基于生成式AI虚拟病人的医学生对话分析：提升医学教育中的临床推理能力

摘要：本研究探讨了如何利用生成式AI驱动的虚拟病人（GenAI VPs）对话日志，为医学教育提供可解释的临床推理过程证据。通过对1030次对话日志进行多层次分析，研究发现高质量的临床推理对话不仅涉及更多的病史采集活动，还表现出信息收集、症状探索与沟通、检查、组织和综合之间的紧密联系。这些发现表明，GenAI VP对话日志的编码分析能够揭示与高评分临床推理相关的模式，从而为医学教育提供更精准的反馈和改进方向。

---

研究背景与目标

医学教育中的病史采集是一项复杂的临床推理任务，传统教学方法难以全面捕捉学生的推理过程。生成式AI驱动的虚拟病人（GenAI VPs）为这一问题提供了新的解决方案，通过模拟真实患者与学生的对话，提供了详细的交互日志。然而，这些日志数据量庞大且复杂，难以直接用于教学反馈。本研究旨在探索如何通过编码和分析GenAI VP对话日志，为医学教育提供可解释的临床推理过程证据。

研究方法

1. 数据收集与评分：研究收集了210名二年级医学生在五周内进行的1030次胸痛病例对话日志。每一次对话均使用评分量表进行评估，并根据每周的中位数分数将对话分为高评分和低评分两类。
2. 多层次分析：对编码后的对话数据应用了三种分析方法：行为流行度分析、局部共现分析（使用Epistemic Network Analysis）和序列转换分析（使用Transition Network Analysis）。

主要发现

1. 高评分对话的特点：高评分对话不仅涉及更多的病史采集活动，还表现出信息收集、症状探索与沟通、检查、组织和综合之间的紧密联系。
2. 行为模式差异：高评分对话中，总结和组织类行为更容易引发验证或机制导向的后续提问，而低评分对话则缺乏这种连贯性。
3. 过程模式揭示：通过多层次分析，研究能够识别出与高评分临床推理相关的具体行为模式，为教学反馈提供了更精准的依据。

行业影响与建议

1. 医学教育改进：GenAI VP对话日志的分析为医学教育提供了新的反馈机制，帮助教师更有效地指导学生临床推理能力。
2. AI在教育中的应用：本研究展示了AI技术在教育领域的应用潜力，特别是在需要复杂交互和过程分析的场景中。
3. 开发者建议：建议进一步开发基于AI的对话分析工具，以支持更多学科和场景的临床推理教学。

技术亮点

• 多层次分析框架：结合行为流行度、局部共现和序列转换分析，提供了全面的对话过程洞察。
• Epistemic Network Analysis (ENA)：一种创新的网络分析方法，用于揭示对话中的知识构建模式。
• Transition Network Analysis：用于分析行为转换的序列模式，识别高评分对话的典型路径。

---

消息来源：ArXiv NLP/LLM (cs.CL) (2026-09-01)

—— 完 ——

主题标签： #GenAI #虚拟病人 #医学教育 #临床推理 #对话分析