يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة مراجعة

مشهد الواقع الافتراضي والذكاء الاصطناعي التوليدي في تعليم الأورام: مراجعة شاملة لأدوات تقييم التفكير السريري

167 مشاهدات

⸱

DOI:

10.3791/70722

⸱

مايو 15, 2026

 ,  , 
1Department of Medical Oncology, The Fourth Affiliated Hospital, Zhejiang University School of Medicine, 2Department of Urology Surgery, The Fourth Affiliated Hospital, Zhejiang University School of Medicine

في هذه المقالة

ملخص

تجد هذه المراجعة النمطية أن الواقع الافتراضي والذكاء الاصطناعي التوليد يقدمان طرقا جديدة لتقييم التفكير السريري في تدريب الأورام. ومع ذلك، كلاهما يتطلب التحقق من صحة أكثر قوة وأطر أخلاقية قبل الاستخدام التعليمي الواسع، حيث أن الأدلة الحالية أولية.

الملخص

علم الأورام هو بيئة يكون فيها التفكير السريري كفاءة أساسية تتطلب توليف المعلومات السريرية المعقدة في بيئة عالية المخاطر. توفر وسائل التقييم التقليدية، مثل الاختبارات الكتابية، والامتحانات السريرية المنظمة الموضوعية (OSCEs)، والتقييمات القائمة على مكان العمل، معرفة قيمة، لكنها لا تزال غير فعالة في عكس الجودة الديناميكية والتكرارية للاستدلال السريري. تتاح التقنيات الرقمية الناشئة، خاصة الواقع الافتراضي (VR) والذكاء الاصطناعي التوليدي (GenAI) فرصا جديدة لتجاوز هذه القيود. يسهل الواقع الافتراضي بيئات قائمة على المحاكاة، والتي يمكن أن تكون غامرة، وتسمح بتقييم عوامل التفكير الإجرائي والظرفية بناء على الفعل السريري المرئي. بدوره، يوفر الذكاء الاصطناعي المولد تفاعلا أكثر حوارية، مما يمكن من تقييم العمليات المعرفية والتحليلية، بما في ذلك العمليات المعرفية الرئيسية. تظهر الأدبيات أن هذه التقنيات لها مزايا مكملة لكنها متفرقة من الناحية المفاهيمية. يسجل الواقع الافتراضي بشكل رئيسي الأداء السلوكي، لكن الذكاء الاصطناعي المولد يركز على العمليات الإدراكية، والاثنين ليسا متكاملين بنفس القدر. علاوة على ذلك، تتسم قاعدة الأدلة الحالية بالتباين المنهجي، والاعتماد على البحث الأولي، ونقص الأدلة الصحيحة، خاصة فيما يتعلق بالموثوقية والتأثير الواقعي. تشمل العوامل الأخرى التي يجب أخذها في الاعتبار تأثير الحمل المعرفي، وتباين المستخدم، والقضايا الأخلاقية، مثل التحيز الخوارزمي والشفافية. تتأثر جدوى التنفيذ بشكل أكبر بعوامل تنظيمية مثل البنية التحتية والجاهزية المؤسسية. بشكل عام، الواقع الافتراضي والذكاء الاصطناعي المولد مشجعان، ومع ذلك يطوران أساليب تقييم التفكير السريري في علم الأورام. في المستقبل، سيتطلب تطور المجال أطر تقييم متماسكة، والتحقق الصارم، وهياكل أخلاقية واضحة.

المقدمة

يشكل التفكير السريري، وهو العمليات المعرفية والفوق معرفية التي تقوم عليها التشخيص والإدارة، حجر الأساس لممارسة الأورام الآمنة والفعالة1. إنها عملية معقدة بشكل مميز في سياق الأورام، حيث يجب على الأطباء التعامل مع اتخاذ القرارات الاحتمالية في مواجهة حالة عدم اليقين، وتركيب الأدلة المتغيرة بسرعة للعلاجات، والمشاركة في مناقشات متعددة التخصصات في مجالس الأورام. علاوة على ذلك، يجب على أطباء الأورام إيجاد توازن بين الفكر الطبي الحيوي والتفكير المرتكز على المريض، بما في ذلك إخبار المرضى بتوقعات سيئة لديهم، والتعامل مع القضايا الأخلاقية، وتعديل خطط العلاج مع تغير مسارات المرض 2,3. تجعل هذه المتطلبات المتعددة الطبقات تطوير وتقييم الاستدلال السريري أمرا بالغ الأهمية في تعليم الأورام. تقليديا، كان يتم تقييم التفكير السريري باستخدام الامتحانات الكتابية، والامتحانات السريرية المنظمة الموضوعية (OSCEs)، والتقييمات القائمة على مكان العمل مثل تمرين التقييم السريري المصغر (Mini-CEX)4. على الرغم من أن هذه الطرق يمكن أن تقدم معلومات خلفية عن كفاءة المتعلم، إلا أن لها عيوبا كبيرة. الاختبارات التحريرية تميل أكثر إلى تطبيق المعرفة الثابتة بدلا من العمليات الديناميكية؛ تعد دول الأمن والتعاون في أوروبا تتطلب موارد وقد تكون غير صالحة بيئيا؛ وكذلك اختبارات مكان العمل عادة ما تكون متقطعة وذاتية وعرضة للتحيز السياقي. كل هذه القيود مجتمعة تجعل من الصعب دراسة الطابع التكراري والمعتمد على السياق والطول للمنطق السريري، خاصة في التخصصات التي تتطلب مخاطر عالية وعبء معرفي، مثل علم الأورام5. وبشكل جماعي، تعيق هذه القيود القدرة على التقاط الطبيعة التكرارية والمعتمدة على السياق والطول للمنطق السريري، خاصة في التخصصات عالية المخاطر والمتطلبات المعرفية مثل الأورام6.

تقدم التطورات الجديدة في التقنيات الرقمية في الآونة الأخيرة فرصا جيدة لتجاوز هذه التحديات. اثنان من هذه الأنظمة هما الواقع الافتراضي (VR) والذكاء الاصطناعي التوليدي (GenAI)، اللذان أصبحا أدوات قوية في التعليم الطبي. يوفر الواقع الافتراضي بيئات قائمة على المحاكاة تكون غامرة، مكانية وسياقية للغاية، وتعيد خلق السيناريو السريري المعقد. في تعليم الأورام، قد تحاكي هذه المحاكاة سيناريوهات مثل الطوارئ الأورامية، والمضاعفات أثناء العلاج الكيميائي، والتفاعلات الحساسة مع المرضى، وتمكن المتعلمين من ممارسة اتخاذ القرار بطريقة تجريبية في بيئة آمنة ومتحكم بها7،8،9. ومن المهم أن أنظمة الواقع الافتراضي يمكنها التقاط بيانات سلوكية مفصلة — مثل تسلسلات الأفعال، التوقيت، ومسارات اتخاذ القرار — مما يمكن من تقييم الأبعاد الإجرائية والظرفية للاستدلال السريري.

في الوقت نفسه، فتحت النماذج اللغوية الكبيرة (LLMs)، وخاصة نماذج اللغة الكبيرة (LLMs)، فرصا جديدة لتقييم البنية المعرفية للتفكير. تمتلك أنظمة الذكاء الاصطناعي المولد القدرة على التفاعل مع المتعلمين عبر اللغة الطبيعية لإشراكهم في بيئات تكيفية قائمة على الحوار تطرح استعلامات، وتكوين التشخيص التفريقي، وتبرير الإدارة. يمكن لهذه الأنظمة فحص ردود المتعلمين بناء على تقنيات معالجة اللغة الطبيعية التي توفر تقييما شخصيا وقابلا للتوسع لعمليات التفكير التي كانت سابقا صعبة القياس الموضوعي 10,11,12.

علاوة على ذلك، الأدبيات الحالية متفرقة ومتنوعة من حيث المنهجية. تعتمد معظم الأدلة الحالية على دراسات تجريبية أو تقارير تقنية أو تطبيقات تستهدف بشكل أساسي التدريب بدلا من التقييم الفعلي. وبالتالي، فإن معظم الحجج حول قدرات تقييم الواقع الافتراضي والذكاء الاصطناعي المولد تستند إلى الوظائف التكنولوجية وليس على التحقق التجريبي الصارم. تختلف الأدلة المبلغ عنها على الصلاحية، حيث يتم الإبلاغ بشكل أساسي عن صحة المحتوى ووجود إشارة ضئيلة إلى البنية الداخلية أو الموثوقية أو الارتباطات مع مقاييس التقييم السابقة.

وتتفاقم هذه القيود أكثر بسبب القضايا الجديدة المتعلقة بسهولة الاستخدام، والحمل المعرفي، والقضايا الأخلاقية. على سبيل المثال، توفر أنظمة الذكاء الاصطناعي المولد حلا تفاعليا قابلا للتوسع؛ ومع ذلك، فإن مشاكل تكرار المعلومات، وتغير استجابة النظام، ومعرفة المستخدم يمكن أن تؤثر على تفاعل المتعلم وأداءه. وبالمثل، يمكن اعتبار نقص الشفافية والعدالة والمساءلة في سيناريوهات التقييم مشكلة في طبيعة الصندوق الأسود للتقييم المدفوع بالذكاء الاصطناعي. من حيث التنفيذ، تحتاج أنظمة الواقع الافتراضي إلى استثمار ضخم في البنية التحتية، بينما يعتمد اعتماد الذكاء الاصطناعي المولد على الجاهزية المؤسسية، والحوكمة، والتوافق مع الأهداف التعليمية. تؤكد هذه العوامل أهمية وجود إطار أكثر مفهومية وتنظيمية عند تقييم كيفية دمج هذه التقنيات في تعليم الأورام.

تماشيا مع ذلك، ستقدم هذه المراجعة ملخصا سرديا معمقا للأدبيات الحالية حول الواقع الافتراضي والذكاء الاصطناعي المولد في تعليم الأورام، مع اهتمام خاص بتطبيقهما في تقييم التفكير السريري. يهدف بشكل خاص إلى (1) وصف التصاميم التكنولوجية وسياق تنفيذ هذه الأدوات؛ (2) مراجعة الأدلة المتعلقة بالصلاحية المبلغ عنها والنتائج التعليمية؛ و(3) يوضح التحديات الرئيسية، مثل الاهتمامات المعرفية والأخلاقية والتنظيمية، والاتجاهات المستقبلية للبحث والممارسة. تم البحث في قواعد البيانات الأكاديمية الكبرى بشكل منهجي للعثور على الأدبيات ذات الصلة، ولكن كما هو معتاد في مراجعة المقالات، تركز هذه الورقة على التفسير والتوليف وليس على التقارير الإجرائية.

الشكل 1 نموذج متكامل يجمع بين التقييم القائم على الواقع الافتراضي للأفعال السريرية مع التقييم القائم على الذكاء الاصطناعي الجيني للإدراك السريري. يلتقط هذا النهج المزدوج الأبعاد السلوكية والتحليلية للمنطق السريري من أجل تقييم شامل وتغذية راجعة.

figure-introduction-1
الشكل 1: النموذج المتكامل لتقييم التفكير السريري باستخدام الواقع الافتراضي والذكاء الاصطناعي المولد. يظهر هذا الشكل نموذجا متكاملا يجمع بين الواقع الافتراضي (VR) لتقييم التفكير السريري القائم على الفعل (مثل سير العمل، الإجراءات، العمل الجماعي) مع الذكاء الاصطناعي التوليدي (GenAI) لتقييم التفكير المعرفي والحواري (مثل التشخيص، التبرير، التأمل). يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

مراجعة ومنظور

تصنيف التكنولوجيا وتنفيذها
يتميز الوضع الحالي في مجال التقنيات الرقمية لتقييم التفكير السريري في تعليم الأورام بنموذجين من التقنيات الرقمية. تعتمد الأساليب الحالية على أنظمة تعتمد على الواقع الافتراضي والذكاء الاصطناعي الجيني. على الرغم من أن كلا الطريقتين تسعى لتحسين تقييم الكفاءات السريرية المعقدة، إلا أن هناك اختلافات كبيرة من حيث الأسس التكنولوجية، والتفاعل، ومنطق التقييم13،14. تضع هذه الأنظمة المتعلمين في بيئات أورام واقعية، سواء في استشارة خارجية، أو إدارة الطوارئ الأورامية الداخلية، أو في سياق اتخاذ قرار متعدد التخصصات باستخدام شاشات العرض المثبتة على الرأس وواجهاتتفاعلية.

ميزة أنظمة الواقع الافتراضي هي قدرتها على تسجيل بيانات سلوكية دقيقة باستخدام التحليلات المدمجة. تشمل هذه البيانات سلسلة من الإجراءات، وجدول اتخاذ القرارات، والتنقل، والامتثال للإرشادات السريرية. تمكن هذه التدابير المعلمين من تقييم العناصر الإجرائية للمنطق السريري، مثل جمع البيانات، وتحديد الأولويات للإجراءات التشخيصية، وتنفيذ مسارات الإدارة15. ومع ذلك، فإن تنفيذ أدوات التقييم المعتمدة على الواقع الافتراضي يصاحب تحديات كبيرة في البنية التحتية واللوجستيات. التكاليف الأولية المرتفعة المرتبطة بالحصول على الأجهزة وتطوير البرمجيات والصيانة يمكن أن تحد من إمكانية الوصول، خاصة في البيئات التي تعاني من المواردالمحدودة 16. بالإضافة إلى ذلك، فإن الحاجة إلى مساحة مادية مخصصة، ودعم فني، وتدريب أعضاء هيئة التدريس تزيد من تعقيد النشر على نطاق واسع. غالبا ما تقتصر هذه القيود على تطبيقات الواقع الافتراضي في مراكز محاكاة متخصصة، مما يحد من قابليتها للتوسع ودمجها الواسع في مناهج الأورام.

وعلى العكس، يتم تشغيل الأدوات المبنية على الذكاء الاصطناعي المولد عبر التفاعل مع اللغة الطبيعية، مما يوفر طريقة تقييم جديدة. تم تطويرها بناء على هياكل نماذج لغوية كبيرة، وتشارك المتعلمين في محادثات تفاعلية تعتمد على النص أو الصوت، والتي تحاكي آليات التفكير السريري. يشجع المتعلمون على وصف التشخيصات التفريقية، والمنطق وراء قرارات الإدارة، والإجابة على الحالات السريرية المتغيرة، حيث يقدم النظام تغذية راجعة وتقييم تكوينية10،11.

الفائدة الرئيسية لأنظمة الذكاء الاصطناعي المولد هي قدرتها على تقييم الجوانب المعرفية والتحليلية للمنطق السريري. يمكن لهذه الأدوات تقييم هيكل وتماسك وعمق التفكير لدى المتعلم من خلال النظر إلى مخرجات اللغة وتجاوز الصوابية للحصول على معلومات نوعية حول عملية التفكير. علاوة على ذلك، تتمتع حلول الذكاء الاصطناعي المولد بفوائد كبيرة من حيث القابلية للتوسع وسهولة الوصول. يمكن أيضا تنفيذها في سياقات التعلم البعيدة وغير المتزامنة، على عكس أنظمة الواقع الافتراضي التي يمكن تنفيذها فقط على واجهات الويب5.

على الرغم من المزايا، هناك عيوب كبيرة لأدوات التقييم المبنية على الذكاء الاصطناعي المولد. الاعتماد على معالجة اللغة الطبيعية يسبب مشاكل تتعلق بموثوقية التقييم، وقابلية التفسير، والشفافية. العديد من الأنظمة عبارة عن صناديق سوداء، أي أن منطق قرار التقييم ليس دائما متاحا للمعلمين أو المتعلمين17. الموضوع الرئيسي الظاهر في الأدبيات هو المقايضة الجوهرية بين الصلاحية البيئية وقابلية التوسع بين النموذجين التقنيين. أنظمة الواقع الافتراضي جيدة في قدرتها على إعادة خلق بيئات سريرية واقعية والتقاط قرارات متجسدة، لكنها تستهلك موارد كبيرة وبالتالي محدودة من حيث قابلية التوسع. أما أنظمة الذكاء الاصطناعي المولد فيمكن استخدامها لتقييم العمليات الإدراكية بطريقة قابلة للتوسع وقائمة على الحوار.

والأهم من ذلك، أن هناك نقصا كبيرا في الأدبيات الموجودة التي تتضمن منصات متكاملة أو هجينة تتوافق بين مزايا كل من الواقع الافتراضي والذكاء الاصطناعي المولد. قد يسهل هذا النوع من التكامل القياس المصاحب للأداء الإجرائي والتفكير المعرفي، حيث أن طبيعة اتخاذ القرار السريري مترابطة18. من منظور التنفيذ، القدرات التقنية ليست العوامل الوحيدة التي تحدد تبني التكنولوجيا؛ تلعب العوامل التنظيمية والبيئية دورا أيضا. نماذج مثل نموذج التكنولوجيا-التنظيم-البيئة (TOE) هي منظور جيد لشرحهذه الديناميكيات.

بشكل عام، تسلط تصنيف أدوات الواقع الافتراضي والذكاء الاصطناعي التوليد الضوء على مساحة غير متصلة لكنها سريعة التطور. على الرغم من أن كلا التقنيتين لهما فوائدهما الفريدة في قياس جانب معين من التفكير السريري، إلا أن الانفصال الحالي بينهما لا يوفر فرصة لتقييمهما بالكامل. سد هذه الفجوة من خلال التكامل المفاهيمي والابتكار التكنولوجي واستراتيجيات التنفيذ الحساسة للسياق سيكون ضروريا لدفع المجال نحو نماذج تقييم أكثر شمولا وفعالية.

بنى التفكير السريري والتقييم التكراري
الاستدلال السريري هو مفهوم متعدد الأبعاد يشمل العمليات المعرفية، وفوق المعرفية، والسلوكية التي تدعم اتخاذ القرارات التشخيصية والعلاجية. في علم الأورام، تزيد عدم اليقين والأدلة الديناميكية والحاجة إلى التنسيق بين التخصصات من تعقيد هذه العمليات. تزداد الأدبيات في تصور التفكير السريري كخط استمراري يتضمن اكتساب المعلومات، وتوليد الفرضيات، وتحسين التشخيص، وعملية اتخاذ القرار، والتقييم التأملي20,21.

الأنظمة القائمة على الواقع الافتراضي تتوافق في الغالب مع تقييم الجوانب الملاحظة والمعالجة المباشرة للاستدلال السريري. من خلال وضع المتعلمين في بيئات سريرية محاكاة، تتيح هذه المنصات اختبار كيفية اكتساب الناس للمعرفة، والتركيز على العمليات التشخيصية، وأداء سلسلة من العمليات. يركز على ترجمة الاستدلال إلى عمل، حيث تستند القرارات السريرية إلى أنماط التفاعلفي البيئة المحاكاة.

أما الأنظمة المبنية على ذكاء اصطناعي مولد، فتركز على عمليات استنشاق وتحليل العمليات الإدراكية الداخلية التي تقوم عليها الاستدلال السريري. يشجع التفاعل اللغوي الطبيعي المتعلمين على التعبير عن التشخيصات المختلفة، وتبرير خيارات الإدارة السريرية، والتأمل في الشكوك السريرية. تحدد هذه الأنظمة التفكير من خلال قياس التماسك الدلالي، والبنية المنطقية، وعمق الاستجابات من قبل المتعلم، وغالبا ما يتم تطبيق طرق معالجة اللغة الطبيعية لتقديم تقريب لحكم الخبراء13,10.

على الرغم من أن هذه نقاط قوة مكملة لبعضها، إلا أن نقطة الضعف التي وجد أنها الأكثر أهمية في الأدبيات هي التجزئة العدائية للتقييم بين المجالات الإدراكية والسلوكية. ممارسة الاستدلال السريري في الحياة الواقعية هي بطبيعتها تكرارية، مما يعني وجود تغذية راجعة مستمرة بين التفكير والفعل. هذه عملية دورية رئيسية في عملية اتخاذ القرار السريري الفعالة، خاصة في علم الأورام، حيث تتغير ظروف وردود فعل المرضى تجاه العلاجمع مرور الوقت.

غالبا لا ينعكس هذا التفاعل الديناميكي في أدوات الواقع الافتراضي والذكاء الاصطناعي التوليد الحالية. عادة ما تستمد أنظمة الواقع الافتراضي التفكير من السلوك المرئي دون الوصول بالضرورة إلى العمليات الذهنية الأساسية، بينما تحلل أنظمة الذكاء الاصطناعي المولد التفكير النبجي خارج سياق السلوك السريري. وبالتالي، تقدم كلتا الاستراتيجيتين صورا متحيزة للكفاءة السريرية ولا تستطيعان تقييم مجموعة الأنشطة الاستدلالية بشكل كاف. الضعف الكبير الآخر المرتبط باستخدام التحليلات الآلية كأداة رئيسية للتقييم. في الواقع الافتراضي، يستخدم تحليل ملفات السجل لفهم سلوك المستخدمين، لكن هذه القياسات قد لا تكون كافية لفهم الأسباب وراء الخيارات السريرية. وبالمثل، يستخدم التفسير الخوارزمي للغة عادة لتقييم أنظمة الذكاء الاصطناعي المولد وقد يتجاهل فروق اللغة مثل الحدس السريري، أو التعامل مع عدم اليقين، أو التفكير الخاص بالسياق23.

بالإضافة إلى ذلك، تشير الأدبيات إلى غياب طرق موحدة لربط مخرجات التكنولوجيا بنماذج معروفة للاستدلال السريري. على الرغم من وجود دراسات تربط ضمنيا الواقع الافتراضي بالتفكير الإجرائي وذكاء اصطناعي التوليد بالتفكير المعرفي، إلا أن القليل من الدراسات تضع هذه الأدوات في سياق البنى النظرية المثبتة. هذا التفاوت يحد من إمكانية إجراء مقارنات مع نتائج دراسات أخرى وتشكيل هيكل متسق للتقييم المعزز بالتكنولوجيا24.

يجب أن يكون التركيز في البحث المستقبلي في هذا المجال على دمج الأساليب المعرفية والسلوكية للتقييم. أنظمة هجينة مركبة يمكن للأنظمة الهجينة التي تدمج المحاكاة الغامرة مع الحوار الفوري الذي يبوساه الذكاء الاصطناعي أن تتبنى بشكل أفضل الطابع التكراري للمنطق السريري. مع هذه الأمور، قد يؤدي سلوك المتعلمين في البيئة الافتراضية إلى استجابة استفهام من قبل وكيل الذكاء الاصطناعي، وبالتالي يسمح بتقييم ما يفعله المتعلمون ولماذا يفعلونه في نفس الوقت 25,26.

وبشكل عام، رغم أن تقنيات الواقع الافتراضي والذكاء الاصطناعي المولد توفر رؤى مفيدة حول جوانب محددة من التفكير السريري، إلا أن تطبيقهما لا يزال متقطعا في الوقت الحالي. سيكون من الضروري دمج المفاهيم والدقة المنهجية والابتكار التكنولوجي لمعالجة هذا التفتت وتطوير استراتيجيات تقييم شاملة وذات مغزى في تعليم الأورام. يسلط الجدول 1 الضوء على الفروقات الرئيسية بين الواقع الافتراضي (VR) والذكاء الاصطناعي التوليدي (GenAI) لتقييم التفكير السريري، ومقارنة محوطهما وتفاعلاتهما ونقاط قوتهما وحدودهما ومخرجات البيانات. علاوة على ذلك، يوضح الشكل 2 دورة التفكير السريري التكرارية، التي تظهر كيف يدعم الواقع الافتراضي جمع البيانات والعمل والتأمل فيها، بينما يساعد الذكاء الاصطناعي المولد في توليد الفرضيات وتحسينها وتفسيرها التشخيصي. معا، تمكن هذه الأنظمة حلقة مستمرة من اتخاذ القرار المستنير والتعلم التجريبي.

البعدالواقع الافتراضي (VR)الذكاء الاصطناعي التوليدي (GenAI)
التركيز على التقييمالإجراءات / السلوكيةمعرفي / تحليلي
وضع التفاعلالمحاكاة الغامرةالقائم على الحوار
القوةالصلاحية البيئية العاليةقابلية التوسع العالية
القيودالموارد كثيفة الاستخدامالشفافية المحدودة
نوع البياناتسجلات السلوكاستجابات اللغة الطبيعية

الجدول 1: مقارنة بين الواقع الافتراضي والذكاء الاصطناعي المولد في تقييم التفكير السريري. مقارنة الواقع الافتراضي (VR) والذكاء الاصطناعي التوليدي (GenAI) لتقييم الاستدلال السريري عبر أبعاد رئيسية، بما في ذلك تركيز التقييم، ونمط التفاعل، والقوة، والقيود، ونوع البيانات.

figure-protocol-1
الشكل 2: دورة التفكير السريري التكراري: مساهمات الواقع الافتراضي والذكاء الاصطناعي المولد. توضح دورة التفكير السريري التكرارية كيف يلتقط الواقع الافتراضي الأفعال والأداء خلال المهام القائمة على المحاكاة (جمع المعلومات واتخاذ القرار)، بينما يدعم الذكاء الاصطناعي المولد توليد الفرضيات، والتشخيص التفريقي، والشرح، والتنقيح، معا مما يتيح التأمل المستمر والتعلم من التجربة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

أدلة الصلاحية وقيود القياس
تطوير أدلة قوية على الصلاحية هو جوهر تطبيق أي أداة تقييم، خاصة في المجالات عالية المخاطر مثل تعليم الأورام. يرى التصور الحديث لنظرية الصلاحية أن الصلاحية هي بناء واحد مدعوم بعدة مصادر للأدلة مثل المحتوى، وعملية الاستجابة، والبنية الداخلية، والعلاقات مع المتغيرات الأخرى، ونتائج التقييم27,28.

تركز غالبية الدراسات على صحة المحتوى، والتي يتم إثباتها عادة من خلال مراجعة الخبراء للحالات السريرية، وتصميم المهام، أو معايير التقييم. على الرغم من أن هذه الطرق تضمن أن مواد التقييم ذات صلة ومتوافقة مع ممارسة الأورام، إلا أنها لا توفر الكثير من المعلومات حول قدرة الأدوات على قياس البنى الأساسية للمنطق السريري. في معظم الحالات، يعتبر التحقق من صحة المحتوى دليلا كافيا على الفعالية، رغم أن الممارسات السيكومترية الأكثر صرامة تفتقر إلى29.

هناك تقارير أقل اتساقا للأدلة حول صحة عملية الاستجابة - كيف يدرك المتعلمون أنشطة التقييم ويتفاعلون معها. تستخدم دراسات أخرى اختبارات سهولة الاستخدام، أو تغذية راجعة المتعلمين، أو بروتوكولات التفكير بصوت عال للإيحاء بأن المشاركين يتفاعلون مع بيئات الواقع الافتراضي أو أنظمة الذكاء الاصطناعي المولد بالطريقة المرغوبة. بالإضافة إلى ذلك، لم يتضح بعد إلى أي مدى يمكن لهذه التفاعلات أن تلتقط الاستدلال السريري الحقيقي بدقة، خاصة في السيناريوهات المحاكاة أو التي يبوط بها الذكاء الاصطناعي30.

واحدة من أهم القيود على كل من أساليب الواقع الافتراضي والذكاء الاصطناعي التوليد هي نقص الأدلة على البنية الداخلية. نادرا ما يتم الإبلاغ عن مقاييس الموثوقية، بما في ذلك الاتساق الداخلي، أو الاتفاق بين المقيمين، أو استقرار الاختبار وإعادة الاختبار. وهذا مزعج بشكل خاص للأدوات التي تعتمد على التسجيل الآلي. أنظمة الذكاء الاصطناعي التوليد متغيرة أيضا من حيث خوارزميات التقييم التي تعتمد على معالجة اللغة الطبيعية، حيث يمكن أن تختلف النتائج حسب تصميم الطلب، أو معلمات النموذج، أو التفسير السياقي31.

وبالمثل، هناك أدلة محدودة على وجود علاقات مع متغيرات أخرى. لم تسع العديد من الدراسات إلى ربط الأداء على منصات الواقع الافتراضي أو الذكاء الاصطناعي المولد بتقنيات التقييم الحالية، بما في ذلك اختبارات الأمن والهندسة المعتمدة (OSCEs)، والاختبارات الكتابية، أو تقييمات مكان العمل. بدون مثل هذه المقارنات، يصبح من الصعب معرفة ما إذا كانت هذه التقنيات تقيس الهياكل المتوافقة مع أطر الكفاءة السريرية الحالية. هذا النقص في الصلاحية المتقاربة والتمييزية يحد من تفسير ومصداقية نتائج التقييم32.

أكبر فجوة في الأدبيات هي عدم صلاحية النقل. لا توجد بيانات تدعم فكرة أن الممارسة في محاكاة الواقع الافتراضي أو اختبارات GenAI مرتبطة بالتفكير السريري الأفضل في ممارسة الأورام الفعلية. نظرا لأن الهدف النهائي من التدريب الطبي هو تحسين رعاية المرضى، فإن هذا القيد يعد من أكبر العقبات أمام تطبيق مثل هذه الأدوات في برامج التقييم الرسمية. في غياب الدراسات الطولية أو النتائج، يقتصر التأثير التعليمي لهذه التقنيات على الحالة المحاكاة أو التجريبية التي يتم تنفيذها فيها.33.

إلى جانب هذه السلبيات السيكومترية، هناك تحديات أخرى تفرضها الاستخدام المتزايد للتحليلات الآلية. يعتمد كل من الواقع الافتراضي والذكاء الاصطناعي التوليد بشكل كبير على التفسير الخوارزمي لسلوك المستخدم أو اللغة، مما يثير تساؤلات حول الشفافية وقابلية التفسير. الطبيعة السوداء للنماذج اللغوية الكبيرة في سياق التقييمات المبنية على الذكاء الاصطناعي المولد تعقد فهم كيفية إنتاج الدرجات وكيفية ضمان درجات غير متحيزة. مثل هذا الغموض قد يدمر الثقة بين المعلمين والطلاب، خاصة في البيئات عالية المخاطر34.

قضية أساسية أخرى هي التحيز في التقييم القائم على الذكاء الاصطناعي. قد تلتقط بيانات التدريب المستخدمة لإنشاء نماذج لغوية الفروق في المعرفة السريرية أو أنماط التواصل أو الممارسات الثقافية، مما يؤدي إلى اختلافات منهجية في الدرجات بين مجموعات المتعلمين. إذا لم يتم التعامل معها، قد يكون لهذه التحيزات عواقب خطيرة على جوانب العدالة والإنصاف في التعليم الطبي35.

بالإضافة إلى ذلك، نادرا ما تناقش تداعيات التقييم، وهو جانب مهم آخر من الصلاحية، في الأدبيات الموجودة. قليل جدا من الأبحاث تفحص تأثير استخدام أدوات الواقع الافتراضي أو الذكاء الاصطناعي التوليد على سلوك المتعلمين أو مسارات التعليم أو اتخاذ القرار في البيئات السريرية. نقص الدراسات حول التأثيرات اللاحقة يحد من المعرفة بالجوانب الإيجابية والممكنة غير المقصودة لهذه التقنيات36.

في الختام، تعد تقنيات الواقع الافتراضي والذكاء الاصطناعي المولد واعدة في توفير طرق جديدة لتقييم التفكير السريري، لكن قاعدة الأدلة الحالية غير كافية لتطبيقها في المواقف عالية المخاطر. في جميع المجالات، سيضمن تعزيز الصلاحية الخطوة التالية: تحويل هذه الأدوات من الاستخدام التجريبي إلى عناصر فعالة في تقييم تعليم الأورام. يلخص الجدول 2 أدلة الصلاحية للواقع الافتراضي والذكاء الاصطناعي المولد عبر أربعة مجالات—المحتوى، البنية الداخلية، العلاقات مع متغيرات أخرى، والنتائج—مع تسليط الضوء على القيود الرئيسية، بما في ذلك التصاميم التي يقودها الخبراء، واختبارات الموثوقية المحدودة، والدراسات المقارنة المتناثرة، وغياب بيانات النتائج طويلة الأمد.

مجال الصلاحيةأدلة الواقع الافتراضيأدلة الذكاء الاصطناعي المولدقيود المفتاح
المحتوىسترونغمعتدليقودها الخبراء في الغالب
الهيكل الداخليمحدودمحدودنقص اختبار الموثوقية
العلاقات مع متغيرات أخرىمتفرقةمتفرقةبعض الدراسات المقارنة
العواقبالحد الأدنىالحد الأدنىلا توجد نتائج طويلة الأمد

الجدول 2: أدلة الصلاحية عبر التقنيات. يعرض هذا الجدول أدلة صحة الواقع الافتراضي والذكاء الاصطناعي التوليدي في تقييم التفكير السريري عبر المحتوى، البنية الداخلية، العلاقات مع المتغيرات الأخرى، ومجالات النتائج 

النتائج التعليمية والحذر التفسيري
وقد قوبل الاعتماد المتزايد للواقع الافتراضي (VR) والذكاء الاصطناعي التوليدي (GenAI) في تعليم الأورام بالأدبيات التي توثق النتائج الإيجابية العامة في التعليم. هذه تشمل تحسين تفاعل المتعلمين، والتحفيز، وواقعية بيئات التعلم، والقدرة على تلقي تغذية راجعة فورية وشخصية 37,38,39. تشير هذه النتائج إلى أن هذه التقنيات تحمل وعدا في إثراء التجارب التعليمية ودعم تطوير مهارات التفكير السريري.

نسبة كبيرة من النتائج المبلغ عنها هي من المبلغ عنها ذاتيا مثل رضا المتعلم، أو الثقة المدركة، أو التقييم الذاتي للتعلم. على الرغم من أن هذه المؤشرات تقدم معلومات ثاقبة حول تجربة المستخدم، إلا أنها ليست دائما مرتبطة بأي منطق سريري ملموس أو تحسينات في الأداء السريري40. في حالة التقارير الموضوعية، يميلون إلى التركيز على نتائج الأداء على المنصة التقنية نفسها. على الرغم من أن هذه النتائج قد تشير إلى أن الأداة قد تم التعامل معها بنجاح، إلا أنها لا تحدد ما إذا كان يمكن ترجمة هذا التفاعل إلى كفاءة عامة في التفكير السريري. يمكن ربط المكاسب التي تتحقق في البيئات المسيطر عليها أو المحاكاة بالألفة مع النظام بدلا من النمو المعرفي أو السلوكي الحقيقي53. القيد الآخر مرتبط بالخصائص المنهجية للدراسات القائمة. تتضمن معظم الأدبيات دراسات صغيرة النطاق في مؤسسة واحدة، ذات أحجام عينات محدودة وفترات تدخل قصيرة. تقلل هذه القيود من القوة الإحصائية وتقيد تعميم النتائج على نطاق واسع من البيئات التعليمية33.

مشكلة قابلية النقل تثير قلقا خاصا في تعليم السرطان. التفكير السريري الأورام هو عملية اتخاذ قرارات معقدة وطولية تحدث ضمن إطار زمني وضمن سياقات سريرية. ومع ذلك، هناك نقص في الأدبيات حول ما إذا كانت المهارات المدربة في الواقع الافتراضي أو تدخلات الذكاء الاصطناعي المولد تبقى بعد سياق التعلم الفوري أم تؤثر على الممارسة السريرية الحقيقية. علاوة على ذلك، تميل الأدبيات إلى الجمع بين نتائج التدريب والتقييم. معظم تطبيقات الواقع الافتراضي والذكاء الاصطناعي التوليد تهدف بشكل أساسي إلى تسهيل التعلم كأداة تعليمية، لكن نجاحها ينظر إليه أحيانا كدليل على صحة التقييم. للتفسير بدقة، من المهم التمييز بين فوائد التعلم التكويني وفائدة التقييم الختامي42.

هناك أيضا أسباب معرفية تجعل تفسير النتائج التعليمية أكثر تعقيدا. تقدم التقنيات المتقدمة مجموعة من الأحمال المعرفية، وقد تؤثر على أداء المتعلمين. على سبيل المثال، يمكن أن تحمل أنظمة الواقع الافتراضي الغامرة عبئا معرفيا زائدا من حيث التنقل، والتفاعل مع الواجهة، أو المعالجة الحسية. مع التصميم الصحيح ومعرفة المستخدم، قد تكون هذه العوامل إما تسهل أو تعيق التعلم36. تجربة المستخدم والخبرة السابقة مع التكنولوجيا هما أيضا عاملان. الطلاب الذين اعتادوا أكثر على واجهات الحاسوب أو الأنظمة المدعومة بالذكاء الاصطناعي يمكنهم الأداء بشكل أفضل، ليس بالضرورة لأن لديهم تفكيرا سريريا أكثر، بل بسبب تفاعلهم الأكثر سهولةمع النظام.

احتمال حدوث عواقب غير مقصودة هو عامل آخر يجب أخذه في الاعتبار. للتوضيح، الاعتماد المفرط على التغذية الراجعة المطورة بواسطة الذكاء الاصطناعي يمكن أن يقلل من فرص التفكير المنطقي أو التحليل النقدي. وبالمثل، يمكن لمواقف الواقع الافتراضي المصممة بشكل جيد أن تقيد اتخاذ القرار دون قصد من خلال تقليل عدد الإجراءات المحتملة. لا تحقق الأدبيات الحالية هذه التأثيرات بشكل موسع، لكنها تحمل تأثيرات كبيرة على تصميم التعليم44.

على الرغم من وجود هذه القيود، لا يمكن تجاهل الاتجاهات الإيجابية التي تم تسجيلها من حيث تفاعل المتعلم والتعلم التجريبي. بيئات التدريب الآمنة، والتغذية الراجعة الفورية، والقدرة على التعرض لمواقف معقدة مرارا وتكرارا هي فوائد لتقنيات الواقع الافتراضي والذكاء الاصطناعي المولد. يمكن ربط هذه الخصائص بالنظريات التعليمية الحالية، مثل التعلم التجريبي والممارسة المتعمدة، التي تعطي الأولوية للتعلم النشط والتعزيز المستمر45.

بشكل عام، على الرغم من أن تقنيات الواقع الافتراضي والذكاء الاصطناعي المولد تظهر وعدا كبيرا بتحويل تعليم الأورام، إلا أن قاعدة الأدلة محدودة حاليا في المنهجية والتفسير. لذا فإن الموقف النقدي والحذر ضروري لمنع تعميم النتائج بشكل مفرط ولضمان أن الادعاءات حول فعالية التعليم لديها أدلة تجريبية قوية.

الاعتبارات المعرفية والأخلاقية والتنظيمية
من الناحية المعرفية، قد يكون لتطوير هذه التقنيات وتطبيقها تأثير كبير على كيفية إدراك المتعلمين للمعلومات وممارستهم للاستدلال السريري. تقدم نظرية الحمل المعرفي إطارا عمليا لفهم هذه التأثيرات مع ثلاثة أنواع من الأحمال المعرية وهي: الحمل المعرفي الداخلي، والخارجي، والمرتبط بالحمل المعرفي43. على الرغم من أن بيئات الواقع الافتراضي غامرة وجذابة، إلا أنها قد تضع عبئا معرفيا زائدا كبيرا على المستخدمين، مما يتطلب التنقل، والتحفيز الحسي، وتعقيد الواجهة. ما لم يتم التخطيط لها جيدا، قد تنقل هذه العوامل الموارد الإدراكية إلى مجالات أخرى غير عمليات التفكير الأساسية، مما يلغي أداء التعلم والتقييم38.

بنفس الطريقة، تقدم أنظمة الذكاء الاصطناعي التوليد تحديات معرفية جديدة فيما يتعلق بعرض المعلومات وديناميكيات التفاعل. مثال على ذلك أن التغذية الراجعة المفرطة أو المتكررة التي تنتجها أنظمة الذكاء الاصطناعي يمكن أن تؤدي إلى زيادة في المعلومات، مما يعيق التعلم الناجح. من ناحية أخرى، يمكن للتغذية الراجعة التكيفية المصممة بشكل صحيح أن تعزز الحمل المعرفي المرتبط من خلال تكوين المخططات والتفكير التأملي46. لذا فإن التوازن بين الإرشاد والاستقلالية المعرفية أمر بالغ الأهمية، حيث أن الاعتماد المفرط على الاستجابات التي يولدها الذكاء الاصطناعي قد يقلل من فرص حل المشكلات المستقلة والتفكير النقدي.
كما يتم التوسط في الانخراط المعرفي مع هذه التقنيات من خلال معرفة المستخدمين والثقافة الرقمية44.

الأخلاقيات أيضا جانب رئيسي في تطبيق الواقع الافتراضي والذكاء الاصطناعي التوليدي في تقييم التعليم. من أبرز القضايا مفهوم التحيز الخوارزمي في الأنظمة القائمة على الذكاء الاصطناعي. نماذج التعلم الآلي، مثل نماذج اللغة الكبيرة، تدرب على كميات كبيرة من البيانات قد تكون متحيزة لصالح المعايير الاجتماعية أو الثقافية أو المهنية القائمة. وبالتالي، يمكن أن تؤدي نتائج التقييم إلى تمييز غير مرغوب فيه ضد مجموعات محددة من المتعلمين، ويطرح التشكيك في العدالة والإنصاف35. قضايا أخلاقية أخرى هي الشفافية وقابلية التفسير. معظم أنظمة الذكاء الاصطناعي المولد عبارة عن صناديق سوداء، دون أوصاف صريحة لعملية اتخاذ القرار. قد يؤدي هذا التفسير في التقييمات إلى نقص في الثقة بين المتعلمين والمعلمين، خاصة عندما يكون للنتيجة النهائية تداعيات أكاديمية خطيرة34.

أمان وخصوصية البيانات أيضا عامل مهم يجب أخذه في الاعتبار، حيث أن البيانات التعليمية وربما السريرية حساسة. يمكن استخدام الواقع الافتراضي لتسجيل بيانات سلوكية مفصلة، بينما يمكن لمنصات الذكاء الاصطناعي التوليد التعامل مع كميات كبيرة من البيانات النصية. للحفاظ على المعايير الأخلاقية والثقة في المؤسسة، من المهم التأكد من اتباع قواعد حماية البيانات وحماية معلومات المستخدمين47.

بالإضافة إلى القضايا الفردية، تعتبر القضايا التنظيمية حاسمة في تبني هذه التقنيات بنجاح. يجب أن يكون تطبيق الواقع الافتراضي والذكاء الاصطناعي المولد في تعليم الأورام متوافقا مع أهداف المؤسسات، والوصول إلى الموارد، وأطر الحوكمة الداعمة. نموذج التكنولوجيا-المنظمة-البيئة (TOE) هو أداة قيمة لفحص هذه العوامل والتركيز على تفاعل الاستعداد التكنولوجي، والقدرات التنظيمية، وتأثير البيئة الخارجية48.

تشمل الجاهزية التنظيمية كفاءة أعضاء هيئة التدريس، والتدريب، وقبول التقنيات الجديدة. يمكن أن يكون المقاومة المحتملة للتبني مرتبطة بالمخاوف من الموثوقية، أو عبء العمل، أو ببساطة عدم الإلمام بالأنظمة التي تعتمد على الذكاء الاصطناعي. يمكن التغلب على هذه القيود من خلال برامج تطوير أعضاء هيئة التدريس المركزة ومن خلال وجود قواعد صريحة حول كيفية استخدام التكنولوجيا في التقييم49.

يركز نهج جديد في هذا المجال على فكرة الاستقلالية المستنيرة، حيث يتم إنشاء أنظمة الذكاء الاصطناعي لمساعدة الحكم البشري وليس لبدله. تقترح هذه الطريقة مزيجا متناغما بين التحليلات الآلية والتحكم البشري حيث تحسن التكنولوجيا اتخاذ القرار دون التدخل في المساءلةأو الاحترافية. في سياق تقييم التفكير السريري، قد يشمل ذلك دمج الرؤى التي يولدها الذكاء الاصطناعي مع تقييم الخبراء لتحقيق عملية تقييم أكثر شمولا وموثوقية.

بشكل عام، يتضمن إدخال الواقع الافتراضي والذكاء الاصطناعي التوليد إلى تعليم الأورام أكثر من مجرد ابتكار تقني؛ كما يستكشف الجوانب المعرفية والأخلاقية والتنظيمية المعقدة. تعد هذه الاعتبارات حاسمة لضمان تعظيم قيمة تعليمية لهذه التقنيات وتقليل المخاطر. ستكون استراتيجية متعددة التخصصات تأخذ في الاعتبار التصميم المرتكز على المستخدم، والاهتمامات الأخلاقية، والاستعداد المؤسسي أمرا بالغ الأهمية لتطوير الاستخدام المسؤول للتكنولوجيا في تقييم التفكير السريري. الشكل 3 إطار التكنولوجيا-التنظيم-البيئة (TOE) الذي يحدد العوامل التنفيذية الرئيسية لدمج الواقع الافتراضي والذكاء الاصطناعي التوليدي في تعليم الأورام. يتطلب التبني الناجح التوافق عبر قدرات النظام، والدعم التنظيمي، والظروف البيئية الخارجية.

figure-protocol-2
الشكل 3: إطار التكنولوجيا-التنظيم-البيئة (TOE) لتطبيق الواقع الافتراضي والذكاء الاصطناعي المولد في تعليم الأورام. تطبيق إطار التكنولوجيا-التنظيم-البيئة (TOE) على دمج الواقع الافتراضي والذكاء الاصطناعي التوليد في تعليم الأورام، مع تسليط الضوء على العوامل الرئيسية عبر قدرة النظام، والقيادة والمنهج، بالإضافة إلى الاعتبارات التنظيمية والتمويل والثقافية لتحقيق التنفيذ الناجح. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الاستنتاجات

الاستدلال السريري في علم الأورام هو قضية متزايدة وصعبة، لطالما كانت جانبا معقدا وديناميكيا وعالي المخاطر ومرتبطا بالسياق في اتخاذ القرار السرطاني. ناقشت هذه المراجعة الوظائف الجديدة للواقع الافتراضي (VR) والذكاء الاصطناعي التوليدي (GenAI) كحلول مبتكرة لقيود تقنيات التقييم التقليدية. عند جمع الأدلة مجتمعة، تشير الأدلة إلى أن هذه التقنيات تقدم مزايا غير متداخلة لكنها لم تحقق بعد التجزئة المفاهيمية، أو تتغلب على القيود المنهجية، أو تحقق تحققا جزئيا.

توفر الأنظمة ...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

شكر وتقدير

التمويل: صندوق: مشروع أبحاث عام (فئة العلوم الطبيعية) تابع لإدارة التعليم في مقاطعة تشجيانغ (منحة رقم Y202558353).

الصندوق: مشروع بحثي حول التعليم العالي مشروع خاص: الذكاء الاصطناعي يمكن التعليم وتطبيقات التدريس (KT2025426)

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المراجع

  1. Shimizu, H., Nakayama, K. I. Artificial intelligence in oncology. Cancer Sci. 111 (5), 1452-1460 (2020).
  2. Ginsburg, K. B., Curtis, G. L., Timar, R. E., George, A. K., Cher, M. L. Delayed radical prostatectomy is not associated with adverse oncologic outcomes: implications for men experiencing surgical delay due to the COVID-19 pandemic. J Urol. 204 (4), 720-725 (2020).
  3. Egbuna, I., Olatokun, T., Ozo-Ogueji, P., Ekechi, C., Akinbo, O., et al. Revolutionizing cancer surgery: Harnessing artificial intelligence and augmented reality for next-generation precision oncology. Int J Life Sci Res Arch. 9 (1), 147-176 (2025).
  4. Sminia, P., et al. Clinical radiobiology for radiation oncology. Radiobiology textbook. , (2023).
  5. Wood, E. A., Ange, B. L., Miller, D. D. Are we ready to integrate artificial intelligence literacy into medical school curriculum? Students and faculty survey. J Med Educ Curric Dev. 8, 23821205211024078 (2021).
  6. Kok, D. L., Dushyanthen, S., Peters, G., Sapkaroski, D., Barrett, M., et al. Virtual reality and augmented reality in radiation oncology education: A review and expert commentary. Tech Innov Patient Support Radiat Oncol. 24, 25-31 (2022).
  7. Rahimi, F., Sadeghi-Niaraki, A., Choi, S. M. Generative AI meets virtual reality: A comprehensive survey on applications, challenges, and future directions. IEEE Access. 13, 1-20 (2025).
  8. von Ende, E., Ryan, S., Crain, M. A., Makary, M. S. Artificial intelligence, augmented reality, and virtual reality advances and applications in interventional radiology. Diagnostics (Basel). 13 (5), 892 (2023).
  9. Esmail, S., Concannon, B. Immersive virtual reality and AI (generative pretrained transformer) to enhance student preparedness for objective structured clinical examinations: Mixed methods study. JMIR Serious Games. 13, e69428 (2025).
  10. Gilson, A., Safranek, C. W., Huang, T., Socrates, V., Chi, L., et al. How does ChatGPT perform on the United States Medical Licensing Examination (USMLE)? The implications of large language models for medical education and knowledge assessment. JMIR Med Educ. 9 (1), e45312 (2023).
  11. Kung, T. H., Cheatham, M., Medenilla, A., Sillos, C., De Leon, L., et al. Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models. PLoS Digit Health. 2 (2), e0000198 (2023).
  12. Xu, L., Sanders, L., Li, K., Chow, J. C. Chatbot for health care and oncology applications using artificial intelligence and machine learning: Systematic review. JMIR Cancer. 7 (4), e27850 (2021).
  13. Pottle, J. Virtual reality and the transformation of medical education. Future Healthc J. 6 (3), 181-185 (2019).
  14. Farina, E., Nabhen, J. J., Dacoregio, M. I., Batalini, F., Moraes, F. Y. An overview of artificial intelligence in oncology. Future Sci OA. 8 (4), FSO787 (2022).
  15. Hamilton, A. Artificial intelligence and healthcare simulation: The shifting landscape of medical education. Cureus. 16 (5), e00000 (2024).
  16. Siddiqui, F. M., Jabeen, S., Alwazzan, A., Vacca, S., Dalal, L., et al. Integration of augmented reality, virtual reality, and extended reality in healthcare and medical education: A systematic review. J Med Educ Curric Dev. 12, 23821205251342315 (2025).
  17. Wang, S., Zhang, H. Industrial information integration through autonomous AI agents: Paradoxical effects on transparency, dehumanization, and responsible operations. J Ind Inf Integr. 51, 101089 (2026).
  18. Tortora, A., Amaro, I., Della Greca, A., Barra, P. Exploring the role of generative artificial intelligence in virtual reality: Opportunities and future perspectives. , 125-142 (2025).
  19. Wang, S., Zhang, H. Generative AI in international hotel marketing: Impacts on employee creativity and performance. Int J Contemp Hosp Manag. 37 (8), 2601-2626 (2025).
  20. Christensen, N., Jones, M. A., Rivett, D. A., Jones, M. A., Rivett, D. A. Strategies to facilitate clinical reasoning development. Clinical reasoning in musculoskeletal practice. , 562-582 (2019).
  21. Cook, D. A., Sherbino, J., Durning, S. J. Management reasoning: Beyond the diagnosis. JAMA. 319 (22), 2267-2268 (2018).
  22. Croskerry, P. A universal model of diagnostic reasoning. Acad Med. 84 (8), 1022-1028 (2009).
  23. Norman, G. Research in clinical reasoning: Past history and current trends. Med Educ. 39 (4), 418-427 (2005).
  24. Topol, E. J. High-performance medicine: The convergence of human and artificial intelligence. Nat Med. 25 (1), 44-56 (2019).
  25. Durning, S. J., Artino, A. R., Pangaro, L. N., van der Vleuten, C., Schuwirth, L. Redefining context in the clinical encounter: Implications for research and training in medical education. Acad Med. 85 (5), 894-901 (2010).
  26. Bickmore, T. W., Giorgino, T. Health dialog systems for patients and consumers. J Biomed Inform. 39 (5), 556-571 (2006).
  27. Messick, S. Validity. educational measurement. , 13-103 (1989).
  28. Cook, D. A., Beckman, T. J. Current concepts in validity and reliability for psychometric instruments: Theory and application. Am J Med. 119 (2), 166.e7-166.e16 (2006).
  29. Downing, S. M. Validity: On meaningful interpretation of assessment data. Med Educ. 37 (9), 830-837 (2003).
  30. Artino, A. R., La Rochelle, J. S., Dezee, K. J., Gehlbach, H. Developing questionnaires for educational research: AMEE Guide No. 87. Med Teach. 36 (6), 463-474 (2014).
  31. Gwet, K. L. . Handbook of inter-rater reliability. , (2021).
  32. Norcini, J., Anderson, M. B., Bollela, V., Burch, V., Costa, M. J., et al. Criteria for good assessment: Consensus statement and recommendations from the Ottawa 2010 Conference. Med Teach. 33 (3), 206-214 (2011).
  33. Cook, D. A., Hatala, R., Brydges, R., Zendejas, B., Szostek, J. H., et al. Technology-enhanced simulation for health professions education: A systematic review and meta-analysis. JAMA. 306 (9), 978-988 (2011).
  34. Topol, E. J. . Deep medicine: How artificial intelligence can make healthcare human again. , (2019).
  35. Obermeyer, Z., Powers, B., Vogeli, C., Mullainathan, S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 366 (6464), 447-453 (2019).
  36. van der Vleuten, C. P. M., Schuwirth, L. W. T. Assessing professional competence: From methods to programmes. Med Educ. 39 (3), 309-317 (2005).
  37. Radianti, J., Majchrzak, T. A., Fromm, J., Wohlgenannt, I. A systematic review of immersive virtual reality applications for higher education: Design elements, lessons learned, and research agenda. Comput Educ. 147, 103778 (2020).
  38. Makransky, G., Petersen, G. B. Immersive virtual reality and learning: A meta-analysis. Educ Psychol Rev. 31 (4), 915-943 (2019).
  39. Luckin, R., Holmes, W., Griffiths, M., Forcier, L. B. . Intelligence unleashed: An argument for AI in education. , (2016).
  40. Sitzmann, T., Ely, K., Brown, K. G., Bauer, K. N. Self-assessment of knowledge: A cognitive learning or affective measure?. Acad Manag Learn Educ. 9 (2), 169-191 (2010).
  41. Reeves, S., Fletcher, S., Barr, H., Birch, I., Boet, S., et al. A BEME systematic review of the effects of interprofessional education. Med Teach. 38 (7), 656-668 (2016).
  42. Issenberg, S. B., McGaghie, W. C., Petrusa, E. R., Lee Gordon, D., Scalese, R. J. Features and uses of high-fidelity medical simulations that lead to effective learning: A meta-analysis. Med Teach. 27 (1), 10-28 (2005).
  43. Sweller, J. Cognitive load theory. Psychol Learn Motiv. 55, 37-76 (2011).
  44. Liaw, S. S., Huang, H. M. Perceived satisfaction, perceived usefulness and interactive learning environments as predictors to self-regulation in e-learning environments. Comput Educ. 60 (1), 14-24 (2013).
  45. Carr, S. AI gone wild: Implications of artificial intelligence for education. Educ Technol. 60 (2), 3-10 (2020).
  46. Wang, S., Sun, Z. Roles of artificial intelligence experience, information redundancy, and familiarity in shaping active learning. Educ Inf Technol. 30 (2), 2525-2546 (2025).
  47. European Parliament and Council. General Data Protection Regulation (GDPR). Off J Eur Union. L119, 1-88 (2016).
  48. Tornatzky, L. G., Fleischer, M. . The processes of technological innovation. , (1990).
  49. Rogers, E. M. . Diffusion of innovations. , (2003).
  50. Floridi, L., Cowls, J. A unified framework of five principles for AI in society. Harv Data Sci Rev. 1 (1), 1-15 (2019).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

الوسوم

اتصل بنا
أوصِ بها للمكتبة

الخصوصية

شروط الاستخدام

السياسات

2026 © حقوق الطبع والنشر MyJoVE Corporation. جميع الحقوق محفوظة.