關于AI輔助的“醫用高等數學”教學改革思考

摘"要：隨著醫學領域的深入探索及其與多學科交叉融合的加速，數學在醫學研究與實踐中起著越來越重要的作用。“醫用高等數學”課程的開設旨在夯實醫學生的數學基礎，賦予他們利用高等數學工具解決醫學問題的能力，為后續的醫學研究和臨床實踐奠定基礎。然而，當前面臨兩大挑戰：一是醫學生的數學基礎普遍較為薄弱；二是醫學教育體系內課程密集，導致“醫用高等數學”的教學時間有限而內容龐雜。這些挑戰限制了醫學生深入掌握高等數學知識的效率與效果。為應對這些挑戰，本文探討了人工智能（AI）技術在“醫用高等數學”教學中的創新應用策略，以幫助醫學生更好地學習與使用高等數學。

關鍵詞：AI輔助；醫用高等數學；教學改革

1"背景

醫學，正以前所未有的速度向前發展，顯著特征是多學科的深度融合。數學，作為一門基礎而強大的工具，其在醫學領域的應用日益凸顯其不可或缺性。以生物學與醫學結合的基因編輯CRISPRCas9基因治療技術為例［1］，其設計與優化、靶點的精準定位以及脫靶效應的評估等都需要復雜數學模型以及統計學的支持，才能確保治療的安全性與有效性。工程信息學與醫學結合的達芬奇手術機器人在動作規劃以及圖像識別與處理方面，需要龐大的數學運算支撐［2］。醫學成像領域的超導高磁場技術需要數學進行磁場的優化設計以及傅里葉圖像重建［3］。綜上所述，現代醫學的快速發展及其多學科交叉融合的趨勢，對醫護人員的專業素養提出了更高的要求。他們不僅需要掌握醫學臨床知識與技能，還需要積極擁抱新技術與新方法，尤其需要具備良好的數學素養與利用數學知識解決醫學問題的能力。

醫學是一門高度綜合性的學科，其具有復雜的學科交叉性，因此醫學生的學習具有其獨特性，學生不僅需要掌握醫學知識技能，還需要具備將數學、生物、物理、化學等多學科知識融會貫通的能力。此外，醫學課程體系龐大，學生學習任務繁重，這就導致“醫用高等數學”課時相對較少，在課程安排上只能一方面減少課程覆蓋面，僅聚焦于部分數學概念與方法，例如不定積分與定積分；另一方面只能對學習內容的講解淺嘗輒止，導致學生缺乏深入理解和實際應用的機會。醫學生的整體數學水平相對理工科生稍低，安排的數學相關課程較少，例如“數值分析”“概率論”等。這樣進一步加劇醫學生對高等數學學習的困難。醫學生學習“醫用高等數學”課程的核心，在于掌握運用數學工具解決醫學領域復雜模型構建，實現精準計算及計算求解。然而，當前“醫用高等數學”教學過程中面臨的一個嚴峻挑戰是，學習難度往往導致學生難以充分掌握知識要點，即便完成了課程學習，也可能在面臨實際醫學數學問題時感到力不從心，難以有效應用所學。

隨著ChatGPT以及類似語言大模型的發布，語言大模型開始進入正式實用階段［4］。目前語言大模型憑借其強大的信息搜索與整合能力，在社會各個領域已經得到了廣泛應用，例如虛擬客服、語言對話、搜索引擎等。在課程教學領域，語言大模型的引入為傳統教學模式開辟了全新的可能性。對于教師而言，這些模型不僅可以進行教學PPT的自動排版與美化，還能根據課程具體要求智能生成例題、練習題、數學代碼乃至作業，并輔助進行作業批改等，極大地減輕教師的工作負擔，讓他們更多地關注于教學過程的創新與設計，從而實現教學效率與質量的雙重提升。對于醫學生而言，掌握AI工具的使用成為他們高效掌握高等數學求解技巧的有效途徑。在傳統的“醫用高等數學”教學過程中，復雜的數學求解方法教學往往占用了學生大量的學習時間與精力，語言大模型與數學軟件的結合使得這些計算過程可以由AI快速完成，學生可以更多地關注醫學實際問題的理解建模。教師可以根據這一變革，優化與調整學習內容，減少對復雜數學問題求解的講解，轉而加強學生將醫學問題轉化為數學模型的能力訓練與培養。這種教學模式的轉變，能讓學生在面對實際醫學問題時，迅速構建出精準有效的數學模型，并熟練運用AI工具進行求解，達到學以致用的目的，有助于提升學生解決實際問題的能力。

2"教學手段探討

鑒于此，我們針對“醫用高等數學”課程精心構思了一系列基于AI工具的教學改革方案，旨在通過AI手段優化教學內容與教學過程，提升學生的醫學數學建模能力與解決實際醫學問題的能力。

2.1"AI輔助教師備課

在備課階段，AI工具能夠輔助教師進行教學設計的精細化操作。通過智能分析，AI自動歸納出教學重難點，為教師提供個性化的教學建議。同時，AI還能高效協助教師完成PPT的精美設計，并搜集與整合醫學領域的最新實際案例等。

在教學設計的關鍵階段，AI工具擁有龐大的教育相關數據庫，能夠結合不同專業學生的需求與特點，量身打造符合專業特性的教學設計環節，為教師提供極具價值的參考藍本。在此基礎上，教師還可以對教學流程進行微調，例如，讓AI工具在教學過程中設計更多的互動教學活動等，以激發學生的學習熱情與興趣。圖1為采用AI工具針對醫學本科生進行洛必達法則教學流程設計。

“醫用高等數學”授課教師通常擁有深厚的理工科背景，但對于醫學領域的專業知識，其儲備與理解深度可能略顯不足。這種跨學科的認知差異，可能導致教師難以充分把握學生的學習需求與興趣點，從而影響與學生之間的情感共鳴和教學效果。為了克服這一難題，教師可以在備課階段巧妙利用AI技術的強大助力。具體而言，教師可利用AI工具龐大的數據庫資源，精準定位醫學生在高等數學與醫學交叉領域中的常見困惑、興趣熱點及學習難點。這不僅能夠幫助教師設計出更加貼近醫學生實際需求的教學案例與問題，還能確保備課內容高度聚焦于醫學生群體的特定學習障礙與興趣點，使教學準備更具靶向性和實效性，促進教學效果的顯著提升。

目前部分《醫用高等數學》教材存在著過于側重數學理論與計算技巧，忽視數學工具在醫學實際的具體案例。例如，某《醫用高等數學》教材中《函數與極限》這一章沒有一道醫學相關的極限求解應用題。因此在教學過程可以借助AI工具生成醫學上求解極限的實際案例，將教材中簡單的數學計算題“包裝”成醫學上的實際應用題，展示高等數學在醫學上的實際應用，加深學生對課程學習內容的理解。

由于“醫用高等數學”的課程特點，在醫學內容方面采用多媒體PPT教學更為直觀清楚，在數學解題講授時采用黑板板書解題思路更為清晰。因此“醫用高等數學”的教學采用多媒體與黑板板書結合的形式可有效提升課程講授的效果。在PPT制作方面，目前常用的AI工具已經可以實現PPT自動制作以及Mermaid流程圖生成，可以幫助教師提升授課PPT制作的效率，有更多的時間去思考教學過程的設計。圖2為采用AI工具生成的洛必達法則求解流程圖。

2.2"AI輔助學生解題

隨著AI技術的發展，AI工具的出現為人類工作學習提供了更多的便利，并且在多個領域已經超越傳統方法。例如，stable"diffusion能夠生成特定主題與風格的圖片；在圖像放大領域，SwinIR"AI算法效果已超過傳統圖像處理算法；AlphaFold模型的出現大大降低了蛋白質結構測定的金錢與時間成本。這些預示著AI將成為未來社會不可或缺的驅動力。醫學是一門快速發展的學科，也是AI技術重點探索與應用的領域之一。因此教師應該將AI的應用融入教學內容，讓未來的醫護人員盡早接觸到醫學領域的前沿科技，提升學生的專業水平。

與理工科學生不一樣，醫學生學習“醫用高等數學”課程的主要目標是為了解決實際醫學問題，如進行醫學定量分析、醫學統計分析等，“醫用高等數學”對于醫學生是一門工具課程。然而，鑒于高等數學的難度以及醫學生相對有限的學時，許多醫學生對這門工具課程的學習顯得力不從心。因此，對于“醫用高等數學”授課教師，引導學生更有效地去解決醫學實際問題是本門課的重要教學任務之一。目前AI工具在編程代碼生成方面具有較大優勢，因此結合AI工具與數學編程軟件進行教學，無疑是目前提升醫學生解決數學計算問題能力的有效途徑。圖3是一個實際教學案例設計流程圖。

2.3"AI輔助教學的風險以及倫理問題

AI工具在“醫用高等數學”的教學實踐中起到了很好的促進教學的作用，但值得注意的是，在積極擁抱這一技術革新的同時，我們必須高度警覺并妥善應對AI應用所帶來的風險與問題。目前的AI工具的可靠性并不高，例如，在教學流程設計以及PPT制作方面和生成的方案基礎上需要教師進行修正，確保AI工具內容的準確性與權威性，避免誤導學生。因此，在教學設計階段，授課教師可以借助AI，但不能完全依賴AI。

在對學生進行授課時，我們同樣不可忽略AI工具所伴隨的局限性，尤其是在某些基礎數學問題的解答方面，AI表現出顯著的不足。例如，AI工具在解答等邊三角形面積這一簡單數學問題時也出現錯誤。這提示我們，AI在涉及邏輯推理、概念理解及靈活應用等方面，尚無法完全替代人類的思維與判斷力。

另一個在教學中需要注意的問題是，目前AI工具存在數據泄露風險，大部分AI工具都是在線工具，進行數據分析時需要上傳數據，那么在醫學實際應用中有可能將患者個人信息誤傳到云端，造成患者個人信息泄露。在教學過程需提醒學生對患者個人信息進行保護，或者教導學生如何使用ollama軟件搭建本地AI大模型系統。

除了AI工具本身的技術局限性以及隱私安全的問題，還需要注意學生可能產生的過度依賴現象。學生若在學習過程中過度依賴AI工具直接提供答案，而非主動進行深度思考，將不可避免地削弱其學習能力與創新思維。因此，在融合AI工具于教學之中時，我們應采取一種平衡策略，既要充分發揮AI工具帶來的便捷性與高效性，又需精心設計教學策略。教師可以通過設置啟發式問題、組織小組討論、引導批判性思維訓練等方式，促使學生主動探索、分析并解決問題。同時，建立反饋機制，及時評估學生的學習過程與成果，確保AI工具成為學生學習旅程中的得力助手，而非替代思考的“捷徑”?？傊?，通過精心規劃與引導，我們確信AI技術能夠真正服務于教育，助力學生全面發展。

參考文獻：

［1］BARRANGOU"R，FREMAUX"C，DEVEAU"H，et"al.CRISPR"provides"acquired"resistance"against"viruses"in"prokaryotes［J］.Science，2007（315）：17091712.

［2］周寧新.達芬奇機器人手術系統帶給我們的挑戰與啟迪［J］.中華消化外科雜志，2010（2）：9092.

［3］林嵐，郝冬梅，白燕萍，等.7TMRI系統在腦圖像中的應用研究進展［J］.生物醫學工程學雜志，2013（30）：11271130.

［4］劉江，章曉慶，巫曉，等.“ChatGPT+”驅動的課程教學創新設計：以南方科技大學多媒體信息處理課程為例［J］.軟件導刊，2024（23）：172176.

作者簡介：陳恒（1988—"），男，漢族，重慶人，博士研究生，副教授，研究方向：醫學信息工程；張淺閱（1997—"），男，漢族，貴州遵義人，碩士研究生，助教，研究方向：電子科學與技術；陳雪（1998—"），女，漢族，貴州甕安人，碩士研究生，助教，研究方向：生物信息學。

*通信作者：賀碧芳（1988—"），女，漢族，湖南益陽人，博士研究生，副教授，研究方向：醫學信息工程。