سامانه مدیریت نشریات علمی دانشگاه علوم پزشکی مشهد

مرادی مخلص, حسین, عموئی رازانی, امیرحسین. (1404). هوش مصنوعی مولد در آموزش پزشکی: طراحی مدل مبتنی بر فلسفه ذهنیت‌گرایی با روش فراترکیب. , 16(ویژه نامه1), 88-101. doi: 10.22038/hmed.2025.86972.1509
حسین مرادی مخلص; امیرحسین عموئی رازانی. "هوش مصنوعی مولد در آموزش پزشکی: طراحی مدل مبتنی بر فلسفه ذهنیت‌گرایی با روش فراترکیب". , 16, ویژه نامه1, 1404, 88-101. doi: 10.22038/hmed.2025.86972.1509
مرادی مخلص, حسین, عموئی رازانی, امیرحسین. (1404). 'هوش مصنوعی مولد در آموزش پزشکی: طراحی مدل مبتنی بر فلسفه ذهنیت‌گرایی با روش فراترکیب', , 16(ویژه نامه1), pp. 88-101. doi: 10.22038/hmed.2025.86972.1509
مرادی مخلص, حسین, عموئی رازانی, امیرحسین. هوش مصنوعی مولد در آموزش پزشکی: طراحی مدل مبتنی بر فلسفه ذهنیت‌گرایی با روش فراترکیب. , 1404; 16(ویژه نامه1): 88-101. doi: 10.22038/hmed.2025.86972.1509

هوش مصنوعی مولد در آموزش پزشکی: طراحی مدل مبتنی بر فلسفه ذهنیت‌گرایی با روش فراترکیب

افق توسعه آموزش علوم پزشکی
مقاله 8، دوره 16، ویژه نامه1، مرداد 1404، صفحه 88-101    اصل مقاله (1.89 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22038/hmed.2025.86972.1509
نویسندگان
حسین مرادی مخلص* ؛ امیرحسین عموئی رازانی
گروه علوم تربیتی، دانشکده علوم انسانی، دانشگاه بوعلی سینا، همدان، ایران.
چکیده
مقدمه: در چشم انداز فلسفی آموزش پزشکی، هوش مصنوعی های مولد مانند چت جی پی تی یک فرصت بی‌سابقه برای بهبود عملکرد بالینی اساتید و دانشجویان پزشکی است. هدف این پژوهش، ارائه مدل کاربست هوش‌مصنوعی مولد  در آموزش پزشکی بر اساس فلسفه ذهنیت‌گرایی با رویکرد فراترکیب است.
روش کار:  پژوهش حاضر از لحاظ هدف، کاربردی؛ از لحاظ ماهیت داده، کیفی و از نظر شیوه اجرا جزء پژوهش‌های فراترکیب با رویه هفت مرحله‌ای سندولوسکی و بارسو  (2006) بود. کلیدواژه‌های مشخص در پایگاه‌های اطلاعاتی داخلی و خارجی؛ مجلات نور، مگیران، سیویلیکا، گنج؛ علم نت؛IJET ، Eric،Scopus ، Science direct  و Google scholar به جمع‌آوری پرداخته شد که پس از چندین مرحله غربالگری نهایتاً 19 واحد مطالعاتی انتخاب شد و در ادامه با کدگذاری و تحلیل مضمون به مدل 5 مولفه‌ای ختم گردید.
نتایج:  بررسی‌ها نشان دادند که مدل به دست آمده شامل مراحل زمینه فلسفی و جهت گیری اخلاقی، طراحی و توسعه، اعتبار سنجی و ارزیابی انتقادی، کاربست کنترل شده و ادغام در برنامه درسی و ارزیابی مستمر و تجدیدنظر براساس پنج مقوله؛ دوگانگی، عقلانیت و تفکر، جهان مکانیکی، شک و تردید روش شناختی و ملاحظات اخلاقی می تواند دقت تشخیص و تصمیم‌گیری دانشجویان پزشکی را در محیط های مختلف بالینی افزایش دهد.
نتیجه گیری:  نتایج نشان می‌دهد که مدل ارائه شده می‌تواند نیازهای متنوع اساتید و دانشجویان پزشکی در محیط های بالینی بخصوص در حوزه یادگیری فعال را برآورده ‌کند و به طور یکپارچه با تقاضاهای در حال تحول انسان‌های امروز سازگار ‌شود. در نهایت تلفیق مبانی فلسفی با هوش مصنوعی مولد نشان دهنده یک رویکرد جدید است که انسان‌ها را به مهارت‌ها و دانشی که برای پیشرفت در چشم انداز آینده آموزش پزشکی جهان که به سرعت در حال تغییر است، مجهز می‌کند.
کلیدواژه‌ها
هوش مصنوعی؛ آموزش پزشکی؛ فلسفه ذهنیت‌گرایی؛ فراترکیب
سایر فایل های مرتبط با مقاله
مراجع
  1. Chen JJ, Perez C. Enhancing assessment and personalized learning through artificial intelligence. Childhood Education. 2023; 99(6):72-9.
  2. Chan KS, Zary N. Applications and challenges of implementing artificial intelligence in medical education: integrative review. JMIR medical education. 2019; 5(1):13-30.
  3. Ali M. The Role of AI in Reshaping Medical Education: Opportunities and Challenges. The Clinical Teacher. 2025; 22(2):70-140.
  4. Ooi KB, Tan GW, Al-Emran M, Al-Sharafi MA, Capatina A, Chakraborty A, Dwivedi YK, Huang TL, Kar AK, Lee VH, Loh XM. The potential of generative artificial intelligence across disciplines: Perspectives and future directions. Journal of Computer Information Systems. 2025; 65(1):76-107.
  5. Moradimokhles H, Hwang GJ, Zangeneh H, Pourjamshidi M. Study of Deep Learning in Medical Education: Opportunities, Achievements and Future Challenges. Journal of Advances in Medical Education & Professionalism. 2024; 12(3):148-62.
  6. Li Y, Li J. Generative artificial intelligence in medical education: way to solve the problems. Postgraduate Medical Journal. 2024; 100(1181):203-4.
  7. Maidaniuk I, Tetiana TS, Hoian I, Doichyk M, Patlaichuk O, Stupak O. The problem of artificial intelligence in contemporary philosophy. BRAIN. Broad Research in Artificial Intelligence and Neuroscience. 2022; 13(4):436-49.
  8. Segev A. Subjectivity as the Purpose of Education and Teaching. Studies in Philosophy and Education. 2024; 43(3):269-87.
  9. Azar NG, Yazdani S, Khoshgoftar Z. The Critical Thinking Process: A Holistic View to Promote Critical Problem-solving in Health Profession Education. Journal of Medical Education. 2023; 22(1):35-39.
  10. Stephan KD, Klima G. Artificial intelligence and its natural limits. AI & SOCIETY. 2021; 36(1):9-18.
  11. Bishop JM. Artificial intelligence is stupid and causal reasoning will not fix it. Frontiers in Psychology. 2021; 11(7):513-474.
  12. Kolides A, Nawaz A, Rathor A, Beeman D, Hashmi M, Fatima S, Berdik D, Al-Ayyoub M, Jararweh Y. Artificial intelligence foundation and pre-trained models: Fundamentals, applications, opportunities, and social impacts. Simulation Modelling Practice and Theory. 2023; 12(6):102-754.
  13. Sun L, Yin C, Xu Q, Zhao W. Artificial intelligence for healthcare and medical education: a systematic review. American Journal of Translational Research. 2023; 15(7):4820-8.
  14. Sallam M. ChatGPT utility in healthcare education, research, and practice: systematic review on the promising perspectives and valid concerns. Healthcare (Basel). 2023; 11 (6): 887. Nature. 2023; 616(7956):259-65.
  15. Gabriel I. Artificial intelligence, values, and alignment. Minds and machines. 2020; 30(3):411-37.
  16. Sandelowski M, Barroso J, Voils CI. Using qualitative metasummary to synthesize qualitative and quantitative descriptive findings. Research in nursing & health. 2007; 30(1):99-111.
  17. Tong A, Flemming K, McInnes E, Oliver S, Craig J. Enhancing transparency in reporting the synthesis of qualitative research: ENTREQ. BMC medical research methodology. 2012; 12(1):1-8.
  18. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, Shamseer L, Tetzlaff JM, Moher D. Updating guidance for reporting systematic reviews: development of the PRISMA 2020 statement. Journal of clinical epidemiology. 2021;13(4):103-12.
  19. DUTTA D. Descartes' Legacy in AI Ethics: Reconsidering Cartesian Dualism in Conceptualizing Ethics of AI. The Interdisciplinary Journal of Human and Social Studies. 2024; 3(2):15-27.
  20. Mir MM, Mir GM, Raina NT, Mir SM, Mir SM, Miskeen E, Alharthi MH, Alamri MM. Application of artificial intelligence in medical education: current scenario and future perspectives. Journal of advances in medical education & professionalism. 2023; 11(3):133-140.
  21. Wartman SA, Combs CD. Reimagining medical education in the age of AI. AMA journal of ethics. 2019; 21(2):146-52.
  22. Saba NU, Faheem M. Types of Artificial Intelligence and Future of Artificial Intelligence in Medical Sciences. InArtificial Intelligence in Medicine and Surgery-An Exploration of Current Trends, Potential Opportunities, and Evolving Threats. 2023; 6(10):70-5.
  23. McCoy LG, Nagaraj S, Morgado F, Harish V, Das S, Celi LA. What do medical students actually need to know about artificial intelligence?. NPJ digital medicine. 2020; 3(1): 33-41.
  24. Raphael MW. Artificial intelligence and the situational rationality of diagnosis: human problem‐solving and the artifacts of health and medicine. Sociology Compass. 2022; 6(10):130-47.
  25. Buckner C. Deeply Rational Machines--What the History of Philosophy Can Teach Us about the Future of Artificial Intelligence. Moderate Empiricism and Machine Learning. 2023; 24(6):163-201.
  26. Brown DJ. Nature, Artifice, and Discovery in Descartes’ Mechanical Philosophy. Philosophies. 2023; 8(5):8-15.
  27. Busch F, Adams LC, Bressem KK. Biomedical ethical aspects towards the implementation of artificial intelligence in medical education. Medical science educator. 2023; 33(4):1007-12.
  28. Ijaz F. Integration of Artificial Intelligence Technology in Medical Education. MedERA-Journal of CMH LMC and IOD. 2023; 4(23):123-154.
  29. O’Regan G. History of artificial intelligence. A Brief History of Computing: Springer; 2021; 71(9):295-319.
  30. Dumitrache T. Artificial Intelligence: Between Sense And Sensibility–The Question Of Social Reluctance. Limba Și Literatura–Repere Identitare În Context European. 2020; 41(26):139-48.
  31. Cornelio C, Dash S, Austel V, Josephson T, Goncalves J, Clarkson K, et al. AI Descartes: Combining data and theory for derivable. scientific discovery. 2021; 9(1):16-34.
  32. Chursinova O, Stebelska O. Is the Realization of the Emotional Artificial Intelligence Possible? Philosophical and Methodological Analysis. Filosofija. Sociologija. 2021; 32(1):34-51.
  33. Schwartz DG. Review of Knowing our world: an artificial intelligence perspective. Springer, 2021; 12(5):65-79.
  34. Zimmerli WC. Deus Malignus–The Digital Rehabilitation of Deception. Artificial Intelligence: Brill mentis; 2020; 38(1):15-35.
  35. Paranjape K, Schinkel M, Panday RN, Car J, Nanayakkara P. Introducing artificial intelligence training in medical education. JMIR medical education. 2019; 38(1):185-96.
  36. Masters K. Ethical use of artificial intelligence in health professions education: AMEE Guide No. 158. Medical Teacher. 2023; 45(6):574-84.
  37. Knopp MI, Warm EJ, Weber D, Kelleher M, Kinnear B, Schumacher DJ, Santen SA, Mendonça E, Turner L. AI-enabled medical education: threads of change, promising futures, and risky realities across four potential future worlds. JMIR Medical Education. 2023; 2(9):503-73.
  38. McCarthy J. Artificial intelligence, logic, and formalising common sense. Machine Learning and the City: Applications in Architecture and Urban Design. 2022; 17(2):69-90.
  39. Kauffman SA, Roli A. What is consciousness? Artificial intelligence, real intelligence, quantum mind and qualia. Biological Journal of the Linnean Society. 2023; 139(4):530-8.
  40. Asadi H, Yousefian M, Mehri S. The State of Spiritual Intelligence in Iranian Nurses: A Systematic Review. JRUMS. 2025; 23(8):721-737. [In Persian]
  41. Rezaei G, Nasseri A, Maazallahi H. Investigating the Correlation between Public Hospitals Managers' Accountability Pressure in Kerman City and Budgetary Slack with Focusing on the Role of Moral Intelligence and Information Asymmetry in 2022: A Descriptive Study. JRUMS. 2024; 22(11)1163-1178. [In Persian]
  42. Motaarefi H, Sakhaei S, Ashrafi M, Zinalpoor S, Gholizadgougjehyaran H. The Effect of Smartphone-based Training of Triage the Knowledge and Decision Making of Emergency Nurses. JRUMS. 2022; 21(2):137-148. [In Persian]
  43. Roozbahani N. Design, Implementation, and Evaluation of a Virtual Peer Education Program. Horizon of Medical Education Development. 2024; 15(1):6-15. [In Persian]
  44. Rajabpour M, Karimi Moonaghi H. Effective Tools and Methods for Evaluating the Clinical Performance of Medical Sciences Students: A Systematic Review. Horizon of Medical Education Development. 2024; 15(2):69-81. [In Persian]
  45. Nili Ahmadabadi MR, Mohtadi S. Educational Agent's Role and Learning. Horizon of Medical Education Development. 2021; 12(2):105-97. [In Persian]
  46. Kung TH, Cheatham M, Medenilla A, Sillos C, De Leon L, Elepaño C, Madriaga M, Aggabao R, Diaz-Candido G, Maningo J, Tseng V. Performance of ChatGPT on USMLE: potential for AI-assisted medical education using large language models. PLOS Digit Health 2023; 2(2):19-8.
  47. Abd-Alrazaq A, AlSaad R, Alhuwail D, Ahmed A, Healy PM, Latifi S, Aziz S, Damseh R, Alrazak SA, Sheikh J. Large language models in medical education: opportunities, challenges, and future directions. JMIR Medical Education. 2023; 9(1):48-291.
  48. Ghosh A, Bir A. Evaluating ChatGPT’s ability to solve higher-order questions on the competency-based medical education curriculum in medical biochemistry. Cureus. 2023; 15(4): 370-23
  49. Chun KH, Jin HK, Yoon JH, Kim MG, Choi KH, Kim E, Kim H, Kim JK, Kim G, Kim K, Lee JY. Novel innovative computer-based test (Inno-CBT) item types for national licensing examinations for health care professionals. BMC Medical Education. 2023; 23(1):5-60.
آمار
تعداد مشاهده مقاله: 726
تعداد دریافت فایل اصل مقاله: 292