Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Übersichtsartikel

Die Landschaft der virtuellen Realität und generativer KI in der Onkologie-Ausbildung: Ein umfassender Überblick über Assessment-Tools für klinische Schlussfolgerung

159 Ansichten

⸱

DOI:

10.3791/70722

⸱

15. Mai 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

In diesem Artikel

Zusammenfassung

Diese Scoping-Übersicht zeigt, dass VR und GenAI neue Möglichkeiten bieten, klinisches Denken in der Onkologieausbildung zu bewerten. Beide erfordern jedoch robustere Validierung und ethische Rahmenbedingungen, bevor sie eine breite Nutzung im Bildungsbereich erreichen, da die aktuellen Erkenntnisse noch vorläufig sind.

Zusammenfassung

Onkologie ist ein Umfeld, in dem klinisches Denken eine grundlegende Kompetenz ist, die die Synthese komplexer klinischer Informationen in einem hochriskanten Umfeld erfordert. Konventionelle Bewertungsmethoden wie schriftliche Tests, Objective Structured Clinical Examinations (OSCEs) und arbeitsplatzbasierte Bewertungen bieten wertvolles Wissen, spiegeln aber dennoch nicht die dynamische und iterative Qualität des klinischen Denkens wider. Neue Möglichkeiten, diese Einschränkungen zu überwinden, bieten neue digitale Technologien, insbesondere Virtual Reality (VR) und Generative Künstliche Intelligenz (GenKI). VR ermöglicht simulationsbasierte Umgebungen, die immersiv sein können und die die Bewertung prozeduraler und situativer Argumentationsfaktoren auf Basis beobachtbarer klinischer Handlungen ermöglichen. GenAI wiederum bietet eine dialogbasiertere Interaktion, die es ermöglicht, kognitive und analytische Prozesse, einschließlich wichtiger kognitiver Prozesse, zu bewerten. Die Literatur zeigt, dass diese Technologien komplementäre Vorteile haben, aber konzeptionell getrennt sind. VR zeichnet hauptsächlich Verhaltensleistungen auf, aber GenKI legt Wert auf kognitive Prozesse, und die beiden sind nicht so integriert. Darüber hinaus ist die derzeitige Evidenzbasis durch methodologische Heterogenität, Abhängigkeit von Vorforschung und fehlende Validitätsbelege gekennzeichnet, insbesondere hinsichtlich Zuverlässigkeit und realer Auswirkung. Weitere zu berücksichtigende Faktoren sind die Auswirkungen der kognitiven Belastung, Nutzervariabilität und ethische Fragen, z. B. algorithmische Verzerrung und Transparenz. Die Machbarkeit der Umsetzung wird zudem von organisatorischen Faktoren wie Infrastruktur und institutioneller Bereitschaft beeinflusst. Im Allgemeinen sind VR und GenAI ermutigend, entwickeln aber gleichzeitig Methoden zur Bewertung des klinischen Denkens in der Onkologie. In Zukunft wird die Entwicklung des Fachgebiets kohärente Bewertungsrahmen, rigorose Validierung und klare ethische Strukturen erfordern.

Einleitung

Klinisches Denken, die kognitiven und metakognitiven Prozesse, die Diagnose und Behandlung zugrunde liegen, bilden das Fundament einer sicheren und effektiven Onkologiepraxis1. Im Kontext der Onkologie ist es ein besonders komplexer Prozess, da Kliniker probabilistische Entscheidungen angesichts von Unsicherheiten navigieren, schnell wechselnde Therapiebelege zusammenfassen und an multidisziplinären Diskussionen in Tumorboards teilnehmen müssen. Darüber hinaus müssen Onkologen ein Gleichgewicht zwischen biomedizinischem und patientenzentriertem Denken finden, einschließlich der Bescheid zu Patienten über ihre schlechten Prognosen, der Umgang mit ethischen Fragen und der Anpassung der Behandlungspläne an die sich verändernden Krankheitsverläufe 2,3. Diese vielschichtigen Anforderungen machen die Entwicklung und Bewertung des klinischen Denkens in der Onkologieausbildung besonders wichtig. Traditionell wurde klinisches Denken anhand schriftlicher Prüfungen, objektiver strukturierter klinischer Prüfungen (OSCEs) und arbeitsbasierter Bewertungen wie der Mini-Clinical Evaluation Exercise (Mini-CEX)4 bewertet. Obwohl solche Methoden Hintergrundinformationen über die Kompetenz des Lernenden bieten können, haben sie erhebliche Nachteile. Schriftliche Tests neigen eher zur Anwendung statischen Wissens statt von dynamischen Prozessen; OSZEs sind ressourcenintensiv und könnten ökologisch ungültig sein; sowie arbeitsplatzbasierte Tests sind meist episodisch, subjektiv und anfällig für kontextuelle Verzerrungen. All diese Einschränkungen zusammen machen es schwierig, den iterativen, kontextabhängigen und longitudinalen Charakter des klinischen Denkens zu studieren, insbesondere in Fachrichtungen mit hohem Einsatz und kognitiver Belastung, wie Onkologie5. Zusammen behindern diese Einschränkungen die Fähigkeit, die iterative, kontextabhängige und longitudinale Natur des klinischen Denkens zu erfassen, insbesondere in anspruchsvollen und kognitiv anspruchsvollen Fachrichtungen wie Onkologie6.

Neue Entwicklungen in den digitalen Technologien in jüngerer Zeit bieten gute Möglichkeiten, diese Herausforderungen zu meistern. Zwei davon sind Virtual Reality (VR) und Generative Künstliche Intelligenz (GenAI), die zu mächtigen Werkzeugen für medizinische Ausbildung geworden sind. VR bietet simulationsbasierte Umgebungen, die immersiv, sehr räumlich und kontextabhängig sind und das komplexe klinische Szenario nachbilden. In der Onkologieausbildung können diese Simulationen Szenarien wie onkologische Notfälle, Komplikationen während der Chemotherapie und sensible Patienteninteraktionen simulieren und es den Lernenden ermöglichen, Entscheidungsfindung erfahrungsbasiert in einem sicheren und kontrollierten Umfeldzu üben 7,8,9. Wichtig ist, dass VR-Systeme detaillierte Verhaltensdaten – wie Aktionssequenzen, Timing und Entscheidungswege – erfassen können, wodurch die Bewertung prozeduraler und situativer Dimensionen des klinischen Denkens ermöglicht wird.

Gleichzeitig haben GenAI, insbesondere große Sprachmodelle (LLMs), neue Möglichkeiten eröffnet, die kognitive Architektur des Denkens zu evaluieren. GenKI-Systeme haben die Fähigkeit, mit Lernenden über natürliche Sprache zu interagieren, um sie in adaptive, dialogbasierte Settings einzubinden, die die Generierung von Hypothesen, die Bildung von Differenzialdiagnosen und die Rechtfertigung des Managements abfragen. Diese Systeme können die Antworten von Lernenden auf Basis von Techniken der natürlichen Sprachverarbeitung untersuchen, die eine potenziell personalisierte und skalierbare Bewertung von Schlussfolgerungsprozessen bieten, die zuvor schwer objektiv zu messen waren 10,11,12.

Darüber hinaus ist die bestehende Literatur methodisch zersplittert und heterogen. Ein Großteil der vorhandenen Evidenz basiert auf Pilotstudien, technischen Berichten oder Anwendungen, die hauptsächlich auf Ausbildung und nicht auf eine tatsächliche Bewertung abzielen. Daher basieren die meisten Argumente über die Bewertungsfähigkeiten von VR und GenAI auf technologischer Funktionalität und nicht auf strenger empirischer Validierung. Die berichtete Validitätsbelege sind vielfältig, wobei die Inhaltsvalidität überwiegend berichtet wird und sich nur minimale Bezugnahme auf interne Struktur, Zuverlässigkeit oder Korrelationen mit bereits etablierten Bewertungsmaßen beziehen.

Diese Einschränkungen werden durch neue Probleme bezüglich Benutzerfreundlichkeit, kognitiver Belastung und ethischer Fragen weiter verschärft. Als Beispiel bieten GenAI-Systeme eine interaktive, skalierbare Lösung; Allerdings können Probleme wie Informationsredundanz, Systemreaktionsvariabilität und Vertrautheit des Benutzers die Interaktion und Leistung der Lernenden beeinflussen. Ebenso kann der Mangel an Transparenz, Fairness und Verantwortlichkeit in den Bewertungsszenarien als Problem der Black-Box-Natur der KI-gesteuerten Bewertung betrachtet werden. Implementierungstechnisch benötigen VR-Systeme eine enorme Infrastrukturinvestition, während die Einführung von GenAI auf institutioneller Bereitschaft, Governance und Ausrichtung an den Bildungszielen basiert. Diese Faktoren unterstreichen die Bedeutung eines konzeptuellen und organisatorischeren Rahmens bei der Bewertung, wie solche Technologien in die onkologische Ausbildung integriert werden können.

In diesem Zusammenhang wird diese Übersicht eine tiefgehende narrative Zusammenfassung der aktuellen Literatur zu VR und GenAI in der Onkologieausbildung bieten, mit besonderem Interesse an deren Anwendung bei der Bewertung klinischer Argumentation. Insbesondere zielt es darauf ab, (1) technologische Entwürfe und Implementierungskontexte dieser Werkzeuge zu beschreiben; (2) Überprüfung der Evidenz für die berichtete Validität und Bildungsergebnisse; und (3) die Hauptherausforderungen skizzieren, wie kognitive, ethische und organisatorische Anliegen sowie die zukünftigen Forschungs- und Praxisrichtungen. Große wissenschaftliche Datenbanken wurden systematisch durchsucht, um relevante Literatur zu finden, doch wie es bei Übersichtsartikeln üblich ist, konzentriert sich dieses Papier auf Interpretation, Synthese und nicht auf prozedurale Berichterstattung.

Abbildung 1 : Integriertes Modell, das eine VR-basierte Bewertung klinischer Handlungen mit der GenAI-basierten Bewertung der klinischen Kognition kombiniert. Dieser doppelte Ansatz erfasst sowohl verhaltensbezogene als auch analytische Dimensionen des klinischen Denkens für umfassende Bewertung und Rückmeldung.

figure-introduction-1
Abbildung 1: Integriertes Modell der klinischen Schlussfolgerungsbewertung mit VR und GenAI. Diese Abbildung zeigt ein integriertes Modell, das Virtual Reality (VR) zur Bewertung handlungsbasierter klinischer Argumentation (z. B. Arbeitsablauf, Verfahren, Teamarbeit) mit Generative KI (GenAI) zur Bewertung kognitiver und dialogischer Argumentation (z. B. Diagnose, Rechtfertigung, Reflexion) kombiniert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Überprüfung und Perspektive

Technologietypologie und Implementierung
Die bestehende Situation im Bereich der digitalen Technologien der Evaluation des klinischen Denkens in der Onkologieausbildung ist durch zwei Paradigmen digitaler Technologien gekennzeichnet. Aktuelle Ansätze basieren auf VR- und GenKI-basierten Systemen. Obwohl beide Methoden darauf abzielen, die Bewertung komplexer klinischer Kompetenzen zu verbessern, weisen sie erhebliche Unterschiede hinsichtlich technologischer Grundlagen, Interaktion und Bewertungslogikauf. Diese Systeme versetzen die Lernenden in realistische onkologische Umgebungen, sei es in einer ambulanten Konsultation, stationärer Behandlung onkologischer Notfälle oder in einem multidisziplinären Entscheidungskontext mit kopfmontierten Displays und interaktiven Schnittstellen6.

Ein Vorteil von VR-Systemen ist, dass sie granulare Verhaltensdaten mithilfe von eingebetteten Analysen erfassen können. Diese Daten umfassen eine Reihe von Maßnahmen, einen Entscheidungsplan, Navigation und die Einhaltung klinischer Richtlinien. Diese Maßnahmen ermöglichen es Lehrkräften, die prozeduralen Elemente des klinischen Denkens zu bewerten, wie Datenerhebung, Priorisierung diagnostischer Maßnahmen und Umsetzung von Managementpfaden15. Die Implementierung von VR-basierten Bewertungstools geht jedoch mit erheblichen infrastrukturellen und logistischen Herausforderungen einher. Hohe Anfangskosten im Zusammenhang mit Hardware-Beschaffung, Softwareentwicklung und Wartung können die Zugänglichkeit einschränken, insbesondere in ressourcenbegrenzenden Umgebungen16. Zusätzlich erschwert der Bedarf an speziellem physischem Raum, technischer Unterstützung und Schulungen der Fakultät den großflächigen Einsatz zusätzlich. Diese Einschränkungen schränken VR-Anwendungen oft auf spezialisierte Simulationszentren ein, was ihre Skalierbarkeit und weitverbreitete Integration in die Onkologie-Lehrpläne einschränkt.

Im Gegensatz dazu werden GenAI-basierte Werkzeuge über natürliche Sprachinteraktion betrieben und bieten so eine neue Bewertungsmethode. Entwickelt auf Basis großer Sprachmodellarchitekturen, beziehen sie Lernende in interaktive, text- oder sprachbasierte Gespräche ein, die klinische Denkmechanismen nachahmen. Die Lernenden werden ermutigt, die Differenzialdiagnosen, die Begründung hinter Managemententscheidungen zu beschreiben und die sich verändernden klinischen Situationen zu beantworten, wobei das System formatives Feedback und Bewertung10,11 bietet.

Der Hauptvorteil von GenAI-Systemen ist, dass sie die kognitiven und analytischen Aspekte des klinischen Denkens bewerten können. Diese Werkzeuge können die Struktur, Kohärenz und Tiefe des Denkens eines Lernenden bewerten, indem sie die Sprachausgabe betrachten und über die Korrektheit hinausgehen, um qualitative Informationen über den Denkprozess zu erhalten. Darüber hinaus bieten GenAI-Lösungen erhebliche Vorteile in Bezug auf Skalierbarkeit und Zugänglichkeit. Sie können auch in entfernten und asynchronen Lernkontexten implementiert werden, im Gegensatz zu VR-Systemen, die nur auf webbasierten Oberflächenumgesetzt werden können.

Trotz der Vorteile gibt es erhebliche Nachteile bei GenAI-basierten Bewertungstools. Die Abhängigkeit von natürlicher Sprachverarbeitung bringt Probleme in Bezug auf die Zuverlässigkeit der Bewertung, Interpretierbarkeit und Transparenz mit sich. Viele Systeme sind Black Boxes, das heißt, die Logik der Bewertungsentscheidung steht den Lehrkräften oder Lernenden nicht immer zur Verfügung17. Das Hauptthema, das in der Literatur deutlich wird, ist der intrinsische Kompromiss zwischen ökologischer Validität und Skalierbarkeit zwischen den beiden technologischen Paradigmen. VR-Systeme sind gut darin, realistische klinische Umgebungen nachzubilden und verkörperte Entscheidungsfindung einzufangen, sind jedoch ressourcenintensiv und daher in Bezug auf die Skalierbarkeit begrenzt. GenKI-Systeme hingegen können genutzt werden, um kognitive Prozesse skalierbar und dialogbasiert zu bewerten7.

Entscheidend ist, dass es an vorhandener Literatur mangelt, die integrierte oder hybride Plattformen umfasst, die die Vorteile von VR und GenAI in Einklang bringen. Diese Art der Integration kann die gleichzeitige Messung von prozeduraler Leistung und kognitivem Denken erleichtern, da die Natur der klinischen Entscheidungsfindungmiteinander verbunden ist. Aus Implementierungsperspektive sind technische Fähigkeiten nicht die einzigen Faktoren, die die Einführung von Technologien bestimmen; Auch organisatorische und ökologische Faktoren spielen eine Rolle. Modelle wie das Technologie-Organisation-Umwelt-(TOE)-Modell sind eine gute Perspektive, um diese Dynamiken zu erklären19.

Im Allgemeinen beleuchtet die Typologie von VR- und GenKI-Tools einen diskontinuierlichen, aber sich schnell entwickelnden Raum. Obwohl beide Technologien ihre einzigartigen Vorteile bei der Messung eines bestimmten Aspekts des klinischen Denkens haben, bietet ihre bestehende Trennung nicht die Möglichkeit, sie vollständig zu bewerten. Diese Lücke durch konzeptionelle Integration, technologische Innovation und kontextabhängige Implementierungsstrategien zu schließen, wird notwendig sein, um das Feld zu umfassenderen und effektiveren Bewertungsmodellen zu führen.

Klinische Schlussfolgerkonstrukte und iterative Bewertung
Klinisches Denken ist ein multidimensionales Konzept, das kognitive, metakognitive und verhaltensbezogene Prozesse umfasst, die diagnostische und therapeutische Entscheidungsfindung unterstützen. In der Onkologie verkomplizieren Unsicherheit, dynamische Evidenz und die Notwendigkeit interdisziplinärer Koordination diese Prozesse zusätzlich. Die Literatur konzeptualisiert klinisches Schließen zunehmend als ein Kontinuum, das die Informationsbeschaffung von Informationen, die Erstellung von Hypothesen, die Verfeinerung der Diagnose, den Entscheidungsprozess und die reflektierende Bewertungumfasst 20,21.

Die VR-basierten Systeme sind größtenteils konsistent mit der Bewertung der beobachtbaren und handlungsorientierten Aspekte des klinischen Denkens. Diese Plattformen setzen Lernende in simulierte klinische Umgebungen und ermöglichen es, zu testen, wie Menschen Wissen erwerben, sich auf diagnostische Prozesse konzentrieren und eine Reihe von Operationen durchführen. Sie konzentriert sich auf die Übersetzung von Denken in Handlung, wobei die klinischen Entscheidungen auf Interaktionsmustern in der simulierten Umgebung basieren22.

GenKI-basierte Systeme hingegen konzentrieren sich auf die Prozesse, bei denen interne kognitive Prozesse dem klinischen Denken zugrunde liegen und herausgefunden werden. Natürliche Sprachinteraktion ermutigt die Lernenden, unterschiedliche Diagnosen auszudrücken, klinische Managemententscheidungen zu rechtfertigen und klinische Unsicherheiten zu reflektieren. Solche Systeme bestimmen das Schließen, indem sie semantische Kohärenz, logische Struktur und Tiefe der Antworten des Lernenden messen, typischerweise durch Anwendung natürlicher Sprachverarbeitungsmethoden, um eine Annäherung an das Expertenurteil13,10 zu liefern.

Obwohl dies komplementäre Stärken sind, wurde eine Schwäche, die sich in der gesamten Literatur als am kritischsten erwiesen hat, die gegnerische Fragmentierung der Bewertung zwischen kognitiven und verhaltensbezogenen Bereichen. Eine praxisnahe Praxis des klinischen Denkens ist von Natur aus iterativ, was ständiges Feedback zwischen Denken und Handeln bedeutet. Dies ist ein zentraler zyklischer Prozess in einem effektiven klinischen Entscheidungsprozess, insbesondere in der Onkologie, bei dem sich die Bedingungen und Reaktionen der Patienten auf die Behandlung im Laufe der Zeit verändern11.

Diese dynamische Interaktion spiegelt sich oft nicht in aktuellen VR- und GenAI-Tools wider. VR-Systeme leiten im Allgemeinen das Schließen aus beobachtbarem Verhalten ab, ohne notwendigerweise die zugrunde liegenden mentalen Prozesse zu erreichen, während GenKI-Systeme artikuliertes Schließen außerhalb des Kontext klinischen Verhaltens analysieren. Folglich vermitteln beide Strategien voreingenommene Bilder klinischer Kompetenz und können das gesamte Spektrum der Schlussfolgerungsaktivitäten nicht ausreichend bewerten. Eine weitere bedeutende Schwäche ist die Nutzung automatisierter Analysen als Hauptbewertungsinstrument. In VR wird die Analyse von Logdateien verwendet, um das Verhalten der Nutzer zu verstehen, aber diese Messungen reichen möglicherweise nicht aus, um die Begründung hinter klinischen Entscheidungen zu verstehen. Ebenso wird algorithmische Sprachinterpretation häufig verwendet, um GenAI-Systeme zu bewerten, und könnte Sprachnuancen wie klinische Intuition, Unsicherheitshandhabung oder kontextspezifisches Denkenignorieren 23.

Darüber hinaus weist die Literatur auf das Fehlen standardisierter Methoden zur Abbildung von Technologieergebnissen auf bekannte Modelle des klinischen Denkens hin. Obwohl es Studien gibt, die VR implizit mit prozeduralem Denken und GenAI mit kognitivem Denken verbinden, stellen nur wenige Studien diese Werkzeuge im Kontext validierter theoretischer Konstrukte. Diese Diskrepanz schränkt die Möglichkeiten ein, Vergleiche mit den Ergebnissen anderer Studien anzustellen und eine konsistente Struktur der technologiegestützten Bewertungzu bilden 24.

Der Fokus zukünftiger Forschung in diesem Bereich sollte auf der Integration kognitiver und verhaltensbezogener Bewertungsmodalitäten liegen. Kombinations-Hybridsysteme Hybridsysteme, die immersive Simulation mit Echtzeit-KI-vermitteltem Dialog integrieren, können den iterativen Charakter des klinischen Denkens besser annehmen. Bei diesen kann das Verhalten der Lernenden in einer virtuellen Umgebung eine fragende Antwort eines KI-Agenten hervorrufen und so gleichzeitig beurteilen, was Lernende tun und warum sie es tun,25,26.

Insgesamt bieten VR- und GenAI-Technologien zwar nützliche Einblicke in spezifische Aspekte des klinischen Denkens, ihre Anwendung bleibt derzeit fragmentarisch. Die Integration von Konzepten, methodischer Strenge und technologischer Innovation wird notwendig sein, um dieser Fragmentierung entgegenzuwirken und umfassende, sinnvolle Bewertungsstrategien in der Onkologieausbildung zu entwickeln. Tabelle 1 hebt die wichtigsten Unterschiede zwischen Virtual Reality (VR) und Generative KI (GenAI) zur Bewertung klinischer Argumentation hervor, wobei deren jeweilige Fokuspunkte, Interaktionen, Stärken, Einschränkungen und Datenausgaben verglichen werden. Darüber hinaus veranschaulicht Abbildung 2 den iterativen klinischen Schlussfolgerungszyklus, der zeigt, wie VR Datenerhebung, -aktion und -reflexion unterstützt, während GenKI die Hypothesengenerierung, -verfeinerung und diagnostische Erklärung unterstützt. Gemeinsam ermöglichen sie einen kontinuierlichen Kreislauf fundierter Entscheidungsfindung und erfahrungsbasierten Lernens.

DimensionVirtuelle Realität (VR)Generative KI (GenAI)
Schwerpunkt der BewertungProzedural / VerhaltenKognitiv / analytisch
InteraktionsmodusImmersive SimulationDialogbasiert
StärkeHohe ökologische ValiditätHohe Skalierbarkeit
BegrenzungRessourcenintensivBegrenzte Transparenz
DatentypVerhaltensprotokolleNatürliche Sprachantworten

Tabelle 1: Vergleich von VR vs. GenAI in der klinischen Denkbewertung. Vergleich von Virtual Reality (VR) und Generative KI (GenAI) für die Bewertung des klinischen Denkens über Schlüsseldimensionen hinweg, einschließlich Bewertungsfokus, Interaktionsmodus, Stärken, Einschränkungen und Datentyp.

figure-protocol-1
Abbildung 2: Iterativer klinischer Schlussfolgerungszyklus: Beiträge von VR und GenAI. Der iterative klinische Schlussfolgerungszyklus veranschaulicht, wie VR Handlungen und Leistung während simulationsbasierter Aufgaben (Informationssammlung und Entscheidungsfindung) erfasst, während GenAI die Hypothesengenerierung, Differenzialdiagnose, Erklärung und Verfeinerung unterstützt, was zusammen kontinuierliche Reflexion und Lernen aus Erfahrungen ermöglicht. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Validitätsbelege und Messbeschränkungen
Die Entwicklung starker Validitätsbelege ist zentral für die Implementierung jedes Bewertungsinstruments, insbesondere in Bereichen mit hohem Einsatz wie der Onkologie-Ausbildung. Die moderne Konzeptualisierung der Validitätstheorie betrachtet Validität als ein einziges Konstrukt, das durch mehrere Beweisquellen gestützt wird, wie Inhalt, Reaktionsprozess, interne Struktur, Beziehungen zu anderen Variablen und Konsequenzen der Bewertung27,28.

Die Mehrheit der Studien konzentriert sich auf die Validität der Inhalte, was typischerweise durch Expertenüberprüfung klinischer Situationen, Aufgabendesign oder Bewertungskriterien nachgewiesen wird. Obwohl diese Methoden sicherstellen, dass das Bewertungsmaterial relevant und mit der onkologischen Praxis vereinbar ist, liefern sie wenig Informationen über die Fähigkeit der Werkzeuge, die zugrunde liegenden Konstrukte des klinischen Denkens zu messen. In den meisten Fällen gilt die Validierung des Inhalts als ausreichender Wirksamkeitsnachweis, obwohl strengere psychometrische Praktiken fehlen29.

Es gibt eine weniger konsistente Berichterstattung über die Validität des Reaktionsprozesses – also wie Lernende Bewertungsaktivitäten wahrnehmen und mit ihnen interagieren. Andere Studien nutzen Usability-Tests, Lernfeedback oder Think-Aloud-Protokolle, um zu suggerieren, dass die Teilnehmer auf die gewünschte Weise mit VR-Umgebungen oder GenAI-Systemen interagieren. Außerdem ist noch nicht klar, inwieweit diese Interaktionen wahre klinische Logik genau erfassen können, insbesondere in simulierten oder KI-vermittelten Szenarien30.

Eine der wichtigsten Einschränkungen sowohl für VR- als auch für GenAI-Modalitäten ist das Fehlen von internen Strukturbelegen. Zuverlässigkeitsmaße, einschließlich interner Konsistenz, Übereinstimmung zwischen den Ratern oder Test-Retest-Stabilität, werden selten gemeldet. Dies ist besonders problematisch für Werkzeuge, die auf automatisierter Bewertung basieren. GenAI-Systeme sind zudem variabel hinsichtlich Bewertungsalgorithmen, die durch natürliche Sprachverarbeitung gesteuert werden, wobei die Ergebnisse je nach Prompt-Design, Modellparametern oder kontextueller Interpretationvariieren können.

Ebenso gibt es nur begrenzte Belege für Beziehungen zu anderen Variablen. Nur wenige Studien haben versucht, die Leistung auf VR- oder GenAI-Plattformen mit bestehenden Bewertungstechniken in Verbindung zu bringen, einschließlich OSZEs, schriftlichen Tests oder Arbeitsplatzbewertungen. Ohne solche Vergleiche wird es schwierig zu wissen, ob diese Technologien Konstrukte messen, die mit den aktuellen klinischen Kompetenzrahmen übereinstimmen. Ein solcher Mangel an konvergenter und diskriminierender Validität begrenzt die Interpretation und Glaubwürdigkeit der Bewertungsergebnisse32.

Die größte Lücke in der Literatur ist jedoch das Fehlen der Übertragungsgültigkeit. Es gibt kaum bis keine Daten dafür, dass die Praxis in VR-Simulationen oder GenAI-basierten Tests mit besserem klinischen Denken in der tatsächlichen Onkologiepraxis korreliert. Da das letztendliche Ziel der medizinischen Ausbildung die Verbesserung der Patientenversorgung ist, ist diese Einschränkung eines der größten Hindernisse bei der Implementierung solcher Instrumente in formalen Bewertungsprogrammen. Ohne longitudinale oder Ergebnisstudien ist der pädagogische Einfluss dieser Technologien auf die simulierte oder experimentelle Situation beschränkt, in der sie implementiert werden33.

Neben diesen psychometrischen Nachteilen gibt es weitere Herausforderungen durch den zunehmenden Einsatz automatisierter Analysen. Sowohl VR als auch GenAI setzen stark auf algorithmische Interpretation des Nutzerverhaltens oder der Sprache, was Fragen zu Transparenz und Interpretierbarkeit aufwirft. Die Black-Box-Natur großer Sprachmodelle im Kontext von GenAI-basierten Bewertungen erschwert das Verständnis dafür, wie Werte erzeugt werden und wie man unvoreingenommene Werte garantieren kann. Eine solche Unerklärlichkeit kann das Vertrauen zwischen Lehrern und Schülern zerstören, besonders in Umgebungen mit hohem Einsatz34.

Ein weiteres wesentliches Problem ist die Verzerrung bei KI-basierter Bewertung. Die zur Erstellung von Sprachmodellen verwendeten Trainingsdaten könnten Unterschiede in klinischem Wissen, Kommunikationsmustern oder kulturellen Praktiken erfassen, was zu systematischen Unterschieden in der Bewertung zwischen den Lerngruppen führt. Unbehandelt können solche Vorurteile ernsthafte Folgen für die Aspekte von Fairness und Equity in der medizinischen Ausbildunghaben.

Darüber hinaus werden die Implikationen der Bewertung, ein weiterer wichtiger Aspekt der Validität, in der bestehenden Literatur selten diskutiert. Nur sehr wenige Studien untersuchen die Auswirkungen der Nutzung von VR- oder GenAI-Tools auf das Verhalten, den Bildungsweg oder die Entscheidungsfindung der Lernenden in klinischen Umgebungen. Das Fehlen von Studien zu den nachgelagerten Effekten schränkt das Wissen über die positiven und möglichen unbeabsichtigten Effekte dieser Technologienein.

Abschließend sind VR- und GenAI-Technologien vielversprechend, um neue Methoden zur Bewertung klinischer Argumentation bereitzustellen, aber die bestehende Evidenzbasis reicht nicht aus, um sie in Situationen mit hohem Einsatz umzusetzen. In allen Bereichen wird die Verbesserung der Validität den nächsten Schritt sicherstellen: die Transformation dieser Werkzeuge vom experimentellen Einsatz in wirksame Elemente der Onkologie-Bildungsbewertung. Tabelle 2 fasst die Validitätsbelege für VR und GenAI in vier Bereichen zusammen – Inhalt, interne Struktur, Beziehungen zu anderen Variablen und Konsequenzen – und hebt gleichzeitig wichtige Einschränkungen hervor, darunter von Experten gesteuerte Designs, Tests mit begrenzter Zuverlässigkeit, spärliche vergleichende Studien und das Fehlen von Langzeitergebnisdaten.

ValiditätsdomäneVR-BeweiseGenAI-BeweiseWichtige Einschränkung
InhaltStarkModeratMeistens von Experten gesteuert
Interne StrukturBegrenztBegrenztMangelnde Zuverlässigkeitstests
Beziehungen zu anderen VariablenSpärlichSpärlichWenige vergleichende Studien
FolgenMinimalMinimalKeine langfristigen Ergebnisse

Tabelle 2: Validitätsbelege über Technologien hinweg. Diese Tabelle zeigt die Validitätsbelege für VR und GenAI in der klinischen Argumentationsbewertung über Inhalte, interne Struktur, Beziehungen zu anderen Variablen und Konsequenzdomänen hinweg 

Bildungsergebnisse und interpretative Vorsicht
Die zunehmende Einführung von Virtual Reality (VR) und generativer künstlicher Intelligenz (GenAI) in der Onkologie-Ausbildung wurde durch die Literatur beantwortet, die insgesamt positive Bildungsergebnisse dokumentiert. Dazu gehören verbessertes Lernengagement, Motivation, wahrgenommener Realismus von Lernumgebungen und die Fähigkeit, sofortiges, personalisiertes Feedback zu erhalten. Solche Ergebnisse deuten darauf hin, dass diese Technologien Potenzial für bereichernde Bildungserfahrungen und die Unterstützung der Entwicklung klinischer Denkfähigkeiten bieten.

Ein signifikanter Prozentsatz der berichteten Ergebnisse ist selbstberichtet, wie etwa Lernzufriedenheit, wahrgenommenes Selbstvertrauen oder subjektive Lernbewertung. Obwohl diese Indikatoren als aufschlussreiche Informationen zur Nutzererfahrung dienen, sind sie nicht immer mit greifbarem klinischem Denken oder Verbesserungen der klinischen Leistung verbunden40. Im Fall objektiver Berichterstattung konzentrieren sie sich meist auf die Ergebnisse der Leistung auf der technologischen Plattform selbst. Obwohl diese Ergebnisse darauf hindeuten können, dass das Werkzeug erfolgreich eingesetzt wurde, entscheiden sie nicht, ob eine solche Interaktion weiter in allgemeine Kompetenz im klinischen Denken übertragen werden kann. Die Fortschritte, die in kontrollierten oder simulierten Umgebungen erzielt werden, können mit der Vertrautheit mit dem System verbunden sein, im Gegensatz zu realem kognitivem oder verhaltensbezogenem Wachstum53. Eine weitere Einschränkung hängt mit den methodologischen Merkmalen der bestehenden Studien zusammen. Ein Großteil der Literatur besteht aus kleinen, institutionellen Studien mit begrenzten Stichprobengrößen und kurzen Interventionsperioden. Diese Einschränkungen verringern die statistische Leistungsfähigkeit und schränken die Verallgemeinerbarkeit der Ergebnisse auf eine Vielzahl von Bildungseinrichtungenein.

Das Übertragbarkeitsproblem ist in der Krebsbildung von besonderer Bedeutung. Onkologisches klinisches Schließen ist ein komplexer und longitudineller Entscheidungsprozess, der innerhalb eines bestimmten Zeitrahmens und innerhalb klinischer Kontexte stattfindet. Dennoch fehlt es an Literatur darüber, ob in VR oder GenAI trainierte Fähigkeiten nach dem unmittelbaren Lernkontext erhalten bleiben oder die tatsächliche klinische Praxis beeinflussen. Darüber hinaus vermischt die Literatur meist Ausbildungs- und Bewertungsergebnisse. Die meisten VR- und GenAI-Anwendungen verfolgen das Hauptziel, Lernbegleitung als Bildungsinstrument zu unterstützen, doch ihr Erfolg wird gelegentlich als Zeichen der Validität der Bewertung angesehen. Um genau zu interpretieren, ist es wichtig, die Vorteile des formativen Lernens und den Nutzen der summativen Bewertung42 zu unterscheiden.

Es gibt auch kognitive Gründe, die die Interpretation von Bildungsergebnissen komplizierter machen. Fortschrittliche Technologien bringen eine Vielzahl kognitiver Belastungen mit sich und können die Leistungsfähigkeit der Lernenden beeinflussen. Zum Beispiel können immersive VR-Systeme eine überflüssige kognitive Belastung in Bezug auf Navigation, Interaktion mit der Schnittstelle oder sensorische Verarbeitung haben. Mit dem richtigen Design und der Vertrautheit mit dem Nutzer können diese Faktoren dasLernen erleichtern oder behindern. Auch die Nutzererfahrung und die bisherige Erfahrung mit Technologie sind Faktoren. Studierende, die besser an Computerschnittstellen oder KI-gesteuerte Systeme gewöhnt sind, können besser abschneiden, nicht unbedingt weil sie mehr klinisches Denken haben, sondern wegen einer bequemeren Interaktion mit dem System43.

Die Möglichkeit unbeabsichtigter Folgen ist ein weiterer Faktor, der berücksichtigt werden sollte. Zur Veranschaulichung: Übermäßige Abhängigkeit von KI-entwickeltem Feedback kann die Chancen auf logisches Denken oder kritische Analyse verringern. Ebenso können gut artikulierte VR-Situationen unbeabsichtigt die Entscheidungsfindung einschränken, indem sie die Anzahl potenzieller Aktionen reduzieren. Die aktuelle Literatur untersucht diese Effekte nicht umfassend, doch sie haben erhebliche Auswirkungen auf das Bildungsdesign44.

Obwohl diese Einschränkungen bestehen, dürfen die positiven Tendenzen, die in Bezug auf Lernengagement und erfahrungsbasiertes Lernen aufgezeichnet wurden, nicht vernachlässigt werden. Sichere Praxisumgebungen, Echtzeit-Feedback und die Möglichkeit, immer wieder komplexen Situationen ausgesetzt zu sein, sind Vorteile von VR- und GenAI-Technologien. Diese Eigenschaften können mit aktuellen pädagogischen Theorien wie erfahrungsbasiertem Lernen und gezielter Praxis in Verbindung gebracht werden, die aktives Lernen und kontinuierliche Weiterentwicklungpriorisieren 45.

Insgesamt zeigen VR- und GenAI-Technologien zwar ein bedeutendes Potenzial zur Transformation der Onkologie-Ausbildung, aber die Evidenzbasis ist derzeit in Methodik und Interpretation begrenzt. Eine kritische und vorsichtige Haltung ist daher notwendig, um eine Überverallgemeinerung der Ergebnisse zu vermeiden und sicherzustellen, dass Behauptungen über die Wirksamkeit von Bildung starke empirische Belege haben.

Kognitive, ethische und organisatorische Überlegungen
Kognitiv kann die Entwicklung dieser Technologien und ihre Anwendung einen erheblichen Einfluss darauf haben, wie Lernende Informationen wahrnehmen und klinisches Denken praktizieren. Die Theorie der kognitiven Last bietet einen praktischen Rahmen zum Verständnis dieser Effekte mit drei Arten kognitiver Belastung, nämlich intrinsische, außerflüssige und relevante kognitive Last43. Obwohl VR-Umgebungen immersiv und fesselnd sind, können sie eine erhebliche zusätzliche kognitive Belastung für die Nutzer auferlegen, was Navigation, sensorische Stimulation und die Komplexität der Benutzeroberfläche erfordert. Sofern nicht gut geplant, könnten solche Faktoren die kognitiven Ressourcen in andere Bereiche als die wesentlichen Denkprozesse verlagern, wodurch die Lern- und Bewertungsleistungzunichtegemacht wird.

Ebenso stellen GenKI-Systeme neue kognitive Herausforderungen in Bezug auf Informationspräsentation und Dynamik der Interaktion dar. Ein Beispiel ist, dass übermäßiges oder redundantes Feedback, das von KI-Systemen erzeugt wird, zu einer Informationsüberflutung führen kann, was ein erfolgreiches Lernen behindern kann. Andererseits kann richtig gestaltetes, adaptives Feedback die relevante kognitive Last durch Schemabildung und reflektierendes Denkenerhöhen. Das Gleichgewicht zwischen Anleitung und kognitiver Autonomie ist daher entscheidend, da eine übermäßige Abhängigkeit von KI-generierten Reaktionen die Möglichkeiten für eigenständiges Problemlösen und kritisches Denken verringern kann.
Die kognitive Einbindung solcher Technologien wird auch durch Nutzervertrautheit und digitale Kompetenzvermittelt.

Ethik ist ebenfalls ein zentraler Aspekt bei der Implementierung von VR und GenAI bei der Bewertung von Bildung. Eines der auffälligsten Themen ist das Konzept der algorithmischen Verzerrung in KI-basierten Systemen. Maschinelle Lernmodelle, wie große Sprachmodelle, werden auf großen Datenmengen trainiert, die möglicherweise gegenüber bestehenden sozialen, kulturellen oder beruflichen Normen verzerrt sind. Folglich können Bewertungsergebnisse zu unerwünschter Diskriminierung bestimmter Lerngruppen führen, und Fairness und Fairness werdeninfrage gestellt 35. Weitere ethische Fragen sind Transparenz und Erklärbarkeit. Die meisten GenAI-Systeme sind Black Boxes, ohne explizite Beschreibungen des Entscheidungsprozesses. Diese Interpretierbarkeit in Bewertungen kann zu einem Vertrauensverlust zwischen Lernenden und Lehrkräften führen, insbesondere wenn das Endprodukt ernsthafte akademischeAuswirkungen hat.

Sicherheit und Datenschutz der Daten sind ebenfalls ein wichtiger Faktor, da bildungsbezogene und möglicherweise klinische Daten sensibel sind. VR kann verwendet werden, um detaillierte Verhaltensdaten zu erfassen, während GenAI-Plattformen große Mengen an Textdaten verarbeiten können. Um ethische Standards und Vertrauen in die Institution zu wahren, ist es wichtig, sicherzustellen, dass Datenschutzregeln eingehalten werden und die Informationen der Nutzer geschützt bleiben.

Neben individuellen Fragen sind organisatorische Fragen entscheidend für die erfolgreiche Einführung dieser Technologien. Die Implementierung von VR und GenAI in der Onkologieausbildung muss mit den Zielen der Institutionen, dem Zugang zu Ressourcen und den unterstützenden Governance-Rahmenwerken übereinstimmen. Das Technologie-Organisation-Umwelt-Modell (TOE) ist ein wertvolles Werkzeug, um diese Faktoren zu untersuchen und sich auf die Wechselwirkung von technologischer Vorbereitung, organisatorischen Fähigkeiten und den Auswirkungen der externen Umgebung zu konzentrieren48.

Die organisatorische Bereitschaft umfasst die Kompetenz der Fakultät, Schulungen und die Akzeptanz neuer Technologien. Der mögliche Widerstand gegen die Einführung kann mit Ängsten vor Zuverlässigkeit, Arbeitsüberlastung oder einfach Unvertrautheit mit KI-gesteuerten Systemen zusammenhängen. Diese Einschränkungen können durch gezielte Lehrkräfteentwicklungsprogramme und durch explizite Regeln für den Einsatz von Technologie in der Bewertung49 überwunden werden.

Ein neuer Ansatz in diesem Bereich konzentriert sich auf die Idee der aufgeklärten Autonomie, bei der KI-Systeme geschaffen werden, um menschliches Urteilsvermögen zu unterstützen und nicht zu ersetzen. Diese Methode schlägt die harmonische Kombination aus automatisierter Analyse und menschlicher Kontrolle vor, bei der Technologie die Entscheidungsfindung verbessert, ohne Verantwortlichkeit oder Professionalität zu beeinträchtigen50. Im Kontext der klinischen Schlussfolgerungsbewertung kann dies die Kombination von KI-generierten Erkenntnissen mit der Expertenbewertung beinhalten, um einen umfassenderen und vertrauenswürdigeren Bewertungsprozess zu erreichen.

Insgesamt beinhaltet die Einführung von VR und GenAI in der Onkologieausbildung mehr als nur technische Innovation; Es untersucht zudem komplexe kognitive, ethische und organisatorische Aspekte. Diese Überlegungen sind entscheidend, um sicherzustellen, dass diese Technologien in Bezug auf ihren Bildungswert und ihre Risiken maximiert werden. Eine interdisziplinäre Strategie, die das nutzerzentrierte Design, ethische Anliegen und institutionelle Vorbereitung berücksichtigt, wird für die Entwicklung des verantwortungsvollen Einsatzes von Technologie in der klinischen Logikbewertung von größter Bedeutung sein. Abbildung 3 Der Technology-Organization-Environment (TOE)-Rahmen identifiziert wichtige Implementierungsfaktoren zur Integration von VR und GenAI in die Onkologie-Ausbildung. Eine erfolgreiche Einführung erfordert eine Abstimmung über Systemfähigkeiten, organisatorische Unterstützung und externe Umweltbedingungen.

figure-protocol-2
Abbildung 3: Technologie-Organisation-Umwelt-(TOE)-Rahmen zur Implementierung von VR und GenAI in der Onkologieausbildung. Der Technology-Organization-Environment (TOE)-Rahmen wurde zur Integration von VR und GenAI in die Onkologie-Ausbildung angewandt und hebt zentrale Faktoren in Systemkompetenz, Führung und Lehrplan sowie regulatorische, finanzielle und kulturelle Überlegungen für eine erfolgreiche Umsetzung hervor. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Schlussfolgerungen

Klinisches Denken in der Onkologie ist ein wachsendes und herausforderndes Thema, das seit langem ein komplexer, dynamischer, hochriskanter und kontextspezifischer Aspekt der onkologischen Entscheidungsfindung ist. Diese Übersichtsarbeit behandelt die neuen Funktionen von Virtual Reality (VR) und Generative Künstliche Intelligenz (GenKI) als innovative Lösungen für die Grenzen herkömmlicher Bewertungstechniken. Insgesamt deuten die Belege darauf hin, dass diese Technologien nicht überlap...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Danksagungen

Finanzierung: Fonds: Allgemeines Forschungsprojekt (Kategorie Naturwissenschaften) des Bildungsministeriums der Provinz Zhejiang (Zuschuss Nr. Y202558353).

Fonds: Forschungsprojekt zur Hochschulbildung Sonderprojekt: Künstliche Intelligenz zur Stärkung von Bildungs- und Lehranwendungen (KT2025426)

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Referenzen

  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).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Schlagwörter

Virtuelle Realit t in der OnkologieGenerative KI Ausbildungsimulationsbasierte Bewertungonkologische Ausbildungswerkzeugekognitive Belastungalgorithmische Verzerrungobjektive strukturierte Pr fungenarbeitsplatzbasierte BewertungBewertungsrahmen
Kontakt
Rückmeldung an Ihre Bibliothek

Datenschutz

Nutzungsbedingungen

Richtlinien

Copyright © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.