이 범위 검토는 VR과 생성 AI가 종양학 교육에서 임상 추론을 평가하는 새로운 방법을 제시한다고 밝혔습니다. 하지만 현재 증거는 예비적이므로 광범위한 교육적 사용이 필요하기 때문에 두 방법 모두 더 견고한 검증과 윤리적 틀이 필요합니다.
이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.
이 논문에서
요약
초록
종양학은 임상 추론이 기본적인 역량으로, 복잡한 임상 정보를 고위험 환경에서 종합해야 하는 환경입니다. 필기 시험, 객관적 구조화 임상 시험(OSCE), 직장 기반 평가와 같은 기존의 평가 수단은 귀중한 지식을 제공하지만, 임상 추론의 역동적이고 반복적인 특성을 반영하는 데는 여전히 효과적이지 않습니다. 이러한 한계를 극복할 새로운 기회는 특히 가상현실(VR)과 생성형 인공지능(GenAI)과 같은 신흥 디지털 기술에 의해 제시되고 있습니다. VR은 몰입형 시뮬레이션 기반 환경을 가능하게 하며, 관찰 가능한 임상 행동을 바탕으로 절차적·상황적 추론 요인을 평가할 수 있게 합니다. GenAI는 대화 기반의 상호작용을 제공하여 인지적 및 분석 과정을 평가할 수 있게 하며, 핵심 인지 과정도 포함됩니다. 문헌에 따르면 이 기술들은 상호 보완적인 장점을 가지지만 개념적으로는 분리되어 있습니다. VR은 주로 행동 수행을 기록하지만, 생성 AI는 인지 과정을 강조하며 두 가지가 그렇게 통합되어 있지 않습니다. 더불어, 현재의 근거 기반은 방법론적 이질성, 예비 연구에 대한 의존성, 그리고 특히 신뢰성과 실제 세계적 영향에 관한 타당성 증거 부족으로 특징지어집니다. 고려해야 할 다른 요소로는 인지 부하의 영향, 사용자 변동성, 그리고 알고리즘 편향과 투명성 같은 윤리적 문제들이 있습니다. 구현의 실현 가능성은 인프라와 제도적 준비 상태와 같은 조직적 요인에 의해 추가로 영향을 받습니다. 전반적으로 VR과 생성 AI는 종양학에서 임상 추론 평가 방법을 고무시키면서도 발전시키고 있습니다. 앞으로 이 분야의 발전은 일관된 평가 체계, 엄격한 검증, 명확한 윤리 구조를 요구할 것입니다.
서론
임상적 추론, 즉 진단과 관리의 근간이 되는 인지적 및 메타인지 과정은 안전하고 효과적인 종양학 실천의 초석입니다. 이는 종양학 맥락에서 매우 복잡한 과정으로, 임상의들이 불확실성 속에서 확률적 의사결정을 수행하고, 빠르게 변화하는 치료법 증거를 종합하며, 종양 위원회에서 다학제적 논의에 참여해야 합니다. 더 나아가, 종양학자들은 생의학적 사고와 환자 중심적 사고 사이에서 균형을 찾아야 하며, 환자에게 예후가 좋지 않음을 알리고, 윤리적 문제를 다루며, 질병의 변화하는 경로에 맞춰 치료 계획을 조정해야 합니다. 이러한 층층이 쌓인 요구로 인해 임상 추론의 개발과 평가가 종양학 교육에서 특히 중요해집니다. 전통적으로 임상 추론은 필기 시험, 객관적 구조화 임상 시험(OSCE), 그리고 미니 임상 평가 연습(Mini-CEX)과 같은 직장 기반 평가를 통해 평가되어 왔습니다. 이러한 방법들은 학습자의 역량에 대한 배경 정보를 제공할 수 있지만, 상당한 단점도 있습니다. 필기 시험은 동적 과정보다는 정적인 지식을 적용하는 데 더 중점을 둡니다; OSCE는 자원을 많이 소모하며 생태학적으로 무효일 수 있습니다; 또한 직장 기반 검사는 보통 일회적이고 주관적이며 맥락적 편향에 취약합니다. 이 모든 제약이 종합적으로 작용하면, 특히 종양학5처럼 위험 부담과 인지적 부하가 높은 전문 분야에서 임상 추론의 반복적이고 맥락에 의존적이며 종단적인 특성을 연구하기 어렵습니다. 이러한 한계들은 특히 종양학6과 같이 고위험 인지적 요구가 많은 전문 분야에서 임상 추론의 반복적이고 맥락 의존적이며 종단적인 성격을 포착하는 능력을 저해합니다.
최근 디지털 기술의 새로운 발전은 이러한 도전을 극복할 좋은 기회를 제공합니다. 그중 두 개는 가상현실(VR)과 생성 인공지능(GenAI)으로, 강력한 의학 교육 도구가 되었습니다. VR은 몰입감 있고 공간적이며 맥락적인 시뮬레이션 기반 환경을 제공하며, 복잡한 임상 시나리오를 재현합니다. 종양학 교육에서는 이러한 시뮬레이션이 종양 응급 상황, 화학요법 중 합병증, 민감한 환자 상호작용 등의 시나리오를 시뮬레이션하며, 학습자가 안전하고 통제된 환경에서 경험적으로 의사결정을 연습할 수 있도록 합니다 7,8,9. 중요한 점은 VR 시스템이 행동 시퀀스, 타이밍, 의사결정 경로와 같은 상세한 행동 데이터를 캡처하여 임상 추론의 절차적 및 상황적 차원을 평가할 수 있게 한다는 것입니다.
동시에, GenAI, 특히 대형 언어 모델(LLM)은 추론의 인지 구조를 평가할 새로운 기회를 열어주었습니다. 생성형 AI 시스템은 자연어를 통해 학습자와 상호작용하여 가설 생성, 감별 진단 형성, 관리 정당성 검증을 질문하는 적응적이고 대화 기반 환경에 학습자를 참여시킬 수 있는 능력을 갖추고 있습니다. 이 시스템들은 자연어 처리 기법을 기반으로 학습자의 반응을 분석할 수 있어, 이전에 객관적으로 측정하기 어려웠던 추론 과정을 개인화되고 확장 가능한 평가로 제공할 수 있습니다.10, 11, 12.
더욱이 기존 문헌은 방법론 면에서 단절되고 이질적입니다. 기존의 많은 증거는 실제 평가보다는 주로 훈련을 목적으로 한 파일럿 연구, 기술 보고서 또는 응용 프로그램에 기반하고 있습니다. 따라서 VR과 생성형 AI의 평가 능력에 대한 대부분의 주장은 엄격한 실증적 검증이 아닌 기술적 기능에 기반하고 있습니다. 보고된 타당성 증거는 다양하며, 내용 타당성은 주로 보고되고 내부 구조, 신뢰도, 또는 기존 평가 측정치와의 상관관계에 대한 언급은 최소한으로 이루어집니다.
이러한 제약은 사용성, 인지 부하, 윤리적 문제와 관련된 새로운 문제들로 인해 더욱 심화됩니다. 예를 들어, 생성형 AI 시스템은 확장 가능한 인터랙티브 솔루션을 제공합니다; 하지만 정보 중복성, 시스템 응답 변동성, 사용자 친숙도 문제는 학습자의 상호작용과 수행에 영향을 미칠 수 있습니다. 마찬가지로 평가 시나리오에서 투명성, 공정성, 책임성 부족은 AI 기반 채점의 블랙박스 특성 문제로 볼 수 있습니다. 구현 측면에서 VR 시스템은 막대한 인프라 투자가 필요한 반면, 생성형 AI 도입은 기관의 준비성, 거버넌스, 교육 목표와의 일치에 기반합니다. 이러한 요인들은 이러한 기술이 종양학 교육에 어떻게 통합될 수 있을지 평가할 때 보다 개념적이고 조직적인 틀의 중요성을 강조합니다.
이에 따라 본 리뷰는 종양학 교육에서 VR과 생성AI에 관한 최신 문헌을 심층적으로 종합하며, 특히 임상 추론 평가에 대한 적용에 관심을 가질 것입니다. 특히, (1) 이러한 도구들의 기술 설계와 구현 맥락을 설명하는 것을 목표로 합니다; (2) 보고된 타당성 및 교육 결과의 근거를 검토하고; 그리고 (3) 인지적, 윤리적, 조직적 관심사와 같은 주요 도전 과제와 향후 연구 및 실무 방향을 개괄합니다. 주요 학술 데이터베이스를 체계적으로 검색하여 관련 문헌을 찾았으나, 관례상 논문을 검토하는 데 있어 본 논문은 절차적 보고보다는 해석과 종합에 중점을 둡니다.
그림 1 은 임상 행동에 대한 VR 기반 평가와 임상 인지 평가에 대한 GenAI 기반 평가를 결합한 통합 모델입니다. 이 이중 접근법은 임상 추론의 행동적 및 분석적 측면을 모두 포착하여 포괄적인 평가와 피드백을 제공합니다.
그림 1: VR과 생성 AI를 활용한 임상 추론 평가 통합 모델. 이 그림은 행동 기반 임상 추론(예: 워크플로우, 절차, 팀워크)을 평가하는 가상현실(VR)과 인지 및 대화적 추론(예: 진단, 정당화, 성찰)을 평가하는 생성 AI(GenAI)를 결합한 통합 모델을 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
리뷰 및 관점
기술 유형과 구현
종양학 교육에서 임상 추론 평가의 디지털 기술 분야 현황은 두 가지 디지털 기술 패러다임으로 특징지어집니다. 현재의 접근법은 VR과 생성형 AI 기반 시스템에 의존하고 있습니다. 두 방법 모두 복잡한 임상 역량 평가 향상을 목표로 하지만, 기술적 기반, 상호작용, 평가 논리 측면에서 상당한 차이가 있습니다13,14. 이 시스템들은 외래 상담, 종양 응급 상황의 입원 관리, 또는 헤드 마운트 디스플레이와 인터랙티브 인터페이스를 이용한 다학제적 의사결정 환경 등 현실적인 종양학 환경에 학습자를 배치합니다.
VR 시스템의 장점은 임베디드 분석을 통해 세분화된 행동 데이터를 기록할 수 있다는 점입니다. 이 데이터는 일련의 행동, 의사결정 일정, 탐색, 임상 지침 준수로 구성됩니다. 이 측정 지표들은 교육자들이 데이터 수집, 진단 조치의 우선순위 지정, 관리 경로 실행과 같은 임상 추론의 절차적 요소를 평가할 수 있게 합니다15. 하지만 VR 기반 평가 도구 도입에는 상당한 인프라 및 물류 과제가 동반됩니다. 하드웨어 획득, 소프트웨어 개발, 유지보수에 따른 높은 초기 비용이 특히 자원이 제한된 환경에서 접근성을 제한할 수 있습니다. 또한, 전용 물리적 공간, 기술 지원, 교직원 교육의 필요성은 대규모 배치를 더욱 복잡하게 만듭니다. 이러한 제약은 종종 VR 애플리케이션을 전문 시뮬레이션 센터에만 제한하여 확장성과 종양학 교육과정에 대한 광범위한 통합을 제한합니다.
반면, 생성형 AI 기반 도구는 자연어 상호작용을 통해 실행되어 새로운 평가 방식을 제공합니다. 대형 언어 모델 아키텍처를 기반으로 개발되었으며, 임상 추론 메커니즘을 모방하는 대화형 텍스트 또는 음성 기반 대화에 학습자를 참여시킵니다. 학습자들은 감별 진단, 관리 결정의 근거를 설명하고 변화하는 임상 상황에 답변하도록 권장되며, 시스템은 형성적 피드백과 평가를 제공합니다10,11.
GenAI 시스템의 주요 장점은 임상 추론의 인지적 및 분석적 측면을 평가할 수 있다는 점입니다. 이 도구들은 학습자의 논리 구조, 일관성, 깊이를 평가하여 언어 출력을 보고 정확성을 넘어 사고 과정에 대한 질적 정보를 얻을 수 있습니다. 더 나아가, 생성형 AI 솔루션은 확장성과 접근성 측면에서 큰 이점을 가지고 있습니다. 또한 VR 시스템과 달리 원격 및 비동기식 학습 환경에서도 구현할 수 있으며, VR 시스템은 웹 기반 인터페이스에서만 구현할 수있습니다. 5.
장점에도 불구하고, GenAI 기반 평가 도구에는 상당한 단점이 존재합니다. 자연어 처리에 대한 의존은 점수 평가의 신뢰성, 해석 가능성, 투명성과 관련된 문제를 낳습니다. 많은 시스템이 블랙박스 상태로, 채점 결정의 논리가 항상 교육자나학습자에게 제공되지 않습니다. 문헌에서 명확히 드러나는 주요 주제는 두 기술 패러다임 간의 생태학적 타당성과 확장성 사이의 내재적 상충관계입니다. VR 시스템은 현실적인 임상 환경을 재현하고 내체화된 의사결정을 포착하는 능력은 뛰어나지만, 자원 집약적이기 때문에 확장성에 한계가 있습니다. 반면 GenAI 시스템은 확장 가능하고 대화 기반의 방식으로 인지 과정을 평가하는 데 사용될 수 있습니다.
특히 VR과 생성형 AI의 장점을 모두 결합한 통합 또는 하이브리드 플랫폼에 관한 기존 문헌이 상당히 부족하다는 점입니다. 이러한 통합은 임상 의사결정의 본질이상호 연결되어 있기 때문에 절차적 수행과 인지 추론의 동등한 측정을 촉진할 수 있습니다. 구현 관점에서 기술 역량만이 기술 채택을 결정하는 유일한 요소가 아닙니다; 조직 및 환경적 요인도 역할을 합니다. 기술-조직-환경(TOE) 모델과 같은 모델은 이러한 역학을 설명하는 데 좋은 관점입니다19.
일반적으로 VR과 생성형 AI 도구의 유형론은 불연속적이지만 빠르게 진화하는 공간을 밝힙니다. 두 기술 모두 임상 추론의 특정 측면을 측정하는 데 고유한 이점을 가지지만, 현재의 분리 특성상 이를 완전히 평가할 기회를 제공하지 않습니다. 개념적 통합, 기술 혁신, 맥락에 민감한 실행 전략을 통해 이 격차를 해소하는 것이 더 포괄적이고 효과적인 평가 모델로 나아가기 위해 반드시 필요합니다.
임상 추론 구조와 반복 평가
임상 추론은 진단 및 치료 의사결정을 지원하는 인지적, 메타인지적, 행동적 과정을 포함하는 다차원적인 개념입니다. 종양학에서는 불확실성, 동적 근거, 그리고 학제간 조정의 필요성이 이러한 과정을 더욱 복잡하게 만듭니다. 문헌에서는 임상 추론을 정보 획득, 가설 생성, 진단의 정제, 의사결정 과정 및 성찰적 평가를 포함하는 연속체로 점점 더 개념화되고 있습니다20,21.
VR 기반 시스템은 임상 추론의 관찰 가능하고 행동 지향적인 측면 평가와 대체로 일치합니다. 학습자를 모의 임상 환경에 배치하는 이 플랫폼들은 사람들이 어떻게 지식을 습득하고, 진단 과정에 집중하며, 일련의 수술을 수행하는지 테스트할 수 있게 합니다. 이 연구는 추론을 행동으로 전환하는 데 중점을 두며, 임상 의사결정은 시뮬레이션 환경에서의 상호작용 패턴에 기반합니다22.
반면 GenAI 기반 시스템은 임상 추론의 근본적인 내부 인지 과정을 도출하고 분석하는 과정에 집중합니다. 자연어 상호작용은 학습자가 다른 진단을 표현하고, 임상 관리 선택을 정당화하며, 임상적 불확실성을 고민하도록 장려합니다. 이러한 시스템은 학습자의 의미적 일관성, 논리 구조, 반응의 깊이를 측정하여 추론을 결정하며, 일반적으로 자연어 처리 방법을 적용해 전문가 판단의 근사값을 제공합니다13,10.
이들은 상호 보완적인 강점이지만, 문헌 전반에 걸쳐 가장 중요한 약점은 인지적 영역과 행동 영역 간의 평가가 대립적으로 분열되어 있다는 점입니다. 임상 추론의 실제 실천은 본질적으로 반복적이며, 이는 사고와 행동 사이에 끊임없는 피드백이 있음을 의미합니다. 이는 효과적인 임상 의사결정 과정에서 중요한 순환적 과정으로, 특히 종양학에서 환자들의 상태와 반응이 시간이 지남에 따라 변하는 과정입니다11.
이러한 동적 상호작용은 현재의 VR과 생성형 AI 도구에는 반영되지 않는 경우가 많습니다. VR 시스템은 일반적으로 관찰 가능한 행동에서 추론을 도출하는 반면, 반드시 근본적인 정신 과정에 도달하지 않는 반면, GenAI 시스템은 임상 행동 맥락 밖에서 명료화된 추론을 분석합니다. 따라서 두 전략 모두 임상 역량에 대한 편향된 이미지를 제공하며, 전체 추론 활동 범위를 충분히 평가할 수 없습니다. 또 다른 중요한 약점은 자동화된 분석을 주요 평가 도구로 사용하는 데서 비롯되었습니다. VR에서는 로그 파일 분석을 통해 사용자의 행동을 이해하지만, 이러한 측정만으로는 임상 선택의 이유를 이해하기에 충분하지 않을 수 있습니다. 마찬가지로, 알고리즘적 언어 해석은 생성형 AI 시스템에 점수를 매기는 데 흔히 사용되며, 임상 직관, 불확실성 처리, 문맥 특화 추론과 같은 언어적 뉘앙스를 무시할 수있습니다.
또한 문헌들은 기술 산출물을 임상 추론의 알려진 모델에 매핑하는 표준화된 방법이 없다는 점을 지적합니다. VR을 절차적 추론과 암묵적으로 연결하고, 생성 AI를 인지 추론과 연결하는 연구도 있지만, 검증된 이론적 구성의 맥락에서 이러한 도구들을 다루는 연구는 많지 않습니다. 이러한 격차는 다른 연구 결과를 비교하고 기술 강화 평가의 일관된 구조를 형성하는 데 제한을줍니다.
이 분야의 향후 연구는 인지적 및 행동적 평가 방식을 통합하는 데 초점을 맞춰야 합니다. 결합 하이브리드 시스템 몰입형 시뮬레이션과 실시간 AI 매개 대화를 통합한 하이브리드 시스템은 임상 추론의 반복적 특성을 더 잘 수용할 수 있습니다. 이를 통해 가상 환경에서 학습자의 행동이 AI 에이전트의 질문 반응을 유도할 수 있으며, 이를 통해 학습자가 무엇을 하고 왜 동시에 하는지 평가할 수 있습니다25,26.
전체적으로 보면, VR과 생성형 AI 기술은 임상 추론의 특정 측면에 유용한 통찰을 제공하지만, 현재로서는 그 적용 범위가 단절되어 있습니다. 개념의 통합, 방법론적 엄밀성, 기술 혁신이 필요하며, 이 단편화를 해소하고 종양학 교육에서 포괄적이고 의미 있는 평가 전략을 개발해야 합니다. 표 1은 임상 추론 평가를 위한 가상현실(VR)과 생성 인공지능(GenAI) 간의 주요 차이점을 강조하며, 각각의 초점, 상호작용, 강점, 한계, 데이터 산출물을 비교합니다. 더불어 그림 2 는 반복적 임상 추론 주기를 보여주며, VR이 데이터 수집, 행동, 성찰을 지원하는 반면, 생성 AI는 가설 생성, 정제, 진단 설명을 돕습니다. 이 두 가지가 함께 이루어지면, 정보에 기반한 의사결정과 경험적 학습의 지속적인 순환이 이루어집니다.
| 치수 | 가상현실(VR) | 생성형 AI(GenAI) |
| 평가 초점 | 절차적/행동적 | 인지적/분석적 |
| 상호작용 모드 | 몰입형 시뮬레이션 | 대화 기반 |
| 강점 | 높은 생태학적 타당성 | 높은 확장성 |
| 제한 | 자원 집약적 | 제한된 투명성 |
| 데이터 타입 | 행동 기록 | 자연어 반응 |
표 1: 임상 추론 평가에서 VR과 생성형 AI 비교. 임상 추론 평가를 위한 가상현실(VR)과 생성 AI(GenAI)의 평가 초점, 상호작용 방식, 강점, 한계, 데이터 유형 등 주요 차원 간 비교.
그림 2: 반복적 임상 추론 주기: VR과 생성 AI의 기여. 반복적 임상 추론 주기는 VR이 시뮬레이션 기반 작업(정보 수집 및 의사결정) 중 행동과 수행을 포착하는 반면, 생성 AI는 가설 생성, 차별 진단, 설명 및 정제를 지원하여 지속적인 성찰과 경험에서 학습할 수 있게 합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.
타당성 증거와 측정 한계
강력한 타당성 증거 개발은 특히 종양학 교육과 같은 중요한 분야에서 어떤 평가 도구를 도입할 때 핵심입니다. 현대의 타당성 이론 개념화는 타당성을 내용, 반응 과정, 내부 구조, 다른 변수와의 관계, 평가의 결과 등 여러 증거 출처에 의해 뒷받침되는 단일 개념으로 본다27,28.
대부분의 연구는 임상 상황, 과제 설계 또는 채점 기준에 대한 전문가의 검토를 통해 입증되는 내용 타당성에 초점을 맞춥니다. 이러한 방법들은 평가 자료가 종양학 실무와 관련성 있고 일관성을 보장하지만, 임상 추론의 근본 구조를 측정하는 도구의 능력에 대해서는 많은 정보를 제공하지 않습니다. 대부분의 경우, 내용의 검증은 효과성의 충분한 증거로 간주되지만, 더 엄격한 심리측정 실천은29가 부족하다.
반응 과정 타당성, 즉 학습자가 평가 활동을 어떻게 인식하고 상호작용하는지에 대한 증거 보고는 일관성이 부족합니다. 다른 연구들은 사용성 테스트, 학습자 피드백, 또는 생각 프로토콜을 사용해 참가자들이 원하는 방식으로 VR 환경이나 생성형 AI 시스템에 참여하고 있음을 암시합니다. 또한, 이러한 상호작용이 특히 시뮬레이션 또는 AI 매개 시나리오에서 진정한 임상 추론을 얼마나 정확하게 포착할 수 있는지는 아직 명확하지 않습니다.
VR과 생성형 AI 모달리션 모두에서 가장 중요한 제약 중 하나는 내부 구조 증거의 부족입니다. 내부 일관성, 평가자 간 합의, 시험-재시험 안정성 등 신뢰도 측정 지표는 거의 보고되지 않습니다. 이는 자동 점수 계산을 기반으로 한 도구에서 특히 문제가 됩니다. 생성형 AI 시스템은 자연어 처리에 의해 구동되는 점수 알고리즘 측면에서 더욱 다양하며, 결과는 프롬프트 설계, 모델 매개변수 또는 맥락적 해석에 따라 달라질 수있습니다.
마찬가지로, 다른 변수들과의 관계에 대한 증거도 제한적입니다. VR이나 생성형 AI 플랫폼에서의 성능을 OSCE, 필기 시험, 직장 평가 등 기존 평가 기법과 연관시키려는 연구는 많지 않습니다. 이러한 비교가 없으면 이 기술들이 현재 임상 역량 체계와 일치하는 구조를 측정하는지 알기 어려워집니다. 이러한 수렴 및 판별적 타당성의 결여는 평가 결과의 해석과 신뢰성을 제한합니다32.
그러나 문헌에서 가장 큰 공백은 전이 타당성의 부재입니다. VR 시뮬레이션이나 GenAI 기반 검사에서의 실무가 실제 종양학 실무에서 더 나은 임상 추론과 상관관계가 있다는 개념을 뒷받침하는 데이터는 거의 없습니다. 의료 교육의 궁극적인 목표가 환자 치료 개선이기 때문에, 이러한 제한은 공식 평가 프로그램에 이러한 도구를 도입하는 데 가장 큰 장애물 중 하나입니다. 종단적 또는 결과 연구가 없는 경우, 이러한 기술의 교육 효과는 구현된 시뮬레이션 또는 실험 상황에 한정됩니다33.
이러한 심리측정학적 단점과 더불어, 자동화된 분석의 사용 증가로 인해 다른 도전 과제들도 존재합니다. VR과 GenAI 모두 사용자 행동이나 언어에 대한 알고리즘 해석에 크게 의존하여 투명성과 해석 가능성에 대한 의문을 제기합니다. GenAI 기반 평가의 맥락에서 대형 언어 모델의 블랙박스 특성은 점수가 어떻게 생성되는지, 그리고 편향되지 않은 점수를 보장하는 방법을 이해하는 데 복잡함을 줍니다. 이러한 설명할 수 없는 상황은 특히 고위험 환경에서 교사와 학생 간의 신뢰를 무너뜨릴 수 있습니다34.
또 다른 중요한 문제는 AI 기반 평가에서의 편향입니다. 언어 모델 생성에 사용되는 훈련 데이터는 임상 지식, 의사소통 패턴 또는 문화적 관행의 차이를 포착하여 학습자 그룹 간 점수 체계적 차이를 초래할 수 있습니다. 이러한 편견이 해결되지 않으면,의학 교육의 공정성과 형평성에 심각한 영향을 미칠 수 있습니다.
또한, 타당성의 또 다른 중요한 측면인 평가의 함의는 기존 문헌에서 거의 논의되지 않습니다. 임상 환경에서 학습자의 행동, 교육 경로, 의사결정에 대한 VR 또는 생성형 AI 도구 사용의 영향을 조사한 연구는 매우 적습니다. 후속 효과에 대한 연구의 부재는이러한 기술의 긍정적 효과와 잠재적 의도치 않은 효과에 대한 지식이 제한적입니다.
결론적으로, VR과 생성형 AI 기술은 임상 추론을 평가하는 새로운 방법을 제공하는 데 유망하지만, 기존 근거 기반만으로는 고위험 상황에서 이를 구현하기에 충분하지 않습니다. 모든 영역에서 타당성을 높이면 다음 단계, 즉 이 도구들을 실험적 사용에서 종양학 교육 평가의 효과적인 요소로 전환하는 것이 보장됩니다. 표 2는 내용, 내부 구조, 다른 변수와의 관계, 결과 등 네 가지 영역에서 VR과 생성AI의 타당성 증거를 요약하며, 전문가 주도의 설계, 제한된 신뢰도 테스트, 드문 비교 연구, 장기 결과 데이터 부재 등 주요 한계점을 강조합니다.
| 타당성 도메인 | VR 증거 | 생성형 AI 증거 | 주요 제한 사항 |
| 내용 | 강해 | 중도 | 대부분 전문가 주도입니다 |
| 내부 구조 | 제한 | 제한 | 신뢰성 테스트 부재 |
| 다른 변수와의 관계 | 드문 | 드문 | 몇몇 비교 연구 |
| 결과 | 미니멀 | 미니멀 | 장기적인 결과 없음 |
표 2: 기술 전반의 타당성 증거. 이 표는 내용, 내부 구조, 다른 변수와의 관계, 결과 영역 전반에 걸쳐 임상 추론 평가에서 VR과 생성AI의 타당성 증거를 보여줍니다
교육 성과 및 해석적 주의
가상현실(VR)과 생성 인공지능(GenAI)의 종양학 교육 도입 증가는 전반적으로 긍정적인 교육 결과를 문서화하는 문헌과 함께 받아들여지고 있습니다. 이들은 학습자 참여도, 동기 부여, 학습 환경의 현실성 인식, 즉각적이고 개인화된 피드백을 받는 능력 37,38,39 이러한 발견은 이러한 기술들이 교육 경험을 풍부하게 하고 임상 추론 능력 개발을 지원하는 데 가능성을 지니고 있음을 시사합니다.
보고된 결과의 상당 부분은 학습자 만족도, 인지된 자신감, 주관적 학습 평가 등 자가 보고된 결과입니다. 이러한 지표들이 사용자 경험에 대한 통찰력 있는 정보를 제공하지만, 항상 실질적인 임상 추론이나 임상 성과 개선과 연관되지는 않습니다40. 객관적 보고의 경우, 이들은 기술 플랫폼 자체에서의 성과 결과에 집중하는 경향이 있습니다. 이 결과들은 도구가 성공적으로 사용되었음을 시사할 수 있지만, 이러한 상호작용이 임상 추론에서 전반적인 역량으로 더 전환될 수 있는지를 결정하지는 못합니다. 통제되거나 시뮬레이션된 환경에서 달성된 성과는 실제 인지 또는행동 성장보다는 시스템에 대한 친숙함과 연관될 수 있습니다. 다른 한계는 기존 연구의 방법론적 특징과 관련이 있습니다. 문헌의 대부분은 표본 크기가 제한적이고 개입 기간이 짧은 소규모 단일 기관 연구들로 구성되어 있습니다. 이러한 한계는 통계적 검정력을 떨어뜨리고 결과의 일반화 가능성을 제한합니다33.
전이 가능성 문제는 암 교육에서 특히 중요한 문제입니다. 종양학적 임상 추론은 일정 기간과 임상 맥락 내에서 이루어지는 복잡하고 장기적인 의사결정 과정입니다. 그럼에도 불구하고, VR 또는 생성형 AI 개입에서 훈련된 기술이 즉각적인 학습 맥락 이후에도 남아 있는지, 아니면 실제 임상 실무에 영향을 미치는지에 대한 문헌은 부족합니다. 게다가 문헌은 훈련 결과와 평가 결과를 혼합하는 경향이 있습니다. 대부분의 VR 및 생성형 AI 애플리케이션은 학습 촉진을 교육 도구로 주된 목표로 삼지만, 이들의 성공은 때때로 평가 타당성의 표시로 여겨지기도 합니다. 정확하게 해석하기 위해서는 형성적 학습의 이점과 총괄적 평가의 유용성을 구분하는 것이중요합니다.
또한 교육 성과에 대한 해석을 더 복잡하게 만드는 인지적 이유들도 있습니다. 첨단 기술은 다양한 인지 부하를 제공하며, 학습자의 성과에 영향을 미칠 수 있습니다. 예를 들어, 몰입형 VR 시스템은 내비게이션, 인터페이스와의 상호작용, 감각 처리 측면에서 불필요한 인지 부하를 가질 수 있습니다. 적절한 설계와 사용자 익숙함이 있다면, 이러한 요소들은 학습을 촉진하거나 방해할 수 있습니다. 사용자 경험과 이전 기술 경험도 중요한 요소입니다. 컴퓨터 인터페이스나 AI 기반 시스템에 더 익숙한 학생들은 반드시 더 많은 임상 추론 때문이아니라 시스템과의 더 편리한 상호작용 때문에 더 좋은 성과를 낼 수 있습니다.
의도치 않은 결과의 가능성도 고려해야 할 또 다른 요소입니다. 예를 들어, AI가 만든 피드백에 과도하게 의존하면 논리적 사고나 비판적 분석 가능성이 떨어질 수 있습니다. 마찬가지로, 잘 표현된 VR 상황은 의도치 않게 행동 수를 줄여 의사결정을 제한할 수 있습니다. 현재 문헌은 이러한 효과를 광범위하게 조사하지는 않지만, 교육 설계에 중요한 영향을 미친다44.
이러한 제한이 존재하지만, 학습자 참여와 경험적 학습 측면에서 기록된 긍정적인 경향은 무시할 수 없습니다. 안전한 실천 환경, 실시간 피드백, 복잡한 상황에 반복해서 노출될 수 있는 능력은 VR과 생성형 AI 기술의 장점입니다. 이러한 특성들은 경험적 학습과 의도적 실천과 같은 현재 교육 이론과 연관될 수 있으며, 이들은 능동적 학습과 지속적인 향상을 우선시합니다.
전반적으로 VR과 생성형 AI 기술이 종양학 교육을 혁신할 상당한 가능성을 보여주지만, 방법론과 해석 면에서 증거 기반은 제한적입니다. 따라서 연구 결과의 과도한 일반화를 방지하고 교육의 효과에 관한 주장이 강력한 실증적 증거를 갖도록 하기 위해 비판적이고 신중한 태도가 필요합니다.
인지적, 윤리적, 조직적 고려사항
인지적으로 이러한 기술의 개발과 적용은 학습자가 정보를 인식하고 임상 추론을 수행하는 방식에 상당한 영향을 미칠 수 있습니다. 인지 부하 이론은 내재적 인지부하, 외적 부중 및 관련 인지적 부하 세 가지 유형의 인지적 부하를 통해 이러한 효과를 이해하는 실용적 틀을 제공합니다. VR 환경은 몰입감 있고 몰입감이 높지만, 사용자에게 상당한 부가적인 인지 부담을 줄 수 있어 내비게이션, 감각 자극, 인터페이스의 복잡성이 요구됩니다. 잘 계획되지 않으면, 이러한 요인들은 인지 자원을 필수적인 추론 과정 이외의 다른 영역으로 이동시켜 학습과 평가 수행을 무효화할 수 있습니다38.
마찬가지로 생성형 AI 시스템은 정보 제시와 상호작용 역학에 관한 새로운 인지적 도전을 제기합니다. 예를 들어, AI 시스템이 생성하는 과도하거나 중복된 피드백은 정보 과부하를 초래하여 성공적인 학습을 방해할 수 있습니다. 반면, 적절히 설계된 적응적 피드백은 스키마 형성과 반성적 사고를 통해 관련 인지 부하를 증대할 수 있습니다. 따라서 안내와 인지 자율성 간의 균형이 매우 중요하며, AI가 생성한 응답에 과도하게 의존하면 독립적인 문제 해결과 비판적 사고의 기회를 줄일 수 있습니다.
이러한 기술에 대한 인지적 참여는 사용자 친숙도와 디지털 리터러시에 의해 매개됩니다.
윤리는 교육 평가에서 VR과 생성형 AI를 도입하는 데 있어 핵심적인 측면이기도 합니다. 가장 두드러진 문제 중 하나는 AI 기반 시스템에서 알고리즘 편향이라는 개념입니다. 대형 언어 모델과 같은 머신러닝 모델은 기존의 사회적, 문화적, 전문적 규범에 편향될 수 있는 방대한 데이터를 기반으로 학습됩니다. 결과적으로 평가 결과는 특정 학습자 집단에 대한 원치 않는 차별을 초래할 수 있으며, 공정성과 형평성은35번 질문에 제기됩니다. 다른 윤리적 문제로는 투명성과 설명 가능성이 있습니다. 대부분의 생성형 AI 시스템은 의사결정 과정에 대한 명확한 설명이 없는 블랙박스입니다. 이러한 평가 해석 가능성은 학습자와 교육자 간의 신뢰 부족을 초래할 수 있으며, 특히 최종 결과물이 심각한 학업적 함의를 가질 때 더욱 그렇습니다34.
교육적 데이터와 아마도 임상 데이터가 민감한 만큼 데이터의 보안과 프라이버시도 중요한 고려 사항입니다. VR은 상세한 행동 데이터를 기록하는 데 사용될 수 있지만, 생성형 AI 플랫폼은 대량의 텍스트 데이터를 처리할 수 있습니다. 기관에 대한 윤리 기준과 신뢰를 유지하기 위해서는 데이터 보호 규칙이 준수되고 사용자의 정보가 보호되도록 하는 것이중요합니다.
개인 차원의 문제 외에도 조직 차원의 문제들이 이 기술들의 성공적인 도입에 결정적인 역할을 합니다. 종양학 교육에서 VR과 생성형 AI를 도입하는 것은 기관의 목표, 자원 접근성, 그리고 지원적인 거버넌스 프레임워크와 일치해야 합니다. 기술-조직-환경(TOE) 모델은 이러한 요인들을 검토하고 기술 준비, 조직 역량,외부 환경의 영향 간의 상호작용에 초점을 맞추는 데 유용한 도구입니다.
조직 준비성에는 교수진의 역량, 교육, 신기술 수용이 포함됩니다. 채택에 대한 저항은 신뢰성에 대한 두려움, 업무 과부하, 또는 단순히 AI 기반 시스템에 대한 낯선 점에서 비롯될 수 있습니다. 이러한 제약은 집중적인 교수 개발 프로그램과 평가49에서 기술 사용에 대한 명확한 규칙을 통해 극복할 수 있습니다.
이 분야에 대한 새로운 접근법은 깨우친 자율성(enlightened autonomy)이라는 개념에 초점을 맞추고 있는데, 이는 AI 시스템이 인간의 판단을 대체하지 않고 보조하도록 만들어진다는 것입니다. 이 방법은 자동화된 분석과 인간 통제의 조화로운 결합을 제안하며, 기술이 책임성이나전문성을 방해하지 않으면서 의사결정을 개선할 수 있다고 제안합니다. 임상 추론 평가의 맥락에서는, AI가 생성한 인사이트와 전문가 평가를 결합하여 보다 포괄적이고 신뢰할 수 있는 평가 과정을 달성하는 것을 포함할 수 있습니다.
전반적으로 VR과 GenAI의 종양학 교육에 도입되는 것은 단순한 기술 혁신 이상의 의미를 가집니다; 또한 복잡한 인지적, 윤리적, 조직적 측면도 탐구합니다. 이러한 고려사항은 이러한 기술들이 교육적 가치를 극대화하고 위험을 줄이는 데 매우 중요합니다. 사용자 중심 설계, 윤리적 문제, 기관 준비도를 고려하는 학제간 전략이 임상 추론 평가에서 책임 있는 기술 사용 개발에 매우 중요할 것입니다. 그림 3 기술-조직-환경(TOE) 프레임워크는 VR과 생성형 AI를 종양학 교육에 통합하기 위한 주요 구현 요인을 식별합니다. 성공적인 도입은 시스템 역량, 조직 지원, 외부 환경 조건 간의 정렬이 필요합니다.
그림 3: 종양학 교육에서 VR 및 생성형 AI를 구현하기 위한 기술-조직-환경(TOE) 프레임워크. 기술-조직-환경(TOE) 프레임워크는 종양학 교육에서 VR과 생성형 AI를 통합하는 데 적용되었으며, 시스템 역량, 리더십, 교육과정 전반에 걸친 주요 요소뿐만 아니라 성공적인 도입을 위한 규제, 자금 지원, 문화적 고려사항을 강조합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
결론
종양학에서의 임상 추론은 오랫동안 복잡하고 역동적이며 고위험하고 상황에 따라 달라진 문제로, 확장되고 도전적인 문제입니다. 본 리뷰에서는 기존 평가 기법의 한계를 혁신적으로 해결할 수 있는 가상현실(VR)과 생성 인공지능(GenAI)의 새로운 기능에 대해 논의했습니다. 종합해 보면, 이 기술들은 겹치지 않는 장점을 제공하지만 개념적 단편화, 방법론적 제약을 극복하거나 부분적 검증을 달성하지 못했다는 증거를 제시합니다.
VR 기반 시스템은 임상 추론의 절차적·상황적 요소를 관찰하고 측정할 수 있는 고충실도의 몰입형 환경을 제공합니다. VR은 임상 과정 중 상세한 행동 정보를 기록하고 분석함으로써 생태학적 타당성을 향상시켜, 복잡한 상황에서 학습자가 어떻게 행동하는지에 대한 중요한 통찰을 제공합니다. 반대로, GenAI 기반 시스템은 적응적 대화를 통해 인지적 및 분석적 추론 측면 모두를 평가할 수 있게 합니다.
<...액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
감사의 글
자금: 저장성 교육부 일반 연구 프로젝트(자연과학 부문) 보조금(보조 번호 Y202558353).
기금: 고등교육 연구 프로젝트 특별 프로젝트: 교육 및 교육 응용을 강화하는 인공지능(KT2025426)
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
참고문헌
- 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).
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.