用 ChatGPT 学医,过去几年只有问卷和轶事。2025 到 2026 年间,第一批随机对照试验和一份汇总 20 项 RCT 的 meta 分析陆续发表,这个领域第一次可以用证据说话。而证据给出的画面,比"AI 家教碾压传统教学"的宣传和"AI 毁掉深度学习"的担忧都更细:当陪练有效,当反馈老师存疑;短期分数会涨,留存没有证据。
## +0.7 分,和一个更值钱的缺勤率
锚点是 NEJM AI 发表的 ASCE 试验,作者自称是该领域第一个单盲 RCT:法国 Montpellier-Nîmes 医学院两个校区,247 名早期临床见习阶段的四年级医学生(2023 年 11 月至 2024 年 1 月招募),随机分入 AI 训练组(125 名)或标准训练组(122 名),干预 2.5 个月。训练平台用 GPT-4 Turbo(2023-11-06 版)模拟文字问诊并自动反馈。主终点是教师主持的 OSCE(客观结构化临床考试)得分:干预组中位 11.4,对照组 10.7(满分 20,P=0.02,95% CI 0–1.2)——差异显著,但效应量不大,置信区间下界贴着零。
比分数更有意思的是另一组数字:干预组缺勤率 0.8%,对照组 4.9%;干预组考前情绪准备度更高(P<0.001,CI 1–2)、压力更低(P=0.02,CI −1–0);459 份过程反馈里,74% 用过 AI 陪练的学生表示"感觉在与真实患者交互"。这指向一个容易被忽略的判断:AI 陪练的第一效应,也许不是"教得更好",而是"让练习发生了"——一个无限耐心、随时可用、不评判的模拟病人,把"找不到陪练"和"不好意思练"这两道坎拆掉了。
也要把限制说清楚:盲法只覆盖评估端的部分环节,学生知道自己用了 AI,情绪准备度和真实感这类主观终点无法盲;2.5 个月干预结束即测,没有长期随访;训练平台是商业产品,研究者与平台的利益关系以原文披露为准。
## 20 项试验的 meta:效应大得出奇,确定性只有中低
BMC Medical Education 2026 年 4 月发表的系统综述汇总了 20 项 RCT、1413 名参与者:生成式 AI 融入教学后,临床技能的合并标准化均数差(SMD——把不同考试的分数放到同一把尺子上,1 代表相差一个标准差)达到 1.09(95% CI 0.81–1.38,GRADE 确定性中等),知识获得 0.99(0.49–1.49,GRADE 确定性低)。
SMD 接近 1,在教育干预里是罕见的大效应。但 GRADE 只给到中低确定性,理由恰好就是这个数字的读法:小样本试验占主体、终点多为课程内短期考核、研究间异质性大。大效应量与小试验是经典组合,效应膨胀的风险高。有一点值得称赞:这份 meta 同时收录了阴性结果,没有只挑阳性研究讲故事。
## 三盆冷水
第一盆:AI 当反馈老师,没赢过专家模板。Medical Teacher 2025 年的一项随机交叉试验里,德国医学生每天通过 App 作答 key-feature 题,一半题目收到专家撰写的通用反馈,另一半收到 ChatGPT 即时生成的个性化反馈,终点是必修结业考试。结果:个性化 AI 反馈没有优于专家通用反馈(51.8±22.0% 对 55.8±22.8%,p=0.06,方向甚至略偏向专家一侧,未达显著);高频使用 App 的学生成绩更好,但那只是相关性观察。把 AI 塞进反馈环节不会自动增值——专家写好的通用反馈经过教学设计,而 AI 的个性化反馈质量会波动,汇总 20 项试验的那份 meta 分析也提到,它有时过简、有时因拼写小错扣分,个性化红利被抵消掉。还要提醒一句:p=0.06 不是等效性证明(研究未做等效检验),只能说"未显示优势"。
第二盆:短期分数涨了,一周后什么都没留下。Georgetown 大学医学院的一项小试验(Cureus 2025)邀请 198 名一年级医学生、33 人入组,随机用 ChatGPT-4.0(10 人)、Google 或 PubMed 这类外部公开资源(12 人)或校内讲义教材(11 人)备考同一场测验。即时成绩:ChatGPT 组 9.60±0.52、外部资源组 9.08±0.79,都显著高于校内资源组的 6.64±1.57(p<0.001)。但一周后不带资源重测:6.20 对 5.58 对 4.36,组间没有显著差异(p=0.118)。两个刺眼的细节:ChatGPT 并不比"自己会搜"更好;而"带着资源考得好"与"离开资源记得住"是两回事。这是单中心、n=33 的小试验,一周的留存窗口也太短,方向有启发但不能当结论——不过它与学习科学的老结论一致:检索便利 ≠ 编码深度。
第三盆:AI 陪练与真人互练,各赢一半。BMC Medical Education 2025 年的一项试点 RCT 把 19 名毕业年级韩医学学生随机分入 AI 聊天机器人组(9 人,GPT-4o 与 Claude 3.5 双层架构,场景化应答加自动评分反馈)或同伴角色扮演组(10 人,导师督导下两两练习),随后完成两个 OSCE 站(头晕、肩痛)。总分没有显著差异,分项却互补:同伴组问诊得分倾向更高(头晕站 74.4 对 66.2,Hedges' g = −0.68),互动真实感与临考感评分也更高;AI 组则在需要临床推理的域(如患者教育)显示潜力,学生更看重它的自主性、可重复练习和结构化反馈。n=19 的试点只够生成假设,人群是韩医学学生、并非西医临床医学,外推更要谨慎。但方向清楚:AI 补的是练习量与即时结构,人补的是真实感与沟通质感。
## 一致的与缺席的
把证据排到一起,一致的部分清楚:短期考核成绩几乎一致改善;各种用法里,"AI 当练习伙伴/模拟病人"的证据最强——除了 ASCE 阳性与 meta 的技能 SMD 1.09,另一项问诊训练 RCT 也发现,GPT 模拟病人组在问诊技能上显著优于教师带教的角色扮演组。
缺席的部分同样清楚:留存与迁移无一支持——Georgetown 的一周留存阴性,长期数据全缺;"AI 当反馈生成器"的证据最弱;所有研究测的都是考试表现,没有一项测过毕业后的临床能力,更没有患者结局。效应量也要对着满分读:+0.7 分对着满分 20,对个体学生的意义,远小于对"资源匮乏院校可及性"的意义——Georgetown 研究在引言里提出,AI 或可增强教育资源受限学生的可及性,但这是定性论述,不是验证过的结论。另外,这批试验的模型与平台钉死在 GPT-4 Turbo、GPT-4o、Claude 3.5 等 2023–2025 年的版本上,结论有保质期。
## 你能带走的三件事
第一,给医学生:把 AI 当无限供应的标准化病人和出题器,有证据支持;别把它当唯一的反馈来源;并且警惕"带着它考得好"的错觉——自测时合上工具,一周后那场不带资源的重测里,三组之间不再有显著差异。
第二,给医学院:缺勤率 0.8% 对 4.9% 的差距提示,AI 陪练最大的价值可能是把练习机会的边际成本降到接近零——这对师生比紧张、标准化病人预算有限的院校是结构性利好。采购时应要求平台提供练习量与成绩的过程数据,让"练没练"可见,才谈得上"学没学会"。
第三,给关注这个领域的人:SMD 1.09 不能外推为"AI 教学普遍提升一个标准差";真正的空白在考试之后——留存、迁移、毕业后能力、患者结局,还没有人测出来。
最后一个值得讨论的问题:如果 AI 陪练最大的贡献是"让练习发生了",而不是"教得更好",医学院该不该把"AI 练习时长"正式写进课程?还是说,那只是把一种强制换成另一种强制,反倒消掉了学生"想多练一会儿"的那点自主性?
来源:AI-Standardized Clinical Examination Training on OSCE Performance. NEJM AI. https://doi.org/10.1056/AIoa2500066