EAI
——未來藥理學教學方法發展初探*

游晚芳 李妤馨 吳海燕

(1. 四川大學華西臨床醫學院；2. 四川大學華西基礎醫學與法醫學院藥理教研室，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、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。它是計算機科學、控制論、信息論、神經生理學、心理學、語言學等多種學科互相滲透而發展起來的一門綜合性的交叉學科和前沿學科[1]。隨著醫學的不斷進步，其中仍有大量尚待解決的問題，以及醫學發展過程中對探索分析的需要都在不斷增長，“著醫學醫療”的產業化提速已成為不可阻擋的趨勢。2003年，教育部頒布的高中信息技術課程標準中，將AI列為選修課程，由此開啟了AI與教育相結合的時代[2]。而“2D醫療”是人工智能與醫療相結合的一種新形勢，當前隨著人工智能技術的不斷發展，人工智能和醫療結合已經是大勢所趨。

先進的AI技術不僅可以用于提高醫療水平和質量[3]，更可以用于醫學教育和培訓。在藥理學中，我們依然有很多未被查明的藥理過程、有許多藥物尚待發掘，AI可以在短時間內精確篩選出符合條件的化學物質或者藥理過程，并通過其強大的計算機能力來一一進行無用排除。假如對藥理學教學過程中引進AI，既可以增強學生的探索能力與發散性思維，亦能提升學生的動手能力。因此，本文以藥理學教育為例，通過結合教育人工智能(Educational artificial intelligence，EAI)，討論EAI與藥理學教育的結合運用。

2 EAI的概念

教育人工智能(EAI)，是AI與學習科學相結合而形成的一個新領域(如圖1)。

EAI的目標有兩個：一是促進自適應學習環境的發展和人工智能工具在教育中高效、靈活及個性化的使用；二是使用精確的計算和清晰的形式表示教育學、心理學和社會學中含糊不清的知識，讓人工智能成為打開“學習黑匣子”的重要工具。換言之，EAI重在通過人工智能技術，更深入、更微觀地窺視、理解學習是如何發生的，是如何受到外界各種因素(如社會經濟、物質環境、科學技術等)影響的，進而為學習者高效地進行學習創造條件[2]。

在教育人工智能中，教學模型、領域知識模型和學習者模型是其核心。教學模型主要包含教學的專業知識、技能和有效方法，領域知識模型包含了學生所學科目的專業知識體系，學習者模型可以展現計算機與學習者的互動。在學習者模型中，計算機可以通過學生學習活動、情緒狀態等方面了解學生的學習情況，同時可以根據不同學習者個體的具體學習行為來反饋其學習情況。教學模型和領域知識模型可以根據學習者模型的反饋情況推斷學習者的進度，EAI通過反饋自發調整學習者模型，提供更適合學習者的知識體系、教學方法。三者相互補充與發展，進而形成一個循環的動態系統，使整個模型體系更加完整與豐富。

圖1 教育人工智能的內涵

教育是人工智能的應用領域，而人工智能也是教育的一大手段。EAI作為人工智能與教育的結合產物，關鍵技術會影響AI的發展，影響人工智能的重要技術作為基礎也將影響到EAI的發展。目前影響EAI發展的主要技術有：知識表示方法、機器學習與深度學習、自然語言處理、智能代理和情感計算等[4]。

3 AI與臨床藥理

AI處理數據的能力非常強大。有真實案例來證明其數據處理能力之強大：一位患急性髓系白血病的日本女性經多種臨床治療方案都沒有顯著效果，IBM Watson通過對比2000萬份癌癥研究論文，分析了數千個基因突變，最終在數據庫中匹配到了與其癥狀相符的診斷并給出了治療方案。整個過程用時僅10分鐘[5]。AI強大的數據處理能力對于醫療方面的開發有著很好的幫助，如果將其應用在藥理學教學中，可以提升教學效率，在相對有限的時間里讓學生接觸更多的有關內容。學生在應用AI進行學習時，也可以通過自主操作而加深記憶。

AI目前在藥物的開發過程中已被用于篩選符合要求的成分。曾經這種臨床判斷和學習能力被認為只是一種微妙的直觀的過程，既不經過理論分析也不能被量化模型所體現出來，而現在的觀念態度已經發生了變化，醫學教育工作者普遍認為醫學決策模型是可以科學合理地建立的。尤其是在建立邏輯方面，要依賴人工智能技術[6]。對于并沒有應用AI技術的實驗室來說，藥學研發過程中不可避免需要依靠排除法來篩選出藥物有效成分，但傳統方法繁雜且耗時耗力，假如使用AI來進行排除以及模擬實驗，速度將會大幅提升。同時AI還具備深度學習能力，并已在抗心血管疾病藥物、抗腫瘤藥和常見傳染病治療藥等多領域應用，如在抗擊埃博拉病毒中智能藥物的研發[7]。深度學習能力也是現在普通計算機及程序無法做到的，這有助于人工智能本身的“思考”，對于藥理學研究以及藥理學教學都能起到相對解放人腦的作用，利用得當會對藥理學發展起到正面作用。

4 EAI針對藥理學教學的實用意義

AI也在逐步運用于搭建藥理學習系統，即EAI在藥理學教育中的應用。這個系統不僅包括普通課堂，同時也應當包括課前預習、課后復習以及實驗課程。

整個藥理學的學習過程，由預習、課堂學習和課后復習三部分組成，其中課堂學習無疑是最重要的，并且也是人工智能技術能參與的最重要的部分。在預習方面，人工智能可以通過分析往屆重、難點來提醒預習學習重點，并且根據預習情況來分析，為教師的講課準備提供較好的數據支持。在課堂上，人工智能可以用于隨堂檢測，分析知識點掌握情況，尤其是藥理學的知識點密集且碎片化，通過EAI本身特殊知識表達方法，會更加精準便利，有利于教師的重點提醒和學生的課后復習[8]；通過EAI的智能代理來主動設計程序[9]，可以讓學生在安全、無害的情況下，了解整個藥理過程，并親自動手體驗相關藥理實驗，可以減少實驗損耗并提升教學安全性，對于學生掌握知識也有好的效果；通過EAI的深度學習能力，可以模擬預想的實驗效果，對于引導學生的開放性思維能力有著很好的鼓勵作用，學生可以通過程序來探索新的實驗，同時不必擔心時間與安全的問題；EAI對實驗教學有著難以比擬的優越性[10]，不僅可以達到預想的實驗效果，同時可以節省時間去拓展實驗，并且可以減少傳統實驗的消耗以及保證一些危險實驗的安全性，這些方面都是目前藥理學實驗所要面對的缺點。對復習而言，類似于預習，同樣要依靠人工智能的計算能力及深度學習能力，找出學生的不擅長的方向，并進行分析，設計出最適合的復習攻略，可以達到事半功倍的效果；并且如果EAI能夠解決自然語言的處理，可以通過這種方式來進行課后的檢測以及補習，對于學生來講是更貼近于真人的問答體驗[11]。

5 EAI運用于教學的發展現狀

EAI的開發難度大、開發過程極為漫長并且耗費財力，需要足夠的數據庫支持，來保證其可行性、適用性。教育支出難以支撐專門用于教育的AI項目的開發，所以早期與醫學教育相關的AI項目只有部分涉及教育領域，如20世紀80年代運用批判的思維方法的電腦方法(ATTENDING[12])和指導類AI(GUIDON[13])項目。20世紀80年代 SPHINX系統(由卡奈基.美隆大學研發的第一個實用的10數字語音識別系統)被用于醫學領域AI系統，該系統結合了AI的一些先進的表征和推理能力，并增加了臨床咨詢系統，為臨床決策提供參考。GUIDON是通過使用MYCIN的知識庫(一種幫助醫生對住院的血液感染患者進行診斷和使用抗菌素類藥物進行治療的專家系統。該系統于70 年代初由美國斯坦福大學研制，用LISP語言寫成)和對機制的邏輯解釋來構建的智能輔導系統，能夠在一定程度上模擬專家的醫療行為與結果，建立一套獨特的規則。這個系統成功地將AI用于醫學教育。這種系統現在被證明是低效的，因為學生很難理解和記憶系統所認可的思維邏輯和思考過程，而且這個系統的設計沒有考慮到學生用與專家不同的方式推理診斷的創造性。因此，MYCIN被重新配置，加入NEOMYCIN(更新升級的MYCIN系統)和GUIDON，成為了GUIDON2。通過這一重新配置，GUIDON2有可能建立診斷思維模型，從而生成臨床問題的解決方案，并提供其他關于專業知識的文獻，來幫助學生的學習。還有些AI應用程序在介紹項目的可用性時，聲稱它們可以用作教育或培訓指導的輔助工具。而在現實中，很少使用這些傳統的AI系統，它們作為教育設施更是缺乏實用價值，是AI項目中沒有足夠教育理論基礎的副產品[14]。

除了模擬系統的搭建，EAI還可以用于考試測評系統的搭建。如運用人工智能技術，搭建用來提高教學自動測評效率和效果的在線智能考試軟件。智能組卷是智能化考試系統的重要特色[15]，其可以依據題庫組合成考點分布合理的卷子，并給予學生考試結果的反饋。這種計算機自適應測試(Computer Adaptive Test，CAT)，在精選試題組成的題庫支持下，可根據被試者的反應選取試題，直到滿足停止條件為止；還能進行遠程考試與評價以及主觀題、技能性非客觀題的自動化測評等[16]。該系統由學生模塊、教師模塊及管理員模塊組成[17]，實現智能組卷、題庫管理、在線考試、閱卷等一體化功能(如圖2)。

圖2 智能化考試系統模塊組成[16]

由此可以看出，AI不是單純地演算數據，而是深度學習，是開發具有人類智力過程特征的系統，例如推理、發現事物內在意義、概括和從經驗中學習的能力[18]。而這也正是AI項目開發的真正難度所在。

6 EAI面臨的機遇與挑戰

模擬教學應用于教育，可以提高學生的學習效率。認知心理學已經證明，當以知識的使用為背景教授事實和概念，并通過實踐來進行評估時，知識能被最充分的回憶并使用[19]。EAI在藥理學中的使用，有助于學生快速、精確進行藥理研究，輔助藥理學試驗進行，模擬并預測實驗結果。運用EAI的模擬教學在基礎知識與臨床思維的轉換中起到橋梁作用。學生還需要通過AI應用程序學習如何在醫療決策中對個性化數據進行匯總，分析和最終對其了解。甚至有人暢想，未來藥理學學習將更具個人導向性[20]。正如Yang和Veltri所說[21]，“最關鍵的挑戰是我們如何將醫療數據轉化為精準醫學、預防醫學和預測模型的參考值。”。

在將EAI運用到醫學教育的過程中，還必須強調并傳授另外兩項技能。首先是掌握統計學的專業知識。對統計學的正確認識能幫助醫學生在面對人類的復雜性時，培養將AI系統產生的基于概率的結論合理運用到醫療決策的能力。其次是不斷培訓和評估醫學生，使其成為一個真正富有同情心的醫務工作者。當越來越多的高科技加入到醫學領域中時，第二點更加不容忽視。