性化教学与精准育人同步而行，在“智课”时代，伴随人工智能工具应用的日益广泛，但教师在教学过程中的主导地位不可替代。确立教师教学的主导地位，是保障教学质量，提升教学成效的关键。加快打造高水平师资队伍，在人工智能赋能教学的时代背景下，着重提升教师人机交互式学习的授课能力，确保教师能够熟练运用人工智能大模型辅助日常教学管理，并能够及时发现和纠正可能产生的误导，避免失误的发生。同时通过多元化的方式赋能教师成长，构建多渠道、多平台、多模式的培训及交流机会，为教师提供持续、专业的学习渠道，使他们在日常授课中既能利用好先进技术提质增效，又能保持教育的人文关怀与温度。

4.5.2 有计划地使用人工智能大模型辅助教学

在人工智能赋能课程教学的过程中，加强对学生思辨能力的培养，激发学生的学习兴趣，明晰智能工具的使用界限，防范学生的过度依赖。一方面，教师可通过设计基于问题的学习活动，引导学生利用人工智能工具分析复杂的学术问题或临床病例，鼓励学生从不同角度提出解决方案；另一方面，教师可以设计具有多种解法的实际案例，观察学生的思维灵活性，培养他们的创新能力。与此同时，应关注学生的实时反馈，增强学生的学习体验与互动，根据学生的行为数据与表现，及时调整教学思路与方法，避免学生产生对智能工具的依赖。

4.5.3 邀请人工智能领域的专家

通过邀请相关领域的专家开展专题讲座，分享关于算法学习、深度学习架构、高效使用方法以及智能工具的弊端等知识，帮助学生进一步理解人工智能工具的工作原理及其局限性，包括如何准确表达问题以获得高质量答案，以及如何识别和处理智能工具可能产生的错误。通过以上方式，确保通过人工智能工具的使用提升教学质量，贴合医学人才培养目标。

4.6 医患关系伦理：建立多元化师生沟通渠道

伴随着人工智能工具的频繁使用，传统单一的课堂交流模式已经难以满足新时代师生之间沟通的需求。通过构建多元化师生沟通渠道，是增进师生理解，优化教学效果的重要举措。同时将课程思政与医学人文教育渗透到教书育人的每一个环节中，既能筑牢医学教育的情感根基，又能培养出“有温度、有担当、有信仰”的新时代医者。

构建常态化、多元化师生沟通渠道，增强师生情感维度，提升教学质量及学生满意度。通过模拟医疗、模拟医患沟通、虚拟仿真实践培训等环节，增强师生之间的互动和团队合作能力。邀请经验丰富的教授学者进行关于人文关怀、医德医风等方面的主题教育讲座，强化学生的社会责任感和职业素养。

思政教育的深度决定人才质量培养的高度，以仁爱基础为原则，培养社会道德责任感，贯穿人才培养的全过程。加强医学生同理心的培养，邀请患者家属、公益组织代表参与到课堂中，分享疾病对家庭或者社会的影响，帮助学生理解医学的社会属性，在工作中更好地建立与患者的信任关系；在实践教学中，开展红色基地研学活动，组织学生参与社区健康义诊活动，鼓励学生将理论知识应用到实践，帮助学生全面成长，实现“治病救人”与“立德树人”的双重使命。

5 结语

人工智能技术为优质教学资源共享打开了一扇“大门”，使得教育资源更加普及和平等。然而，如何合理合规地利用好这些技术并且规避掉其中可能存在的伦理风险，以实现其在教育教学过程中的最大效益，仍然是一个关键问题。为了最大挖掘其潜力并有效管理风险，提升医学教育者及受教育者人工智能素养和职业道德水平至关重要。本文详细探讨了人工智能大模型赋能医学教育实践的伦理风险及对策，这不仅是防范潜在伦理风险的第一道屏障，也是确保技术应用符合医学教育期望的基础。

参考文献

[1] LI D J， WANG H Q， WANG J ．Artificial intelligence and technological innovation：Evidence from China’s strategic emerging industries［J］．Sustainability，2024，16（16）：7226．

[2] 孙柏林.大模型评述［J］.计算机仿真，2024，41（1）：1-7.

[3] 孙柏林.让大模型赋能新质生产力［J］.计算机仿真，2024，41（7）：1-5.

[4] 孙柏林.ChatGPT：人工智能大模型应用的千姿百态［J］.计算机仿真，2023，40（7）：1-7.

[5] 肖建力，黄星宇，姜飞.智慧教育中的大语言模型综述［J/OL］.智能系统学报，1-17［2025-03-22］.

[6] 杨俊善，张刚要.中国“AIGC+教育”领域研究热点与演进趋势［J］.中国医学教育技术，2025，39（1）：41-47.

[7] 张旭龙，瞿晓阳，谢骏飞，等.人工智能生成式内容技术概述［J/OL］.大数据，2025，1-37［2025-08-07］.

[8] 曾怀才，贝春华，谭盛葵.“双一流”背景下复合应用型预防医学专业人才培养模式的思考［J］.教育教学论坛，2024（6）：177-180.

[9] 黄明芳，侯青涵，张韦.生成式人工智能在医学教育领域的应用现状与未来趋势［J］.医学与社会，2025，38（1）：29-34.

[10] 裴榕.生成式人工智能赋能教育教学：变革影响、风险挑战与实践路径［J/OL］.当代教育论坛，1-10［2025-01-20］.

[11] 金铁峰，朴俊杰，杨洋，等.人工智能在医学教育领域的应用研究：基于CiteSpace的文献共词分析［J］.医学与哲学，2024，45（2）：72-75.

[12] 王绍源，杨东航.文生视频大模型Sora赋能医疗卫生的伦理探讨［J］.中国医学伦理学，2025，38（2）：195-200.

[13] 胡佳健，汪维富，钟志贤.国内外生成式人工智能教育现状分析与热点探究［J］.数字教育，2024，10（6）：84-92.

[14] SHUMEIKO N V， OSADCHA K P ．Application of artificial intelligence in higher education institutions for developing soft skills of future specialists in the sphere of information technology［J］．Journal of Physics：Conference Series，2024，2871（1）：012027．

[15] 张俊祥，李传富，吕维富.人工智能在医学教育、科研和临床实践中的应用前景与挑战［J］.中华全科医学，2024，22（7）：1085-1089.

[16] 刘成程，寻萌，韩蕾，等.人工智能推动医学教育改革的现状与展望［J］.基础医学教育，2024，26（10）：890-894.

[17] 毕建蕾，李亚，陆俊玲，等.新医科背景下“医学+X”模式在妇产科学研究生教学中的运用［J］.医学教育研究与实践，2025，33（1）：34-40.

[18] 黄锫.人工智能大模型训练数据的风险类型与法律规制［J］.政法论丛，2025（1）：23-37.

[19] MOORADIAN N， FRANKS P C， SRIVASTAV A ．The impact of artificial intelligence on data privacy：A risk management perspective［J］．Records Management Journal，2025，35（2）：147-159．

[20] 王琨，徐玉梅.基于智能算法的医学人工智能技术伦理挑战与破解进路［J/OL］.中国医学伦理学，1-8［2025-05-27］.

[21] 苗芳艳.风险、成因与化解：语境主义视角下生成式人工智能的数据操纵、算法偏见与伦理审视［J］.昆明理工大学学报（社会科学版），2025，25（2）：49-56.

[22] 刘鸣，宋心迪，王亚楠.从循证临床决策角度看人工智能应用的相关问题［J/OL］.华西医学，1-4［2025-05-27］.

[23] TAMIMI F， JASIM K ．How artificial intelligence can revolutionize evidence-based health care：A critical commentary［J］．JDR Clinical & Translational Research，2025：23800844251321839．

[24] 蓝燕玲，刘司航，夏琳洁.技术黑箱与价值偏差：基于“视觉隐喻”理论的视觉生成智能大模型创作机制研究［J/OL］.信息传播研究，1-14［2025-05-27］.

[25] 刘宝存，苟鸣瀚.ChatGPT等新一代人工智能工具对教育科研的影响及对策［J］.苏州大学学报（教育科学版），2023，11（3）：54-62.

[26] 姚常房.医学人文关怀提升行动方案发布［N］.健康报，2024-10-11（1）.

[27] 王力，谭浩，王军永，等.ChatGPT在临床诊疗情境中的应用前景与潜在风险［J］.卫生软科学，2025，39（1）：17-23.

[28] 巫灵爱，钱国玲.AI机器人在医学教育中的应用优势、伦理困境及其应对［J］.中国医学伦理学，2025，38（2）：187-194.

基金资助

国家自然科学基金项目(82204173)

国家自然科学基金项目(82574212)

科技创新2030重大项目(2022ZD0208000)