هوش مصنوعی در آموزش علوم پزشکی؛ ابزار توانمندساز یا تهدیدی برای علم پزشکی؟

در آستانه آغاز سال تحصیلی دانشگاه‌ها، یکی از پرسش‌های مهم پیش روی نظام آموزش پزشکی، نحوه مواجهه با هوش مصنوعی و جایگاه این فناوری در فرایند یادگیری دانشجویان است؛ فناوری‌ای که از یک سو می‌تواند دسترسی به اطلاعات، آموزش تعاملی، تحلیل داده و تمرین مهارت‌های علمی را تسهیل کند و از سوی دیگر، در صورت استفاده نادرست، به تضعیف تفکر، استدلال و مهارت‌های حرفه‌ای منجر شود.

آنچه علوم پزشکی را از بسیاری از رشته‌های دیگر متمایز می‌کند، ارتباط مستقیم خروجی فرایند آموزش با سلامت، کیفیت زندگی و حتی جان انسان‌هاست. دانشجوی پزشکی صرفاً برای پاسخ دادن به یک مسئله نظری آموزش نمی‌بیند، بلکه در مسیر کسب مهارت‌هایی قرار دارد که در آینده مبنای تصمیم‌گیری او درباره بیماران خواهد بود؛ تصمیم‌هایی که بر اساس شرح حال، معاینه، آزمایش‌ها، تصویربرداری، سابقه پزشکی، عوامل خطر، شرایط اجتماعی و وضعیت لحظه‌ای بیمار اتخاذ می‌شوند.

از این منظر، اگر هوش مصنوعی به جای افزایش توان تحلیل دانشجو، به میان‌بری برای حذف فرایند استدلال تبدیل شود، موضوع دیگر صرفاً به «استفاده از یک ابزار آموزشی» محدود نخواهد بود و می‌تواند کیفیت آموزش پزشک آینده و در نهایت ایمنی بیمار را تحت تأثیر قرار دهد.

هوش مصنوعی به خودی خود نه تهدید است و نه راه‌حل همه مسائل؛ ارزش آن به نحوه استفاده، کیفیت داده‌های ورودی، نوع الگوریتم، زمینه کاربرد، اعتبارسنجی علمی و میزان نظارت انسانی وابسته است. در حوزه سلامت نیز ملاحظات اخلاقی، حقوق بشری، ایمنی و حکمرانی باید در مرکز طراحی و استفاده از این فناوری قرار گیرد.

این فناوری می‌تواند در مدت کوتاهی یک مفهوم دشوار را توضیح دهد، تفاوت بیماری‌های مشابه را مقایسه کند، ساختار یک مقاله علمی را تحلیل کند، برای مرور یک مبحث آموزشی سؤال طراحی کند یا یک سناریوی بالینی در اختیار دانشجو قرار دهد. چنین قابلیت‌هایی زمانی ارزشمند خواهند بود که در کنار مطالعه منابع معتبر، کتاب‌های مرجع، مقالات داوری‌شده و آموزش استاد قرار گیرند و به یادگیری عمیق‌تر کمک کنند.

یکی از کاربردهای مهم هوش مصنوعی در آموزش پزشکی می‌تواند ایفای نقش یک «شریک تمرینی» در استدلال بالینی باشد. دانشجو می‌تواند با یک شرح حال فرضی مواجه شود، تشخیص‌های احتمالی خود را مطرح کند، درباره یافته‌های آزمایشگاهی سؤال بپرسد و سپس استدلال خود را با یک سامانه هوشمند مقایسه کند. اما نکته اساسی این است که دانشجو ابتدا خودش فکر کند و سپس از هوش مصنوعی برای بررسی، تکمیل یا به چالش کشیدن استدلال خود استفاده کند.

در چنین شرایطی، هوش مصنوعی مانند یک «آینه آموزشی» عمل می‌کند، نه مغزی که به جای دانشجو تصمیم بگیرد. در حالت نخست، فناوری ذهن را فعال می‌کند و در حالت دوم، ممکن است ذهن را از فرایند حل مسئله خارج کند.

پزشکی را نمی‌توان با چند سؤال و چند پاسخ آماده فرا گرفت. دانشجوی پزشکی باید بیاموزد چرا یک تشخیص را محتمل‌تر از تشخیص دیگر می‌داند، کدام یافته بالینی اهمیت بیشتری دارد، چه آزمایشی ارزش تشخیصی بالاتری دارد، چه زمانی باید یک تشخیص را کنار بگذارد و چگونه در مواجهه با شواهد متعارض تصمیم بگیرد.

اگر دانشجو در نخستین مواجهه با یک مسئله بالینی، به جای تشکیل فرضیه و بررسی شواهد، از هوش مصنوعی یک پاسخ نهایی بخواهد، ممکن است پاسخ را دریافت کند، اما لزوماً مسیر رسیدن به پاسخ درست را یاد نخواهد گرفت؛ و همین‌جا است که فناوری می‌تواند از یک ابزار آموزشی به عاملی برای تضعیف مهارت تبدیل شود.

از سوی دیگر، یکی از خطرناک‌ترین خطاهای شناختی در پزشکی می‌تواند «اعتماد به پاسخ به دلیل ظاهر مطمئن آن» باشد. مدل‌های زبانی بزرگ می‌توانند متنی روان، منسجم و ظاهراً علمی تولید کنند، اما روان بودن یک متن به معنای صحیح بودن آن نیست.

پدیده‌ای که با عنوان «توهم هوش مصنوعی» یا hallucination شناخته می‌شود، به تولید اطلاعات نادرست اما ظاهراً معتبر اشاره دارد. این خطا می‌تواند از ساختن یک منبع علمی یا نسبت دادن نادرست یک یافته به مقاله‌ای خاص تا ارائه توضیح اشتباه درباره یک بیماری یا پیشنهاد درمانی نامتناسب را شامل شود. چنین خطایی در حوزه سلامت اهمیت ویژه‌ای دارد و کاهش آن نیازمند استفاده از منابع معتبر، نظارت انسانی و ارزیابی مستمر خروجی‌هاست.

البته موضوع فقط به خطاهای هوش مصنوعی محدود نمی‌شود؛ استفاده بی‌قاعده از این فناوری می‌تواند مرز میان یادگیری و تقلب علمی را نیز کمرنگ کند. تولید مقاله، پاسخ امتحان، گزارش کارآموزی یا تکلیف دانشگاهی توسط سامانه هوشمند، بدون درگیری واقعی دانشجو با فرایند یادگیری، ممکن است در ظاهر عملکرد تحصیلی را بهبود دهد، اما در بلندمدت شکاف میان «آنچه دانشجو ارائه می‌دهد» و «آنچه واقعاً می‌داند» ایجاد می‌کند.

این مسئله در آموزش پزشکی اهمیت بیشتری دارد، زیرا ارزیابی دانشگاهی صرفاً برای اعطای نمره نیست؛ بلکه بخشی از فرایند اطمینان از آمادگی فرد برای ورود به یک حرفه مسئولیت‌پذیر است.

در حوزه پزشکی همچنین باید میان «اطلاعات پزشکی» و «تشخیص پزشکی» تفاوت قائل شد. تشخیص بیماری صرفاً تطبیق چند علامت با نام یک بیماری نیست؛ بلکه فرایندی پیچیده شامل جمع‌آوری اطلاعات، وزن‌دهی به یافته‌ها، توجه به شرایط بیمار، تشخیص افتراقی، ارزیابی احتمال‌ها و تفسیر آزمایش‌ها و تصویربرداری است. حتی پیشرفته‌ترین سامانه‌ها نیز به داده‌هایی وابسته‌اند که توسط انسان وارد، انتخاب یا ثبت شده‌اند و اگر داده‌های اولیه ناقص یا اشتباه باشند، خروجی نیز می‌تواند با خطا همراه شود.

در این میان، نقش استاد دانشگاه نیز حذف‌شدنی نیست. استاد تنها انتقال‌دهنده اطلاعات نیست؛ بلکه به دانشجو می‌آموزد چگونه فکر کند، یافته‌ها را تفسیر کند، در برابر یک پاسخ ظاهراً مطمئن اما اشتباه تردید کند و در شرایطی که اطلاعات ناقص است، تصمیم بگیرد. هوش مصنوعی می‌تواند دستیار آموزشی قدرتمندی باشد، اما نمی‌تواند تمام ابعاد رابطه استاد و دانشجو، مشاهده عملکرد بالینی، بازخورد انسانی، الگوی رفتاری حرفه‌ای و تجربه مواجهه واقعی با بیمار را جایگزین کند.

از این منظر، مسئله اصلی در آموزش پزشکی، استفاده یا عدم استفاده از هوش مصنوعی نیست؛ بلکه «سواد هوش مصنوعی در پزشکی» است. دانشجوی پزشکی باید بداند مدل چگونه آموزش دیده، داده‌ها چگونه بر خروجی آن اثر می‌گذارند، توهم هوش مصنوعی چیست، سوگیری الگوریتمی چگونه شکل می‌گیرد، تفاوت مدل عمومی با ابزار پزشکی اعتبارسنجی‌شده چیست، چه زمانی باید یک پاسخ را با منابع اولیه بررسی کرد و چه زمانی نباید اطلاعات بیمار را وارد یک سامانه عمومی کرد.

هوش مصنوعی در واقع «دو روی یک سکه» است؛ یک روی آن سرعت دسترسی به اطلاعات، تولید محتوا، شخصی‌سازی آموزش، تحلیل داده و آموزش تعاملی است و روی دیگر آن خطای الگوریتمی، توهم اطلاعات، سوگیری داده، نقض حریم خصوصی، وابستگی شناختی، کاهش مهارت و خطر انتقال حوزه تصمیم‌گیری از انسان به ماشین.

در نهایت، شاید مهم‌ترین پرسش برای دانشگاه‌های علوم پزشکی این نباشد که «چگونه از هوش مصنوعی استفاده کنیم»، بلکه این باشد که «چه زمانی نباید از آن استفاده کنیم».

پزشک آینده باید بتواند میان یک پاسخ سریع و یک پاسخ معتبر تفاوت بگذارد، داده مشکوک را راستی‌آزمایی کند، مسیر استدلال خود را حفظ کند و مسئولیت تصمیم حرفه‌ای خود را به یک الگوریتم واگذار نکند.

آینده آموزش پزشکی نه در حذف فناوری، بلکه در تعریف درست جایگاه آن در کنار تفکر، قضاوت بالینی، اخلاق حرفه‌ای و مسئولیت‌پذیری انسانی رقم خواهد خورد.

دکتر احمد نژادی‌سلامی

معاون فرهنگی و دانشجویی دانشگاه علوم پزشکی جندی شاپور اهواز و فوق‌تخصص گوارش و کبد

 

 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

enemad-logo