Ten przegląd zakresu badań wykazał, że VR i GenAI oferują nowe sposoby oceny rozumowania klinicznego w szkoleniach onkologicznych. Jednak oba wymagają bardziej solidnych ram walidacyjnych i etycznych przed szerokim zastosowaniem edukacyjnym, ponieważ obecne dowody są wstępne.
Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł przeglądowy
Krajobraz wirtualnej rzeczywistości i generatywnej sztucznej inteligencji w edukacji onkologicznej: przegląd narzędzi oceny rozumowania klinicznego
W tym artykule
Podsumowanie
Streszczenie
Onkologia to środowisko, w którym rozumowanie kliniczne jest podstawową kompetencją wymagającą syntezy złożonych informacji klinicznych w warunkach wysokich stawek. Tradycyjne metody oceny, takie jak testy pisemne, Obiektywne Strukturalne Egzaminy Kliniczne (OBWE) oraz oceny w miejscu pracy, oferują cenną wiedzę, ale nadal nie odzwierciedlają dynamicznej i iteracyjnej jakości rozumowania klinicznego. Nowe możliwości przezwyciężenia tych ograniczeń pojawiają się dzięki rozwijającym się technologiom cyfrowym, zwłaszcza wirtualnej rzeczywistości (VR) i generatywnej sztucznej inteligencji (GenAI). VR umożliwia środowiska oparte na symulacji, które mogą być immersyjne i umożliwiają ocenę proceduralnych oraz sytuacyjnych czynników rozumowania na podstawie obserwowalnych działań klinicznych. GenAI z kolei zapewnia bardziej dialogową interakcję, która umożliwia ocenę procesów poznawczych i analitycznych, w tym kluczowych procesów. Literatura pokazuje, że te technologie mają komplementarne zalety, ale są koncepcyjnie rozproszone. VR głównie rejestruje wyniki behawioralne, ale GenAI kładzie nacisk na procesy poznawcze, a oba te elementy nie są ze sobą tak zintegrowane. Ponadto obecna baza dowodowa charakteryzuje się metodologicznym zróżnicowaniem, zależnością od badań wstępnych oraz brakiem wiarygodności dowodów, szczególnie dotyczących wiarygodności i wpływu na rzeczywiste światło. Inne czynniki do uwzględnienia to wpływ obciążenia poznawczego, zmienność użytkownika oraz kwestie etyczne, np. stronniczość algorytmiczna i przejrzystość. Wykonalność wdrożenia jest dodatkowo zależna od czynników organizacyjnych, takich jak infrastruktura i gotowość instytucjonalna. Ogólnie rzecz biorąc, VR i GenAI są zachęcające, a jednocześnie rozwijające metody oceny rozumowania klinicznego w onkologii. W przyszłości ewolucja tej dziedziny będzie wymagała spójnych ram oceny, rygorystycznej weryfikacji oraz jasnych struktur etycznych.
Wprowadzenie
Rozumowanie kliniczne, czyli procesy poznawcze i metapoznawcze leżące u podstaw diagnozowania i prowadzenia pacjenta, stanowi kamień węgielny bezpiecznej i skutecznej praktyki onkologicznej1. W kontekście onkologii jest to proces szczególnie skomplikowany, ponieważ klinicyści muszą podejmować decyzje probabilistyczne w warunkach niepewności, syntetyzować szybko zmieniające się dowody dotyczące terapii oraz uczestniczyć w wielodyscyplinarnych dyskusjach w ramach konsyliów onkologicznych. Co więcej, onkolodzy muszą znaleźć równowagę między podejściem biomedycznym a zorientowanym na pacjenta, co obejmuje m.in. informowanie pacjentów o złych rokowaniach, rozwiązywanie kwestii etycznych oraz dostosowywanie planów leczenia do zmieniającego się przebiegu choroby2,3. Te wielowarstwowe wymagania sprawiają, że rozwój i ocena rozumowania klinicznego są szczególnie istotne w edukacji onkologicznej. Tradycyjnie rozumowanie kliniczne oceniano za pomocą egzaminów pisemnych, Obiektywnych Strukturyzowanych Egzaminów Klinicznych (OSCE) oraz ocen opartych na miejscu pracy, takich jak Mini-Clinical Evaluation Exercise (Mini-CEX)4. Choć metody te mogą dostarczyć informacji o kompetencjach uczącego się, mają one istotne wady. Testy pisemne są bardziej nastawione na stosowanie wiedzy statycznej niż procesów dynamicznych; egzaminy OSCE są zasobochłonne i mogą być nieprawidłowe pod kątem ekologicznym; natomiast oceny w miejscu pracy mają zazwyczaj charakter epizodyczny, subiektywny i są podatne na błędy kontekstowe. Wszystkie te ograniczenia łącznie utrudniają badanie iteracyjnego, zależnego od kontekstu i podłużnego charakteru rozumowania klinicznego, zwłaszcza w specjalizacjach wiążących się z wysokim ryzykiem i dużym obciążeniem poznawczym, takich jak onkologia5. Łącznie ograniczenia te utrudniają uchwycenie iteracyjnej, zależnej od kontekstu i podłużnej natury rozumowania klinicznego, szczególnie w wysokoryzykownych i wymagających poznawczo specjalnościach, takich jak onkologia6.
Nowoczesne rozwiązania w zakresie technologii cyfrowych stwarzają obecnie doskonałe możliwości przezwyciężenia tych wyzwań. Dwiema z nich są wirtualna rzeczywistość (VR) oraz generatywna sztuczna inteligencja (GenAI), które stały się potężnymi narzędziami w edukacji medycznej. VR zapewnia immersyjne, silnie przestrzenne i kontekstowe środowiska symulacyjne, które odtwarzają złożone scenariusze kliniczne. W edukacji onkologicznej symulacje te mogą odwzorowywać sytuacje takie jak nagłe przypadki onkologiczne, powikłania podczas chemioterapii oraz delikatne interakcje z pacjentem, umożliwiając uczącym się praktyczne ćwiczenie podejmowania decyzji w bezpiecznym i kontrolowanym otoczeniu7,8,9. Co istotne, systemy VR potrafią rejestrować szczegółowe dane behawioralne — takie jak sekwencje działań, czas ich trwania i ścieżki decyzyjne — co pozwala na ocenę proceduralnych i sytuacyjnych wymiarów rozumowania klinicznego.
Jednocześnie generatywna sztuczna inteligencja (GenAI), a w szczególności duże modele językowe (LLMs), otworzyły nowe możliwości oceny architektury poznawczej rozumowania. Systemy GenAI mają zdolność interakcji z uczącymi się za pomocą języka naturalnego, aby angażować ich w adaptacyjne środowiska oparte na dialogu, które wymagają stawiania hipotez, formułowania diagnostyki różnicowej oraz uzasadniania sposobu postępowania. Systemy te mogą analizować odpowiedzi uczniów w oparciu o techniki przetwarzania języka naturalnego, co zapewnia potencjalnie spersonalizowaną i skalowalną ocenę procesów rozumowania, które wcześniej były trudne do obiektywnego zmierzenia10,11,12.
Co więcej, istniejąca literatura jest niespójna i heterogeniczna pod względem metodologii. Znaczna część dostępnych dowodów opiera się na badaniach pilotażowych, raportach technicznych lub zastosowaniach ukierunkowanych głównie na szkolenie, a nie na rzeczywistą ewaluację. W konsekwencji większość argumentów dotyczących możliwości oceny za pomocą VR i GenAI opiera się na funkcjonalności technologicznej, a nie na rygorystycznej walidacji empirycznej. Raportowane dowody na trafność są zróżnicowane, przy czym przeważa doniesienia o trafności treści, natomiast rzadko odwołuje się do struktury wewnętrznej, rzetelności lub korelacji z wcześniej ustalonymi miernikami oceny.
Ograniczenia te są dodatkowo potęgowane przez nowe problemy związane z użytecznością, obciążeniem poznawczym oraz kwestiami etycznymi. Przykładowo, systemy GenAI oferują skalowalne rozwiązanie interaktywne; jednak problemy takie jak nadmiarowość informacji, zmienność odpowiedzi systemu oraz stopień zaznajomienia się użytkownika z narzędziem mogą wpływać na interakcję i osiągnięcia ucznia. Podobnie brak przejrzystości, sprawiedliwości i odpowiedzialności w scenariuszach oceny może być uznany za problem wynikający z natury „czarnej skrzynki” punktacji sterowanej przez AI. Pod względem wdrożenia systemy VR wymagają ogromnych inwestycji w infrastrukturę, podczas gdy adopcja GenAI opiera się na gotowości instytucjonalnej, zarządzaniu oraz zgodności z celami edukacyjnymi. Czynniki te podkreślają znaczenie bardziej koncepcyjnych i organizacyjnych ram w ocenie tego, jak technologie te mogą zostać włączone do edukacji onkologicznej.
W związku z tym niniejszy przegląd przedstawi szczegółową syntezę narracyjną aktualnej literatury na temat VR i GenAI w edukacji onkologicznej, ze szczególnym uwzględnieniem ich zastosowania w ocenie rozumowania klinicznego. W szczególności celem pracy jest: (1) opisanie projektów technologicznych i kontekstów wdrażania tych narzędzi; (2) przegląd dowodów na zgłaszaną trafność oraz wyniki edukacyjne; oraz (3) zarysowanie głównych wyzwań, takich jak kwestie poznawcze, etyczne i organizacyjne, a także kierunków przyszłych badań i praktyk. Przeprowadzono systematyczne przeszukiwanie głównych baz danych akademickich w celu znalezienia odpowiedniej literatury, jednak zgodnie z praktyką artykułów przeglądowych, niniejsza praca skupia się na interpretacji i syntezie, a nie na sprawozdawaniu procedur.
Rysunek 1 zintegrowany model łączący ocenę działań klinicznych opartą na VR z oceną poznawania klinicznego opartą na GenAI. To podwójne podejście obejmuje zarówno wymiar behawioralny, jak i analityczny rozumowania klinicznego w celu zapewnienia kompleksowej oceny i informacji zwrotnej.
Rysunek 1: Zintegrowany model oceny rozumowania klinicznego z wykorzystaniem VR i GenAI. Na rysunku przedstawiono zintegrowany model łączący rzeczywistość wirtualną (VR) do oceny rozumowania klinicznego opartego na działaniu (np. przepływ pracy, procedury, praca zespołowa) z generatywną sztuczną inteligencją (GenAI) do oceny rozumowania poznawczego i dialogowego (np. diagnoza, uzasadnienie, refleksja). Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Przegląd i perspektywa
Typologia i wdrażanie technologii
Obecna sytuacja w dziedzinie technologii cyfrowych służących do oceny rozumowania klinicznego w edukacji onkologicznej charakteryzuje się istnieniem dwóch paradygmatów technologii cyfrowych. Współczesne podejścia opierają się na systemach wykorzystujących VR oraz GenAI. Chociaż obie metody dążą do usprawnienia oceny złożonych kompetencji klinicznych, wykazują one istotne różnice pod względem podstaw technologicznych, interakcji oraz logiki oceny13,14. Systemy te wprowadzają uczących się w realistyczne sytuacje onkologiczne, takie jak konsultacje w trybie ambulatoryjnym, hospitalizacyjne postępowanie w stanach nagłych w onkologii lub kontekst wielodyscyplinarnego podejmowania decyzji, z wykorzystaniem gogli VR i interfejsów interaktywnych6.
Zaletą systemów VR jest możliwość rejestrowania szczegółowych danych behawioralnych przy użyciu wbudowanej analityki. Dane te obejmują szereg działań, harmonogram podejmowania decyzji, nawigację oraz stopień przestrzegania wytycznych klinicznych. Miary te umożliwiają edukatorom ocenę proceduralnych elementów rozumowania klinicznego, takich jak pozyskiwanie danych, ustalanie priorytetów działań diagnostycznych oraz wdrażanie ścieżek terapeutycznych15. Jednak wdrażanie narzędzi oceny opartych na VR wiąże się ze znacznymi wyzwaniami infrastrukturalnymi i logistycznymi. Wysokie koszty początkowe związane z nabyciem sprzętu, opracowaniem oprogramowania i jego konserwacją mogą ograniczać dostępność, szczególnie w warunkach ograniczonych zasobów16. Ponadto konieczność zapewnienia dedykowanej przestrzeni fizycznej, wsparcia technicznego i przeszkolenia kadry naukową dodatkowo komplikuje wdrożenie na szeroką skalę. Ograniczenia te często sprowadzają zastosowania VR do wyspecjalizowanych centrów symulacyjnych, co ogranicza ich skalowalność i powszechną integrację z programami nauczania onkologii.
Z kolei narzędzia oparte na GenAI są obsługiwane za pomocą interakcji w języku naturalnym, co zapewnia nową metodę ewaluacji. Opracowane na podstawie architektur dużych modeli językowych, angażują one uczących się w interaktywne rozmowy tekstowe lub głosowe, które naśladują mechanizmy rozumowania klinicznego. Uczący się są zachęcani do opisywania diagnostyki różnicowej, uzasadniania decyzji dotyczących postępowania oraz odpowiadania na zmieniające się sytuacje kliniczne, podczas gdy system oferuje informację zwrotną i ocenę kształtującą10,11.
Główną zaletą systemów GenAI jest to, że mogą one oceniać poznawcze i analityczne aspekty rozumowania klinicznego. Narzędzia te potrafią ocenić strukturę, spójność i głębię rozumowania ucznia poprzez analizę wygenerowanego tekstu, wykraczając poza samą poprawność odpowiedzi, aby uzyskać informacje jakościowe na temat procesu myślowego. Ponadto rozwiązania GenAI oferują istotne korzyści w zakresie skalowalności i dostępności. Mogą być one również wdrażane w kontekstach uczenia zdalnego i asynchronicznego, w przeciwieństwie do systemów VR, które mogą być implementowane wyłącznie w interfejsach przeglądarkowych5.
Pomimo zalet, narzędzia oceniające oparte na GenAI wykazują istotne wady. Zależność od przetwarzania języka naturalnego niesie ze sobą problemy związane z niezawodnością punktacji, interpretowalnością i przejrzystością. Wiele systemów to tzw. czarne skrzynki, co oznacza, że logika decyzji dotyczącej punktacji nie zawsze jest dostępna dla edukatorów lub uczniów17. Głównym motywem pojawiającym się w literaturze jest immanentny kompromis między trafnością ekologiczną a skalowalnością obu paradygmatów technologicznych. Systemy VR są skuteczne w odtwarzaniu realistycznych warunków klinicznych i rejestrowaniu ucieleśnionego procesu podejmowania decyzji, jednak są one zasobożerne i tym samym ograniczone pod względem skalowalności. Z kolei systemy GenAI mogą być wykorzystywane do oceny procesów poznawczych w sposób skalowalny i oparty na dialogu7.
Kluczowym problemem jest znaczący brak w istniejącej literaturze zintegrowanych lub hybrydowych platform, które łączą zalety VR i GenAI. Tego rodzaju integracja może ułatwić jednoczesny pomiar wydajności proceduralnej i rozumowania poznawczego, ponieważ natura podejmowania decyzji klinicznych jest ze sobą powiązana18. Z perspektywy wdrożeniowej możliwości techniczne nie są jedynymi czynnikami determinującymi adopcję technologii; rolę odgrywają również czynniki organizacyjne i środowiskowe. Modele takie jak model Technologia-Organizacja-Środowisko (TOE) stanowią odpowiednią perspektywę w wyjaśnianiu tej dynamiki19.
Ogólnie rzecz biorąc, typologia narzędzi VR i GenAI ukazuje obszar nieciągły, lecz dynamicznie rozwijający się. Choć obie technologie oferują unikalne korzyści w pomiarze konkretnych aspektów rozumowania klinicznego, ich obecna separacja nie pozwala na pełną ocenę obu tych podejść. Aby skierować tę dziedzinę w stronę bardziej kompleksowych i skutecznych modeli oceny, konieczne będzie zniwelowanie tej luki poprzez integrację koncepcyjną, innowacje technologiczne oraz strategie wdrażania wrażliwe na kontekst.
Konstrukcje rozumowania klinicznego i ocena iteracyjna
Rozumowanie kliniczne jest koncepcją wielowymiarową, obejmującą procesy poznawcze, metapoznawcze i behawioralne, które wspierają podejmowanie decyzji diagnostycznych i terapeutycznych. W onkologii procesy te są dodatkowo utrudnione przez niepewność, dynamiczny charakter dowodów oraz konieczność koordynacji interdyscyplinarnej. W literaturze coraz częściej konceptualizuje się rozumowanie kliniczne jako kontinuum, które obejmuje pozyskiwanie informacji, generowanie hipotez, doprecyzowanie diagnozy, proces podejmowania decyzji oraz ocenę refleksyjną20,21.
Systemy oparte na VR są w przeważającej mierze zgodne z oceną obserwowalnych i zorientowanych na działanie aspektów rozumowania klinicznego. Umieszczając osoby uczące się w symulowanych warunkach klinicznych, platformy te umożliwiają badanie, w jaki sposób ludzie przyswajają wiedzę, koncentrują się na procesach diagnostycznych i wykonują szereg operacji. Skupiają się one na przekładaniu rozumowania na działanie, w którym decyzje kliniczne opierają się na wzorcach interakcji w symulowanym środowisku22.
Systemy oparte na GenAI koncentrują się natomiast na procesach wydobywania i analizowania wewnętrznych procesów poznawczych leżących u podstaw rozumowania klinicznego. Interakcja w języku naturalnym zachęca uczących się do formułowania różnic w diagnozie, uzasadniania wyborów w zakresie postępowania klinicznego oraz rozważania niepewności klinicznych. Systemy te oceniają rozumowanie poprzez pomiar spójności semantycznej, struktury logicznej i głębokości odpowiedzi ucznia, zazwyczaj stosując metody przetwarzania języka naturalnego w celu uzyskania przybliżenia oceny eksperckiej13,10.
Choć są to mocne strony, które się uzupełniają, słabością uznaną za najbardziej krytyczną w literaturze przedmiotu jest przeciwstawna fragmentacja oceny na domeny poznawcze i behawioralne. Praktyka rozumowania klinicznego w rzeczywistych warunkach jest z natury iteracyjna, co oznacza stałą informację zwrotną między myśleniem a działaniem. Jest to kluczowy proces cykliczny w efektywnym procesie podejmowania decyzji klinicznych, zwłaszcza w onkologii, gdzie stan pacjentów i ich reakcje na leczenie zmieniają się w czasie11.
Ta dynamiczna interakcja często nie znajduje odzwierciedlenia w obecnych narzędziach VR i GenAI. Systemy VR zazwyczaj wywodzą wnioski z obserwowalnych zachowań, nie docierająckoniecznie do leżących u ich podstaw procesów poznawczych, podczas gdy systemy GenAI analizują sformułowane rozumowanie poza kontekstem zachowań klinicznych. W konsekwencji obie strategie przedstawiają stronniczy obraz kompetencji klinicznych i nie mogą w sposób adekwatny ocenić całego zakresu czynności związanych z rozumowaniem. Inną istotną słabością jest wykorzystanie zautomatyzowanej analityki jako głównego narzędzia ewaluacji. W przypadku VR do zrozumienia zachowań użytkowników stosuje się analizę plików dziennika (log-files), jednak pomiary te mogą być niewystarczające do zrozumienia rozumowania stojącego za wyborami klinicznymi. Podobnie algorytmiczna interpretacja języka jest powszechnie stosowana do oceniania systemów GenAI i może pomijać niuanse językowe, takie jak intuicja kliniczna, radzenie sobie z niepewnością czy rozumowanie specyficzne dla danego kontekstu23.
Ponadto w literaturze odnotowuje się brak zestandaryzowanych metod mapowania efektów technologii na znane modele rozumowania klinicznego. Chociaż istnieją badania, które w sposób niejawny łączą VR z rozumowaniem proceduralnym, a GenAI z rozumowaniem poznawczym, niewiele z nich osadza te narzędzia w kontekście zwalidowanych konstruktów teoretycznych. Ta rozbieżność ogranicza możliwości porównywania wyników innych badań oraz tworzenia spójnej struktury oceny wspomaganej technologicznie24.
Przyszłe badania w tym obszarze powinny koncentrować się na integracji poznawczych i behawioralnych modalności oceny. Systemy hybrydowe łączące symulację imersyjną z dialogiem w czasie rzeczywistym moderowanym przez AI mogą w lepszy sposób oddać iteracyjny charakter rozumowania klinicznego. Dzięki nim zachowanie uczniów w środowisku wirtualnym może wywołać reakcję pytającą ze strony agenta AI, co pozwala na jednoczesną ocenę tego, co uczniowie robią oraz dlaczego to robią25,26.
Podsumowując, choć technologie VR i GenAI dostarczają cennych spostrzeżeń na temat konkretnych aspektów rozumowania klinicznego, ich zastosowanie pozostaje obecnie niespójne. Aby zaradzić tej fragmentacji i opracować kompleksowe, znaczące strategie oceny w edukacji onkologicznej, niezbędna będzie integracja koncepcji, rygor metodologiczny oraz innowacje technologiczne. Tabela 1 przedstawia kluczowe różnice między rzeczywistością wirtualną (VR) a generatywną sztuczną inteligencją (GenAI) w ocenie rozumowania klinicznego, porównując ich odpowiednie punkty ciężkości, interakcje, mocne strony, ograniczenia oraz generowane dane. Ponadto Rysunek 2 ilustruje iteracyjny cykl rozumowania klinicznego, który pokazuje, w jaki sposób VR wspiera gromadzenie danych, działanie i refleksję, podczas gdy GenAI pomaga w generowaniu hipotez, ich doprecyzowaniu oraz wyjaśnianiu diagnostycznym. Wspólnie umożliwiają one ciągłą pętlę świadomego podejmowania decyzji i uczenia się poprzez doświadczenie.
| Wymiar | Wirtualna rzeczywistość (VR) | Generatywna sztuczna inteligencja (GenAI) |
| Zakres oceny | Proceduralne / behawioralne | Poznawcze / analityczne |
| Tryb interakcji | Symulacja imersyjna | Oparty na dialogu |
| Wytrzymałość | Wysoka trafność ekologiczna | Wysoka skalowalność |
| Ograniczenia | Zasobochłonny | Ograniczona przejrzystość |
| Typ danych | Rejestry behawioralne | Odpowiedzi w języku naturalnym |
Tabela 1: Porównanie VR i GenAI w ocenie rozumowania klinicznego. Porównanie rzeczywistości wirtualnej (VR) i generatywnej sztucznej inteligencji (GenAI) pod kątem oceny rozumowania klinicznego w kluczowych wymiarach, w tym zakresu oceny, trybu interakcji, mocnych stron, ograniczeń oraz rodzaju danych.
Rysunek 2: Iteracyjny cykl rozumowania klinicznego: Wkład VR i GenAI. Iteracyjny cykl rozumowania klinicznego ilustruje, w jaki sposób VR rejestruje działania i wyniki podczas zadań opartych na symulacji (gromadzenie informacji i podejmowanie decyzji), podczas gdy GenAI wspiera generowanie hipotez, diagnostykę różnicową, objaśnianie i doprecyzowanie, co wspólnie umożliwia ciągłą refleksję i uczenie się na podstawie doświadczeń. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Dowody na trafność i ograniczenia pomiaru
Opracowanie silnych dowodów na trafność jest kluczowe przy wdrażaniu każdego narzędzia oceny, szczególnie w obszarach o dużym znaczeniu, takich jak edukacja onkologiczna. Współczesna konceptualizacja teorii trafności postrzega trafność jako pojedynczy konstrukt wspierany przez kilka źródeł dowodów, takich jak treść, proces odpowiedzi, struktura wewnętrzna, relacje z innymi zmiennymi oraz konsekwencje oceny27,28.
Większość badań koncentruje się na trafności treści, którą zazwyczaj wykazuje się poprzez recenzję sytuacji klinicznych, projektu zadań lub kryteriów oceniania przez ekspertów. Chociaż metody te zapewniają, że materiały oceniające są odpowiednie i zgodne z praktyką onkologiczną, nie dostarczają one wielu informacji na temat zdolności narzędzi do pomiaru podstawowych konstruktów rozumowania klinicznego. W większości sytuacji walidacja treści jest uważana za wystarczający dowód skuteczności, mimo braku bardziej rygorystycznych praktyk psychometrycznych29.
Raportowanie dowodów na ważność procesu odpowiedzi – czyli tego, jak uczniowie postrzegają i wchodzą w interakcję z działaniami oceniającymi – jest mniej spójne. Inne badania wykorzystują testy użyteczności, opinie uczniów lub protokoły głośnego myślenia, aby zasugerować, że uczestnicy wchodzą w interakcje ze środowiskami VR lub systemami GenAI w pożądany sposób. Ponadto nie jest jeszcze jasne, w jakim stopniu interakcje te mogą dokładnie oddać rzeczywiste rozumowanie kliniczne, szczególnie w scenariuszach symulowanych lub pośredniczonych przez AI30.
Jednym z najważniejszych ograniczeń w obu modalnościach, VR i GenAI, jest brak dowodów na strukturę wewnętrzną. Rzadko raportowane są miary rzetelności, w tym spójność wewnętrzna, zgodność między sędziami lub stabilność test-retest. Jest to szczególnie problematyczne w przypadku narzędzi opartych na zautomatyzowanym punktowaniu. Systemy GenAI wykazują dodatkową zmienność w zakresie algorytmów punktowania opartych na przetwarzaniu języka naturalnego, gdzie wyniki mogą różnić się w zależności od konstrukcji promptu, parametrów modelu lub interpretacji kontekstowej31.
Podobnie, istnieją ograniczone dowody na powiązania z innymi zmiennymi. Niewiele badań próbowało powiązać wyniki osiągane na platformach VR lub GenAI z istniejącymi technikami oceny, w tym z egzaminami OSCE, testami pisemnymi lub ocenami w miejscu pracy. Bez takich porównań trudno jest stwierdzić, czy technologie te mierzą konstrukty spójne z obecnymi ramami kompetencji klinicznych. Taki brak trafności zbieżnej i różnicującej ogranicza interpretację i wiarygodność wyników oceny32.
Największą luką w literaturze jest jednak brak walidacji transferu. Prawie nie istnieją dane potwierdzające koncepcję, według której praktyka w symulacjach VR lub testach opartych na GenAI koreluje z lepszym rozumowaniem klinicznym w rzeczywistej praktyce onkologicznej. Ponieważ nadrzędnym celem kształcenia medycznego jest poprawa opieki nad pacjentem, ograniczenie to stanowi jedną z największych przeszkód we wdrażaniu takich narzędzi do formalnych programów oceny. Wobec braku badań podłużnych lub analiz wyników, efekt edukacyjny tych technologii ogranicza się do symulowanej lub eksperymentalnej sytuacji, w której zostają one zastosowane33.
Oprócz tych wad psychometrycznych, rosnące wykorzystanie zautomatyzowanej analityki niesie ze sobą inne wyzwania. Zarówno VR, jak i GenAI w dużym stopniu opierają się na algorytmicznej interpretacji zachowania lub języka użytkownika, co budzi pytania o transparentność i interpretowalność. Charakter „czarnej skrzynki” dużych modeli językowych w kontekście ocen opartych na GenAI utrudnia zrozumienie sposobu generowania wyników oraz gwarancję ich bezstronności. Taka niewyjaśnialność może zniszczyć zaufanie między nauczycielami a uczniami, szczególnie w sytuacjach o wysokiej randze34.
Kolejną istotną kwestią jest stronniczość w ocenie opartej na AI. Dane treningowe wykorzystywane do tworzenia modeli językowych mogą odzwierciedlać różnice w wiedzy klinicznej, wzorcach komunikacji lub praktykach kulturowych, co prowadzi do systematycznych różnic w punktacji między grupami uczących się. Jeśli te uprzedzenia nie zostaną wyeliminowane, mogą one mieć poważne konsekwencje dla aspektów sprawiedliwości i równości w edukacji medycznej35.
Ponadto w istniejącej literaturze rzadko omawia się kwestie oceny, która stanowi kolejny istotny aspekt trafności. Bardzo niewiele badań analizuje wpływ wykorzystania narzędzi VR lub GenAI na zachowanie uczniów, ich ścieżki edukacyjne lub proces podejmowania decyzji w środowiskach klinicznych. Brak badań nad skutkami długofalowymi ogranicza wiedzę na temat pozytywnych i możliwych niezamierzonych efektów stosowania tych technologii36.
Podsumowując, technologie VR i GenAI są obiecujące w dostarczaniu nowych metod oceny rozumowania klinicznego, jednak istniejąca baza dowodów jest niewystarczająca, aby wdrożyć je w sytuacjach o wysokim stopniu ryzyka. We wszystkich obszarach zwiększenie trafności zapewni realizację kolejnego kroku: przekształcenie tych narzędzi z zastosowań eksperymentalnych w efektywne elementy oceny edukacji onkologicznej. Tabela 2 podsumowuje dowody na trafność VR i GenAI w czterech domenach — treści, struktury wewnętrznej, relacji z innymi zmiennymi i konsekwencji — podkreślając jednocześnie kluczowe ograniczenia, w tym projekty oparte na opiniach ekspertów, ograniczoną weryfikację niezawodności, nieliczne badania porównawcze oraz brak danych dotyczących długoterminowych wyników.
| Zakres stosowalności | Dowody VR | Dowody GenAI | Kluczowe ograniczenie |
| Treść | Strong | Umiarkowany | W przeważającej mierze oparty na wiedzy eksperckiej |
| Struktura wewnętrzna | Ograniczony | Ograniczony | Brak testów niezawodności |
| Relacje z innymi zmiennymi | Rzadki | Rzadki | Niewiele badań porównawczych |
| Konsekwencje | Minimalny | Minimalny | Brak wyników długoterminowych |
Tabela 2: Dowody ważności w różnych technologiach. Tabela ta przedstawia dowody ważności dla VR i GenAI w ocenie rozumowania klinicznego w domenach treści, struktury wewnętrznej, relacji z innymi zmiennymi oraz konsekwencji
Efekty edukacyjne i zastrzeżenia interpretacyjne
Wzrost zastosowania wirtualnej rzeczywistości (VR) oraz generatywnej sztucznej inteligencji (GenAI) w edukacji onkologicznej znajduje odzwierciedlenie w literaturze dokumentującej ogólnie pozytywne wyniki kształcenia. Obejmują one zwiększone zaangażowanie i motywację uczących się, postrzegany realizm środowisk uczenia się oraz możliwość otrzymywania natychmiastowej, spersonalizowanej informacji zwrotnej37,38,39. Takie wnioski sugerują, że technologie te dają nadzieję na wzbogacenie doświadczeń edukacyjnych i wsparcie rozwoju umiejętności rozumowania klinicznego.
Znaczna część zgłoszonych wyników opiera się na samoocenie, takiej jak satysfakcja uczącego się, odczuwalna pewność siebie lub subiektywna ocena efektów uczenia się. Choć wskaźniki te dostarczają cennych informacji na temat doświadczeń użytkowników, nie zawsze są one powiązane z wymierną poprawą rozumowania klinicznego lub wyników w praktyce klinicznej40. W przypadku raportowania obiektywnego wyniki koncentrują się zazwyczaj na efektach pracy na samej platformie technologicznej. Chociaż wyniki te mogą sugerować, że narzędzie było skutecznie wykorzystywane, nie rozstrzygają one, czy taka interakcja może zostać przełożona na ogólną kompetencję w zakresie rozumowania klinicznego. Postępy osiągnięte w warunkach kontrolowanych lub symulowanych mogą wynikać z oswojenia się z systemem, a nie z rzeczywistego rozwoju poznawczego lub behawioralnego. Kolejne ograniczenie wiąże się z cechami metodologicznymi istniejących badań. Duża część literatury obejmuje badania na małą skalę, prowadzone w jednej instytucji, z ograniczoną wielkością próby i krótkim okresem interwencji. Ograniczenia te zmniejszają moc statystyczną i utrudniają generalizację wyników na szeroki zakres środowisk edukacyjnych33.
Problem transferowalności jest szczególnie istotny w edukacji onkologicznej. Kliniczne rozumowanie onkologiczne to złożony i długofalowy proces podejmowania decyzji, który odbywa się w określonych ramach czasowych i w kontekstach klinicznych. Niemniej jednak brakuje literatury na temat tego, czy umiejętności wypracowane w ramach interwencji opartych na VR lub GenAI utrzymują się po zakończeniu bezpośredniego kontekstu nauczania lub wpływają na rzeczywistą praktykę kliniczną. Ponadto w literaturze istnieje tendencja do mieszania wyników szkolenia z wynikami oceny. Większość aplikacji VR i GenAI ma jako główny cel ułatwianie nauki jako narzędzie edukacyjne, jednak ich sukces jest sporadycznie postrzegany jako oznaka trafności oceny. Aby dokonać dokładnej interpretacji, ważne jest rozróżnienie korzyści z uczenia się kształtującego od użyteczności oceny sumującej42.
Istnieją również powody poznawcze, które komplikują interpretację efektów edukacyjnych. Zaawansowane technologie generują różny stopień obciążenia poznawczego, co może wpływać na wyniki uczących się. Na przykład immersyjne systemy VR mogą wprowadzać zbędne obciążenie poznawcze związane z nawigacją, interakcją z interfejsem lub przetwarzaniem sensorycznym. Przy odpowiednim projekcie i zapoznaniu użytkownika z systemem, czynniki te mogą albo ułatwiać, albo utrudniać naukę36. Do istotnych czynników należą również doświadczenia użytkownika oraz wcześniejszy kontakt z technologią. Studenci, którzy są bardziej przyzwyczajeni do interfejsów komputerowych lub systemów opartych na AI, mogą osiągać lepsze wyniki, niekoniecznie ze względu na sprawniejsze rozumowanie kliniczne, lecz dzięki wygodniejszej interakcji z systemem43.
Kolejnym czynnikiem, który należy wziąć pod uwagę, jest możliwość wystąpienia niezamierzonych konsekwencji. Przykładowo, nadmierna zależność od informacji zwrotnych generowanych przez AI może ograniczyć szanse na logiczne myślenie lub krytyczną analizę. Podobnie, precyzyjnie sformułowane sytuacje w VR mogą nieświadomie ograniczać proces podejmowania decyzji poprzez redukcję liczby potencjalnych działań. Obecna literatura nie bada tych efektów w sposób rozbudowany, mimo że mają one istotny wpływ na projektowanie programów edukacyjnych44.
Pomimo istnienia tych ograniczeń, nie można pominąć pozytywnych tendencji odnotowanych w zakresie zaangażowania uczących się oraz uczenia się przez doświadczenie. Bezpieczne środowiska praktyczne, informacje zwrotne w czasie rzeczywistym oraz możliwość wielokrotnej ekspozycji na złożone sytuacje to możliwości oferowane przez technologie VR i GenAI. Cechy te można powiązać z aktualnymi teoriami edukacyjnymi, takimi jak uczenie się przez doświadczenie oraz praktyka celowa, które priorytetyzują aktywne uczenie się i ciągłe doskonalenie45.
Podsumowując, choć technologie VR i GenAI wykazują znaczący potencjał w przekształcaniu edukacji onkologicznej, obecna baza dowodowa jest ograniczona pod względem metodologicznym i interpretacyjnym. Niezbędne jest zatem krytyczne i ostrożne podejście, aby zapobiec nadmiernemu uogólnianiu wyników i upewnić się, że twierdzenia dotyczące skuteczności edukacji opierają się na silnych dowodach empirycznych.
Względy poznawcze, etyczne i organizacyjne
Pod kątem poznawczym rozwój tych technologii i ich zastosowanie mogą mieć istotny wpływ na to, jak uczący się postrzegają informacje i ćwiczą rozumowanie kliniczne. Teoria obciążenia poznawczego oferuje praktyczne ramy do zrozumienia tych efektów, wyróżniając trzy rodzaje obciążenia poznawczego: wewnętrzne, zewnętrzne oraz relewantne43. Chociaż środowiska VR są imersyjne i angażujące, mogą one nakładać na użytkowników znaczne obciążenie poznawcze zewnętrzne, wymagające nawigacji, stymulacji sensorycznej oraz radzenia sobie ze złożonością interfejsu. Jeśli proces ten nie zostanie odpowiednio zaplanowany, czynniki te mogą przesunąć zasoby poznawcze na obszary inne niż kluczowe procesy rozumowania, co w konsekwencji może negatywnie wpłynąć na efekty uczenia się i wyniki oceny38.
W podobny sposób systemy genAI stawiają nowe wyzwania poznawcze w zakresie prezentacji informacji i dynamiki interakcji. Przykładem jest fakt, że nadmierne lub redundantne informacje zwrotne generowane przez systemy AI mogą prowadzić do przeciążenia informacyjnego, co może utrudniać efektywną naukę. Z drugiej strony, odpowiednio zaprojektowana, adaptacyjna informacja zwrotna może zwiększyć relewantne obciążenie poznawcze poprzez tworzenie schematów oraz myślenie refleksyjne46. Równowaga między naprowadzaniem a autonomią poznawczą jest zatem kluczowa, ponieważ nadmierne poleganie na odpowiedziach generowanych przez AI może ograniczyć możliwości niezależnego rozwiązywania problemów i krytycznego myślenia.
Zaangażowanie poznawcze w przypadku takich technologii jest również zapośredniczone przez stopień zaznajomienia się użytkownika z narzędziem oraz jego biegłość cyfrową44.
Etyka jest również kluczowym aspektem wdrażania VR i GenAI w ocenie edukacyjnej. Jednym z najistotniejszych problemów jest koncepcja stronniczości algorytmicznej w systemach opartych na sztucznej inteligencji. Modele uczenia maszynowego, takie jak duże modele językowe, są trenowane na ogromnych ilościach danych, które mogą być obciążone istniejącymi normami społecznymi, kulturowymi lub zawodowymi. W konsekwencji wyniki ocen mogą prowadzić do niepożądanej dyskryminacji określonych grup uczniów, co stawia pod znakiem zapytania sprawiedliwość i bezstronność35. Innymi kwestiami etycznymi są przejrzystość i wyjaśnialność. Większość systemów GenAI to tzw. czarne skrzynki, pozbawione jawnych opisów procesu podejmowania decyzji. Taki brak interpretowalności ocen może prowadzić do utraty zaufania między uczniami a nauczycielami, szczególnie gdy produkt końcowy ma poważne implikacje akademickie34.
Bezpieczeństwo i prywatność danych są również istotnymi czynnikami, które należy wziąć pod uwagę, ponieważ dane edukacyjne, a potencjalnie i kliniczne, są poufne. VR może być wykorzystywany do rejestrowania szczegółowych danych behawioralnych, natomiast platformy GenAI mogą przetwarzać duże ilości danych tekstowych. Aby utrzymać standardy etyczne i zaufanie do instytucji, ważne jest zapewnienie przestrzegania zasad ochrony danych oraz ochrony informacji użytkowników47.
Oprócz kwestii na poziomie indywidualnym, decydujące dla sukcesu wdrożenia tych technologii są kwestie organizacyjne. Implementacja VR i GenAI w edukacji onkologicznej musi być spójna z celami instytucji, dostępem do zasobów oraz wspierającymi ramami zarządzania. Model Technology-Organization-Environment (TOE) jest cennym narzędziem do badania tych czynników i koncentracji na interakcji między przygotowaniem technologicznym, możliwościami organizacyjnymi a wpływem środowiska zewnętrznego48.
Gotowość organizacyjna obejmuje kompetencje kadry akademickiej, szkolenia oraz akceptację nowych technologii. Potencjalny opór przed wdrożeniem może wynikać z obaw dotyczących niezawodności, nadmiernego obciążenia pracą lub po prostu z braku znajomości systemów opartych na AI. Ograniczenia te można przezwyciężyć poprzez ukierunkowane programy rozwoju kadry oraz wprowadzenie jasnych zasad dotyczących wykorzystania technologii w ocenianiu49.
Nowe podejście w tej dziedzinie koncentruje się na idei oświeconej autonomii, w której systemy AI są tworzone, aby wspierać, a nie zastępować ludzki osąd. Metoda ta proponuje harmonijne połączenie zautomatyzowanej analityki i ludzkiej kontroli, w którym technologia poprawiłaby proces podejmowania decyzji, nie ingerując w odpowiedzialność ani profesjonalizm50. W kontekście oceny rozumowania klinicznego może to obejmować łączenie wniosków generowanych przez AI z oceną ekspercką w celu uzyskania bardziej kompleksowego i wiarygodnego procesu oceny.
Podsumowując, wprowadzenie VR i GenAI do edukacji onkologicznej wiąże się z czymś więcej niż tylko innowacją techniczną; obejmuje ono również analizę złożonych aspektów poznawczych, etycznych i organizacyjnych. Rozważania te są kluczowe dla zapewnienia maksymalizacji wartości edukacyjnej tych technologii przy jednoczesnym minimalizowaniu ryzyk. Interdyscyplinarna strategia uwzględniająca projektowanie zorientowane na użytkownika, kwestie etyczne oraz gotowość instytucjonalną będzie miała fundamentalne znaczenie dla rozwoju odpowiedzialnego wykorzystania technologii w ocenie rozumowania klinicznego. Rysunek 3 Model Technology-Organization-Environment (TOE) identyfikujący kluczowe czynniki wdrożeniowe dla integracji VR i GenAI w edukacji onkologicznej. Skuteczna adaptacja wymaga spójności między możliwościami systemowymi, wsparciem organizacyjnym a zewnętrznymi warunkami środowiskowymi.
Rycina 3: Model Technologia-Organizacja-Środowisko (TOE) w kontekście wdrażania VR i GenAI w edukacji onkologicznej. Model Technologia-Organizacja-Środowisko (TOE) zastosowany do integracji VR i GenAI w edukacji onkologicznej, podkreślający kluczowe czynniki w zakresie możliwości systemowych, kierownictwa i programu nauczania, a także kwestie regulacyjne, finansowe i kulturowe niezbędne do pomyślnego wdrożenia. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wnioski
Rozumowanie kliniczne w onkologii to rosnąca i wymagająca kwestia, która od dawna stanowi złożony, dynamiczny, wymagający i specyficzny dla kontekstu aspekt podejmowania decyzji onkologicznych. Niniejszy przegląd omawiał nowe funkcje rzeczywistości wirtualnej (VR) i generatywnej sztucznej inteligencji (GenAI) jako innowacyjne rozwiązania ograniczeń konwencjonalnych technik oceny. Łącznie dowody sugerują, że technologie te oferują niepokrywające się zalety, ale wciąż nie osiągnęły fragmentacji konceptualnej, nie przezwyci...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Podziękowania
Finansowanie: Fundusz: Ogólny Projekt Badawczy (kategoria nauk przyrodniczych) Departamentu Edukacji Prowincji Zhejiang (grant nr Y202558353).
Fundusz: Projekt badawczy dotyczący szkolnictwa wyższego Specjalny projekt: Sztuczna inteligencja wzmacniająca edukację i zastosowania nauczania (KT2025426)
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Bibliografia
- 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).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.