生成式人工智能赋能生物医学工程教育：机遇、挑战与应对策略

研究人员聚焦生成式人工智能（GenAI）融入生物医学工程（BME）教育的问题，经研讨得出多方面策略，对教育发展意义重大。

　　在科技飞速发展的当下，生成式人工智能（GenAI）正以前所未有的态势渗透到各个领域，生物医学工程（BME）教育也不例外。以往，学生获取知识的方式较为传统，而如今 GenAI 的出现，彻底改变了这一局面。它不仅为学生提供了新的学习途径，也对 BME 课程设置提出了新的要求。然而，这一变革并非一帆风顺，学术诚信问题、学生过度依赖 AI 等现象逐渐凸显，如何在享受 GenAI 带来便利的同时，有效解决这些问题，成为了教育领域亟待攻克的难题。

为了深入探究这些问题，来自美国多所高校的研究人员，包括 Reem Khojah、Alexandra Werth 等，共同开展了相关研究。他们的研究成果发表在《Biomedical Engineering Education》上，为 BME 教育中 GenAI 的应用提供了极具价值的指导。

在研究方法上，研究人员通过多种方式进行探索。一方面，收集了大量的预峰会数据，邀请了 BME 项目的教师代表参与调查，聚焦当前教育实践与挑战；另一方面，在峰会期间，详细记录讨论和分组会议的结果，整合共享的见解和最佳实践；此外，峰会后还进行了相关文献回顾，并收集 BME 社区的非正式反馈。通过这些方法，全面而深入地剖析了 GenAI 在 BME 教育中的应用情况。

下面来具体看看研究结果。

1. 人工智能能力培养
   • 平衡技术与可转移技能：为了让学生适应 BME 未来的发展，课程需要与时俱进，既要涵盖基础技术知识，又要融入与 GenAI 相关的专业能力培养。学生不仅要理解 AI 工具的设计与修改，更要学会高效且合乎伦理地使用它们。在课程设置上，可以选择训练学生开发 AI 平台技术，或者侧重于让学生在生物医学场景中合理应用 AI 工具。例如，学生可以参与设计一个从组织学图像中识别不同组织类型的 AI 工具项目，这涉及模型训练和验证等技术概念；也可以专注于运用现有 AI 工具解决实际问题，如优化药物递送机制，培养批判性评估和决策能力。无论哪种方式，都需要建立在坚实的伦理基础之上12。
   • 基于证据的教学框架：在 BME 领域，AI 教育应紧密结合实际应用，以改善患者治疗效果和医疗技术为目标。比如，教授学生开发医学影像分析算法、利用可穿戴设备改进患者监测系统等。Seth 等人（2022）的框架为 BME 中的 AI 教育提供了重要参考，核心能力包括分析大规模电子健康记录、设计临床试验的机器学习模型等。BME 课程应将 AI 工具和技术与现实生物医学挑战相结合，根据行业需求培养学生开发特定 AI 模型的能力，如自动化医疗设备生产的质量保证流程、利用基因组数据预测患者预后等34。
   • 融入现有课程：随着 AI 在 BME 教育中重要性的提升，合理整合 AI 能力到现有课程至关重要。可以将 AI 概念融入如生物医学成像或生物信息学等当前课程中，减少课程冗余，确保学生在现有课程结构内掌握关键 AI 技能。或者，BME 项目可以专门设立 AI 和生物信息学的专业方向，提供聚焦于 AI 在医疗保健中应用的课程。但将 AI 仅作为选修或课外活动存在风险，可能导致部分学生毕业后缺乏就业所需的 AI 技能。因此，AI 能力应融入核心课程，保证所有学生具备基本的 AI 能力5。
   
   
2. GenAI 作为教育工具
   • 变革教学与学习：GenAI 为 BME 教育带来了全新的教学方法，能够创建个性化、自适应的学习材料，满足不同学生的需求，还可充当教学助手，协助教师进行评分、解答常见问题等。然而，GenAI 也存在一些问题，如生成内容的可靠性、信息处理中的偏见，以及隐私和版权问题等。教育工作者需要对 GenAI 工具的输出进行严格评估，选择可交叉验证输出结果的模型，并培养学生批判性评估 AI 生成内容的能力，同时解决隐私和版权问题，确保教学实践的有效性和合法性1013。
   • 设计 “防 AI” 课程：GenAI 的兴起给教育带来了挑战，学生可能利用其生成的内容逃避学习过程。为了确保课程作业的真实性和学生的学习效果，教师需要设计 “防 AI” 的评估和学习活动，如课堂练习、注重高阶思维和解决问题能力的评估等。MAGE 框架为评估课程对 AI 的抵御能力提供了方法，通过映射评估与认知任务、测试 AI 生成的响应、根据特定标准评分和评估结果，教师可以创建更具弹性的 “防 AI” 评估，促进学生的批判性思维和积极参与1415。
   • 改进学术指导：AI 工具可以辅助学术指导工作，自动化日常任务、识别有风险的学生、推荐课程等，减轻人工顾问的负担，使其能够专注于更个性化和复杂的指导。但 AI 在学术指导中的应用也存在伦理问题，如隐私、数据安全和算法偏见等。大学可能需要开发自己的 GenAI 聊天机器人系统，保障学生、教师和管理人员的隐私，同时为学生和顾问提供 AI 工具的伦理使用培训，培养学术诚信意识1617。
   
   
3. GenAI 对 BME 项目的影响
   • ABET 认证与评估：GenAI 对 BME 项目的 ABET 认证既有积极影响，也有挑战。积极方面，GenAI 可以增强学习和评估实践，支持项目展示对 ABET 标准的合规性，如利用 GenAI 进行个性化学习，有助于学生解决复杂的生物医学问题，符合 ABET 对使用现代工程工具和方法的要求；还可以帮助项目简化认证准备过程，自动化数据分析并将学生成果与 ABET 标准进行映射。然而，过度依赖 GenAI 可能导致难以评估学生是否真正掌握了关键能力，如批判性思维、问题解决和伦理责任等，并且存在学术诚信问题。如果项目无法解决这些问题，可能会失去 ABET 评估人员的信任1819。
   • 评估新工具的影响：评估 GenAI 工具在 BME 课程中的影响，需要关注其对学习体验的改变、对不同学生需求的支持以及对教学实践的提升。可以通过多种方式进行评估，如开展实施前和实施后的研究，对比相关指标，了解学生对 GenAI 生成的个性化学习材料的看法；进行 A/B 测试，比较使用 GenAI 工具和传统方法的学生群体，确定 GenAI 工具的优势和潜在缺点；收集不同学生群体的数据，评估 GenAI 工具的使用是否公平、是否能减少弱势群体或残疾学生的学习障碍；通过教师调查、课程材料审查和同行反馈，了解教师是否利用 GenAI 创造更具互动性、基于项目的学习体验，或简化行政任务以更好地关注学生参与度等2021。
   
   
4. 机构层面的考虑
   • 应对技术快速发展：GenAI 技术发展迅速，给课程设计带来了挑战。BME 项目需要采用灵活、模块化的课程，以便随着 AI 的发展轻松更新。对于缺乏 AI 背景的教师，机构应提供支持，如提供现成的教学资源，包括预构建的讲座幻灯片、编码练习等；开展短期、按需的培训模块，利用 AI 驱动的对话系统辅助教师生成课程材料、解答问题；促进跨学科合作教学，让不熟悉 GenAI 的教师与 AI 专家合作；与行业建立伙伴关系，使 BME 课程与新兴趋势保持一致，让学生接触到实际的 AI 应用67。
   • 利用现有资源：BME 项目可以利用机构现有的资源来支持 GenAI 的整合，如将基础 AI 和机器学习概念融入通识教育或计算机科学课程，让学生具备在生物医学场景中应用 GenAI 的能力；借助 AI 相关的辅修课程和项目，为学生提供深入学习 AI 的途径；利用云解决方案，如 Google Colab、AWS Educate 等，解决计算基础设施不足的问题；参与如 OCCTIVE、AI4ALL 等项目，缩小资源差距，确保所有学生都能接触到 GenAI 技术。此外，与其他学科的教师合作，整合相关课程内容，避免给核心课程增加过多负担89。
   • 跨学科合作与共同教学：跨学科合作和共同教学在将 GenAI 融入 BME 教育中起着关键作用。BME、计算机科学、伦理学、商学或法学等多学科教师共同开发和授课，可以让学生全面了解 GenAI 工具与不同领域的交叉点，理解 AI 在医学中的技术和社会影响。借鉴可持续性工程教育的经验，采用横向整合的方式，将 AI 主题融入多门课程和学科，有助于培养学生的专业决策能力，促进课程设计的创新，减少课程冗余，让学生从多个角度探索 AI 应用1112。
   
   
5. 学术政策与诚信：多数大学仍在制定或尚未开始制定与 GenAI 使用相关的学术不端政策，但部分学校已向学生提供 GenAI 工具。目前，大多数项目期望学生在作业中披露是否使用 AI 工具，但只有少数机构会进行监测或验证。由于 AI 内容检测技术仍不完善，传统抄袭检测工具难以识别 AI 生成的内容，导致难以确定学生是否存在学术不端行为。一些课程通过制定结构化的 GenAI 使用政策，如要求学生披露使用情况并批判性评估 AI 生成的输出，来促进 GenAI 的合理使用，既降低学术不端风险，又提升学生的学习体验2223。
6. 外展与公众参与
   • 有效利用 GenAI 进行外展：在 BME 的外展和公众参与工作中，GenAI 可通过自动化内容创建、个性化用户交互和实时分析受众反馈，提升外展活动的效率、针对性和吸引力。但要确保沟通的准确性，避免 AI 生成内容中的偏见。虽然 AI 工具如聊天机器人和语言模型可回答常见问题、纠正误解，但仍需保留人的参与，以处理复杂情况和提供背景信息2425。
   • 辅助沟通复杂概念：AI 可帮助工程师将 BME 复杂概念转化为通俗易懂的信息，如分析技术论文、简化语言、生成信息图表或视频解释等。在教学中，学生通过与 ChatGPT 互动，将复杂的细胞和分子生物工程概念转化为有趣的形式，既加深了对知识的理解，也展示了 GenAI 在简化技术语言方面的潜力。此外，AI 还能创建教育材料、互动模拟和虚拟实验室，以沉浸式方式吸引公众参与 BME 主题学习，并根据用户的知识、参与度和反馈提供个性化学习体验2627。
   • 影响外展的包容性：AI 有潜力使外展工作更具包容性，如通过翻译内容、提供实时字幕、个性化信息展示等方式，消除语言、无障碍和文化差异等障碍，还能分析数据以识别代表性不足的群体，调整内容策略以覆盖更广泛的社区。然而，AI 系统可能存在偏见，这可能导致某些群体被排除在外或强化刻板印象。因此，需要确保训练数据的多样性和包容性，并定期对 AI 模型进行偏见审计，以确保 AI 驱动的外展工作真正服务于所有社会群体2829。
   
   

研究结论和讨论部分强调，GenAI 融入 BME 教育是该领域发展的关键转折点。GenAI 为教学和学习带来了变革性的机遇，能够个性化学习体验、简化复杂任务，还能支持机构运营、加强外展工作。但同时也面临诸多挑战，如学术诚信、AI 的伦理使用和技术依赖等问题。为了确保学生扎实掌握 BME 核心原则，需要在人力判断和 AI 驱动的解决方案之间找到平衡。教育工作者、行业和机构领导者之间持续的对话至关重要，这将有助于推动 GenAI 的合理整合，培养出在学术和职业领域都能蓬勃发展的未来生物医学工程师。此外，随着 AI 对医疗和工程领域的重塑，BME 教育需要教授新的 AI 技能，通过精心设计课程，确保学生具备应对新技术的能力。总之，成功整合 GenAI 需要各方共同努力，持续交流、深入研究与紧密合作，以充分利用 GenAI 的优势，应对挑战，构建一个充满活力的 BME 教育体系，让学生在快速发展的 AI 时代中脱颖而出。