EAI——未来药理学教学方法发展初探*

游晚芳 李妤馨 吴海燕

(1. 四川大学华西临床医学院；2. 四川大学华西基础医学与法医学院药理教研室，四川 成都 610041)

1 人工智能(Artificial intelligence, AI)概念

人工智能(Artificial intelligence，AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它是计算机科学、控制论、信息论、神经生理学、心理学、语言学等多种学科互相渗透而发展起来的一门综合性的交叉学科和前沿学科[1]。随着医学的不断进步，其中仍有大量尚待解决的问题，以及医学发展过程中对探索分析的需要都在不断增长，“着医学医疗”的产业化提速已成为不可阻挡的趋势。2003年，教育部颁布的高中信息技术课程标准中，将AI列为选修课程，由此开启了AI与教育相结合的时代[2]。而“2D医疗”是人工智能与医疗相结合的一种新形势，当前随着人工智能技术的不断发展，人工智能和医疗结合已经是大势所趋。

先进的AI技术不仅可以用于提高医疗水平和质量[3]，更可以用于医学教育和培训。在药理学中，我们依然有很多未被查明的药理过程、有许多药物尚待发掘，AI可以在短时间内精确筛选出符合条件的化学物质或者药理过程，并通过其强大的计算机能力来一一进行无用排除。假如对药理学教学过程中引进AI，既可以增强学生的探索能力与发散性思维，亦能提升学生的动手能力。因此，本文以药理学教育为例，通过结合教育人工智能(Educational artificial intelligence，EAI)，讨论EAI与药理学教育的结合运用。

2 EAI的概念

教育人工智能(EAI)，是AI与学习科学相结合而形成的一个新领域(如图1)。

EAI的目标有两个：一是促进自适应学习环境的发展和人工智能工具在教育中高效、灵活及个性化的使用；二是使用精确的计算和清晰的形式表示教育学、心理学和社会学中含糊不清的知识，让人工智能成为打开“学习黑匣子”的重要工具。换言之，EAI重在通过人工智能技术，更深入、更微观地窥视、理解学习是如何发生的，是如何受到外界各种因素(如社会经济、物质环境、科学技术等)影响的，进而为学习者高效地进行学习创造条件[2]。

在教育人工智能中，教学模型、领域知识模型和学习者模型是其核心。教学模型主要包含教学的专业知识、技能和有效方法，领域知识模型包含了学生所学科目的专业知识体系，学习者模型可以展现计算机与学习者的互动。在学习者模型中，计算机可以通过学生学习活动、情绪状态等方面了解学生的学习情况，同时可以根据不同学习者个体的具体学习行为来反馈其学习情况。教学模型和领域知识模型可以根据学习者模型的反馈情况推断学习者的进度，EAI通过反馈自发调整学习者模型，提供更适合学习者的知识体系、教学方法。三者相互补充与发展，进而形成一个循环的动态系统，使整个模型体系更加完整与丰富。

图1 教育人工智能的内涵

教育是人工智能的应用领域，而人工智能也是教育的一大手段。EAI作为人工智能与教育的结合产物，关键技术会影响AI的发展，影响人工智能的重要技术作为基础也将影响到EAI的发展。目前影响EAI发展的主要技术有：知识表示方法、机器学习与深度学习、自然语言处理、智能代理和情感计算等[4]。

3 AI与临床药理

AI处理数据的能力非常强大。有真实案例来证明其数据处理能力之强大：一位患急性髓系白血病的日本女性经多种临床治疗方案都没有显著效果，IBM Watson通过对比2000万份癌症研究论文，分析了数千个基因突变，最终在数据库中匹配到了与其症状相符的诊断并给出了治疗方案。整个过程用时仅10分钟[5]。AI强大的数据处理能力对于医疗方面的开发有着很好的帮助，如果将其应用在药理学教学中，可以提升教学效率，在相对有限的时间里让学生接触更多的有关内容。学生在应用AI进行学习时，也可以通过自主操作而加深记忆。

AI目前在药物的开发过程中已被用于筛选符合要求的成分。曾经这种临床判断和学习能力被认为只是一种微妙的直观的过程，既不经过理论分析也不能被量化模型所体现出来，而现在的观念态度已经发生了变化，医学教育工作者普遍认为医学决策模型是可以科学合理地建立的。尤其是在建立逻辑方面，要依赖人工智能技术[6]。对于并没有应用AI技术的实验室来说，药学研发过程中不可避免需要依靠排除法来筛选出药物有效成分，但传统方法繁杂且耗时耗力，假如使用AI来进行排除以及模拟实验，速度将会大幅提升。同时AI还具备深度学习能力，并已在抗心血管疾病药物、抗肿瘤药和常见传染病治疗药等多领域应用，如在抗击埃博拉病毒中智能药物的研发[7]。深度学习能力也是现在普通计算机及程序无法做到的，这有助于人工智能本身的“思考”，对于药理学研究以及药理学教学都能起到相对解放人脑的作用，利用得当会对药理学发展起到正面作用。

4 EAI针对药理学教学的实用意义

AI也在逐步运用于搭建药理学习系统，即EAI在药理学教育中的应用。这个系统不仅包括普通课堂，同时也应当包括课前预习、课后复习以及实验课程。

整个药理学的学习过程，由预习、课堂学习和课后复习三部分组成，其中课堂学习无疑是最重要的，并且也是人工智能技术能参与的最重要的部分。在预习方面，人工智能可以通过分析往届重、难点来提醒预习学习重点，并且根据预习情况来分析，为教师的讲课准备提供较好的数据支持。在课堂上，人工智能可以用于随堂检测，分析知识点掌握情况，尤其是药理学的知识点密集且碎片化，通过EAI本身特殊知识表达方法，会更加精准便利，有利于教师的重点提醒和学生的课后复习[8]；通过EAI的智能代理来主动设计程序[9]，可以让学生在安全、无害的情况下，了解整个药理过程，并亲自动手体验相关药理实验，可以减少实验损耗并提升教学安全性，对于学生掌握知识也有好的效果；通过EAI的深度学习能力，可以模拟预想的实验效果，对于引导学生的开放性思维能力有着很好的鼓励作用，学生可以通过程序来探索新的实验，同时不必担心时间与安全的问题；EAI对实验教学有着难以比拟的优越性[10]，不仅可以达到预想的实验效果，同时可以节省时间去拓展实验，并且可以减少传统实验的消耗以及保证一些危险实验的安全性，这些方面都是目前药理学实验所要面对的缺点。对复习而言，类似于预习，同样要依靠人工智能的计算能力及深度学习能力，找出学生的不擅长的方向，并进行分析，设计出最适合的复习攻略，可以达到事半功倍的效果；并且如果EAI能够解决自然语言的处理，可以通过这种方式来进行课后的检测以及补习，对于学生来讲是更贴近于真人的问答体验[11]。

5 EAI运用于教学的发展现状

EAI的开发难度大、开发过程极为漫长并且耗费财力，需要足够的数据库支持，来保证其可行性、适用性。教育支出难以支撑专门用于教育的AI项目的开发，所以早期与医学教育相关的AI项目只有部分涉及教育领域，如20世纪80年代运用批判的思维方法的电脑方法(ATTENDING[12])和指导类AI(GUIDON[13])项目。20世纪80年代 SPHINX系统(由卡奈基.美隆大学研发的第一个实用的10数字语音识别系统)被用于医学领域AI系统，该系统结合了AI的一些先进的表征和推理能力，并增加了临床咨询系统，为临床决策提供参考。GUIDON是通过使用MYCIN的知识库(一种帮助医生对住院的血液感染患者进行诊断和使用抗菌素类药物进行治疗的专家系统。该系统于70 年代初由美国斯坦福大学研制，用LISP语言写成)和对机制的逻辑解释来构建的智能辅导系统，能够在一定程度上模拟专家的医疗行为与结果，建立一套独特的规则。这个系统成功地将AI用于医学教育。这种系统现在被证明是低效的，因为学生很难理解和记忆系统所认可的思维逻辑和思考过程，而且这个系统的设计没有考虑到学生用与专家不同的方式推理诊断的创造性。因此，MYCIN被重新配置，加入NEOMYCIN(更新升级的MYCIN系统)和GUIDON，成为了GUIDON2。通过这一重新配置，GUIDON2有可能建立诊断思维模型，从而生成临床问题的解决方案，并提供其他关于专业知识的文献，来帮助学生的学习。还有些AI应用程序在介绍项目的可用性时，声称它们可以用作教育或培训指导的辅助工具。而在现实中，很少使用这些传统的AI系统，它们作为教育设施更是缺乏实用价值，是AI项目中没有足够教育理论基础的副产品[14]。

除了模拟系统的搭建，EAI还可以用于考试测评系统的搭建。如运用人工智能技术，搭建用来提高教学自动测评效率和效果的在线智能考试软件。智能组卷是智能化考试系统的重要特色[15]，其可以依据题库组合成考点分布合理的卷子，并给予学生考试结果的反馈。这种计算机自适应测试(Computer Adaptive Test，CAT)，在精选试题组成的题库支持下，可根据被试者的反应选取试题，直到满足停止条件为止；还能进行远程考试与评价以及主观题、技能性非客观题的自动化测评等[16]。该系统由学生模块、教师模块及管理员模块组成[17]，实现智能组卷、题库管理、在线考试、阅卷等一体化功能(如图2)。

图2 智能化考试系统模块组成[16]

由此可以看出，AI不是单纯地演算数据，而是深度学习，是开发具有人类智力过程特征的系统，例如推理、发现事物内在意义、概括和从经验中学习的能力[18]。而这也正是AI项目开发的真正难度所在。

6 EAI面临的机遇与挑战

模拟教学应用于教育，可以提高学生的学习效率。认知心理学已经证明，当以知识的使用为背景教授事实和概念，并通过实践来进行评估时，知识能被最充分的回忆并使用[19]。EAI在药理学中的使用，有助于学生快速、精确进行药理研究，辅助药理学试验进行，模拟并预测实验结果。运用EAI的模拟教学在基础知识与临床思维的转换中起到桥梁作用。学生还需要通过AI应用程序学习如何在医疗决策中对个性化数据进行汇总，分析和最终对其了解。甚至有人畅想，未来药理学学习将更具个人导向性[20]。正如Yang和Veltri所说[21]，“最关键的挑战是我们如何将医疗数据转化为精准医学、预防医学和预测模型的参考值。”。

在将EAI运用到医学教育的过程中，还必须强调并传授另外两项技能。首先是掌握统计学的专业知识。对统计学的正确认识能帮助医学生在面对人类的复杂性时，培养将AI系统产生的基于概率的结论合理运用到医疗决策的能力。其次是不断培训和评估医学生，使其成为一个真正富有同情心的医务工作者。当越来越多的高科技加入到医学领域中时，第二点更加不容忽视。