گروه مامایی، دانشکده پرستاری و مامایی حضرت زینب (س)، دانشگاه علوم پزشکی گیلان، رشت، ایران & مرکز تحقیقات آموزش پزشکی، مرکز مطالعات و توسعه آموزش علوم پزشکی، دانشگاه علوم پزشکی گیلان، رشت، ایران ، firoozehchian@gmail.com
چکیده: (293 مشاهده)
سردبیر گرامی
تحولات فناورانه در دهه گذشته، موجب دگرگونی بنیادین در عرصه آموزش شده است. در این میان، مدلهای زبانی بزرگ (Large Language Models) یا (LLMs) مانند ChatGPT، با توانایی درک و تولید زبان طبیعی، چشماندازهای نوینی را برای یادگیری تعاملی و شخصیسازیشده گشودهاند (1). آموزش پزشکی، با ماهیتی پیچیده، میانرشتهای و نیازمند تعامل مستمر، یکی از بسترهایی است که میتواند از ظرفیتهای این مدلها بهرهمند شود. با این حال، بهرهبرداری موثر از LLM، مستلزم مهارتی نوپدید به نام «پرامپتنویسی» است. پرامپتنویسی به معنای طراحی دقیق، هدفمند و ساختارمند ورودیهایی است که بتوانند بیشینه بازدهی و دقت پاسخدهی مدلهای زبانی را تضمین کنند (2). پرامپتنویسی نه تنها یک مهارت فنی، بلکه نوعی توانایی شناختی و آموزشی محسوب میشود که درک عمیق از اهداف یادگیری، زبان تخصصی، ساختار آموزش و نیز توانمندیهای مدلهای زبانی را ایجاب میکند (3).
در زمینه آموزش پزشکی، پرامپتنویسی میتواند نقش کلیدی در طراحی سناریوهای بالینی، تمرین مهارتهای ارتباطی، آزمونهای تشخیصی و تقویت تفکر انتقادی ایفا کند. بهعنوان مثال؛ دانشجوی پزشکی میتواند با تدوین یک پرامپت مناسب، از مدل زبانی بخواهد سناریویی واقعی از مدیریت یک بیمار مبتلا به درد قفسه سینه ارائه دهد، سپس مراحل تصمیمگیری بالینی را گام بهگام تحلیل کند. پرامپتنویسی عبارت است از طراحی هدفمند، دقیق و ساختارمند ورودیهایی برای مدلهای زبانی با هدف دریافت خروجی متناسب. این مهارت در واقع تلفیقی از دانش موضوعی، توانایی زبانی و آگاهی از نحوه پردازش زبان توسط مدلهای هوش مصنوعی است. در آموزش پزشکی، پرامپتنویسی باید با حساسیت علمی، دقت مفهومی و آگاهی بالینی همراه باشد (4).
در این زمینه، پرامپتها نهتنها باید از اصطلاحات تخصصی پزشکی بهره بگیرند، بلکه باید ساختاری آموزشی داشته باشند که به درک مفاهیم، تمرین مهارتهای تصمیمگیری بالینی و شبیهسازی موقعیتهای بالینی کمک کنند. بهطور مثال، پرامپت «یک بیمار با علائم هایپرتیروئیدیسم به شما مراجعه کرده؛ چگونه تشخیص را تایید و درمان را آغاز میکنید؟» نسبت به پرامپت کلی «هایپرتیروئیدیسم را توضیح بده» دارای ارزش آموزشی بالاتری است، زیرا زمینهسازی، نقش و هدف را با دقت مشخص میکند. برای نوشتن یک پرامپت موثر در آموزش پزشکی، رعایت راهبردهای زیر توصیه میشود:
1- تعیین دقیق هدف آموزشی: ابتدا باید مشخص شود هدف از تعامل با مدل چیست؟ یادگیری یک مفهوم؟ تحلیل یک سناریو؟ تمرین تصمیمگیری؟2 - زمینهسازی کافی: مدلهای زبانی بدون زمینه مناسب دچار خطا میشوند. 3- مشخص کردن قالب پاسخ: در بسیاری موارد، اگر بخواهیم مدل پاسخ را به شکل جدول، فهرست، یا در حد ۲۰۰ واژه ارائه دهد، باید آن را ذکر کنیم. 4- آزمون و بازبینی: پرامپتها باید مورد آزمون قرار گیرند. اگر پاسخ مدل با انتظار همخوانی نداشت، بازنویسی پرامپت ضروری است. 5- ارائه دستورالعمل صریح: نوع پاسخ یا قالب مورد انتظار را ذکر کنیم(5). طراحی پرامپتی که بتواند خروجی دقیق، علمی و کاربردی ارائه دهد نیازمند تمرین، بازخورد و اصلاح مداوم است. این امر برای مدرسان یا دانشجویان تازهکار ممکن است زمانبر و گیجکننده باشد (6).
پرامپت نویسی ابزار قدرتمندی است که میتواند نقش مکمل مدرس و بیمار را در آموزش پزشکی ایفا کند. با آموزش هدفمند این مهارت، میتوان از مدلهای زبانی برای یادگیری شخصیسازیشده، تمرین مهارتهای بالینی و ارتقای آموزش پزشکی بهرهمند شد.
آموزشدهندگان باید ابزارهای آموزشی نوین را بپذیرند و با استفاده از آنها کیفیت آموزش و مشارکت دانشجویان را افزایش دهند. هوش مصنوعی یک تکنولوژی گذرا نیست. کسانی که از پذیرش آن سر باز میزنند، از مسیر یادگیری آینده عقب خواهند ماند. آینده آموزش پزشکی نیازمند ادغام خلاقانه این فناوریها با رویکردهای سنتی و ارزشی است.
فهرست منابع
1. Heston TF, Khun C. Prompt engineering in medical education.International Medical Education 2023;2(3): 198-205. [
DOI:10.3390/ime2030019]
2. Kung TH, Cheatham M , Medenilla A, Sillos C, De Leon L, Elepaño C, et al. Performance of ChatGPT on USMLE: potential for AI-assisted medical education using large language models. PLoS digital health 2023;2(2): e0000198. [
DOI:10.1371/journal.pdig.0000198]
3. Meskó B. Prompt engineering as an important emerging skill for medical professionals: tutorial. Journal of medical Internet research 2023;25:e50638. [
DOI:10.2196/50638]
4. Lim S, Schmälzle R. Artificial intelligence for health message generation: an empirical study using a large language model (LLM) and prompt engineering. Frontiers in Communication 2023;8:1129082. [
DOI:10.3389/fcomm.2023.1129082]
5. Patil R, Heston TF, Bhuse V. Prompt engineering in healthcare. Electronics 2024;13(15): 2961. [
DOI:10.3390/electronics13152961]
6. Tran N, Patel D, Cooper AB. Questioning the Value of Prompt Engineering in Medical Education. Academic Medicine 2025;100(7):761. [
DOI:10.1097/ACM.0000000000006030]
ارسال پیام به نویسنده مسئول