在醫學教育中整合大型語言模型（LLMs）有其優勢與挑戰。這些AI工具能改善資訊獲取與批判性思考，但也可能導致過度依賴及倫理問題。學生和教師需了解LLMs的限制，維護學術誠信，並負責任地管理數據。教師應重視內容質量，而非僅依賴AI檢測。LLMs應作為輔助資源，強調可及性與公平性。教育機構應制定符合其價值觀的指導方針，以支持負責任的LLM使用，並靈活應對科技進步。 PubMed DOI

這篇論文探討生成式人工智慧（GenAI）對研究生醫學教育（GME）的影響，指出其帶來的機會與風險。機會包括減輕電子健康紀錄的負擔、增強臨床模擬、個性化教育、支持研究與分析，以及改善臨床決策。不過，論文也提到風險，如AI輸出不準確、過度依賴AI資訊、學術誠信問題、潛在偏見及隱私風險。隨著GenAI技術的進步，理解其優缺點將變得相當重要。 PubMed DOI

機器學習和大型語言模型在醫療領域的應用正在改變診斷和病人護理，但許多醫生對這些技術的了解不足，可能導致依賴和疏忽。為了解決這個問題，我們設計了一個模組化的AI課程，利用Colab筆記本教授基礎概念，讓沒有數據科學背景的人也能輕鬆學習。課程包含五個模組，旨在融入醫學院的數據科學課程，並強調倫理和地方相關性。接下來，我們將整合這個課程並創建可調整的教學指南，以便在其他醫學院推廣。 PubMed DOI

隨著人工智慧越來越多地進入醫學教育，我們需要重新思考它對醫師訓練和實踐的影響。作為醫學生，我們發現透過實際實驗來探索AI應用效果最佳。例如，我們利用大型語言模型創建圖像助記符，這大大提升了我們的學習效率。AI的應用能減少重複性任務的時間，讓我們更專注於醫學的藝術。鼓勵學生在日常中主動探索AI，能培養創新應用，進一步提升學習和臨床實踐，確保AI的整合能發揮最大潛力，並豐富醫療的人文面向。 PubMed

生成式人工智慧（AI），特別是大型語言模型（LLMs），在生物醫學和健康領域的專業環境及教育中影響深遠。研究顯示，LLMs在醫學執照考試、臨床問題解答等方面表現不亞於人類。這篇評論強調了LLMs的成就，並探討了可能妨礙專業知識和技能發展的挑戰，提供最佳實踐建議以應對這些問題。儘管存在挑戰，學生和教職員理解並運用這項技術仍然至關重要。 PubMed DOI

這篇回顧整理了102篇AI在研究所醫學教育的應用，主要來自北美，聚焦放射科、外科和急診。AI被用於評量、招募和臨床決策，大家對AI的看法也越來越正面。不過，目前研究還有偏誤和異質性高等問題，未來還需要更多研究來補足不足。 PubMed DOI

**重點摘要：** 生成式AI和大型語言模型可以提升醫學教育的效率，並讓學習更加個人化，但同時也帶來學習品質、評量真實性和學術誠信等方面的疑慮。這篇綜述討論了這些議題，包括教學策略、AI的新角色以及可信度問題，並探討了可能的監管對策來因應這些挑戰。 PubMed DOI

這篇綜述指出，AI在醫學住院醫師甄選主要用來評估偏見、預測錄取結果，以及和人工審查比較。雖然AI有助提升效率和公平性，但也可能複製偏見、適用性有限，且透明度不足。未來還需要更多研究，才能讓AI在甄選過程中更負責任且有效地運用。 PubMed DOI

生成式AI在醫學教育上能帶來個人化學習、案例模擬和臨床決策支援，但也有準確性和倫理上的挑戰。本文分析其機會與限制，並建議未來應審慎且負責任地運用這項技術。 PubMed DOI

生成式AI正快速影響醫療教育，雖然帶來不少挑戰，但只要有良好規範和指導，還是能創造很多機會。關鍵在於提升師生的AI素養，這樣才能兼顧專業、病人安全，同時避免影響學生的批判性思考和解決問題能力。 PubMed DOI