AI赋能寄生虫实验教学新模式提升学生形态识别与临床决策能力​

AI-empowered New Mode of Parasitology Experimental Teaching Enhances Morphological Identification and Clinical Decision-Making Competence

摘要

为有效提升寄生虫实验教学中形态学技能与临床决策能力，同时提高教学效率、精准度与深度，增强学生参与度，并减轻教师重复性工作负担，基于超星学习通平台，设计了融合“形态绘图实践”与“临床病例情景模拟”的AI双驱赋能实验教学模式。选取120名学生开展随机对照试验，通过量化评分、行为追踪及质性分析综合评估教学成效。结果显示，实验组在虫卵形态识别正确率、绘图修正质量得分及临床决策能力上均显著优于对照组（P<0.001），在AI系统构建的“学-练-评-改”闭环中，70.0%以上的学生认为AI反馈迅速且具针对性，指导价值较高，62.5%的学生形成主动反思与修正的学习行为，其学习投入度显著高于对照组。同时，该模式显著提升了教师教学效率，如AI形态绘图评价可在30秒内完成批量批改，病例讨论的深度及师生互动频率亦得到有效提高。实践充分表明AI双驱赋能模式能有效破解传统寄生虫实验教学困境，有力驱动教学范式向“学生中心”转型，为医学教育智能化发展提供了可复制、可推广的创新实践范例。

Abstract

To effectively enhance morphological skills and clinical decision-making abilities in parasitology experimental teaching, while improving teaching efficiency, accuracy, and depth, boosting students’ engagement, and reducing the burden of repetitive tasks for instructors, this study designed an AI dual-driven experimental teaching mode integrating “morphological drawing practice” and “clinical case scenario simulation” based on the Chaoxing Learning Platform. A randomized controlled trial involving 120 students was conducted, and the teaching effectiveness was comprehensively evaluated through quantitative scoring, behavioral tracking, and qualitative analysis. The results demonstrated that the experimental group was significantly superior to the control group in the accuracy rate of egg morphology identification, the score of drawing revision quality, and clinical decision-making ability (P<0.001). In the “learning-practice-evaluation-revision” closed loop constructed by the AI system, more than 70.0% of the students considered AI feedback to be prompt and targeted with high guiding value. Furthermore, 62.5% of the students developed learning behaviors of active reflection and revision, and their learning engagement was significantly higher than that of the control group. Meanwhile, this mode significantly improved teachers’ teaching efficiency. For example, AI-based evaluation of morphological drawings could complete batch evaluation within 30 seconds, the depth of case discussions and the frequency of teacher-student interaction were also effectively enhanced. This practice fully indicates that the AI dual-driven mode can effectively address the challenges inherent in traditional parasitology experimental teaching. It strongly drives the transformation of the teaching paradigm towards a “student-centered” approach, providing a replicable and scalable innovative practical exemplar for the intelligent development of medical education.

Graphical abstract

关键词

AI赋能 / 形态识别 / 临床情景模拟 / 寄生虫实验教学 / 临床决策能力

Key words

AI empowerment / Morphological identification / Clinical scenario simulation / Parasitology experimental teaching / Clinical decision-making competence

近两年，人工智能（Artificial Intelligence， AI）技术的迅猛发展，正以前所未有的深度与广度重塑医学教学模式，推动从传统知识传授向核心能力培养的范式转型^［1-3］。AI在医学教育中的深度融入展现出多方面优势，例如借助个性化智能学习辅助系统，能够精准适配学习者的认知节奏与知识短板，有效实现因材施教的教学目标；通过构建高度仿真的虚拟患者模型，可为医学生提供安全且可重复的临床推理训练场景，显著提升其临床实践能力。面对这一深刻的技术革新浪潮，医学高等院校的教师群体亟须主动转变教学思维：既要深入理解人工智能技术的应用逻辑，更要积极投身于AI与医学教育的融合实践，从而避免在技术驱动的教育变革中被边缘化^［4-7］。

寄生虫学实验课作为连接理论与临床的核心纽带，其教学模式的优化需紧扣“形态辨识精准化”“临床思维场景化”“能力培养复合化”三大核心目标。然而，当前主流的传统实验教学模式在面对现代复合型医学人才培养需求时，日益凸显多重结构性挑战^［8-9］。

1 传统教学模式的双重困境

不仅存在形态学技能训练效率低下，传统方法难以高效提升学生辨识能力的问题；还存在理论与临床实践割裂，学习场景与真实临床诊断环境脱节的情况；同时，学生普遍反映内容枯燥，难以感知学习价值，导致学习动机不足；加之教师反馈模糊且针对性弱，难以满足学生个性化指导需求。这些问题不仅制约了教学目标的达成，更阻碍了学生向临床胜任力的有效过渡，而人工智能（AI）技术的出现，恰好为寄生虫实验课教学的改革创新提供了重要的新机遇。

1.1 寄生虫形态学教学瓶颈

近3年的病原生物学实验报告分析揭示了一个显著差异：学生在微生物学等操作性实验内容上掌握良好（平均分≥90分），但寄生虫形态标本鉴定能力明显不足（平均分≤75分）。即便教学环节包含显微镜观察标本和绘图练习，学生对寄生虫卵等关键形态的识别与鉴定能力依然薄弱。​

这一现象背后存在多方面问题。从学生反馈来看，他们普遍反映形态学内容枯燥难记、学完易忘，难以感知其学习价值，62%的学生甚至认为“形态学学习缺乏实用性”，学习动机明显不足。从教师教学环节来看，反馈机制存在明显缺陷。教师人工批阅单份绘图报告需3~5 min，导致反馈严重延迟；且抽样调查显示，78%的人工反馈仅停留在“结构不准确”“比例失调”等笼统层面，仅22%能具体指出问题（且多针对极端错误）。由于反馈模糊，学生无法真正反思自己的问题所在，不清楚该从何处着手改进，进而失去了练习的动力，陷入“不练习-不修正”的恶性循环，这进一步加剧了他们对虫卵等关键形态掌握不足的状况。同时，评分体系也存在主观随意性。5名教师对100份绘图独立评分，极差高达25分（满分100分）；评分标准的模糊，导致31%的学生承认脱离实际镜检而临摹教材模式图以求高分，造成绘图作品与临床真实样本特征严重脱节。​

学习动机不足、低效的反馈机制以及主观随意的评分体系，共同导致了寄生虫形态学教学效果不佳。这不仅严重制约了教学目标的达成，更阻碍了学生向临床胜任力的有效过渡。

1.2 小组寄生虫病例讨论面临的挑战

实验课堂的病例讨论环节呈现出典型的“纸上谈兵”现象。小组汇报模式下，60%以上的学生沦为被动听众（教学观察数据），缺乏独立完成病史分析、形态鉴别、诊疗决策的实践机会；教师仅以小组为单位评分，无法追踪个体临床思维轨迹（如鉴别诊断逻辑、形态-症状关联能力）。

这种形式化的教学产生了明显的负面影响。近年期末考试数据显示期末考试中病例分析题呈现“双低现象”：总体得分率不足65%；40%以上的学生在实验课讨论过的病例上仍不及格。这一数据清晰地反映出学生虽参与了讨论，却难以将知识转化为实践能力，深刻暴露证明知识向实践能力转化断裂，暴露“课堂讨论”与“临床实战”在决策逻辑、场景复杂度层面的根本性脱节。更严峻的是，形态观察能力与临床决策能力之间形成了断层。实际上，寄生虫的形态是诊断的基础，但在病例讨论中，学生并未真正意识到这一点，大多学生更多关注的是患者症状表现，例如面对提示寄生虫卵形态特征的病例，学生无法依据形态推导初步诊断，进而不能解析症状产生机制，另外，某些学生陷入“镜下能识别、临床不会用”的尴尬境地。这种脱节不仅削弱了学生对知识价值的认同，更持续影响着寄生虫学实验课的教学质量。

1.3 AI驱动的破局契机

人工智能技术通过图像识别与场景模拟，为破解上述困境提供了突破性方案。在形态辨识层面，智能绘图批改系统基于图像识别与深度学习技术，极速完成单份绘图的智能评分与分析，精准反馈绘图形态特征差异，彻底改变了传统人工批阅的模糊化评价模式。教师借助系统生成的学情分析看板，可实时掌握班级薄弱环节，实现靶向教学。在临床实践中，病例情景对话系统通过自然语言处理技术构建沉浸式诊疗场景，引导学生完成病史采集、鉴别诊断等临床决策环节，促使每个学生从被动听众转变为主动参与者。系统后台日志可追踪学生的诊疗思维路径，帮助教师精准识别知识盲区。这种“学-练-评-改”的闭环生态，使学生重新认识到形态学的临床应用价值，推动教学从经验驱动转向数据驱动。

2 研究对象与方法

2.1 研究对象与分组

选取川北医学院2024级护理医学院学生120名作为研究对象，采用随机分组将学生分为实验组和对照组，每组各60人。实验前对两组学生医学蠕虫学理论阶段测试显示两组学生在相关知识起点上无统计学显著差异（P>0.05）。所有研究对象知晓研究目的并签署知情同意书，数据全程匿名化处理。

2.2 实验教学平台

选用超星学习通平台提供技术支撑。基于AI技术的AI实践平台可支持教师进行多维实践任务设计：既可构建高拟真临床诊疗场景，亦可针对学生提交的实验作品进行评估。通过多模态数据采集与分析，实现对学生实践成果的自动化评估与智能反馈，是构建“学-练-评-改”闭环教学生态的关键技术平台。

2.3 教学模式设计

2.3.1 对照组采用传统实验教学范式

形态学实验流程：学生在显微镜下观察蠕虫卵后，绘制常见的11种蠕虫卵图→教师人工批改与反馈→学生根据教师反馈意见，再次修改后1周内上交教师评阅，学生需在课后1周内在超星学习通完成蠕虫卵形态观察实验报告并提交。在实验期末考评中，完成在线限时虫卵识别大赛、绘图比赛。

病例汇报流程：围绕钩虫病案例开展小组汇报式讨论，最后由教师进行总结点评；课后1周内提交个人病案报告与防治方案，并完成综合案例测试，交由实验教师评阅（该模式延续了“讲授-练习-评价”的传统教学流程）。

2.3.2 实验组采用AI双驱模式

常见蠕虫卵绘图实践活动设定：教师登录超星学习通AI实践平台的AI绘图实践模块，设定任务要求（在规定的实验报告纸上进行绘图，纸上的每个圈代表一个显微镜视野，绘图完成后拍照上传至学习通平台）、评估角色（你是一位专业的寄生虫学教师，拥有丰富的寄生虫虫卵识别和绘图评估经验，能精准判断蠕虫卵绘图的质量，并给出具体反馈和建议）、评分模式（适中）及评分标准。由经验丰富的团队共同商讨制定各维度依据（按其在虫种鉴别中的重要性科学分配权重），具体内容详见表1。

形态学观察实验流程：学生将蠕虫卵绘图上传至超星学习通AI绘图实践批改系统→AI对绘图进行特征提取并匹配标准图谱→生成评分及结构化报告（含总分、各维度得分、优点、缺点及修正建议）→学生根据AI建议对绘图进行2~5次修改后，一周内上交由教师批改。同样，学生需在课后1周内在超星学习通平台完成并提交蠕虫卵形态观察实验报告，在实验期末考评中，完成在线限时虫卵识别大赛、虫卵绘图比赛。

AI病例情景对话任务设定：教师登录超星学习通AI实践平台→进入AI情景对话实践任务→设定钩虫病诊疗AI情景对话实践任务要求（模拟真实诊疗场景，学生扮演住院医师与AI“患者”互动，完成流行病学史询问、症状识别、诊断推理、治疗方案制定及沟通技巧等临床任务。在对话过程中，运用专业医学知识，展现良好的沟通技巧和临床思维能力，体现对钩虫病相关知识的临床运用能力）、评估角色（你是一位资深的医学专家，擅长各类寄生虫病的诊疗与防控，尤其对钩虫病有着深入的研究和丰富的临床经验）、评分模式（适中）。以钩虫病为首个试点疾病，由经验丰富的团队共同商讨制定各维度依据，具体评分详见表2。

课堂病例讨论流程：个人完成AI情景对话实践→根据AI反馈与建议进行改善，直至达标→在小组内分享自己在AI病例实践中的诊疗思路和遇到的问题，形成《讨论问题清单》→小组进行汇报→教师结合《讨论问题清单》进行总结→课堂内提交个人病案报告与防治方案→教师评阅。

3 评价指标体系

3.1 核心能力指标

形态学辨识与绘图能力：经人工/AI批改修正后的蠕虫卵绘图得分（由5名教师批阅后取平均分），蠕虫卵形态观察实验报告、虫卵限时读片比赛、虫卵形态绘图大赛进行考察，重点关注形态识别正确率、绘图准确与规范度（由5名教师批阅后取平均分）。以上每项满分均为10分。

临床决策能力：采用个人病案分析报告、防治方案设计、综合案例测试三个维度进行评价（关注诊断逻辑的连贯性与治疗建议的针对性），每个维度满分均为10分。

3.2 过程性指标

学习投入度：实验组采集AI绘图实践的提交修改次数、AI病例情景对话轮次、教师提问的回答参与度等行为数据；对照组记录小组讨论中个体的发言次数、教师提问的回答参与度等指标。​

反馈有效性：实验组调查学生对AI系统生成的绘图修正建议、病例诊疗反馈的有效度，上述反馈对学习改进的指导价值，以及病例讨论中教师的指导价值；对照组调查学生对教师初次修改的虫卵绘图的指导价值，以及病例讨论中教师的指导价值。

3.3 主观体验指标

学生主观体验：通过5级Likert量表，调查学生对实验教学模式的兴趣度、反馈价值感、临床模拟真实感等。

教师客观数据：收集教师在绘图批改耗时、课堂效率方面的数据。

4 数据分析

采用SPSS 22.0进行统计分析：计量资料以（x±s）表示，组间比较采用t检验；同时结合质性研究方法，对学生访谈记录、开放性问题回答进行分析，形成量化与质性结合的立体评估框架。

5 研究结果

5.1 学生核心知识能力提升

5.1.1 形态学技能显著提高​

实验组在蠕虫卵形态观察实验报告、蠕虫卵绘图修正后得分、混合虫卵识别与鉴定、蠕虫卵限时读片比赛及虫卵形态绘图大赛中的成绩均优于对照组（P<0.001），见表3。

5.1.2 临床决策能力提升

采用个人病案分析报告、防治方案设计、综合案例测试三维度，对钩虫病相关临床决策能力进行评估，结果显示实验组在各维度及细分指标上均优于对照组，差异具有高度统计学意义（P<0.001），见表4。

5.2 过程性评价结果

在学习投入度上实验组学生AI绘图实践平均提交修改次数为（2.80±0.70）次，AI病例情景对话平均轮次为（3.20±1.30）轮，小组病例讨论中教师提问回答参与度评分（4.20±0.80）分（5级评分）；对照组学生小组病例讨论中个体平均发言次数为（1.50±0.60）次，教师提问回答参与度评分（2.50±1.00）分。调查显示62.50%的实验组学生形成“练习-反馈-修正”的良性循环，而对照组仅28.30%的学生愿意主动再次反思与修正。经统计分析，实验组在学习投入行为数据上明显优于对照组（P<0.001）。

在反馈有效度评价中，实验组学生对AI系统反馈的认可度显著较高：78.30%的学生认为AI生成的绘图修正建议“较有帮助”或“非常有帮助”，且能快速定位、及时发现绘图问题；75%的学生表示，AI在病例情景对话中的反馈有助于快速纠正问诊思路，同时提升小组讨论深度与学习效率。相比之下，对照组仅43.30%的学生认为教师反馈对绘图修正有价值，且存在反馈时间长、建议模糊的问题；63.30%的学生认为小组讨论中师生交流的反馈能有效提升个人诊断逻辑，但这类反馈存在交流深度不足、教师指导缺乏针对性的局限。

5.3 主观体验指标结果

通过5级Likert量表调查显示，实验组学生在AI赋能的教学模式兴趣度、认可度及临床模拟真实感三个维度的评分均显著高于对照组：其中，兴趣度评分为（4.23±0.65）分，显著高于对照组的（3.12±0.76）分；教学模式的认可度评分为（4.31±0.58）分，显著高于对照组的（2.98±0.81）分；临床模拟真实感评分为（4.42±0.52）分，显著高于对照组的（2.87±0.79）分。上述差异均具有统计学极显著性（P均<0.001）。

调查问卷显示75%的学生认为AI绘图实践对显微镜下虫卵辨认“帮助深刻”，75%的学生认为AI病例对话对临床思维“较有帮助/非常有帮助”。96.67%的学生认可AI赋能教学对病原生物学知识掌握的帮助。详情分布见图1。

在教师工作效率方面，AI系统单份绘图评阅速度（15秒内/份）显著快于人工评阅（2.80±0.50分钟/份）（P<0.001），且实验组学生对教师在病例讨论中的指导有效度评分（4.15±0.62）分高于对照组（3.02±0.75）分（P<0.001）。​

6 讨论

近年来，全国形态绘图大赛与形态读片大赛持续推动病原生物学实验教学发展，在此背景下，如何实现实验教学的突破与改进成为值得深入思考的问题^［10-12］，而AI技术的赋能则为这一突破与改进提供了新的思路和路径。

本研究初步构建基于学习通AI实践平台的“AI绘图实践批改系统+AI情景对话实践”双驱动教学模式，不仅突破了传统寄生虫学实验教学的困境，更为医学实验教学的智能化转型提供了可操作的实践范式。

该模式针对性破解了传统寄生虫实验教学的三大核心矛盾，实现了教学效能提升。传统形态学教学中“反馈模糊、批改滞后”的问题，在AI形态识别批阅评价系统中得到显著改善。系统通过5维度量化评分，将抽象的“结构不准确”转化为可操作的修正建议，使学生绘图平均错误率降低54.60%，虫卵形态识别正确率明显提升。AI实现同步批阅学生实验报告并10秒内得到有效反馈，教师得以从机械的绘图批改、作业评阅等重复性工作中解放，从而将更多精力聚焦于个性化指导与教学创新，完成从单一“作业批改者”向“学习设计师”的升级。

AI病例情景对话实践能借助虚拟病例为学生提供高度仿真的诊疗体验，同时全程记录学生的操作与思维轨迹，从而促使学生从“被动听众”转变为“主动诊疗者”。研究已证实，这种方式有助于提升医务工作者的临床思维能力^［13-14］。在相关复杂病案分析中，实验组学生诊断依据的完整度明显优于对照组，90.0%以上的学生能在寄生虫病诊断中主动引用形态特征（对照组仅71.70%），有效破解了“镜下能识别、临床不会用”的断层现象。通过AI多轮对话练习，学生强化形态学知识向临床决策能力的转化。此外AI后台日志记录学生问诊过程，为教师提供精准学情分析，助力教师快速识别学生逻辑漏洞与知识盲区，开展靶向讲解与个性化指导，推动教师向“精准教学引导者”的角色进阶，充分印证“技术赋能教师角色重构”的教育理念。

AI构建的“学-练-评-改”闭环，不仅推动学生主动深挖学习症结、深入反思知识漏洞，更激活了学生间的互动交流。以往泛泛而谈的讨论，转变为围绕具体问题的精准对话，大家既能清晰阐述自己的困惑，又能依据AI反馈的量化数据展开有理有据的分析，让交流从“无话可说”的尴尬，变成“言之有物、论之有据”的深度碰撞。这种从被动接受到主动探究的转变，不仅让原本枯燥的形态学实验变得立体生动，更帮助学生直观感知“寄生虫形态认知影响临床诊断”的实践逻辑，重新建立对形态知识价值的认同，真切理解寄生虫病形态学背后的临床意义。

深度访谈表明学生群体对寄生虫病临床诊断核心依据的认知已发生显著重构，明确将“形态特征”视为寄生虫病临床诊断的黄金标准，且扭转了“形态学学习枯燥”的传统印象；更有部分学生主动展现出参与全国形态学读片大赛、形态绘图大赛的积极性，显示出对形态学学习的持续热情与深入探索意愿。此外，通过AI虚拟对话，学生的医生价值感与人文价值感得到提升，且实现了对临床的早期接触。

尽管AI双驱模式成效较为显著，但在实践中仍有许多需解决的技术局限性与教学逻辑适配性以及学生过度依赖等问题^［15-17］。其一，绘图批改系统存在技术瓶颈与反馈机制缺陷，表现为非典型形态虫卵的智能识别精度不足、评分一致性波动显著（个别样本分数浮动超15%），且当前系统仅能提供文本维度的单向反馈，尚无法在学生上传的绘图中进行标记、缺乏问题归类汇总功能；其二，病例对话系统在临床思维训练体系中存在显著短板，处理复杂鉴别诊断时缺乏深度引导逻辑，反馈内容标准化程度不足，当学生出现问诊逻辑偏离时缺乏实时干预机制，且AI生成报告的清晰度达标率欠佳（如“非常清晰”评价占比<20%），修正建议的针对性与实操指导性仍需优化提升。其三，某些学生出现“先AI评分再修改”的被动行为，可能削弱自主观察能力。

针对上述问题，系统性优化措施从技术能力迭代与教育生态构建两方面展开：技术层面，绘图系统需构建包含临床变异形态的“多模态标注样本库”，并开发“三维动态评分可视化系统”提供结构误差热力图与问题聚类分析；病例系统则结合知识图谱生成“思维漏洞分析报告”以标注诊断逻辑偏差并提供分级改进方案。此外要求学生先独立完成绘图，再基于AI反馈修改，通过对比初始版与终改版的差异，强化自主辨识意识，避免技术工具替代主动思考。

未来通过打造“技术-教育-临床”三位一体协同网络，实现AI系统与教学场景的精准适配；继续探索“AI个性化训练+小组协作深化+临床实践验证”的立体培养模式，形成“机器标准化评估+人类创造性培养”的教育新生态。总之，人体寄生虫学教学中，人工智能应用前景广阔，能切实提升教学质量与学习体验^［18］。尽管存在技术及实践层面的挑战，但依托技术成熟与教育模式创新，终将实现从“AI辅助工具到教育共同体”的跨越，最终以临床胜任力培养为核心推动医学教育智能化转型。

参考文献

[1] 郑爽，黄瑜坤，王友，等.高等医学院校学生对开设人工智能课程需求的调查报告分析［J］.中国高等医学教育，2023（8）：145-147．

[2] 王家华.AI赋能教育教学数字化改革的智慧教学新模式［J］.辽宁高职学报，2025，27（1）：38-42.

[3] Gordon Morris， Daniel Michelle， Ajiboye Aderonke，et al ．A scoping review of artificial intelligence in medical education： BEME Guide No. 84［J］. Medical teacher，2024，46（4）：1-25.

[4] 李杨，杜雷雷，许飞，等.大数据与人工智能在医学领域的应用进展［J］.协和医学杂志，2023，14（1）：184-189.

[5] 李辉雁，王海波，匡铭.人工智能赋能医学人才培养和教育教学改革：中山大学的实践与探索［J］.高校医学教学研究，2024，14（3）：8-13．

[6] 刘倩，赵娜，杨晓沁，等.人工智能赋能临床微生物学检验微课初探［J］.中国真菌学杂志，2025，20（2）：198-201.

[7] 钱汐晶，丁翠玲，徐辰，等.AI赋能“医学微生物学”课程教学的思考［J］.教育进展，2025，15（4）：206-211．

[8] 耿志辉，施雨露，刘利，等.医学寄生虫学实验课教学的现状及改革［J］.中国寄生虫学与寄生虫病杂志，2004，22（4）：226，230.

[9] 王业梅，王朝兰，汤冬生.人体寄生虫学实验教学改革体会［J］.医学理论与实践，2012，25（3）：364-365.

[10] 邹节新，张李鄢洋，沈海默，等.基于国家寄生虫资源库对寄生虫学实验考试的改革探索［J］.生物学杂志，2022，39（6）：122-126．

[11] 卢怀民，闫艳，卢艳，等.高等院校医学检验专业学生“工匠精神”培养路径探析：以形态学大赛为着力点［J］.太原城市职业技术学院学报，2025（3）：66-69．

[12] 宋章永，毛樱逾，佘俊萍，等.新医科建设背景下的病原生物学创新教学模式探索［J］.基础医学教育，2024，26（10）：847-850.

[13] Heist Brian S， Kishida Naoki， Deshpande Gautam，et al.Virtual patients to explore and develop clinical case summary statement skills amongst Japanese resident physicians：A mixed methods study［J］.BMC medical education，2016，16（1）：39-46．

[14] 王成红，唐晓鸿，张柯，等.交互式人工智能虚拟病例系统在诊断学教学中的实践应用［J］.中华医学教育探索杂志，2021，20（4）：388-391.

[15] 蒋贵友，殷文轩.变革抑或危机：大语言模型赋能大学教学及其限度：基于斯坦福大学的案例考察［J］.电化教育研究，2025，46（1）：122-128.

[16] 王丹丹，王怡.人工智能赋能大学课堂教学的困境与对策［J］.哈尔滨学院学报，2024，45（11）：132-135.

[17] 孔令希，朱璇.人工智能在检验医学教学中的应用［J］.医学教育研究与实践，2024，32（6）：713-717.

[18] 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.

基金资助

川北医学院2025年度本科教育人才培养质量和教学改革项目(JG202524)

川北医学院2025年度AI课程建设项目(AIKE-202505)