הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר סקירה

נוף המציאות המדומה והבינה המלאכותית הגנרטיבית בחינוך לאונקולוגיה: סקירה מקיפה של כלי הערכת חשיבה קלינית

167 צפיות

⸱

DOI:

10.3791/70722

⸱

15 במאי 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

במאמר זה

סיכום

סקירה זו מגלה כי VR ו-GenAI מציעים דרכים חדשות להעריך חשיבה קלינית בהכשרה אונקולוגית. עם זאת, שניהם דורשים אימות חזק יותר ומסגרות אתיות לפני שימוש חינוכי נרחב, שכן הראיות הנוכחיות הן ראשוניות.

תקציר

אונקולוגיה היא סביבה שבה חשיבה קלינית היא מיומנות בסיסית המחייבת סינתזה של מידע קליני מורכב בסביבה בעלת סיכון גבוה. אמצעי הערכה קונבנציונליים, כגון מבחנים כתובים, מבחנים קליניים מובנים אובייקטיביים (OSCEs) והערכות במקום העבודה, מציעים ידע יקר ערך, אך עדיין אינם יעילים בשיקוף את האיכות הדינמית והחזרתית של חשיבה קלינית. הזדמנויות חדשות להתגבר על מגבלות אלו מוצגות על ידי טכנולוגיות דיגיטליות מתפתחות, במיוחד מציאות מדומה (VR) ובינה מלאכותית גנרטיבית (GenAI). מציאות מדומה מאפשרת סביבות מבוססות סימולציה, שיכולות להיות סוחפות, ומאפשרות הערכת גורמים פרוצדורליים וסיטואציוניים של חשיבה בהתבסס על פעולה קלינית נצפית. GenAI, בתורו, מספק אינטראקציה מבוססת דיאלוג יותר, המאפשרת הערכת תהליכים קוגניטיביים ואנליטיים, כולל תהליכים קוגניטיביים מרכזיים. הספרות מראה שלטכנולוגיות אלו יש יתרונות משלימים אך הן מנותקות מבחינה רעיונית. VR בעיקר מתעד ביצועי התנהגות, אך GenAI מדגיש תהליכים קוגניטיביים, והשניים פחות משולבים. יתרה מזאת, בסיס הראיות הנוכחי מאופיין בהטרוגניות מתודולוגית, תלות במחקר ראשוני, וחוסר ראיות לתוקף, במיוחד בנוגע לאמינות ולהשפעה בעולם האמיתי. גורמים נוספים שיש לקחת בחשבון הם השפעת העומס הקוגניטיבי, שונות המשתמשים, וסוגיות אתיות, כגון הטיה אלגוריתמית ושקיפות. היתכנות היישום מושפעת עוד יותר מגורמים ארגוניים כגון תשתיות ומוכנות מוסדית. באופן כללי, VR ו-GenAI מעודדים, אך מפתחים שיטות להערכה של חשיבה קלינית באונקולוגיה. בעתיד, התפתחות התחום תדרוש מסגרות הערכה קוהרנטיות, אימות קפדני ומבנים אתיים ברורים.

מבוא

חשיבה קלינית, התהליכים הקוגניטיביים והמטא-קוגניטיביים העומדים בבסיס האבחון והניהול, מהווה את אבן היסוד של פרקטיקה אונקולוגית בטוחהויעילה 1. זהו תהליך מורכב במיוחד בהקשר של אונקולוגיה, שכן על הרופאים לנווט בקבלת החלטות הסתברותיות מול אי-ודאות, לסנתז ראיות משתנות במהירות של טיפולים ולהשתתף בדיונים רב-תחומיים בוועדות גידולים. יתרה מזאת, אונקולוגים צריכים למצוא איזון בין חשיבה ביו-רפואית למחשבה ממוקדת מטופל, כולל הצגת תחזיות לקויות למטופלים, התמודדות עם סוגיות אתיות והתאמת תוכניות טיפול לשינויים במחלה 2,3. דרישות רב-שכבתיות אלו הופכות את פיתוח והערכת ההיגיון הקליני לקריטיים במיוחד בחינוך לאונקולוגיה. מסורתית, חשיבה קלינית הוערכה באמצעות מבחנים כתובים, מבחנים קליניים מובנים אובייקטיביים (OSCEs) והערכות מבוססות מקום עבודה כגון תרגיל הערכה מיני-קלינית (Mini-CEX)4. למרות ששיטות כאלה יכולות לספק מידע רקע על מיומנותו של הלומד, יש להן חסרונות משמעותיים. מבחנים כתובים נוטים יותר ליישום ידע סטטי מאשר לתהליכים דינמיים; ה-OSCE דורשים משאבים ועלולים להיות לא תקפים מבחינה אקולוגית; כמו כן, מבחנים מבוססי מקום עבודה הם בדרך כלל אפיזודיים וסובייקטיביים ונוטים להטיות הקשריות. כל המגבלות הללו יחד מקשות על חקר האופי האיטרטיבי, התלוי בהקשר והאורך של היגיון קליני, במיוחד בתחומים הכוללים עומס קוגניטיבי גבוה, כמו אונקולוגיה5. יחד, מגבלות אלו מונעות את היכולת ללכוד את האופי האיטרטיבי, התלוי בהקשר והאורך של חשיבה קלינית, במיוחד בתחומים בעלי סיכון גבוה ודורשים קוגניטיבית כמו אונקולוגיה6.

התפתחויות חדשות בטכנולוגיות דיגיטליות בשנים האחרונות מציגות הזדמנויות טובות להתגבר על אתגרים אלה. שניים מהם כוללים מציאות מדומה (VR) ובינה מלאכותית גנרטיבית (GenAI), שהפכו לכלי חינוך רפואי רבי עוצמה. VR מספק סביבות מבוססות סימולציה, סוחפות, מרחביות והקשריות מאוד, שמשחזרות את התרחיש הקליני המורכב. בחינוך אונקולוגי, סימולציות אלו עשויות לדמות תרחישים כמו מצבי חירום אונקולוגיים, סיבוכים במהלך כימותרפיה ואינטראקציות רגישות עם מטופלים, ולאפשר ללומדים לתרגל קבלת החלטות באופן חווייתי בסביבה בטוחה ומבוקרת 7,8,9. חשוב לציין שמערכות VR יכולות ללכוד נתוני התנהגות מפורטים—כגון רצפי פעולה, תזמון ונתיבי החלטה—ובכך לאפשר הערכה של ממדים פרוצדורליים וסיטואציוניים של חשיבה קלינית.

במקביל, GenAI, במיוחד מודלים לשוניים גדולים (LLMs), פתחו הזדמנויות חדשות להעריך את הארכיטקטורה הקוגניטיבית של ההיגיון. מערכות GenAI מסוגלות לתקשר עם הלומדים דרך שפה טבעית כדי לשלב אותם בסביבות אדפטיביות מבוססות דיאלוג, השואלות יצירת השערות, יצירת אבחון מבדל והצדקות ניהול. מערכות אלו יכולות לבחון תגובות של לומדים בהתבסס על טכניקות עיבוד שפה טבעית, המספקות הערכה מותאמת אישית וניתנת להרחבה של תהליכי הסקה שבעבר היו מאתגרים למדידה אובייקטיבית 10,11,12.

יתרה מזאת, הספרות הקיימת מפוזרת והטרוגנית מבחינת המתודולוגיה. רוב הראיות הקיימות מבוססות על מחקרי פיילוט, דוחות טכניים או יישומים שמכוונים בעיקר להכשרה ולא להערכה ממשית. כתוצאה מכך, רוב הטיעונים לגבי יכולות ההערכה של VR ו-GenAI מבוססים על פונקציונליות טכנולוגית ולא על אימות אמפירי מחמיר. הראיות המדווחות לתוקף מגוונות, כאשר תוקף התוכן מדווח בעיקר והתייחסות מינימלית למבנה פנימי, אמינות או קורלציות עם מדדי הערכה שנקבעו בעבר.

מגבלות אלו מחמירות עוד יותר בשל הנושאים החדשים הנוגעים לשימושיות, עומס קוגניטיבי ואתיקה. לדוגמה, מערכות GenAI מספקות פתרון אינטראקטיבי שניתן להרחבה; עם זאת, בעיות של עודף מידע, שונות בתגובת המערכת, והיכרות המשתמש יכולות להשפיע על האינטראקציה והביצועים של הלומד. באופן דומה, חוסר השקיפות, ההגינות והאחריות בתרחישי ההערכה יכולים להיחשב כבעיה של אופי התיבה השחורה של ניקוד מונחה בינה מלאכותית. מבחינת יישום, מערכות VR דורשות השקעה עצומה בתשתיות, בעוד שאימוץ GenAI מבוסס על מוכנות מוסדית, ממשל והתאמה למטרות החינוכיות. גורמים אלו מדגישים את החשיבות של מסגרת מושגית וארגונית יותר בהערכת האופן שבו טכנולוגיות אלו יכולות להשתלב בחינוך האונקולוגי.

בהתאם לכך, סקירה זו תציע סינתזה נרטיבית מעמיקה של הספרות העכשווית על VR ו-GenAI בחינוך אונקולוגי, עם עניין מיוחד ביישומן בהערכת חשיבה קלינית. במיוחד, הוא שואף (1) לתאר עיצובים טכנולוגיים והקשרים של יישום כלים אלו; (2) לבחון את הראיות לתוקף המדווח ולתוצאות החינוכיות; ו-(3) להציג את האתגרים המרכזיים, כגון דאגות קוגניטיביות, אתיות וארגוניות, וכיווני מחקר ופרקטיקה עתידיים. מאגרי מידע אקדמיים מרכזיים נבדקו באופן שיטתי כדי למצוא ספרות רלוונטית, אך כפי שמקובל לסקור מאמרים, מאמר זה מתמקד בפרשנות, סינתזה ולא בדיווח פרוצדורלי.

איור 1: מודל משולב המשלב הערכה מבוססת VR של פעולות קליניות עם הערכה מבוססת GenAI של קוגניציה קלינית. גישה כפולה זו לוכדת הן את הממדים ההתנהגותיים והן את הממדים האנליטיים של ההיגיון הקליני להערכה מקיפה ומשוב.

figure-introduction-1
איור 1: מודל משולב של הערכת חשיבה קלינית באמצעות VR ו-GenAI. איור זה מציג מודל משולב המשלב מציאות מדומה (VR) להערכת חשיבה קלינית מבוססת פעולה (למשל, זרימת עבודה, נהלים, עבודת צוות) עם בינה מלאכותית גנרטיבית (GenAI) להערכת חשיבה קוגניטיבית ודיאלוגית (למשל, אבחון, הצדקה, הרהור). אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

סקירה ופרספקטיבה

טיפולוגיה טכנולוגית ויישום
המצב הקיים בתחום הטכנולוגיות הדיגיטליות של הערכת חשיבה קלינית בחינוך אונקולוגי מאופיין בשני פרדיגמות של טכנולוגיות דיגיטליות. הגישות הנוכחיות מסתמכות על מערכות מבוססות VR ו-GenAI. למרות ששתי השיטות שואפות לשפר את הערכת מיומנויות קליניות מורכבות, יש להן הבדלים משמעותיים מבחינת יסודות טכנולוגיים, אינטראקציה ולוגיקת הערכה13,14. מערכות אלו מציבות את הלומדים בסביבות אונקולוגיות ריאליסטיות, בין אם בייעוץ אמבולטורי, בניהול אשפוז של מצבי חירום אונקולוגיים, או בהקשר רב-תחומי לקבלת החלטות באמצעות תצוגות ראשיות וממשקים אינטראקטיביים6.

יתרון של מערכות VR הוא שהן יכולות להקליט נתונים התנהגותיים מפורטים באמצעות ניתוח משובצים. נתונים אלו כוללים סדרת פעולות, לוח זמנים להחלטה, ניווט ועמידה בהנחיות קליניות. מדדים אלו מאפשרים למחנכים להעריך את האלמנטים הפרוצדורליים של ההיגיון הקליני, כגון איסוף נתונים, העדפת פעולות אבחון ויישום מסלולי ניהול15. עם זאת, יישום כלי הערכה מבוססי VR מלווה באתגרים תשתיתיים ולוגיסטיים משמעותיים. עלויות התחלתיות גבוהות הקשורות לרכישת חומרה, פיתוח תוכנה ותחזוקה עלולות להגביל את הנגישות, במיוחד בסביבות עם משאביםמוגבלים 16. בנוסף, הצורך במרחב פיזי ייעודי, תמיכה טכנית והכשרה לסגל מסבך עוד יותר את הפריסה בקנה מידה רחב. מגבלות אלו מגבילות לעיתים קרובות את יישומי ה-VR למרכזי סימולציה מיוחדים, ומגבילים את היכולת להרחבה שלהם ואת האינטגרציה הנרחבת שלהם בתכניות הלימודים באונקולוגיה.

לעומת זאת, כלים מבוססי GenAI פועלים באמצעות אינטראקציה עם שפה טבעית, ומספקים שיטת הערכה חדשה. פותחו בהתבסס על ארכיטקטורות מודלים לשוניים גדולות, והם מערבים את הלומדים בשיחות אינטראקטיביות מבוססות טקסט או קול, המדמים מנגנוני הסקה קלינית. הלומדים מעודדים לתאר את האבחנות המבדלות, את ההיגיון מאחורי החלטות הניהול ולענות על מצבים קליניים משתנים, כאשר המערכת מספקת משוב והערכה מעצבים10,11.

היתרון העיקרי של מערכות GenAI הוא שהן מסוגלות להעריך את ההיבטים הקוגניטיביים והאנליטיים של ההסקה הקלינית. כלים אלה יכולים להעריך את המבנה, הקוהרנטיות והעומק של ההיגיון של הלומד על ידי התבוננות בתוצר השפה ומעבר לנכונות כדי לקבל מידע איכותי על תהליך החשיבה. יתרה מזאת, לפתרונות GenAI יש יתרונות משמעותיים של הרחבה ונגישות. ניתן גם ליישם אותם בהקשרים מרוחקים ואסינכרוניים, בניגוד למערכות VR שניתן לממש רק בממשקים מבוססי רשת5.

למרות היתרונות, קיימים חסרונות משמעותיים לכלי הערכה מבוססי GenAI. התלות בעיבוד שפה טבעית גורמת לבעיות הקשורות לאמינות ניקוד, פרשנות ושקיפות. מערכות רבות הן קופסאות שחורות, כלומר, הלוגיקה של החלטת הניקוד אינה תמיד זמינה למחנכים או ללומדים17. הנושא המרכזי הבולט בספרות הוא הפשרה הפנימית בין תוקף אקולוגי ליכולת הרחבה בין שתי הפרדיגמות הטכנולוגיות. מערכות VR טובות ביכולתן לשחזר סביבות קליניות ריאליסטיות וללכוד החלטות מגולמות, אך הן דורשות משאבים רבים ולכן מוגבלות מבחינת יכולת הרחבה. לעומת זאת, מערכות GenAI יכולות לשמש להערכת תהליכים קוגניטיביים בצורה ניתנת להרחבה ומבוססת דיאלוג.

חשוב לציין, יש מחסור משמעותי בספרות הקיימת הכוללת פלטפורמות משולבות או היברידיות שמאחדות את היתרונות של VR ושל GenAI. סוג זה של אינטגרציה עשוי להקל על מדידה נלווית של ביצועים פרוצדורליים והיגיון קוגניטיבי, שכן טבע קבלת ההחלטות הקלינית קשור זה לזה18. מבחינת יישום, יכולות טכניות אינן הגורמים היחידים שקובעים את אימוץ הטכנולוגיה; גורמים ארגוניים וסביבתיים גם הם משחקים תפקיד. מודלים כמו מודל טכנולוגיה-ארגון-סביבה (TOE) הם פרספקטיבה טובה בהסבר הדינמיקות הללו.19.

באופן כללי, הטיפולוגיה של כלי VR ו-GenAI מאירה מרחב לא רציף אך מתפתח במהירות. למרות שלשתי הטכנולוגיות יש יתרונות ייחודיים במדידת היבט מסוים של חשיבה קלינית, ההפרדה הקיימת ביניהן אינה מספקת הזדמנות להעריך אותן במלואן. סגירת פער זה באמצעות אינטגרציה מושגית, חדשנות טכנולוגית ואסטרטגיות יישום רגישות להקשר תהיה הכרחית כדי להוביל את התחום לעבר מודלים מקיפים ויעילים יותר של הערכה.

מבני חשיבה קלינית והערכה איטרטיבית
חשיבה קלינית היא מושג רב-ממדי הכולל תהליכים קוגניטיביים, מטאקוגניטיביים והתנהגותיים התומכים בקבלת החלטות אבחנתיות וטיפוליות. באונקולוגיה, אי-ודאות, ראיות דינמיות וצורך בתיאום בין-תחומי מסבכים עוד יותר תהליכים אלה. הספרות הספרית מתארת יותר ויותר את ההיגיון הקליני כרצף הכולל רכישת מידע, יצירת השערות, שיפור האבחון, תהליך קבלת ההחלטות והערכה רפלקטיבית20,21.

המערכות המבוססות על מציאות מדומה תואמות בעיקר את הערכת ההיבטים הנצפים והמוכווני פעולה של ההיגיון הקליני. הפלטפורמות הללו מציבות את הלומדים בסביבות קליניות מדומות, ומאפשרות לבדוק כיצד אנשים רוכשים ידע, מתמקדים בתהליכי אבחון ומבצעים סדרת ניתוחים. הוא מתמקד בתרגום ההיגיון לפעולה, שבו ההחלטות הקליניות מבוססות על דפוסי אינטראקציה בסביבה המדומה.

לעומת זאת, מערכות מבוססות GenAI מתמקדות בתהליכים של יצירת וניתוח תהליכים קוגניטיביים פנימיים העומדים בבסיס ההסקה הקלינית. אינטראקציה בשפה טבעית מעודדת את הלומדים לבטא את האבחנות השונה, להצדיק בחירות ניהול קליניות, ולחשוב על אי-הוודאויות הקליניות. מערכות כאלה קובעות את ההיגיון על ידי מדידת קוהרנטיות סמנטית, מבנה לוגי ועומק התגובות על ידי הלומד, בדרך כלל באמצעות שיטות עיבוד שפה טבעית כדי לספק קירוב לשיפוט מומחה13,10.

למרות שמדובר בחוזקות משלימות זו לזו, חולשה שנמצאה כקריטית ביותר לאורך הספרות היא הפיצול העוין של ההערכה בין תחומים קוגניטיביים להתנהגותיים. פרקטיקה אמיתית של חשיבה קלינית היא מטבעה איטרטיבית, כלומר משוב מתמיד בין חשיבה לפעולה. זהו תהליך מחזורי מרכזי בתהליך קבלת החלטות קלינית יעיל, במיוחד באונקולוגיה, שבו התנאים והתגובות של המטופלים לטיפול משתניםלאורך זמן.

אינטראקציה דינמית זו לעיתים קרובות אינה משתקפת בכלי VR ו-GenAI הנוכחיים. מערכות VR בדרך כלל גובות הסקה מהתנהגות נצפית מבלי בהכרח להגיע לתהליכים המנטליים הבסיסיים, בעוד שמערכות GenAI מנתחות הסקה מפורטת מחוץ להקשר של התנהגות קלינית. כתוצאה מכך, שתי האסטרטגיות מציגות דימויים מוטים של מיומנות קלינית ואינן יכולות להעריך כראוי את כל מגוון פעילויות ההסיקה. חולשה משמעותית נוספת הקשורה לשימוש באנליטיקה אוטומטית ככלי הערכה עיקרי. ב-VR, ניתוח קבצי יומן משמש להבנת התנהגות המשתמשים, אך מדידות אלו עשויות שלא להספיק להבנת ההיגיון מאחורי הבחירות הקליניות. באופן דומה, פרשנות אלגוריתמית של שפה משמשת לעיתים קרובות לדירוג מערכות GenAI ועלולה להתעלם מניואנסים לשוניים כמו אינטואיציה קלינית, טיפול באי-ודאות או הסקה ספציפית להקשר23.

בנוסף, הספרות מציינת את היעדר שיטות סטנדרטיות למיפוי פלטי טכנולוגיה למודלים ידועים של חשיבה קלינית. למרות שיש מחקרים שמקשרים במרומז בין VR לחשיבה פרוצדורלית ו-GenAI לחשיבה קוגניטיבית, לא מחקרים רבים מציבים את הכלים הללו בהקשר של מבנים תיאורטיים מאומתים. פער זה מגביל את האפשרויות לבצע השוואות בין תוצאות מחקרים אחרים וליצור מבנה עקבי של הערכה משופרת טכנולוגית24.

מוקד המחקר העתידי בתחום זה צריך להיות על שילוב שיטות הערכה קוגניטיביות והתנהגותיות. מערכות היברידיות משולבות מערכות היברידיות המשלבות סימולציה סוחפת עם דיאלוג בזמן אמת המתווך על ידי בינה מלאכותית יכולות לאמץ טוב יותר את האופי האיטרטיבי של חשיבה קלינית. עם אלה, התנהגות הלומדים בסביבה וירטואלית עשויה לעורר תשובה שאלה מצד סוכן בינה מלאכותית, וכך לאפשר להעריך הן את מה שלומדים עושים והן מדוע הם עושים זאת בו זמנית25,26.

בסך הכל, למרות שטכנולוגיות VR ו-GenAI מספקות תובנות שימושיות להיבטים ספציפיים של חשיבה קלינית, היישום שלהן נותר מפוזר כרגע. יהיה צורך בשילוב מושגים, קפדנות מתודולוגית וחדשנות טכנולוגית כדי להתמודד עם הפיצול הזה ולפתח אסטרטגיות הערכה מקיפות ומשמעותיות בחינוך לאונקולוגיה. טבלה 1 מדגישה את ההבדלים המרכזיים בין מציאות מדומה (VR) לבינה מלאכותית גנרטיבית (GenAI) להערכת חשיבה קלינית, השוואה בין מוקדי ההיגיון, האינטראקציות, החוזקות, המגבלות והפלטים של הנתונים. יתרה מזאת, איור 2 ממחיש את מחזור ההיגיון הקליני האיטרטיבי, שמראה כיצד מציאות מדומה תומכת באיסוף נתונים, פעולה והרהור, בעוד ש-GenAI מסייע ביצירת השערות, שיפור והסבר אבחון. ביחד, הם מאפשרים מעגל מתמשך של קבלת החלטות מושכלת ולמידה חווייתית.

מימדמציאות מדומה (VR)בינה מלאכותית גנרטיבית (GenAI)
מוקד הערכהפרוצדורלי / התנהגותיקוגניטיבי / אנליטי
מצב אינטראקציהסימולציה סוחפתמבוסס דיאלוג
עוצמהתוקף אקולוגי גבוהיכולת הרחבה גבוהה
הגבלהרב-משאביםשקיפות מוגבלת
סוג הנתוניםיומני התנהגותתגובות בשפה טבעית

טבלה 1: השוואה בין VR ל-GenAI בהערכת חשיבה קלינית. השוואה בין מציאות מדומה (VR) ובינה מלאכותית גנרטיבית (GenAI) להערכת חשיבה קלינית בממדים מרכזיים, כולל מיקוד הערכה, מצב אינטראקציה, חוזקות, מגבלות וסוג נתונים.

figure-protocol-1
איור 2: מחזור חשיבה קלינית איטרטיבי: תרומות של VR ו-GenAI. מחזור ההיגיון הקליני האיטרטיבי ממחיש כיצד מציאות מדומה לוכדת פעולות וביצועים במהלך משימות מבוססות סימולציה (איסוף מידע וקבלת החלטות), בעוד ש-GenAI תומך ביצירת השערות, אבחון מבדל, הסבר ושיפור, וביחד מאפשר הרהור מתמשך ולמידה מניסיון. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

ראיות תוקף ומגבלות מדידה
פיתוח ראיות חזקות לתוקף הוא הליבה ליישום כל כלי הערכה, במיוחד בתחומים בעלי סיכון גבוה כמו חינוך אונקולוגי. הקונספטואליזציה המודרנית של תיאוריית התוקף רואה בתוקף מבנה יחיד הנתמך במספר מקורות ראיות כגון תוכן, תהליך תגובה, מבנה פנימי, יחסים למשתנים אחרים והשלכות ההערכה27,28.

רוב המחקרים מתמקדים בתוקף התוכן, שמודגם בדרך כלל באמצעות סקירת מומחים של מצבים קליניים, עיצוב משימות או קריטריוני ניקוד. למרות ששיטות אלו מבטיחות שחומר ההערכה רלוונטי ועקבי עם הפרקטיקה האונקולוגית, הן אינן מספקות מידע רב על יכולת הכלים למדוד את המבנים הבסיסיים של חשיבה קלינית. ברוב המקרים, אימות התוכן נחשב כהוכחה מספקת ליעילות, אף על פי שחסרים פרקטיקות פסיכומטריות מחמירותיותר.

יש פחות דיווח עקבי של ראיות לגבי תוקף תהליך התגובה – כיצד הלומדים תופסים ומתקשרים עם פעילויות הערכה. מחקרים אחרים משתמשים בבדיקות שימושיות, משוב מהלומדים או פרוטוקולי חשיבה בקול כדי לרמוז שהמשתתפים מתקשרים עם סביבות VR או מערכות GenAI בצורה הרצויה. בנוסף, עדיין לא ברור עד כמה אינטראקציות אלו יכולות ללכוד במדויק חשיבה קלינית אמיתית, במיוחד בתרחישים מדומים או מתווכים על ידי בינה מלאכותית30.

אחת המגבלות החשובות ביותר הן במודאליות של מציאות מדומה והן ב-GenAI היא היעדר ראיות למבנה פנימי. מדדים של אמינות, כולל עקביות פנימית, הסכמה בין המערכים או יציבות בדיקה חוזרת, מדווחים לעיתים רחוקות. זה במיוחד בעייתי עבור כלים המבוססים על ניקוד אוטומטי. מערכות GenAI משתנות גם מבחינת אלגוריתמים לניקוד המונעים על ידי עיבוד שפה טבעית, כאשר התוצאות יכולות להשתנות בהתאם לעיצוב ההנחות, פרמטרי המודל או הפרשנות ההקשרית31.

באופן דומה, קיימות עדויות מוגבלות ליחסים עם משתנים אחרים. לא הרבה מחקרים ניסו לקשר בין ביצועים בפלטפורמות VR או GenAI לטכניקות הערכה קיימות, כולל OSCEs, מבחנים כתובים או הערכות במקום העבודה. ללא השוואות כאלה, קשה לדעת האם טכנולוגיות אלו מודדות מבנים התואמים את מסגרות הכשירות הקלינית הנוכחיות. חוסר כזה בתוקף מתכנס ומבחין מגביל את הפרשנות והאמינות של תוצאות ההערכה32.

הפער הגדול ביותר בספרות הוא חוסר תוקף ההעברה שלה. מעט מאוד או אין נתונים תומכים ברעיון שהפרקטיקה בסימולציות VR או בדיקות מבוססות GenAI קשורה להיגיון קליני טוב יותר בפרקטיקה האונקולוגית עצמה. מכיוון שהמטרה הסופית של ההכשרה הרפואית היא לשפר את הטיפול במטופלים, מגבלה זו היא אחת המכשולים הגדולים ביותר ליישום כלים כאלה בתוכניות הערכה פורמליות. בהיעדר מחקרים אורך או תוצאות, ההשפעה החינוכית של טכנולוגיות אלו מוגבלת למצב המדומה או הניסיוני שבו הן מיושמות33.

בנוסף לחסרונות הפסיכומטריים הללו, ישנם אתגרים נוספים שמציבים השימוש הגובר באנליטיקה אוטומטית. גם VR וגם GenAI מסתמכים רבות על פרשנות אלגוריתמית של התנהגות או שפה של המשתמשים, מה שמעלים שאלות לגבי שקיפות ויכולת פרשנות. האופי השחור של מודלים לשוניים גדולים בהקשר של הערכות מבוססות GenAI מסבך את ההבנה כיצד מפיקים ציונים וכיצד להבטיח ציונים בלתי מוטים. אי הסבר כזה עלול להרוס את האמון בין מורים לתלמידים, במיוחד בסביבות בעלות סיכון גבוה34.

בעיה חשובה נוספת היא הטיה בהערכה מבוססת בינה מלאכותית. נתוני ההכשרה המשמשים ליצירת מודלים לשוניים עשויים ללכוד הבדלים בידע קליני, דפוסי תקשורת או פרקטיקות תרבותיות, ובכך להוביל להבדלים שיטתיים בניקוד בין קבוצות הלומדים. אם לא יטפלו, הטיות כאלה עלולות להשפיע באופן חמור על היבטי ההגינות והשוויון בחינוך הרפואי35.

בנוסף, ההשלכות של הערכה, היבט חשוב נוסף של תוקף, נדירות בספרות הקיימת. מעט מאוד מחקרים בוחנים את השפעות השימוש בכלי VR או GenAI על התנהגות לומדים, מסלולי החינוך או קבלת ההחלטות בסביבות קליניות. היעדר מחקרים על ההשפעות במורד הזרם מגביל את הידע על ההשפעות החיוביות והאפשריות הלא מכוונות של טכנולוגיות אלו36.

לסיכום, טכנולוגיות VR ו-GenAI מבטיחות במתן שיטות חדשות להערכת חשיבה קלינית, אך בסיס הראיות הקיים אינו מספיק ליישמו במצבים בעלי סיכון גבוה. בכל התחומים, שיפור התוקף יבטיח את הצעד הבא: הפיכת כלים אלו משימוש ניסיוני לאלמנטים יעילים בהערכת חינוך אונקולוגי. טבלה 2 מסכמת ראיות תקפות עבור VR ו-GenAI בארבעה תחומים — תוכן, מבנה פנימי, יחסים עם משתנים אחרים והשלכות — תוך הדגשת מגבלות מרכזיות, כולל עיצובים מונחי מומחים, בדיקות אמינות מוגבלות, מחקרים השוואתיים דלילים, והיעדר נתוני תוצאות לטווח ארוך.

תחום תוקףראיות מציאות מדומהראיות ל-GenAIמגבלת מפתחות
תוכןחזקבינוניבעיקר מונחה על ידי מומחים
מבנה פנימימוגבלמוגבלהיעדר בדיקות אמינות
יחסים למשתנים אחריםדלילדלילמעט מחקרים השוואתיים
השלכותמינימליסטימינימליסטיאין תוצאות לטווח ארוך

טבלה 2: ראיות תוקף בטכנולוגיות שונות. טבלה זו מציגה ראיות תוקף עבור VR ו-GenAI בהערכת הסקה קלינית בתוכן, מבנה פנימי, יחסים עם משתנים אחרים ותחומי השלכות 

תוצאות חינוכיות וזהירות פרשנית
האימוץ הגובר של מציאות מדומה (VR) ובינה מלאכותית גנרטיבית (GenAI) בחינוך אונקולוגי התקבל בספרות המתעדת תוצאות חיוביות כוללות בחינוך. אלה כוללים שיפור במעורבות הלומדים, מוטיבציה, ריאליזם נתפס של סביבות למידה, ויכולת לקבל משוב מיידי ומותאם אישית 37,38,39. ממצאים אלו מצביעים על כך שטכנולוגיות אלו מבטיחות להעשיר חוויות חינוכיות ולתמיכה בפיתוח מיומנויות חשיבה קלינית.

אחוז משמעותי מהתוצאות המדווחות הם מדווחים עצמיים כמו שביעות רצון ללמד, ביטחון נתפס או הערכת למידה סובייקטיבית. למרות שמדדים אלה משמשים כמידע מעמיק על חוויית המשתמש, הם אינם תמיד קשורים להסקה קלינית מוחשיתאו לשיפורים בביצועים קליניים. במקרה של דיווח אובייקטיבי, הם נוטים להתמקד בתוצאות הביצועים של הפלטפורמה הטכנולוגית עצמה. למרות שתוצאות אלו עשויות להצביע על כך שהכלי טופל בהצלחה, הן אינן קובעות האם אינטראקציה זו יכולה להיות מתורגמת למיומנות כללית בחשיבה קלינית. הרווחים שהושגו בסביבות מבוקרות או מדומים יכולים להיות קשורים להיכרות עם המערכת בניגוד לצמיחה קוגניטיבית או התנהגותית אמיתית53. המגבלה השנייה קשורה לתכונות המתודולוגיות של המחקרים הקיימים. רוב הספרות כוללת מחקרים בקנה מידה קטן, במוסד יחיד, עם גודל מדגם מוגבל ותקופות התערבות קצרות. מגבלות אלו מפחיתות את הכוח הסטטיסטי ומגבילים את הכללת התוצאות למגוון רחב של סביבות חינוכיות.33.

בעיית ההעברה היא נושא דאגה מיוחדת בחינוך לסרטן. הסקה קלינית אונקולוגית היא תהליך קבלת החלטות מורכב וארוך טווח המתרחש במסגרת זמן ובהקשרים קליניים. עם זאת, יש מחסור בספרות האם מיומנויות מאומנות ב-VR או התערבויות GenAI נשארות לאחר ההקשר הלמידה המיידי או משפיעות על הפרקטיקה הקלינית האמיתית. יתרה מזאת, הספרות נוטה לערבב תוצאות הכשרה והערכה. רוב יישומי VR ו-GenAI שואפים בעיקר להנחיית למידה ככלי חינוכי, אך הצלחתם לעיתים נתפסת כסימן לתוקף ההערכה. כדי לפרש בצורה מדויקת, חשוב להבחין בין היתרונות של למידה מעצבת לבין התועלת של הערכה סיכמתית42.

יש גם סיבות קוגניטיביות שמסבכות את הפרשנות של תוצאות חינוכיות. טכנולוגיות מתקדמות מציגות מגוון עומסים קוגניטיביים, והן עשויות להשפיע על ביצועי הלומדים. לדוגמה, מערכות מציאות מדומה סוחפות יכולות להיות עם עומס קוגניטיבי מיותר מבחינת ניווט, אינטראקציה עם הממשק או עיבוד חושי. עם עיצוב נכון והיכרות עם המשתמש, גורמים אלו עשויים להקל או להקשות על הלמידה36. חוויית המשתמש והניסיון הקודם עם טכנולוגיה הם גם גורמים. סטודנטים שרגילים יותר לממשקי מחשב או למערכות מבוססות בינה מלאכותית יכולים להצליח טוב יותר, לא בהכרח בגלל שיש להם יותר הסקה קלינית, אלא גם בזכות אינטראקציה נוחה יותר עם המערכת43.

האפשרות לתוצאות בלתי מכוונות היא גורם נוסף שיש לקחת בחשבון. לדוגמה, תלות מופרזת במשוב שפותח על ידי בינה מלאכותית יכולה להפחית את הסיכויים לחשיבה לוגית או ניתוח ביקורתי. באופן דומה, מצבי VR מנוסחים היטב עלולים להגביל בטעות את קבלת ההחלטות על ידי הפחתת מספר הפעולות האפשריות. הספרות הנוכחית אינה חוקרת לעומק את ההשפעות הללו, אך יש להן השלכות משמעותיותעל עיצוב חינוכי.

למרות שהמגבלות הללו קיימות, הנטיות החיוביות שתועדו בהקשר של מעורבות לומדים ולמידה חווייתית אינן ניתנות להזנחה. סביבות תרגול בטוחות, משוב בזמן אמת, והיכולת להיחשף שוב ושוב למצבים מורכבים הם יתרונות של טכנולוגיות VR ו-GenAI. תכונות אלו יכולות להיות מקושרות לתיאוריות חינוכיות עכשוויות, כגון למידה חווייתית ופרקטיקה מכוונת, שמעדיפות למידה פעילה ושיפור מתמיד45.

בסך הכול, למרות שטכנולוגיות VR ו-GenAI מראות פוטנציאל משמעותי לשנות את החינוך באונקולוגיה, בסיס הראיות מוגבל כיום במתודולוגיה ובפרשנות. לכן יש צורך בגישה ביקורתית וזהירה כדי למנוע הכללה מופרזת של הממצאים ולוודא שהטענות לגבי יעילות החינוך יקבלו ראיות אמפיריות חזקות.

שיקולים קוגניטיביים, אתיים וארגוניים
קוגניטיבית, פיתוח טכנולוגיות אלו ויישומן עשוי להשפיע משמעותית על האופן שבו הלומדים תופסים מידע ומתרגלים חשיבה קלינית. תיאוריית העומס הקוגניטיבי מציעה מסגרת מעשית להבנת השפעות אלו עם שלושה סוגים של עומס קוגניטיבי: עומס קוגניטיבי פנימי, חיצוני ורלוונטי43. למרות שסביבות VR הן סוחפות ומרתקות, הן יכולות להטיל עומס קוגניטיבי מיותר משמעותי על המשתמשים, הדורש ניווט, גירוי חושי ומורכבות הממשק. אם לא מתוכננים היטב, גורמים כאלה עלולים להעביר את המשאבים הקוגניטיביים לתחומים אחרים מלבד תהליכי חשיבה חיוניים, ובכך לבטל את ביצועי הלמידה וההערכה38.

באופן דומה, מערכות GenAI מציבות אתגרים קוגניטיביים חדשים בהצגת מידע ודינמיקה של אינטראקציה. דוגמה לכך היא שמשוב מופרז או מיותר שנוצר על ידי מערכות בינה מלאכותית עלול להוביל לעומס מידע, מה שעלול לפגוע בלמידה מוצלחת. מצד שני, משוב אדפטיבי מתוכנן כראוי יכול להגדיל את העומס הקוגניטיבי הרלוונטי דרך יצירת סכימות וחשיבה רפלקטיבית46. לכן, האיזון בין הכוונה לאוטונומיה קוגניטיבית הוא קריטי, שכן הסתמכות מופרזת על תגובות שנוצרו על ידי בינה מלאכותית עלולה להפחית הזדמנויות לפתרון בעיות עצמאי וחשיבה ביקורתית.
מעורבות קוגניטיבית עם טכנולוגיות כאלה מתווכת גם על ידי היכרות המשתמש ואוריינות דיגיטלית44.

אתיקה היא גם היבט מרכזי ביישום VR ו-GenAI בהערכת חינוך. אחת הסוגיות הבולטות ביותר היא מושג ההטיה האלגוריתמית במערכות מבוססות בינה מלאכותית. מודלים של למידת מכונה, כמו מודלים לשוניים גדולים, מאומנים על כמויות גדולות של נתונים שעשויים להיות מוטים לטובת נורמות חברתיות, תרבותיות או מקצועיות קיימות. כתוצאה מכך, תוצאות ההערכה עלולות להוביל לאפליה בלתי רצויה נגד קבוצות לומדים מסוימות, והוגנות ושוויון מוטלות בשאלה35. סוגיות אתיות נוספות הן שקיפות והסבר. רוב מערכות GenAI הן קופסאות שחורות, ללא תיאורים מפורשים של תהליך קבלת ההחלטות. פרשנות זו בהערכות עלולה לגרום לחוסר אמון בין הלומדים למחנכים, במיוחד כאשר התוצאה הסופית גורמת להשלכות אקדמיות חמורות34.

אבטחה ופרטיות הנתונים הן גם גורם משמעותי שיש לקחת בחשבון, שכן נתונים חינוכיים ואולי גם קליניים רגישים. VR יכול לשמש לתיעוד נתוני התנהגות מפורטים, בעוד שפלטפורמות GenAI יכולות לטפל בכמויות גדולות של נתוני טקסט. כדי לשמור על סטנדרטים אתיים ואמון במוסד, חשוב לוודא שכללי הגנת המידע נשמרים ושהמידע של המשתמשים יישאר מוגן47.

בנוסף לסוגיות ברמת הפרט, סוגיות ארגוניות הן מכריעות באימוץ המוצלח של טכנולוגיות אלו. הטמעת VR ו-GenAI בחינוך אונקולוגי צריכה להיות תואמת למטרות המוסדות, הגישה למשאבים ומסגרות הממשל התומכות. מודל טכנולוגיה-ארגון-סביבה (TOE) הוא כלי חשוב לבחינת גורמים אלו ולהתמקדות באינטראקציה בין מוכנות טכנולוגית, יכולות ארגוניות והשפעתהסביבה החיצונית.

המוכנות הארגונית כוללת מיומנות הסגל, הכשרה וקבלת טכנולוגיות חדשות. ההתנגדות האפשרית לאימוץ יכולה להיות קשורה לחששות מאמינות, עומס עבודה או פשוט חוסר היכרות עם מערכות מונעות בינה מלאכותית. מגבלות אלו ניתנות להתגבר באמצעות תוכניות פיתוח ממוקדות לסגל ובאמצעות כללים מפורשים לגבי אופן השימוש בטכנולוגיה בהערכה49.

גישה חדשה לתחום מתמקדת ברעיון האוטונומיה הנאורה, שבה מערכות בינה מלאכותית נוצרות כדי לסייע ולא להחליף את השיפוט האנושי. שיטה זו מציעה שילוב הרמוני של אנליטיקה אוטומטית ושליטה אנושית, כאשר הטכנולוגיה תשפר את קבלת ההחלטות מבלי להפריע לאחריות אומקצועיות. בהקשר של הערכת חשיבה קלינית, הדבר עשוי לכלול שילוב תובנות שנוצרו על ידי בינה מלאכותית עם הערכה מקצועית להשגת תהליך הערכה מקיף ואמין יותר.

בסך הכול, הכנסת VR ו-GenAI לחינוך האונקולוגי כוללת יותר מחדשנות טכנית בלבד; הוא גם בוחן היבטים קוגניטיביים, אתיים וארגוניים מורכבים. שיקולים אלו חיוניים להבטיח שהטכנולוגיות הללו ימקסמו את ערכן החינוכי והפחתת הסיכונים. אסטרטגיה בין-תחומית המתמקדת בעיצוב ממוקד משתמש, דאגות אתיות ומוכנות מוסדית תהיה חיונית לפיתוח השימוש האחראי בטכנולוגיה בהערכת חשיבה קלינית. איור 3 מסגרת טכנולוגיה-ארגון-סביבה (TOE) מזהה גורמי יישום מרכזיים לשילוב VR ו-GenAI בחינוך אונקולוגי. אימוץ מוצלח דורש התאמה בין יכולות המערכת, תמיכה ארגונית ותנאים סביבתיים חיצוניים.

figure-protocol-2
איור 3: מסגרת טכנולוגיה-ארגון-סביבה (TOE) ליישום VR ו-GenAI בחינוך אונקולוגי. מסגרת טכנולוגיה-ארגון-סביבה (TOE) יושמה לשילוב מציאות מדומה ו-GenAI בחינוך אונקולוגי, תוך הדגשת גורמים מרכזיים ביכולות המערכת, מנהיגות ותכנית לימודים, וכן שיקולים רגולטוריים, מימונים ותרבותיים ליישום מוצלח. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

מסקנות

חשיבה קלינית באונקולוגיה היא סוגיה מתרחבת ומאתגרת, שהייתה מזה זמן רב היבט מורכב, דינמי, בעל סיכון גבוה ותלוי הקשר בקבלת החלטות אונקולוגיות. סקירה זו דנה בפונקציות החדשות של מציאות מדומה (VR) ובינה מלאכותית גנרטיבית (GenAI) כפתרונות חדשניים למגבלות של טכניקות הערכה קונבנציונליות. ביחד, הראיות מצביעות על כך שטכנולוגיות אלו מציעות יתרונות שאינם חופפים אך טרם השיגו פיצול מושגי, לא התגברו על מגבלות מתודולוגיות ולא השיגו אימות חלקי.

מערכות מבוססות VR מציעות סביבות ס...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תודות

מימון: קרן: פרויקט מחקר כללי (קטגוריית מדעי הטבע) של מחלקת החינוך של מחוז ג'ג'יאנג (מענק מס' Y202558353).

קרן: פרויקט מחקר להשכלה גבוהה פרויקט מיוחד: בינה מלאכותית מעצימה חינוך ויישומי הוראה (KT2025426)

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

מקורות

  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).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

תגיות

צור קשר
המלצה לספרייה

פרטיות

תנאי שימוש

מדיניות

2026 © זכויות יוצרים MyJoVE Corporation. כל הזכויות שמורות.