《International Journal of Emergency Medicine》:Charting the rise of artificial intelligence in medical education: a global bibliometric and network analysis, 2000–2026
编辑推荐:
背景:人工智能已通过自适应学习、模拟培训、自动评估以及大型语言模型(如ChatGPT),从边缘话题转变为现代医学教育的核心特征。发表活动迅速加速,但这一不断扩展的文献结构尚未得到全面映射。
方法:研究人员从Web of Science核心合集中获取文献数据,采
背景:人工智能已通过自适应学习、模拟培训、自动评估以及大型语言模型(如ChatGPT),从边缘话题转变为现代医学教育的核心特征。发表活动迅速加速,但这一不断扩展的文献结构尚未得到全面映射。
方法:研究人员从Web of Science核心合集中获取文献数据,采用将标题字段中的医学教育术语与主题字段中的人工智能术语相结合的检索策略。纳入2000年至2026年间发表的论文、综述论文和数据论文,共检索到2,298条记录。使用Microsoft Excel进行描述性分析,并使用VOSviewer(版本1.6.20)构建关键词共现、国家合作和机构合作网络。2026年的数据代表部分日历年度。
结果:发表产出在2010年代末之前一直有限,并在2021年后急剧上升。在2,298条记录中,有2,066条(89.9%)发表于2021年至2026年,完整年份的最高产出出现在2025年(821篇)。美国在发表量(918条记录)和原始被引次数(14,582次)方面领先,其次是中华人民共和国(367条记录;4,404次被引)。《外科教育杂志》发表的论文最多。哈佛医学院在机构产出方面领先,而斯坦福大学和加州大学旧金山分校尽管发表数量较少,但原始被引总数更高。人工智能、医学教育、ChatGPT、医学生和机器学习是最突出的关键词。
结论:人工智能在医学教育中是一个快速扩张但在地理和机构上高度集中的领域。原始被引模式与发表量有所不同,但这些未经调整的指标不应被解释为对研究质量的直接比较。主题模式强调面向学习者的应用、评估和生成式人工智能,而负责任的课程整合和实证评价仍然是重要的优先事项。这些发现尤其与急诊医学教育相关,因为模拟、时间敏感决策和能力评估是其核心。
论文主体部分总结
引言
人工智能已通过支持临床决策、医学影像、模拟和管理工作流程,从边缘话题转变为现代医疗保健的核心特征。随着这些应用的成熟,它们正在重塑未来医生的培养方式。最近的综述发现,人工智能已影响医学教育中的教学、学习和评估实践,反映了让学习者准备好适应日益由数据驱动工具支持的临床环境的更广泛努力。这种融合在技术侧和学习者侧均可见。教育技术、个性化学习平台、模拟培训和人工智能辅助评估反馈工具已展示出提高学习效率和参与度的潜力。同时,医学生对正式人工智能教学的需求日益增长,因其与临床实践的相关性不断增强。调查数据表明,许多学习者认识到人工智能改善教育成果的潜力。这些汇聚的力量——技术能力和学习者需求——有助于解释人工智能在医学教育中的快速采纳。ChatGPT及相关大型语言模型的公开发布显著加速了这一转变。生成式人工智能引入了个性化学习支持、评估设计、反馈、内容创建和研究的新可能性,超越了早期基于规则的教育工具。人工智能生成的教学材料,包括视频和多媒体资源,已成为学生、教育者和执业医师的补充工具。然而,这种增长并非没有摩擦。系统综述证据指出了关于可靠性、虚构或捏造内容、算法偏见、数据隐私、学术诚信以及在安全大规模部署前机构需承担的验证负担等持续存在的担忧。随着人工智能更深入地嵌入培训,教育者越来越主张应将人工智能素养、批判性评价和伦理推理视为核心课程能力而非可选附加项。这些问题尤其与急诊医学相关。急诊医学教育严重依赖模拟、快速信息综合、程序培训、工作场所评估和高强度环境下的反馈。人工智能可能支持这些领域的每一个,但不加批判地采纳也可能放大错误、偏见、自动化依赖和不平等。因此,对医学教育文献的广泛理解对于考虑负责任实施急诊医学教育者而言很有价值。尽管有这一轨迹,文献已变得难以驾驭。发表量增长之快使得通过叙述性综述识别该领域的主要贡献者、机构、合作模式和主题中心不再可行。本研究通过全球人工智能在医学教育研究的文献计量图谱填补了这一空白。目标是:(1)描述随时间变化的发表和被引增长;(2)确定关键词结构和该领域的主要主题;(3)描述对该文献做出贡献的主要国家、机构和期刊。
方法
研究设计与数据来源:进行了文献计量分析,以描述人工智能在医学教育文献中的发表趋势、被引活动、研究主题和合作模式。文献数据来自Web of Science核心合集,因其对同行评议科学文献的广泛覆盖和全面的被引索引。数据库检索于2026年6月10日进行。
检索策略与资格标准:检索策略旨在识别标题字段中与医学教育相关、主题字段中与人工智能相关的出版物。检索限于2000年至2026年的出版物,并纳入论文、综述论文和数据论文。完整的检索策略为:TITLE=(“medical education” OR “medical student” OR “medical curriculum” OR “medical school” OR “graduate medical education” OR GME OR residency OR resident OR intern OR fellowship OR trainee OR “health professions education” OR “clinical education” OR “medical training” OR “physician education”) AND TOPIC=(“artificial intelligence” OR AI OR “machine learning” OR “deep learning” OR “large language model” OR LLM* OR ChatGPT OR “natural language processing”) AND YEAR PUBLISHED = 2000–2026 AND DOCUMENT TYPE=(Article OR Review Article OR Data Paper)。检索获得2,298条记录。语料库按从Web of Science检索的结果进行分析;导出后未应用额外的文章级排除。因此,分析映射的是检索定义的文献,而非手动裁定的系统综述样本。
数据导出与网络构建:记录从Web of Science导出为制表符分隔文件,并直接导入VOSviewer。导出的元数据包括出版年份、被引次数、作者姓名、机构隶属关系、国家或地区、来源标题以及作者或索引关键词。VOSviewer(版本1.6.20)用于构建关键词共现、国家合著和机构合著图谱。在每个图谱中,节点代表所分析的文献计量单元。较大的节点表示更高的频率或生产力,连线代表共现或合著关系,较粗的连线表示更强的关联。网络颜色代表VOSviewer生成的聚类。为提高可读性和减少视觉杂乱,应用了阈值。对于机构合作图谱,组织需至少有20篇文献,最终包含19个组织。对于关键词共现图谱,关键词需至少出现30次,最终包含46个关键词。对于国家合作图谱,国家需至少有20篇文献,最终包含26个国家。
描述性分析:使用导出的Web of Science数据在Microsoft Excel中进行额外的描述性分析。考察了2000年至2026年的年度发表趋势。最富产的国家、期刊和机构按发表量排序,并描述了原始被引总数。这些被引度量未针对出版年份、文献类型、领域、期刊或国际合作进行标准化,因此不被解释为研究质量的直接度量。
结果
文献增长:Web of Science核心合集检索在2000年至2026年间共获得2,298篇关于人工智能在医学教育中的出版物。研究期间早期的年度发表量有限,2017年前仅有零星出版物。2018年后活动明显增加,并在2021年后急剧加速。完整年份的最高产出出现在2025年,共821篇,占所有收录记录的35.7%。2024年和部分2026年的出版物分别占425篇和427篇。总体而言,2,066篇出版物(89.9%)发表于2021年至2026年,凸显了该领域从边缘话题向医学教育研究主要领域转变的近期性。被引活动在2021年后急剧上升,并在2025年左右达到观察到的最高水平,对应于最大发表产出期。2026年的明显减少反映了一个不完整的观测期,不应被解释为真正的下降。
关键词结构:关键词共现分析识别出几个主要的主题领域。最频繁出现的术语是“artificial intelligence”(749次),其次是“medical education”(595次)。其他高频词包括“education”和“ChatGPT”(各246次)、“medical students”(193次)和“machine learning”(186次)。共有46个关键词达到了30次的最低出现阈值并被保留在最终网络中。“artificial intelligence”和“medical education”在网络中占据中心位置,并与机器学习、ChatGPT、大型语言模型、医学生、评估、反馈、模拟、手术、放射学和课程等相关术语相连。该网络因此反映了一个围绕广泛AI概念和特定教育应用组织的文献,特别是面向学习者的支持、评估和新兴的生成式AI工具。
国家合作与产出:国家级合作分析显示,美国在国际研究网络中占据最突出的位置。基于20篇文献的最低阈值,共包含26个国家。美国作为最大的节点出现,并与欧洲、亚洲、中东和大洋洲的国家相连。中华人民共和国也是一个主要的贡献者和合作者,与美国、英格兰、新加坡、日本和澳大利亚有可见的联系。英格兰、德国、沙特阿拉伯、印度、土耳其、伊朗、韩国以及其他几个欧洲和中东国家也有代表。这些模式表明,人工智能在医学教育中的研究是国际分布的,但仍集中在少数高产量国家。前十名国家的发表量进一步证明了美国和中国的优势地位。美国生产了918条记录(占数据集的39.9%)并积累了14,582次原始被引。中华人民共和国以367篇出版物(16.0%)和4,404次被引位列第二。加拿大、英格兰、德国、沙特阿拉伯、印度、土耳其、澳大利亚和意大利紧随其后。前十名国家合计占1,955篇出版物(数据集的85.1%)。
领先期刊:出版物分布在广泛的医学教育、外科教育和临床专业期刊中。《外科教育杂志》发表了最多的文章(188条记录,占数据集的8.2%)。《BMC医学教育》、《JMIR医学教育》、《医学教师》、《医学科学教育者》、《学术医学》、《外科研究杂志》、《学术放射学》、《Cureus医学科学杂志》和《医学前沿》也位列前十。前十名期刊合计占677篇出版物(29.5%),表明文献分布广泛,而非集中于少数期刊。
机构合作:机构合作分析显示,多个学术医疗中心和大学在研究网络中做出了突出贡献。基于20篇文献的最低阈值,共包含19个机构。哈佛医学院的文献数量最多(51篇,310次原始被引)。密歇根大学(49篇,705次被引)、斯坦福大学(31篇,870次被引)和加州大学旧金山分校(30篇,833次被引)紧随其后。其他代表的组织包括宾夕法尼亚大学、杜克大学、贝勒医学院、布莱根妇女医院、麻省总医院、耶鲁医学院、哥伦比亚大学、纽约大学、伊利诺伊大学和华盛顿大学。机构网络显示了北美主要学术医疗中心之间的活跃合作。