Cette revue d’analyse conclut que la VR et la GenAI offrent de nouvelles façons d’évaluer le raisonnement clinique dans la formation en oncologie. Cependant, les deux nécessitent des cadres de validation et éthique plus robustes avant d’être largement utilisés, les preuves actuelles étant préliminaires.
Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.
Article de revue
Le paysage de la réalité virtuelle et de l’IA générative dans l’enseignement de l’oncologie : une revue de cadrage des outils d’évaluation du raisonnement clinique
Dans cet article
Résumé
Résumé
L’oncologie est un milieu où le raisonnement clinique est une compétence fondamentale nécessitant la synthèse d’informations cliniques complexes dans un contexte à enjeux élevés. Les méthodes conventionnelles d’évaluation, telles que les tests écrits, les examens cliniques structurés objectifs (OSCE) et les évaluations en milieu professionnel, offrent des connaissances précieuses, mais ne sont toujours pas efficaces pour refléter la qualité dynamique et itérative du raisonnement clinique. De nouvelles opportunités pour surmonter ces limites s’offrent aux technologies numériques émergentes, notamment la réalité virtuelle (VR) et l’intelligence artificielle générative (GenAI). La VR facilite des environnements basés sur la simulation, qui peuvent être immersifs et permettent l’évaluation des facteurs procéduraux et situationnels de raisonnement à partir d’une action clinique observable. GenAI, à son tour, offre une interaction plus axée sur le dialogue, qui permet d’évaluer les processus cognitifs et analytiques, y compris les processus cognitifs clés. La littérature montre que ces technologies ont des avantages complémentaires mais sont conceptuellement disjointes. La VR enregistre principalement les performances comportementales, mais GenAI met l’accent sur les processus cognitifs, et les deux ne sont pas aussi intégrés. De plus, la base actuelle de preuves se caractérise par une hétérogénéité méthodologique, une dépendance à la recherche préliminaire et un manque de preuves de validité, notamment en ce qui concerne la fiabilité et l’impact dans le monde réel. D’autres facteurs à prendre en compte sont l’effet de la charge cognitive, la variabilité des utilisateurs et les questions éthiques, par exemple le biais algorithmique et la transparence. La faisabilité de la mise en œuvre est également influencée par des facteurs organisationnels tels que les infrastructures et la préparation institutionnelle. En général, la VR et la GenAI sont encourageantes, tout en développant des méthodes d’évaluation du raisonnement clinique en oncologie. À l’avenir, l’évolution du domaine nécessitera des cadres d’évaluation cohérents, une validation rigoureuse et des structures éthiques claires.
Introduction
Le raisonnement clinique, les processus cognitifs et métacognitifs sous-jacents au diagnostic et à la prise en charge, constitue la pierre angulaire d’une pratique oncologique sûre etefficace 1. C’est un processus particulièrement complexe dans le contexte de l’oncologie, car les cliniciens doivent naviguer dans la prise de décision probabiliste face à l’incertitude, synthétiser les preuves en évolution rapide des thérapies et participer à des discussions pluridisciplinaires au sein des comités de tumeurs. De plus, les oncologues doivent trouver un équilibre entre la pensée biomédicale et centrée sur le patient, notamment en informer les patients de leurs mauvais pronostics, en gérant les questions éthiques et en ajustant les plans de traitement aux évolutions des maladies 2,3. Ces exigences en couches rendent le développement et l’évaluation du raisonnement clinique particulièrement critiques dans l’enseignement de l’oncologie. Traditionnellement, le raisonnement clinique a été évalué à l’aide d’examens écrits, d’examens cliniques structurés objectifs (OSCE) et d’évaluations en milieu de travail telles que l’exercice d’évaluation mini-clinique (Mini-CEX)4. Bien que ces méthodes puissent fournir des informations de base sur la compétence de l’apprenant, elles présentent des inconvénients importants. Les tests écrits sont plus enclins à appliquer des connaissances statiques plutôt qu’à des processus dynamiques ; Les OSCE sont gourmandes en ressources et peuvent être écologiquement invalides ; Les tests en milieu de travail sont généralement épisodiques, subjectifs et sujets à des biais contextuels. Toutes ces contraintes réunies rendent difficile l’étude du caractère itératif, dépendant du contexte et longitudinal du raisonnement clinique, en particulier dans les spécialités impliquant des enjeux élevés et une charge cognitive élevée, commel’oncologie 5. Collectivement, ces limitations entravent la capacité à saisir la nature itérative, dépendant du contexte et longitudinale du raisonnement clinique, en particulier dans des spécialités à enjeux élevés et cognitivement exigeantes commel’oncologie 6.
Les nouveaux développements récents dans les technologies numériques offrent de bonnes opportunités pour surmonter ces défis. Deux d’entre elles incluent la réalité virtuelle (VR) et l’intelligence artificielle générative (GenAI), qui sont devenues de puissants outils d’éducation médicale. La VR offre des environnements basés sur la simulation, immersifs, hautement spatiaux et contextuels, qui recréent le scénario clinique complexe. Dans l’enseignement de l’oncologie, ces simulations peuvent simuler des situations telles que des urgences oncologiques, des complications pendant la chimiothérapie et des interactions sensibles avec les patients, et permettent aux apprenants de pratiquer la prise de décision de manière expérientielle dans un cadre sûr etcontrôlé 7,8,9. Il est important de noter que les systèmes VR peuvent capturer des données comportementales détaillées — telles que les séquences d’action, le timing et les voies décisionnelles — permettant ainsi l’évaluation des dimensions procédurales et situationnelles du raisonnement clinique.
Parallèlement, la GenAI, en particulier les grands modèles de langage (LLM), a ouvert de nouvelles opportunités pour évaluer l’architecture cognitive du raisonnement. Les systèmes GenAI ont la capacité d’interagir avec les apprenants via le langage naturel pour les engager dans des contextes adaptatifs basés sur le dialogue, qui interrogent la génération d’hypothèses, la formation de diagnostics différentiels et la justification de la gestion. Ces systèmes peuvent examiner les réponses des apprenants à partir de techniques de traitement du langage naturel qui fournissent une évaluation potentiellement personnalisée et évolutive des processus de raisonnement qui étaient auparavant difficiles à mesurerobjectivement 10, 11, 12.
De plus, la littérature existante est fragmentée et hétérogène en termes de méthodologie. Une grande partie des preuves existantes repose sur des études pilotes, des rapports techniques ou des applications principalement destinées à la formation plutôt qu’à une évaluation réelle. Par conséquent, la plupart des arguments sur les capacités d’évaluation de la VR et de la GenAI reposent sur la fonctionnalité technologique et non sur une validation empirique rigoureuse. Les preuves de validité rapportées sont variées, la validité du contenu étant principalement rapportée et une référence minimale à la structure interne, à la fiabilité ou aux corrélations avec des mesures d’évaluation établies précédemment.
Ces contraintes sont encore aggravées par les nouveaux problèmes liés à l’utilisabilité, à la charge cognitive et aux questions éthiques. Par exemple, les systèmes GenAI offrent une solution interactive et évolutive ; cependant, les problèmes de redondance de l’information, de variabilité de la réponse du système et de familiarité de l’utilisateur peuvent affecter l’interaction et la performance de l’apprenant. De même, le manque de transparence, d’équité et de responsabilité dans les scénarios d’évaluation peut être considéré comme un problème de la nature boîte noire du score piloté par l’IA. En termes de mise en œuvre, les systèmes VR nécessitent un investissement massif en infrastructure, tandis que l’adoption de GenAI repose sur la préparation institutionnelle, la gouvernance et l’alignement avec les objectifs éducatifs. Ces facteurs soulignent l’importance d’un cadre plus conceptuel et organisationnel pour évaluer comment de telles technologies peuvent être intégrées à l’enseignement en oncologie.
Dans cette optique, cette revue offrira une synthèse narrative approfondie de la littérature actuelle sur la VR et la GenAI dans l’enseignement de l’oncologie, avec un intérêt particulier pour leur application dans l’évaluation du raisonnement clinique. En particulier, il vise à (1) décrire les conceptions technologiques et les contextes de mise en œuvre de ces outils ; (2) examiner les preuves de la validité rapportée et des résultats éducatifs ; et (3) décrire les principaux défis, tels que les préoccupations cognitives, éthiques et organisationnelles, ainsi que les orientations futures de recherche et de pratique. Les principales bases de données académiques ont été explorées systématiquement pour trouver la littérature pertinente, mais comme il est d’usage de revoir des articles, cet article se concentre sur l’interprétation, la synthèse, et non sur le reporting procédural.
Figure 1 modèle intégré combinant l’évaluation des actions cliniques basée sur la VR avec l’évaluation de la cognition clinique basée sur le GenAI. Cette approche double capture à la fois les dimensions comportementale et analytique du raisonnement clinique pour une évaluation globale et un retour d’information.
Figure 1 : Modèle intégré d’évaluation du raisonnement clinique utilisant la VR et la GenAI. Cette figure présente un modèle intégré combinant la réalité virtuelle (VR) pour évaluer le raisonnement clinique basé sur l’action (par exemple, flux de travail, procédures, travail d’équipe) avec l’IA générative (GenAI) pour évaluer le raisonnement cognitif et dialogique (par exemple, diagnostic, justification, réflexion). Veuillez cliquer ici pour voir une version agrandie de cette figurine.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Revue et perspective
Typologie technologique et mise en œuvre
La situation actuelle dans le domaine des technologies numériques d’évaluation du raisonnement clinique en oncologie est marquée par deux paradigmes des technologies numériques. Les approches actuelles reposent sur des systèmes basés sur la VR et la GenAI. Bien que les deux méthodes visent à améliorer l’évaluation des compétences cliniques complexes, elles présentent des différences significatives en termes de fondements technologiques, d’interaction et de logiqued’évaluation 13,14. Ces systèmes placent les apprenants dans des environnements d’oncologie réalistes, que ce soit lors d’une consultation ambulatoire, de la gestion hospitalière des urgences oncologiques ou dans un contexte de prise de décision multidisciplinaire à l’aide d’écrans sur la tête et d’interfacesinteractives 6.
Un avantage des systèmes VR est qu’ils peuvent enregistrer des données comportementales granulaires grâce à des analyses embarquées. Ces données comprennent une série d’actions, un calendrier de décision, la navigation et le respect des recommandations cliniques. Ces mesures permettent aux éducateurs d’évaluer les éléments procéduraux du raisonnement clinique, tels que l’obtention de données, la priorisation des actions diagnostiques et la mise en œuvre des voies de gestion15. Cependant, la mise en œuvre d’outils d’évaluation basés sur la réalité virtuelle s’accompagne de défis infrastructurels et logistiques importants. Les coûts initiaux élevés liés à l’acquisition matérielle, au développement logiciel et à la maintenance peuvent limiter l’accessibilité, en particulier dans des contextes à ressourceslimitées 16. De plus, le besoin d’un espace physique dédié, d’un soutien technique et de formation des enseignants complique encore davantage le déploiement à grande échelle. Ces contraintes limitent souvent les applications VR à des centres de simulation spécialisés, limitant leur scalabilité et leur intégration généralisée dans les programmes d’oncologie.
Inversement, les outils basés sur GenAI sont exécutés via l’interaction en langage naturel, offrant une nouvelle méthode d’évaluation. Développés à partir de grandes architectures de modèles de langage, ils impliquent les apprenants dans des conversations interactives, par texte ou par voix, qui imitent les mécanismes de raisonnement clinique. Les apprenants sont encouragés à décrire les diagnostics différentiels, la raison d’être des décisions de gestion et à répondre aux situations cliniques changeantes, le système offrant un retour formatif et une évaluation10,11.
Le principal avantage des systèmes GenAI est qu’ils peuvent évaluer les aspects cognitifs et analytiques du raisonnement clinique. Ces outils peuvent évaluer la structure, la cohérence et la profondeur du raisonnement de l’apprenant en examinant la sortie du langage et en allant au-delà de la justesse pour obtenir des informations qualitatives sur le processus de pensée. De plus, les solutions GenAI présentent des avantages significatifs en termes de scalabilité et d’accessibilité. Ils peuvent également être mis en œuvre dans des contextes d’apprentissage à distance et asynchrones, contrairement aux systèmes VR, qui ne peuvent être mis en œuvre que sur des interfaces web5.
Malgré les avantages, les outils d’évaluation basés sur GenAI présentent des inconvénients importants. La dépendance au traitement du langage naturel entraîne des problèmes liés à la fiabilité des notations, à l’interprétabilité et à la transparence. Beaucoup de systèmes sont des boîtes noires, c’est-à-dire que la logique de la décision de notation n’est pas toujours accessible aux enseignants ouaux apprenants. Le thème principal qui ressort dans la littérature est le compromis intrinsèque entre validité écologique et évolutivité entre les deux paradigmes technologiques. Les systèmes VR sont bons dans leur capacité à recréer des environnements cliniques réalistes et à capturer des prises de décision incarnées, mais sont gourmands en ressources et donc limités en termes de scalabilité. Les systèmes GenAI, en revanche, peuvent être utilisés pour évaluer les processus cognitifs de manière évolutive et basée sur le dialogue7.
Fait crucial, il y a un manque important de la littérature existante concernant des plateformes intégrées ou hybrides alignant les avantages de la VR et de la GenAI. Ce type d’intégration peut faciliter la mesure concomitante de la performance procédurale et du raisonnement cognitif, car la nature de la prise de décision clinique estinterconnectée 18. D’un point de vue implémentation, les capacités techniques ne sont pas les seuls facteurs qui déterminent l’adoption de la technologie ; Des facteurs organisationnels et environnementaux jouent également un rôle. Des modèles comme le modèle Technologie-Organisation-Environnement (TOE) sont une bonne perspective pour expliquer cesdynamiques 19.
En général, la typologie des outils VR et GenAI éclaire un espace discontinu mais en évolution rapide. Bien que les deux technologies présentent leurs avantages uniques pour mesurer un aspect particulier du raisonnement clinique, leur séparation existante ne permet pas de les évaluer complètement. Combler cet écart par l’intégration conceptuelle, l’innovation technologique et des stratégies de mise en œuvre contextuelles sera nécessaire pour orienter le terrain vers des modèles d’évaluation plus complets et efficaces.
Concepts de raisonnement clinique et évaluation itérative
Le raisonnement clinique est un concept multidimensionnel qui implique des processus cognitifs, métacognitifs et comportementaux qui soutiennent la prise de décision diagnostique et thérapeutique. En oncologie, l’incertitude, la dynamique des preuves et la nécessité d’une coordination interdisciplinaire compliquent encore davantage ces processus. La littérature conceptualise de plus en plus le raisonnement clinique comme un continuum impliquant l’acquisition d’informations, la génération d’hypothèses, l’affinement du diagnostic, le processus décisionnel et l’évaluationréflexive 20,21.
Les systèmes basés sur la VR sont pour la plupart cohérents avec l’évaluation des aspects observables et orientés action du raisonnement clinique. En plaçant les apprenants dans des contextes cliniques simulés, ces plateformes permettent de tester comment les gens acquièrent leurs connaissances, se concentrent sur les processus diagnostiques et réalisent une série d’opérations. Elle se concentre sur la traduction du raisonnement en action, dans laquelle les décisions cliniques sont basées sur des schémas d’interaction dans l’environnementsimulé 22.
Les systèmes basés sur la GenAI, en revanche, se concentrent sur les processus d’activation et d’analyse des processus cognitifs internes sous-jacents au raisonnement clinique. L’interaction en langage naturel encourage les apprenants à exprimer les différents diagnostics, à justifier les choix de gestion clinique et à réfléchir aux incertitudes cliniques. De tels systèmes déterminent le raisonnement en mesurant la cohérence sémantique, la structure logique et la profondeur des réponses de l’apprenant, généralement en appliquant des méthodes de traitement du langage naturel pour fournir une approximation du jugement expert13,10.
Bien que ces forces soient complémentaires, une faiblesse qui s’est avérée la plus critique dans la littérature est la fragmentation adversaire de l’évaluation entre les domaines cognitif et comportemental. Une pratique réelle du raisonnement clinique est intrinsèquement itératif, ce qui signifie un retour constant entre la pensée et l’action. C’est un processus cyclique clé dans une prise de décision clinique efficace, en particulier en oncologie, où les conditions et réactions des patients au traitement évoluent au fil dutemps 11.
Cette interaction dynamique n’est souvent pas reflétée dans les outils actuels de VR et GenAI. Les systèmes VR tirent généralement leur raisonnement à partir de comportements observables sans nécessairement atteindre les processus mentaux sous-jacents, tandis que les systèmes GenAI analysent un raisonnement articulé en dehors du contexte du comportement clinique. Par conséquent, les deux stratégies présentent des images biaisées de la compétence clinique et ne peuvent pas évaluer adéquatement l’ensemble des activités de raisonnement. L’autre faiblesse importante liée à l’utilisation de l’analyse automatisée comme principal outil d’évaluation. En VR, l’analyse des fichiers journaux est utilisée pour comprendre le comportement des utilisateurs, mais ces mesures peuvent ne pas suffire à comprendre la raison derrière les choix cliniques. De même, l’interprétation algorithmique du langage est couramment utilisée pour évaluer les systèmes GenAI et pourrait ignorer des nuances linguistiques telles que l’intuition clinique, la gestion de l’incertitude ou le raisonnement spécifiqueau contexte 23.
Par de plus, la littérature note l’absence de méthodes standardisées pour correspondre les résultats technologiques aux modèles connus de raisonnement clinique. Bien qu’il existe des études qui relient implicitement la VR au raisonnement procédural et la GenAI au raisonnement cognitif, peu d’études placent ces outils dans le contexte de constructions théoriques validées. Cette disparité limite les possibilités de comparer les résultats d’autres études et de former une structure cohérente d’évaluation amélioréepar la technologie 24.
L’objectif des recherches futures dans ce domaine devrait être d’intégrer les modalités cognitives et comportementales d’évaluation. Systèmes hybrides combinés Les systèmes hybrides qui intègrent la simulation immersive au dialogue en temps réel, médié par l’IA, peuvent mieux intégrer le caractère itératif du raisonnement clinique. Avec ces éléments, le comportement des apprenants dans un environnement virtuel peut susciter une réponse interrogative de la part d’un agent IA, permettant ainsi d’évaluer à la fois ce que font et pourquoi ils le fonten même temps 25,26.
Dans l’ensemble, bien que les technologies VR et GenAI fournissent des perspectives utiles sur des aspects spécifiques du raisonnement clinique, leur application reste encore fragmentée pour le moment. L’intégration des concepts, la rigueur méthodologique et l’innovation technologique seront nécessaires pour répondre à cette fragmentation et développer des stratégies d’évaluation complètes et significatives dans l’enseignement de l’oncologie. Le tableau 1 met en lumière les principales différences entre la réalité virtuelle (VR) et l’IA générative (GenAI) pour évaluer le raisonnement clinique, en comparant leurs focus, interactions, forces, limites et résultats de données respectifs. De plus, la Figure 2 illustre le cycle de raisonnement clinique itératif, qui montre comment la VR supporte la collecte, l’action et la réflexion des données, tandis que GenAI aide à la génération, à l’affinement et à l’explication des hypothèses. Ensemble, ils permettent une boucle continue de prise de décision éclairée et d’apprentissage expérientiel.
| Dimension | Réalité virtuelle (VR) | IA générative (GenAI) |
| Focus de l’évaluation | Procédural / comportemental | Cognitif/analytique |
| Mode d’interaction | Simulation immersive | Basé sur le dialogue |
| Force | Forte validité écologique | Haute scalabilité |
| Limitation | Très gourmande en ressources | Transparence limitée |
| Type de données | Journaux comportementaux | Réponses en langage naturel |
Tableau 1 : Comparaison entre la VR et la GenAI dans l’évaluation du raisonnement clinique. Comparaison de la réalité virtuelle (VR) et de l’IA générative (GenAI) pour l’évaluation du raisonnement clinique à travers des dimensions clés, incluant l’orientation de l’évaluation, le mode d’interaction, les forces, les limites et le type de données.
Figure 2 : Cycle de raisonnement clinique itératif : contributions de la VR et de la GenAI. Le cycle de raisonnement clinique itératif illustre comment la VR capture les actions et les performances lors de tâches basées sur la simulation (collecte d’informations et prise de décision), tandis que GenAI supporte la génération d’hypothèses, le diagnostic différentiel, l’explication et le raffinement, permettant ensemble une réflexion continue et un apprentissage par l’expérience. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
Preuves de validité et limites de mesure
Le développement de preuves solides de validité est essentiel à la mise en œuvre de tout outil d’évaluation, en particulier dans des domaines à enjeux élevés comme l’enseignement en oncologie. La conceptualisation moderne de la théorie de la validité considère la validité comme un seul construct soutenu par plusieurs sources de preuves telles que le contenu, le processus de réponse, la structure interne, les relations avec d’autres variables et les conséquences del’évaluation 27,28.
La majorité des études se concentrent sur la validité du contenu, qui est généralement démontrée par des revues d’experts sur les situations cliniques, la conception des tâches ou les critères de notation. Bien que ces méthodes garantissent que le matériel d’évaluation est pertinent et cohérent avec la pratique oncologique, elles ne fournissent pas beaucoup d’informations sur la capacité des outils à mesurer les concepts sous-jacents du raisonnement clinique. Dans la plupart des cas, la validation du contenu est considérée comme une preuve suffisante d’efficacité, même si des pratiques psychométriques plus rigoureuses font défaut29.
Il y a moins de constance des preuves sur la validité du processus de réponse – c’est-à-dire la façon dont les apprenants perçoivent et interagissent avec les activités d’évaluation. D’autres études utilisent des tests d’utilisabilité, des retours d’apprenants ou des protocoles de réflexion à voix haute pour suggérer que les participants interagissent avec les environnements VR ou les systèmes GenAI de la manière souhaitée. De plus, il n’est pas encore clair dans quelle mesure ces interactions peuvent capturer avec précision un véritable raisonnement clinique, en particulier dans des scénarios simulés ou médiés parl’IA 30.
L’une des contraintes les plus importantes pour les modalités VR et GenAI est l’absence de preuves de structure interne. Les mesures de fiabilité, y compris la cohérence interne, l’accord inter-évaluateurs ou la stabilité test-retest, sont rarement rapportées. Cela pose particulièrement problème pour les outils basés sur le score automatisé. Les systèmes GenAI sont également variables en termes d’algorithmes de notation pilotés par le traitement du langage naturel, où les résultats peuvent varier selon la conception de l’invite, les paramètres du modèle ou l’interprétationcontextuelle 31.
De même, il existe peu de preuves de relations avec d’autres variables. Peu d’études ont cherché à relier la performance sur les plateformes VR ou GenAI aux techniques d’évaluation existantes, y compris les OSCE, les tests écrits ou les évaluations en entreprise. Sans de telles comparaisons, il devient difficile de savoir si ces technologies mesurent les constructions cohérentes avec les cadres actuels de compétence clinique. Une telle lacune de validité convergente et discriminante limite l’interprétation et la crédibilité des résultatsd’évaluation 32.
Le plus grand manque dans la littérature, cependant, est son manque de validité de transfert. Peu ou pas de données soutiennent l’idée que la pratique en simulations VR ou en tests basés sur GenAI est corrélée à un meilleur raisonnement clinique dans la pratique réelle de l’oncologie. Puisque l’objectif ultime de la formation médicale est d’améliorer les soins aux patients, cette restriction constitue l’un des plus grands obstacles à la mise en œuvre de tels outils dans les programmes d’évaluation formels. En l’absence d’études longitudinales ou d’études de résultats, l’effet éducatif de ces technologies se limite à la situation simulée ou expérimentale dans laquelle elles sont misesen œuvre 33.
En plus de ces inconvénients psychométriques, d’autres défis sont posés par l’utilisation croissante de l’analyse automatisée. La VR et la GenAI reposent toutes deux fortement sur une interprétation algorithmique du comportement ou du langage des utilisateurs, soulevant des questions sur la transparence et l’interprétabilité. La nature en boîte noire des grands modèles de langage dans le contexte des évaluations basées sur GenAI complique la compréhension de la production des scores et de la garantie de scores impartiaux. Une telle inexplicabilité peut détruire la confiance entre enseignants et élèves, surtout dans des environnements à enjeuxélevés.
Un autre problème essentiel est le biais dans l’évaluation basée sur l’IA. Les données d’entraînement utilisées pour créer des modèles de langage peuvent capturer des différences dans les connaissances cliniques, les schémas de communication ou les pratiques culturelles, conduisant ainsi à des différences systématiques dans les scores entre les groupes d’apprenants. Sans prise en compte, ces biais peuvent avoir de graves conséquences sur les aspects de l’équité et de l’équité dans l’enseignementmédical 35.
De plus, les implications de l’évaluation, un autre aspect important de la validité, sont rarement abordées dans la littérature existante. Très peu de recherches examinent les effets de l’utilisation des outils VR ou GenAI sur le comportement des apprenants, leurs parcours éducatifs ou leur prise de décision en milieu clinique. Le manque d’études sur les effets en aval limite la connaissance des effets positifs et possibles indésirables de cestechnologies 36.
Pour conclure, les technologies VR et GenAI sont prometteuses pour fournir de nouvelles méthodes d’évaluation du raisonnement clinique, mais la base de preuves existante est insuffisante pour les mettre en œuvre dans des situations à enjeux élevés. Dans tous les domaines, renforcer la validité garantira l’étape suivante : transformer ces outils d’une utilisation expérimentale en des éléments efficaces d’évaluation de l’éducation oncologique. Le tableau 2 résume les preuves de validité pour la VR et la GenAI dans quatre domaines — contenu, structure interne, relations avec d’autres variables et conséquences — tout en mettant en lumière les principales limitations, notamment les conceptions pilotées par des experts, les tests de fiabilité limités, les études comparatives peu nombreuses et l’absence de données de résultats à long terme.
| Domaine de validité | Preuves VR | Preuves GenAI | Limitation des clés |
| Contenu | Fort | Modéré | Principalement axé sur des experts |
| Structure interne | Limité | Limité | Manque de tests de fiabilité |
| Relations avec d’autres variables | Parcien | Parcien | Quelques études comparatives |
| Conséquences | Minimal | Minimal | Aucun résultat à long terme |
Tableau 2 : Preuves de validité à travers les technologies. Ce tableau montre les preuves de validité pour la VR et la GenAI dans l’évaluation du raisonnement clinique à travers le contenu, la structure interne, les relations avec d’autres variables et les domaines de conséquences
Résultats éducatifs et prudence interprétative
L’adoption croissante de la réalité virtuelle (VR) et de l’intelligence artificielle générative (GenAI) dans l’enseignement de l’oncologie a été accueillie par la littérature documentant les résultats globalement positifs de l’éducation. Il s’agit d’une amélioration de l’engagement des apprenants, de la motivation, d’un réalisme perçu des environnements d’apprentissage, et de la capacité à recevoir des retours immédiats etpersonnalisés 37,38,39. Ces résultats suggèrent que ces technologies offrent un potentiel pour enrichir les expériences éducatives et soutenir le développement des compétences en raisonnement clinique.
Un pourcentage significatif des résultats rapportés est auto-déclaré, comme la satisfaction de l’apprenant, la confiance perçue ou l’évaluation subjective de l’apprentissage. Bien que ces indicateurs fournissent des informations éclairantes sur l’expérience utilisateur, ils ne sont pas toujours associés à un raisonnement clinique tangible ou à une amélioration des performancescliniques 40. Dans le cas du reporting objectif, ils ont tendance à se concentrer sur les résultats de la performance sur la plateforme technologique elle-même. Bien que ces résultats puissent suggérer que l’outil a été utilisé avec succès, ils ne déterminent pas si une telle interaction peut être davantage traduite en compétence générale en raisonnement clinique. Les gains réalisés dans des contextes contrôlés ou simulés peuvent être associés à une familiarité avec le système plutôt qu’à une réelle croissance cognitive oucomportementale 53. L’autre limitation est liée aux caractéristiques méthodologiques des études existantes. Une grande partie de la littérature comprend des études à petite échelle, menées par une seule institution, avec des tailles d’échantillon limitées et des périodes d’intervention courtes. Ces limitations diminuent la puissance statistique et restreignent la généralisation des résultats à un large éventail de milieuxéducatifs 33.
Le problème de la transférabilité est particulièrement préoccupant dans l’éducation au cancer. Le raisonnement clinique oncologique est un processus décisionnel complexe et longitudinal qui se déroule dans un délai et dans des contextes cliniques. Néanmoins, il manque de littérature sur le fait que les compétences formées en VR ou en interventions GenAI subsistent après le contexte d’apprentissage immédiat ou affectent la pratique clinique réelle. De plus, la littérature tend à mélanger les résultats de formation et d’évaluation. La plupart des applications VR et GenAI ont pour objectif principal la facilitation de l’apprentissage comme outil éducatif, mais leur succès est parfois perçu comme un signe de validité de l’évaluation. Pour interpréter avec précision, il est important de différencier les bénéfices de l’apprentissage formatif et l’utilité de l’évaluationsommative 42.
Il existe aussi des raisons cognitives qui compliquent l’interprétation des résultats scolaires. Les technologies avancées présentent une gamme de charges cognitives et peuvent affecter la performance des apprenants. Par exemple, les systèmes immersifs de réalité virtuelle peuvent comporter une charge cognitive superflue en termes de navigation, d’interaction avec l’interface ou de traitement sensoriel. Avec la bonne conception et une familiarité avec l’utilisateur, ces facteurs peuvent soit faciliter soit freiner l’apprentissage36. L’expérience utilisateur et l’expérience préalable avec la technologie sont également des facteurs. Les étudiants plus habitués aux interfaces informatiques ou aux systèmes pilotés par l’IA peuvent mieux performer, non pas nécessairement parce qu’ils ont un raisonnement clinique plus avancé, mais grâce à une interaction plus pratique avec le système43.
La possibilité de conséquences imprévues est un autre facteur à prendre en compte. Pour illustrer, une dépendance excessive aux retours développés par l’IA peut diminuer les risques de pensée logique ou d’analyse critique. De même, des situations de RV bien formulées peuvent involontairement restreindre la prise de décision en réduisant le nombre d’actions potentielles. La littérature actuelle n’étudie pas en profondeur ces effets, mais ils ont des implications significatives sur la conception éducative44.
Bien que ces restrictions existent, les tendances positives enregistrées en termes d’engagement des apprenants et d’apprentissage expérientiel ne peuvent être négligées. Les environnements de pratique sécurisés, le retour en temps réel et la possibilité d’être exposé à des situations complexes encore et encore sont des avantages des technologies VR et GenAI. Ces caractéristiques peuvent être associées aux théories éducatives actuelles, telles que l’apprentissage expérientiel et la pratique délibérée, qui privilégient l’apprentissage actif et l’améliorationcontinue 45.
Dans l’ensemble, bien que les technologies VR et GenAI montrent un potentiel significatif pour transformer l’enseignement en oncologie, la base de preuves est actuellement limitée en termes de méthodologie et d’interprétation. Une attitude critique et prudente est donc nécessaire afin d’éviter une généralisation excessive des résultats et de s’assurer que les affirmations sur l’efficacité de l’éducation disposent de preuves empiriques solides.
Considérations cognitives, éthiques et organisationnelles
Cognitivement, le développement de ces technologies et leur application peuvent avoir un impact significatif sur la manière dont les apprenants perçoivent l’information et pratiquent le raisonnement clinique. La théorie de la charge cognitive offre un cadre pratique pour comprendre ces effets avec trois types de charge cognitive, à savoir la charge cognitive intrinsèque, extrainsèque et la charge cognitivepertinente 43. Bien que les environnements VR soient immersifs et engageants, ils peuvent imposer une charge cognitive superflue importante aux utilisateurs, nécessitant la navigation, la stimulation sensorielle et la complexité de l’interface. À moins d’être bien planifiés, ces facteurs peuvent déplacer les ressources cognitives vers d’autres domaines que les processus de raisonnement essentiels, annulant ainsi la performance en apprentissageet en évaluation 38.
De la même manière, les systèmes GenAI présentent de nouveaux défis cognitifs concernant la présentation de l’information et la dynamique des interactions. Un exemple est qu’un retour excessif ou redondant produit par les systèmes d’IA peut entraîner une surcharge d’informations, ce qui peut entraver un apprentissage réussi. En revanche, un retour adaptatif bien conçu peut augmenter la charge cognitive pertinente grâce à la formation de schémas et à la penséeréfléchie 46. L’équilibre entre l’orientation et l’autonomie cognitive est donc crucial, car une dépendance excessive aux réponses générées par l’IA peut réduire les opportunités de résolution indépendante de problèmes et de pensée critique.
L’engagement cognitif avec ces technologies est également médié par la familiarité des utilisateurs et la littératienumérique 44.
L’éthique est également un aspect clé dans la mise en œuvre de la VR et de la GenAI dans l’évaluation de l’éducation. Parmi les questions les plus marquantes figure le concept de biais algorithmique dans les systèmes basés sur l’IA. Les modèles d’apprentissage automatique, tels que les grands modèles de langage, sont entraînés sur de grandes quantités de données pouvant être biaisées en faveur des normes sociales, culturelles ou professionnelles existantes. Par conséquent, les résultats des évaluations peuvent entraîner une discrimination non désirée envers certains groupes d’apprenants, et l’équité et l’équité sont remises enquestion 35. D’autres questions éthiques sont la transparence et l’explicabilité. La plupart des systèmes GenAI sont des boîtes noires, sans descriptions explicites du processus décisionnel. Cette interprétabilité dans les évaluations peut entraîner un manque de confiance entre apprenants et enseignants, surtout lorsque le résultat final a de graves implicationsacadémiques 34.
La sécurité et la confidentialité des données sont également des facteurs importants à prendre en compte, car les données éducatives et, possiblement, cliniques sont sensibles. La VR peut être utilisée pour enregistrer des données comportementales détaillées, tandis que les plateformes GenAI peuvent gérer de grandes quantités de données textuelles. Pour maintenir des normes éthiques et la confiance dans l’institution, il est important de veiller au respect des règles de protection des données et à ce que les informations des utilisateurs restentprotégées 47.
En plus des questions individuelles, les questions organisationnelles sont décisives dans l’adoption réussie de ces technologies. La mise en œuvre de la VR et de l’IA générative dans l’enseignement de l’oncologie doit être cohérente avec les objectifs des institutions, l’accès aux ressources et les cadres de gouvernance de soutien. Le modèle Technologie-Organisation-Environnement (TOE) est un outil précieux pour examiner ces facteurs et se concentrer sur l’interaction entre la préparation technologique, les capacités organisationnelles et l’impact de l’environnementexterne 48.
La préparation organisationnelle inclut la compétence du corps professoral, la formation et l’acceptation des nouvelles technologies. La résistance possible à l’adoption peut être liée aux craintes de fiabilité, à la surcharge de travail ou simplement à l’inexpérience des systèmes pilotés par l’IA. Ces contraintes peuvent être surmontées grâce à des programmes ciblés de développement du corps professoral et en instaurant des règles explicites sur l’utilisation de la technologie dans l’évaluation49.
Une nouvelle approche du domaine se concentre sur l’idée d’autonomie éclairée, dans laquelle les systèmes d’IA sont créés pour aider et non remplacer le jugement humain. Cette méthode propose la combinaison harmonieuse d’analyses automatisées et de contrôle humain, où la technologie améliorerait la prise de décision sans interférer avec la responsabilité ou leprofessionnalisme 50. Dans le contexte de l’évaluation du raisonnement clinique, cela peut impliquer de combiner des insights générés par l’IA avec une évaluation experte afin d’obtenir un processus d’évaluation plus complet et fiable.
Dans l’ensemble, l’introduction de la VR et de la GenAI dans l’enseignement de l’oncologie implique plus qu’une simple innovation technique ; Il explore également des aspects cognitifs, éthiques et organisationnels complexes. Ces considérations sont cruciales pour garantir que ces technologies soient maximisées en termes de valeur éducative et de réduction des risques. Une stratégie interdisciplinaire qui prend en compte la conception centrée sur l’utilisateur, les préoccupations éthiques et la préparation institutionnelle sera primordiale pour le développement d’une utilisation responsable de la technologie dans l’évaluation du raisonnement clinique. Figure 3 Cadre Technologie-Organisation-Environnement (TOE) identifiant les facteurs clés d’implémentation pour intégrer la VR et la GenAI dans l’enseignement oncologique. Une adoption réussie nécessite une alignement entre les capacités du système, le soutien organisationnel et les conditions environnementales externes.
Figure 3 : Cadre Technologie-Organisation-Environnement (TOE) pour la mise en œuvre de la VR et de la GenAI dans l’enseignement de l’oncologie. Le cadre Technologie-Organisation-Environnement (TOE) s’appliquait à l’intégration de la VR et de la GenAI dans l’enseignement de l’oncologie, mettant en lumière les facteurs clés concernant la capacité du système, le leadership et le programme, ainsi que les considérations réglementaires, de financement et culturelles pour une mise en œuvre réussie. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Conclusions
Le raisonnement clinique en oncologie est une question en expansion et complexe, qui a longtemps été un aspect complexe, dynamique, à enjeux élevés et spécifique au contexte de la prise de décision oncologique. Cette revue a abordé les nouvelles fonctions de la réalité virtuelle (RV) et de l’intelligence artificielle générative (GenAI) en tant que solutions innovantes aux limites des techniques d’évaluation conventionnelles. Pris ensemble, les preuves suggèrent que ces technologies offre...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Remerciements
Financement : Fonds : Projet de recherche générale (catégorie sciences naturelles) du Département provincial de l’éducation du Zhejiang (Subvention n°Y202558353).
Fonds : Projet de recherche sur l’enseignement supérieur Projet spécial : L’intelligence artificielle renforçant l’éducation et les applications pédagogiques (KT2025426)
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Références
- Shimizu, H., Nakayama, K. I. Artificial intelligence in oncology. Cancer Sci. 111 (5), 1452-1460 (2020).
- 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).
- 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).
- Sminia, P., et al. Clinical radiobiology for radiation oncology. Radiobiology textbook. , (2023).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Pottle, J. Virtual reality and the transformation of medical education. Future Healthc J. 6 (3), 181-185 (2019).
- 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).
- Hamilton, A. Artificial intelligence and healthcare simulation: The shifting landscape of medical education. Cureus. 16 (5), e00000 (2024).
- 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).
- 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).
- 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).
- 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).
- 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).
- Cook, D. A., Sherbino, J., Durning, S. J. Management reasoning: Beyond the diagnosis. JAMA. 319 (22), 2267-2268 (2018).
- Croskerry, P. A universal model of diagnostic reasoning. Acad Med. 84 (8), 1022-1028 (2009).
- Norman, G. Research in clinical reasoning: Past history and current trends. Med Educ. 39 (4), 418-427 (2005).
- Topol, E. J. High-performance medicine: The convergence of human and artificial intelligence. Nat Med. 25 (1), 44-56 (2019).
- 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).
- Bickmore, T. W., Giorgino, T. Health dialog systems for patients and consumers. J Biomed Inform. 39 (5), 556-571 (2006).
- Messick, S. Validity. educational measurement. , 13-103 (1989).
- 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).
- Downing, S. M. Validity: On meaningful interpretation of assessment data. Med Educ. 37 (9), 830-837 (2003).
- 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).
- Gwet, K. L. . Handbook of inter-rater reliability. , (2021).
- 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).
- 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).
- Topol, E. J. . Deep medicine: How artificial intelligence can make healthcare human again. , (2019).
- 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).
- van der Vleuten, C. P. M., Schuwirth, L. W. T. Assessing professional competence: From methods to programmes. Med Educ. 39 (3), 309-317 (2005).
- 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).
- Makransky, G., Petersen, G. B. Immersive virtual reality and learning: A meta-analysis. Educ Psychol Rev. 31 (4), 915-943 (2019).
- Luckin, R., Holmes, W., Griffiths, M., Forcier, L. B. . Intelligence unleashed: An argument for AI in education. , (2016).
- 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).
- 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).
- 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).
- Sweller, J. Cognitive load theory. Psychol Learn Motiv. 55, 37-76 (2011).
- 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).
- Carr, S. AI gone wild: Implications of artificial intelligence for education. Educ Technol. 60 (2), 3-10 (2020).
- 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).
- European Parliament and Council. General Data Protection Regulation (GDPR). Off J Eur Union. L119, 1-88 (2016).
- Tornatzky, L. G., Fleischer, M. . The processes of technological innovation. , (1990).
- Rogers, E. M. . Diffusion of innovations. , (2003).
- Floridi, L., Cowls, J. A unified framework of five principles for AI in society. Harv Data Sci Rev. 1 (1), 1-15 (2019).
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.