英国放射技师人工智能研究生教育干预的参与式行动研究评估
本研究采用参与式行动研究方法,评估英国首个面向放射技师的研究生级别AI模块,通过7名学生和6名教师的在线访谈与焦点小组讨论,总结出四大主题:专业背景影响学习体验、模块设计具有意义、存在学习障碍、以及理想AI课程的建议。结论推荐采用混合式教学、可定制内容与跨专业师资方法。
要点
- 该AI模块为放射技师提供了入门级AI教育,涵盖基础概念、临床应用、伦理与治理。
- 学生和教师认为混合式教学和跨专业师资是未来类似课程的有效方式。
- 模块设计需考虑学生背景差异、时间安排灵活性和成本可负担性。
核心结论
- AI模块可帮助教育者为放射技师及其他医学影像与辐射科学专业人员开发类似的AI教育课程。
- 推荐未来类似课程采用混合式教学、可定制和情境化内容以及跨专业师资方法。
研究设计与样本
- 采用参与式行动研究方法,招募首届模块的7名学生和6名教师,通过在线半结构化个体访谈和焦点小组讨论收集数据。
- 使用主题分析处理文本数据,数据收集达到饱和后终止。
临床应用与阅片要点
- 在开发AI教育课程时,应假设学生无AI基础知识,从基础概念开始构建。
- 课程内容应涵盖AI基础、可解释性、临床应用、文献批判性评估和伦理治理。
- 提供必修与选修课程组合,允许学生根据需求和兴趣定制学习。
局限性
- 本研究为小样本试点研究,仅纳入7名学生和6名教师,结果可能无法广泛推广。
- 数据收集于COVID-19疫情期间,全程在线交付可能影响学习体验的评估。
- 模块首次运行,参与者的反馈可能受新颖性和特定时间点影响。
全文中译22 节 · 点击展开
背景
人工智能(AI)是指计算机系统执行通常与人类智能相关任务的能力。在医学影像领域,AI应用可涉及视觉感知、语音识别、决策和自然语言处理等相关任务[1]。AI是一项快速发展的医疗保健技术。过去十年间,它越来越多地被应用于医学影像及其他医疗保健领域的临床服务提供中,近4年来呈指数级增长[2]。这种加速应用得益于多种因素,包括服务器处理速度更快、可用于训练、测试和验证AI算法模型的“大数据”的可获得性,以及我们对人脑学习过程日益深入的理解——这些过程如今支撑着深度学习应用中神经网络的实施[3, 4]。
不同政策和研究出版物均强调了对所有医疗保健从业人员进行教育和技能提升的重要性,以使其能够接受AI并融入数字化未来[5–11]。放射学和放射摄影学是技术应用程度最高的医疗保健专业之一[12],越来越多地在图像解读和报告中应用AI,同时也在临床实践的许多操作层面加以应用,如检查审核、患者体位摆放、图像质量优化、图像后处理、图像重建和工作流程管理[1, 13–16]。
放射科医生已开始设计和实施教育方案来教授AI,并获取在临床实践中高效、安全使用AI赋能技术所需的知识和技能[17–20]。然而,直到最近,放射摄影专业在正式的AI教育方案方面仍处于落后状态。放射摄影学具有适应技术发展的传统[21, 22],能够利用这些技术的益处并降低相关风险。近期研究重申了AI教育的重要性,将其视为放射技师安全高效地临床实施AI工具的优先事项,同时也强调了开展具有临床意义的前瞻性AI研究以构建证据基础的重要性[14, 23–26]。与既往研究一致,我们开发并实施了一个面向放射技师的研究生水平AI入门模块[14, 23–26]。据我们所知,这是欧洲、中东和非洲(EMEA)地区首个专门面向放射技师的AI模块。
因此,本文旨在评估和讨论这一面向放射技师的早期采用者研究生水平AI模块的首次实施情况,该模块在英国设计并交付,面向EMEA地区的学生开放。
方法
本文的结构以定性研究统一报告标准(COREQ)[27]为指导。
研究设计
采用参与式行动研究(PAR)方法作为最佳定性研究方法,以应对实践者所识别的一项挑战:放射技师可获得的AI教育供给有限[28]。PAR循环包括问题识别、行动规划、采取行动、评估以及由实践者(临床医生或教育者)明确学习内容[29, 30]。该设计允许在进入更大规模的定量研究之前,对选定样本量进行深入、详细的评估,并通过关键利益相关者(学生和教师)的持续反馈实现干预措施(例如本案例中的AI模块)的持续改进。图1提供了PAR循环的视觉概览及其在本研究中的应用方式。
放射学学者识别出放射技师可获得的AI教育供给有限[23, 24]。为此,他们构思、设计并推出了一个研究生硕士级别的AI模块。该模块的开发、组织、内容和实施以放射学和技术创新文献[18–20, 31–34]为基础,并借鉴了通过放射技师、计算机科学家、放射科医生、心理学家和AI行业专家之间的跨学科和超学科讨论所获得的专家观点。
该研究生级别模块最初由伦敦城市大学于2020年10月开设,名称为。关于其结构、认证、目标和评估的详细信息总结于表1并在下文描述。
该模块面向放射学领域的应届毕业生、临床实践者、管理者、研究人员和教育者,他们希望增强对AI在医学影像中的基本原理和临床应用的知识。注册该模块的学生将被介绍:AI和计算机科学的关键概念,
AI在放射学不同成像模式中的应用示例,
与负责任、透明、公平地实施AI以及在医学影像中使用AI工具相关的伦理考量,
AI治理与监管,
临床实践者对 New 技术的可接受性和采用,
AI对放射学工作流程的影响,
AI的评估和验证框架。
采用讲授式讲座、行业主导的互动研讨会、动手工作坊和辅导课相结合的方式,为作业提供支持并促进新概念的吸收。学习通过一篇书面论文和一次口头报告进行评估,内容涉及不同AI算法在临床背景下以及学生临床实践中的应用和评估。
通过该模块所需的最低总分为50%。所有学生在模块结束时获得结业证书。该模块在研究生 level 价值30个英国学术学分,第一轮定价为1500英镑,并须每年调整。原计划为校园面对面授课,在为期30小时的紧凑教学周内完成;然而,由于COVID-19大流行限制,该模块的授课方式调整为完全在线,并在12周内以每次2.5小时的课程分散进行。
正式评估是告知任何基于行动研究的干预措施未来实施情况并促成实践文化转变的关键[35]。研究征求了学生和教职员工的意见,这对于提供完善建议并为该教育干预措施的未来开展提供参考至关重要[36–41]。
伦理批准
本研究获得了伦敦城市大学健康科学学院研究伦理委员会的伦理批准(伦理批准编号:ETH2021–0948)。
目标人群、抽样策略和参与者招募
采用目的性抽样策略招募参与者,以获取数据丰富的情境化视角[41]。由指定的研究助理(第一作者)通过电子邮件邀请在该模块首次运行中就读的17名学生(n = 17)和8名授课教师(n = 8)参与研究。在知情同意过程中,强调了他们有权拒绝邀请或在任何时候退出研究。为保障评估的公正性和客观性,该研究生课程的项目主任未参与研究的参与者招募或数据收集。
数据收集
使用MS Teams平台(微软,美国)进行数据收集[42]。学生参与者的数据通过在线同步、一对一、半结构化访谈收集,教职员工的数据通过在线同步焦点小组讨论(FGD)收集[42]。选择对学生进行个体访谈,是为了使他们能够舒适地与访谈者分享经历、获得深入信息并维护保密性和隐私[43]。焦点小组讨论被认为适合教职员工,以捕捉他们的集体观点并提供对其经历的更全面理解,这是个体访谈无法实现的[44]。
访谈和焦点小组讨论均进行录音,以便生成逐字转录稿用于数据分析。学生和教职员工参与者使用的初始访谈问题如下:请告诉我您对人工智能模块的体验。随后根据参与者的回答提出个性化追问问题,以更深入地理解他们的叙述。这些问题的详细信息见表2。访谈时长从19分11秒到53分2秒不等。焦点小组讨论持续了1小时19分钟。数据收集在达到数据饱和时终止,即不再出现新信息。
数据分析
下载自动生成的转录稿以及访谈和焦点小组讨论的录音。将转录稿与录音进行比对,并纠正任何错误,以真实反映参与者的叙述。在数据分析之前,准备好的转录稿分别发送给每位参与者进行成员核查和批准。
获批的转录文本采用归纳性、数据驱动的开放式描述性编码方法进行编码。采用了Tesch八步编码法[45, 46]。附着于数据片段的编码经过审视和反思,以构建主题,从而对参与者的集体经历提供连贯、描述性的说明。来自学生和教师的编码被整合在一起,以提供所有参与者经历的集体叙述。社会建构主义认识论和相对主义本体论支撑了数据分析过程。这意味着研究者将知识视为在特定情境中由人类行动和互动所产生的多重主观现实的社会建构[47]。
可信度与可靠性
确保本研究严谨性和完整性的策略以Guba和Lincoln的可信度模型为指导[48]。可信度通过成员核查实现,参与者须审阅其访谈或焦点小组讨论(FGD)的转录文本,提出修改建议并批准最终版本,确认其真实反映自身现实。可信度通过逐字转录、由两名研究者对编码过程和主题构建进行讨论,以及第一作者在反思日记中对所有分析选择的详细记录来确认。这些策略也确保了研究的可依赖性和可确认性。可迁移性和真实性通过详细、生动地描述研究发现、情境和方法学,以及使用参与者的逐字引语来佐证解释性描述而得到增强[48]。同时使用访谈和FGD,以及第一作者在每次数据收集活动后完成的反思日记,指导了分析并确保了每个数据收集点情境的真实性。这种数据来源三角验证进一步增强了可信度。
结果
七名学生参与者(n = 7,2名男性,5名女性)和六名教师成员(n = 6,4名男性,2名女性)构成了最终样本。本研究的學生参与者均为处于职业早期至中期的放射技师,来自不同的实践领域:临床工作者、学者、研究者、管理者以及来自英国、丹麦、意大利、瑞士和阿拉伯联合酋长国的专业学会/协会代表。所有参与的教师成员均驻英国,为来自放射摄影、放射学、计算机科学和心理学等多学科背景的经验丰富的临床工作者、学者和/或研究者。
从访谈和FGD数据中构建了四个主题,以对参与者作为学生或教师成员在AI模块中的经历提供描述性叙述。访谈和FGD的整合编码见表3[49]。逐字引语标注为IP以指代学生访谈参与者,或标注为FGDP以指代参加FGD的教师参与者,末尾附有编号以区分不同参与者的贡献。
主题1:参与者的专业和教育背景影响了其体验
教师参与者在准备讲座时假设学生不具备人工智能的基础知识,以便提供关于人工智能基础知识及其临床应用更为通用的见解。“……假设没有任何知识基础,你就必须为他们从头建立起来”——FGDP5
“……保持内容相当通用,以便我们能够引发那些讨论……那些可以在不同技术……模态之间迁移的讨论”——FGDP4
考虑到教师成员所采用的这一方法,学生参与者表示,总体而言,该模块达到了他们对入门模块的期望。“……就个人而言,[它]是一个入门。我所知甚少……它完美地满足了我所需要的”——IP2
“……这是一个入门课程,所以也许我们不应该知道所有东西”——IP1
学生参与者解释说,他们不同的需求可归因于他们所承担的不同角色以及他们的兴趣,这些因素促使他们选修了该模块。“……希望更多地了解某些模态,因为在我看来,重点更多在于超声、磁共振成像而非平片DR和CT检查,但我认为……取决于你正在主导哪项研究以及……你所担任的角色”[原文如此]——IP4
上述内容为理解参与者对人工智能模块评价的差异以及对未来课程的建议提供了重要的背景信息。
主题2:有意义的学习体验
参与者认为他们对该模块的参与是一次有意义的学习体验,因为他们对模块的授课方式、组织安排、内容以及用于调解教学与学习的教学法进行了反思。“……我发现它……确实帮助我发展了自己的学习”——IP2
模块的授课方式被视为学习的促进因素,因为其灵活性允许在工作时间内外进行数字化、同步和异步的参与。参与者认为这与他们的工作时间安排非常契合,因为它允许学生在错过课程时以异步方式补上。参与者还认为,与基于校园的授课相比,在线授课在交通和住宿方面更具成本效益。“我喜欢在课程之前收到课程内容、讲座并听到它,这非常好”——IP1
“……在线方式对我来说很棒,没有额外的费用……”——IP2
“……课程安排得非常好,嗯,是在晚上……所以大多数人都能参加”——IP3
“……我认为你实际上能够在晚上参加真的很好……你日常繁忙的日程不会阻碍参与的机会[原文如此]——IP4
参与者认为,该模块在学习管理系统上组织良好,逻辑清晰且易于使用;这一点以及模块中采用的从基础到更高级临床应用的分层递进方法,促进了他们的学习。他们认为该模块在入门层面广泛覆盖了人工智能领域。邀请放射摄影背景下与人工智能相关的不同领域专家授课以及采用不同的教学方法,进一步增强了学习体验。在模块开始时明确期望,进一步促成了有意义的学习体验,因为这为参与者设定了前进的方向,使他们知道可以期待什么。这与模块负责人提供的充分、适当且及时的指导相辅相成。“……它让我们从各个角度对人工智能有了很好的了解……所以内容非常广泛,[模块负责人]对[他们]将要做的所有事情以及交付方式非常清楚……”——IP3
“……它组织得非常好。考虑到这是第一次……它被分成几个部分,这种划分也很好,[模块负责人]以正确的方式引导我[原文如此]”——IP5
“……每一节课……或每一种教学方法都有其自身的……积极影响,体现在以不同方式学习不同的信息……”——IP7
参与者报告称,所提供的资源以及用于交付内容的方法(讨论板和翻转课堂,鼓励学生积极参与)促成了积极的学习体验。作业被视为学生参与者学习的延伸,并为他们提供了一个机会,可以自我评估自己对人工智能相对于医学影像实践的理解。“……你可以做课前阅读,在进入该部分之前在心中形成问题……与其他小组成员以及当时的讲者互动……实时……聊天框”——IP2
“……它的评估方式、演示和论文确实让你深入思考……它确实让你深入钻研那个问题[所选主题],所以真的很好”——IP3
“……信息水平真的很高。它给了我新的见解……关于人工智能目前是如何使用的”——IP4
“……我会认为差不多刚刚好,就是他们放入的材料”[原文如此]——IP6
鉴于学生参与者所认可的积极体验,他们强烈同意会将该模块推荐给同事。他们觉得它赋予了一个人理解人工智能技术如何运作的知识,也为各自的研究工作提供了信息。“……它也打开了这个领域的很多研究”——IP1
“……这门课程,如果说有什么的话,你知道,如果你现在问我关于人工智能的事情,我确实有很好的基础……”——IP7
主题3:学习障碍与模块地位的威胁
学生参与者表示,与模块设计和教学法以及营销相关的某些方面被认为是学习障碍,也是对模块地位的潜在威胁。该模块在一年中某些参与者觉得相当忙碌的时期开设,尽管他们意识到根据注册者的不同角色,这可能会有不同的看法。这使得其中一些人难以完全投入模块要求以从中获得最大收益。“……我们有很多事情……在年底你知道……太疯狂了”——IP1
参与者指出,需要在备课、课程内容以及课程与模块末作业期望之间的最终一致性方面加强排课协调。模块时长也被认为是一个加剧因素,因为一些参与者觉得,鉴于内容丰富,模块的持续时间可以延长,以便让他们有时间准备作业,尤其是因为这对参与者来说是一个全新的领域。“……考虑到信息的性质,我指的是新颖性……这是一个全新的概念……我需要更多时间”——IP7
参与者认为数字学习和教学空间本身就是一个障碍,因为他们更偏好面对面接触和交流 networking,而这是他们发展过程中必要的一部分。然而,他们确实承认这是由于授课时因冠状病毒大流行而要求的相关限制,并且也提供了增强学生之间以及学生与教职员工之间参与度的机会,但与数字空间相比,面对面接触可以实现更即时的互动。“……如果能面对面见面以在小组中获得更多交流网络会很好……当你看着别人的眼睛时,它会带来不同的氛围”——IP4
“……由于技术原因,你可能无法理解……当一些讲师授课时,即使你不明白某些内容,也很难……在课堂上,你可以很容易地回头提问,但……在线时不可能”——IP6
参与者强调,该模块的费用可能让潜在学生难以负担。一名学生认为,更详细地宣传完整课程将有利于未来招生,因为这能证明其物有所值以及该课程的独特性。“对我们来说,唯一的问题是它有点贵”——IP4
“……这个证书未能描述课程真正的深度……人们不准备为入门课程支付这么多钱……”——IP7
主题4:理想的AI入门模块
参与者反思了理想AI入门模块的特征,并为未来开设该模块提出了建议。第一项建议是,该模块应对不同受众具有灵活性,同时要认识到模块授课所处的背景。“……总是那些可能影响我们真正想要什么的背景因素……这样你就可以针对目标受众进行调整”——IP5
参与者还建议,AI入门模块应主要聚焦于AI基础知识,以解释其如何运作、可解释性的概念以及临床应用示例。参与者认为,掌握AI基础知识以及一些关键临床应用知识,将使他们能够在临床实践中更有信心地使用AI。参与者还建议,教授学生如何参与和评价AI文献对于促进他们对文献的理解至关重要,并有助于他们在实践中或在采购过程中评判AI应用。“……确保人们具备知识并了解AI如何运作”——IP2
“……一些关于算法入门的内容……一个专门讨论可解释性和不确定性的环节”——FGDP3
“……对人工智能文献进行批判性评价,因为这一领域发展迅速,标题党横行……所以我认为这一要素可以稍加引入,因为放射技师虽然可能不是采购的核心决策者,但他们将会使用它,而且他们需要能够批判性地评估行业提案……”——FGDP2
参与者还认为,在入门模块中纳入必修课和选修课会对他们有益,这样他们就可以根据自己的知识缺口和兴趣领域,按照自身需求和偏好定制学习内容。他们建议材料应在模块完成后保留一段时间,以便在需要时可以获取。“……时间太短了,无法涵盖所有内容、审视所有内容,所以如果我们能有更长的访问期限,那就好了,是的”[原文如此]——IP1
“……也许有几周时间,我们会整体性地讲授人工智能在普通放射学中的应用。然后根据你的成像模态,针对各个领域量身定制一些讲座……”——IP6
参与者建议,学习活动和内容必须有目的地选择,以消除不必要的重复,同时平衡学习的强化巩固。“大概有一件事我不太喜欢,我觉得其中一个专科……有点重复……”——IP3
“……确保有足够的重叠来强化学习,但不要……重复”——FGDP2
参与者也强调了在本科医学放射科学课程中引入人工智能的必要性,以便学生在更早阶段为未来职业生涯做好准备。在认可跨专业师资的同时,参与者一致认为理想课程应具有强有力的跨专业教育(IPE)方法,因为人工智能存在于与其他医疗专业人员共同的生态系统中。“人工智能正在进步……我的学生需要了解……考虑在我们的课程中加入涉及人工智能基础的内容”——FGDP7
“……我们在放射学和放射技师、影像学的其他方面之间划了一条界线,而实际上,这些工具中很少有哪个是专门针对我们任何一个角色的”——FGDP1
参与者表示,使用视频会议的学生主导的同步讨论论坛可以通过同伴之间的非正式教学来扩展他们的学习,培养社区归属感,并在课程中已建立的社交网络之外实现进一步的交流。“……比如说,对的,每周一次……如果有人想加入进来,讨论一下他们一直在阅读的内容,互相聊一聊……”——IP2
讨论
探讨了参与放射技师人工智能入门模块第一轮迭代的学生和教育工作者的体验(表1)。
总体而言,参与者认为该模块对他们的学习和实践有用,但也指出了进一步改进的要点。他们的体验受到其角色(学者、临床从业者或研究人员)、放射成像模态、既往学习水平、居住和实践所在国家、当地人工智能应用的指南和法规的影响。基于他们的体验,参与者概述了面向放射技师的理想人工智能入门模块的特征。在为医学影像专业人员(包括放射技师)设计人工智能课程时,需要考虑以下主题(以下以小标题形式标出)。
学习体验的情境性
Car等人[50]发现,学习者的社会背景、需求、与教育项目相关的知识和技能会影响他们的体验和所持态度。我们的研究显示了类似的发现,即参与者的专业和教育背景以及他们对入门模块中学习和教学应包含内容的看法,是他们对本研究中评估的模块体验的重要影响因素。
内容特定的建议与跨专业性质
关注人工智能的基本原理、其临床应用、数据隐私和伦理考量,以及算法有效性和可解释性,被认为是临床实践的重要内容[14, 19, 24, 34]。虽然参与者承认其中许多领域已在本研究的模块中教授,但他们认为关于人工智能评估、验证和监管主题的更多教学和讨论将是有益的。学生也支持有必要使医学影像专业人员具备评判人工智能相关提案和应用的能力,作为学习的一部分,同时认可该模块强有力的循证方法。这一点至关重要,因为最近一项英国研究中超过半数的受访者表示放射技师缺乏关于人工智能及其实际应用的充分知识[24]。
由于人工智能的性质及其对医学影像和放射科学专业的影响,参与者推荐采用跨专业教育方法,以促进团队合作并为人工智能带来的工作流程变化做好准备[51]。参与者强调,由于人工智能的快速发展,有必要在本科阶段引入人工智能,使学生为工作环境做好充分准备[52, 53]。
灵活性、混合式教学和适应性作为成功的必要条件
该模块结合了同步辅导课和异步讨论板,并在虚拟学习管理系统上预留了自学时间,学生在那里还有机会与同伴和模块负责人互动。参与者发现该模块的灵活性和同步-异步混合式教学模式是有益的,因为这使他们能够在不严重干扰工作安排的情况下参与学习。内容和模块的组织、呈现和评估方式都是对学生参与者学习产生积极贡献的因素,包括教职人员和模块负责人提供的指导和支持。参与者表达的这些观点被记录为学生在线学习成功的关键因素,这增强了学习动机和对内容及学习活动的参与度[50, 54–56]。积极的体验也可能归因于基于以往研究和已发表建议来开发和呈现该模块所使用的循证方法[18–20, 31–34]。不可避免地,面对文化、教育和专业背景多样化的学生群体,可能难以满足每个人的偏好,但未来模块化和灵活性将成为本课程及任何其他类似课程的强化因素。
冠状病毒大流行对临床教育实施的影响
这是该模块首次开设,恰逢冠状病毒大流行相关限制措施,要求仅以在线方式授课。学生参与者对在线空间中的学习与教学提出了质疑。这一感受在现有证据中也有呼应[54, 55],并且一直是关于在线教学挑战讨论中的一个突出要点,即在努力遵守冠状病毒大流行相关限制的同时建立牢固联系[57, 58]。在线学习导致的孤立感被视为学生参与者学习的障碍,这也是文献中已指出的一个已知的辍学因素。因此,认为有必要纳入相关活动以增强归属感和社区感[58]。建议采用由学生自愿主导的同步视频会议讨论,作为克服孤立感的一种方式,并在使用在线授课时扩展和强化社会性学习。社会临场感和实践社区对于鼓励主动学习和提升学生在在线课程中的成功非常重要[58]。参与者作为一线临床从业者,在该课程授课期间也因临床和学术工作而不堪重负,因此在应对部分过重工作量的同时平衡其学习,可能影响了他们的学习体验和偏好[59]。
成本、招生与可持续性
模块宣传中提供的成本信息和有限信息被强调为未来招生的潜在挑战;学生认为可以做得更多,以展示该模块的独特卖点以及学习的广度和深度,从而确保充足招生和未来可持续性。研究生学习普遍缺乏资金是招生面临的一大挑战[60]。这是项目负责人经常遇到的挑战,应在类似模块或课程的规划阶段予以突出考虑。这将有助于在招生和营销阶段管理预期[54, 60, 61]。随着不同的监管和专业机构倡导将更多人工智能培训作为放射技师核心能力的一部分[62],以及更多政府支持对这些人工智能课程进行补贴,以促进劳动力发展和新技术培训,未来几年人工智能课程的数量应呈指数级增长。
未来开设中的反馈整合
对于该模块的本次开设,由于COVID-19大流行,在线学习是必要之举;后续开设已按原计划在校内面对面授课,但应探索在线或混合式授课的想法,以覆盖更广泛的受众。上述许多建议现已被整合到当前课程中,包括更新内容,以纳入人工智能实践和研究的最新进展。最后,还有对模块进行年度审查和评估的空间,以促进以学生为中心的方法[50, 54],并使课程与人工智能领域的最新发展保持一致。
局限性
本研究的结果具有情境依赖性,因为不同的环境可能有不同的需求和可用资源。这项工作也具有时效性,因为人工智能领域发展迅速,一些研究结果在未来几年可能不再适用。因此,这些发现可能不具有普遍性,但本工作提出的建议可作为通用原则,为全球放射技师的人工智能教育提供参考。由于冠状病毒大流行相关限制,该模块的首次运行以在线形式进行了12周。然而,最初的教学设计是在校园内面对面进行,并在一周密集教学中完成。因此,这批学生讨论的一些挑战可能与模块调整为在线授课有关;这些问题在最近几次校园内开展的人工智能模块中已得到解决,以确保最佳的学习环境和学生学习体验。
结论与未来研究建议
人工智能是一个不断发展的领域。参与者指出了在我们研究所评估的模块学习中存在的促进因素和阻碍因素,并提出了理想的人工智能入门模块应包含的建议。这项工作表明,使用不同类型的授课方式存在许多优点和缺点。模块时长、成本和授课形式被强调为需要改进的方面,以增强对模块内容和活动的积极参与,并提高学生招生和项目可持续性。此外,参与者强调,模块中应包含更多关于人工智能文献评价以及人工智能工具评估、验证和监管的内容。参与者还强调需要改善所教内容与考核要求之间的一致性,并允许更灵活的学习路径,使学生能够将学习与自身兴趣相结合。因此,这项工作提示,采用混合式学习授课形式、自适应且可定制的内容、并针对目标受众进行情境化设计,同时采用跨专业方法,可能是未来类似课程的发展方向。我们的研究结果可以帮助全球其他高等教育机构的项目负责人,为放射技师及其他医学影像和放射科学专业人员开发类似的人工智能教育课程。随着更多项目的开发和实施,其评估结果应予发表,以便来自不同情境的经验教训能够为人工智能教育和继续专业发展中的全球教育实践和方法提供参考。
引用
- van de Venter, Skelton, Matthew, et al. Artificial intelligence education for radiographers, an evaluation of a UK postgraduate educational intervention using participatory action research: a pilot study. Insights Imaging. 2023. PMID: 36735172. doi:10.1186/s13244-023-01372-2
- 全文:PMC9897152(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9897152/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。