人工智能技術在醫學高校領域信息素養教育中的應用實踐

中圖分類號：TP18 文獻標志碼：A

0 引言

在知識快速迭代、信息呈指數級增長的當下，醫學領域發展日新月異，對醫學生的信息素養提出了前所未有的高標準要求。醫學高校作為醫學人才培養的關鍵陣地，其信息素養教育質量直接關系未來醫學科研與臨床水平的高低。然而，當前醫學高校在信息素養教育方面仍面臨多重挑戰：一方面，醫學生信息獲取與篩選能力參差不齊，部分學生難以高效識別、整合關鍵醫學資訊；另一方面，面對浩如煙海的學術資源，許多學生在檢索、甄別及利用過程中顯得力不從心，影響科研與學習效率。更為嚴重的是，信息素養中的核心維度一數據素養，在臨床實訓和科研實踐中呈現出明顯短板，制約了醫學生綜合能力的形成與拓展。

已有研究指出，傳統的信息素養課程內容單一、方法陳舊，無法充分應對當前信息環境的復雜性。而近年來人工智能技術迅速發展，特別是自然語言處理、語義分析、智能推薦系統等在教育領域的逐步應用，提供了突破傳統教學困境的新路徑。國內外研究表明，人工智能可通過構建個性化學習平臺、自動化資源推送機制和語義輔助檢索工具，提升學習者的信息檢索效率與批判性思維能力。因此，文章聚焦人工智能技術在醫學高校信息素養教育中的融合路徑，系統分析其技術適配性與教育可行性，旨在為提升醫學信息素養教學成效提供參考。

1現階段醫學高校信息素養問題分析

1.1醫學生信息獲取能力不均

當前醫學生在信息獲取能力方面存在明顯差異。部分學生能夠熟練使用各類數據庫和檢索工具，有效獲取高質量的科研和臨床信息，具備較強的信息整合與應用能力，為科研訓練和專業發展打下了堅實基礎。然而，仍有不少學生信息檢索意識與技能較為薄弱，對專業數據庫不熟悉，難以準確定位所需信息，且缺乏對信息真實性與價值的判斷能力。這種能力差異不僅影響個人的學習效果，還可能在教學過程中拉大整體能力水平的差距，制約人才培養質量的整體提升。

1.2學術資源篩選效率低下

醫學知識更新迅速，學術資源呈現爆炸式增長，學生在面對海量信息時常感無所適從。由于缺乏系統的資源篩選方法和檢索策略，不少醫學生在查閱資料時投入大量時間，卻難以獲取高質量、有針對性的內容，導致學習效率低下、科研思路受限。對不同數據庫、文獻類型、學術資源的價值判斷不清，也加劇了資源篩選的盲目性，影響了學生對前沿知識的掌握[1]

1.3臨床與科研數據素養脫節

醫學生在臨床實踐中需具備快速分析病人數據的能力，在科研工作中則需掌握嚴謹的數據處理和分析方法。然而，在實際學習中，二者之間往往存在割裂，部分學生難以將科研中掌握的數據分析技能遷移到臨床決策中，或忽視臨床數據在科研中的潛在價值。這種脫節現象，不僅影響專業能力的系統提升，也不利于醫學教育“科研-臨床”一體化目標的實現。

2醫學生信息素養問題成因分析

2.1教育資源分布與指導機制不足

醫學生信息獲取能力差異的根本原因在于信息素養課程普及度不高，部分高校未建立系統化的培訓體系。加之教師指導多集中于專業知識，對數據庫檢索、文獻篩選等技能訓練不足，導致學生依賴個人摸索，進而形成能力差異。

2.2信息篩選方法缺失與技術素養薄弱

在學術資源篩選方面，學生普遍缺乏結構化的信息處理方法。面對快速更新的醫學文獻，未能掌握科學的檢索邏輯與評判標準，同時對數據庫工具功能不了解，使資源篩選呈現低效、盲目狀態。

2.3課程設置分離與實踐場景缺乏融合

臨床與科研數據素養脫節的主要成因在于教學環節中科研與臨床被割裂。課程設計未有效銜接數據分析與臨床應用，導致學生難以實現跨情境遷移，信息素養無法在實際場景中發揮應有作用。

3人工智能技術的適配分析

3.1自然語言處理輔助信息檢索

在醫學高校信息素養教育中，自然語言處理通過一系列復雜技術，使計算機能理解和處理人類自然語言，為醫學信息檢索提供更高效、精準的方式，具體應用框架如圖1所示。

此外，醫學領域包含大量專業術語，通過自然語言處理技術中的詞法分析技術，對醫學文本進行切詞、詞性標注，將醫學術語和句子拆分成計算機容易處理的單元，如在檢索“急性冠狀動脈綜合征的治療方案”時，詞法分析會將“急性”、“冠狀動脈綜合征”、“治療方案”等詞進行拆分，提高檢索的準確性。

句法分析技術用于分析句子語法結構，理解詞語之間的依存關系，這對于理解醫學文獻檢索語句含義具有重要作用。例如，對于“使用藥物治療糖尿病伴發心血管疾病的效果研究”，句法分析可以理解出“藥物治療”“糖尿病”、“心血管疾病”、“效果研究”之間的邏輯關系，進而匹配到相關文獻。

語義理解技術是自然語言處理的核心，使計算機能夠理解醫學術語的含義和文本的深層語義，醫學領域存在大量的同義詞、縮寫詞和多義詞語，并且語義理解技術能夠消除歧義，借助醫學本體知識庫等資源對信息進行準確匹配。以“心梗”和“心肌梗死”為例，語義理解技術能識別它們是同一概念，確保檢索結果的全面性[2]

基于自然語言處理的信息檢索框架，用戶首先輸入自然語言檢索詞，經過詞法分析、句法分析和語義理解等預處理步驟，將檢索詞轉化為計算機可理解的形式。然后，檢索系統根據預處理結果，在醫學文獻數據庫中進行匹配檢索，最后排序篩選出檢索結果，呈現給用戶最符合用戶需求的文獻。

醫學生通過自然語言處理輔助信息檢索，可以直接用自然語言表達檢索需求，無須記憶復雜的檢索語法和專業詞匯，檢索效率和準確性大大提高，提升醫學院校學生的信息素養，對學生學習、科研、臨床等方面的工作提供有力的支持。

3.2智能推薦系統優化知識獲取路徑

在醫學院校的學習環境中，智能推薦系統借助人工智能算法，深度分析醫學生的學習行為、興趣偏好、檢索歷史等多維度數據，為其提供精準、個性化的知識推薦，從而優化知識獲取路徑，如圖2所示。

數據收集階段，系統整合學習平臺、文獻檢索系統等多渠道數據，記錄醫學生的學習進度、作業完成情況、檢索關鍵詞、瀏覽行為及在線互動等，全面反映其知識掌握和信息需求。

分析處理階段，系統運用協同過濾算法，根據相似興趣醫學生的行為推薦常瀏覽資源；內容推薦算法依據文獻的主題特征匹配學生檢索歷史；深度學習算法進一步挖掘醫學數據，提高推薦精準度[3]

推薦呈現階段，系統將結果以個性化消息、推薦列表等方式推送至學習平臺界面。比如，對于學習外科課程的學生，系統可能推薦手術創新論文、經典案例視頻及會議信息。智能推薦系統幫助醫學生高效獲取所需知識，降低信息篩選成本，提升信息素養和專業適應能力。

3.3語義識別提升科研數據理解力

在醫學科研場景中，語義識別技術通過詞法、句法和語義分析，對科研文本信息進行深度解析。詞法分析可精準識別專業術語并標注詞性，如“冠狀動脈粥樣硬化性心臟病”等；句法分析明確詞匯間關系，如“藥物A治療疾病B，癥狀C緩解”中治病手段、對象與結果的邏輯聯系；語義分析則整合這些信息，消除歧義，提升醫學生對語篇的理解能力。

語義識別結合醫學本體知識庫，將文本信息與結構化的醫學知識體系比對匹配，例如“DM”通過語境識別為“糖尿病（DiabetesMellitus）”，提升專業術語解析的準確性。該技術還可將醫學圖像、基因序列等非文本數據語義化：如通過圖像識別提取X光片特征并轉化為“肺部疑似病變區域”，或將堿基序列轉化為“與某遺傳病相關”的語義信息[4]

語義識別還能融合可視化技術，將復雜科研數據以圖表方式呈現，如疾病發病率趨勢圖、治療效果對比圖等，增強醫學生對數據的趨勢與規律的理解，提升科研素養。

語義識別技術在智能分析層，通過機器學習和深度學習算法對采集數據進行挖掘，運用聚類算法將學習行為相近者歸類，便于精準推送學習資源；通過關聯規則挖掘分析學習行為與信息素養提升間的潛在聯系，進一步強化醫學生科研數據的理解與應用能力。

4應用實踐路徑與案例

4.1構建基于AI的素養提升系統模型

在醫學高校信息素養教育中，構建基于AI的素養提升系統模型是提升醫學生信息素養的創新舉措，其核心在于融合多種AI技術，打造全方位、多層次的學習支持體系。

數據采集層廣泛收集學習行為、信息檢索、科研實踐等多源數據，并融合為統一數據集，確保全面性。智能分析層運用聚類、深度學習等算法，對學生行為數據進行深度挖掘，劃分學習群體，識別行為模式與素養提升的關聯，為精準服務提供依據。通過多源數據融合公式：

D=D₁+D₂+D₃+O_…+D_n

其中， D 代表綜合數據， D₁ 到 D_n 分別表示不同來源的數據，將分散的數據整合為統一的數據集，確保數據的完整性和全面性。

智能分析層，運用機器學習、深度學習算法對采集的數據進行深度挖掘。以聚類算法為例，可將具有相似學習行為和信息需求的醫學生劃分為不同群體，便于針對性地提供學習資源和指導。通過關聯規則挖掘算法，發現學習行為與信息素養提升之間的潛在關系，如頻繁使用專業數據庫檢索的學生在科研項目中的表現更優。這一層就像智慧大腦，從海量數據中提煉出有價值的信息。

素養評估層，基于智能分析的結果，建立科學的信息素養評估指標體系。該體系包括信息獲取能力、信息篩選能力、數據處理能力、知識創新能力等維度。利用層次分析法確定各評估指標的權重，通過模糊綜合評價公式：

其中， s 代表綜合評價結果， W_i 表示第 i 個指標的權重， R_i 表示第 i 個指標的評價得分， m 為指標總數，對醫學生的信息素養進行量化評估，精準定位學生的優勢與不足。

個性化學習支持層根據評估結果，提供定制化學習內容，如檢索技巧、數據處理課程與實踐項目，并借助智能推薦系統推送相關資源和科研信息，助力學生有針對性地提升素養。

依托基于AI素養提升系統模型，實現數據采集、數據挖掘、數據評估、個性化學習支持等各個環節的閉環智能化處理，為醫學高校培養高素質信息素養的醫學人才提供有力的支撐。

4.2應用于課程融合與科研訓練中

在醫學高校，將人工智能技術應用于課程融合與科研訓練，有助于提升醫學生的信息素養和科研能力。

在課程融合方面，教學模式實現智能化。借助自然語言處理技術，教師可將復雜的檢索指令轉化為自然語言交互，如學生使用“查找近五年肺癌免疫治療的臨床研究文獻”等表達，智能平臺可精準檢索相關資料。同時，智能推薦系統根據學習進度與興趣，推送匹配資源，如基礎檢索教程、專業數據庫使用指南，實現個性化學習。

在醫學專業課程中，人工智能圖像識別與數據分析技術的融合提升了教學效果。例如，在病理學教學中，圖像識別算法可自動識別病變組織，提供參考診斷和相似病例，有助于學生直觀掌握病理特征。通過大數據技術分析大量臨床數據，學生可深人理解疾病發展規律，增強臨床思維能力。

科研訓練中，人工智能同樣發揮重要作用。語義識別技術幫助學生快速篩選并理解科研文獻，提取研究方法、實驗結果等核心信息，大幅提升文獻處理效率。在實驗數據分析中，機器學習算法可深人挖掘數據背后的潛在規律，如分析藥物療效與不良反應數據，幫助發現關鍵科研價值[6]

此外，人工智能還可用于實驗模擬，學生可在虛擬平臺上預設實驗條件、預測結果，優化實驗設計，降低實際操作成本與風險，提升科研訓練的實效性。

4.3實施效果與學生反饋評估

從實施效果與學生反饋評估數據來看，基于AI的素養提升系統成效顯著，如表1所示。

在信息獲取、篩選和數據處理能力方面，得分均大幅提高，檢索效率更是提升近半，平均耗時從12.4分鐘減至6.8分鐘。推薦資源相關性得分顯著提升，學術資源使用頻率翻倍，促進了知識獲取。課程成績平均值提高 11.13% ，反映出學生對知識掌握程度增強。學生滿意度調查得分從6.3升至9.1，提升幅度達 44.44% ，表明學生對相關教學實踐和技術應用高度認可，整體上顯示出該系統有效提升了醫學生信息素養與學習體驗。

5結語

人工智能技術為醫學高校信息素養教育帶來了新的機遇，通過自然語言處理、智能推薦系統和語義識別等技術的應用，有效解決了醫學生信息獲取能力不均、學術資源篩選效率低下以及臨床與科研數據素養脫節等問題。本文構建的基于AI的素養提升系統模型，在課程融合與科研訓練中取得顯著成效，提升了醫學生的信息素養和學習體驗。然而，人工智能技術在醫學高校的應用仍處于發展階段，未來需進一步優化技術、完善系統，加強教師培訓，以推動醫學高校信息素養教育的智能化升級，培養更多適應醫學發展需求的高素質人才。

參考文獻

[1]黨夢嬌.遼寧省醫學高校圖書館信息素養教育研究[J].圖書館學刊，2024（1）：40-42.

[2]金新建，張學敏，王艷，等.醫學生健康信息素養現狀及影響因素分析：基于安徽兩所醫學高校的調查[J].江蘇科技信息，2022（35）：55-59.

[3]高超凡.大數據背景下醫學生信息素養教育體系路徑研究[J].大學，2020（52）：35-36.

[4]吳春雨，楊倩蓉，侯念妤，等.昆明市某高校醫學生信息素養教育研究[J].云南民族大學學報（自然科學版），2022（3）：366-370.

[5]孫會清，王秀麗，楊靖.融合循證醫學實踐的高校信息素養教育模式分析[J].中國高等醫學教育，2020（12）：26-27.

[6]李桂玲，唐美玲，魏雪蓮，等.新媒體環境下高校學生醫學信息素養現狀及教育策略研究[J].衛生職業教育，2020（14）：59-60.

（編輯李春燕）

Application of artificial intelligence technology in information literacy education inmedicalcollegesand universities

WANG Yueqi，WANG Linlin， ZHANG Xu， AN Xin （Mudanjiang Medical University，Mudanjiang 157OoO， China）

Abstract：With therapiddevelopment of artificial inteligencetechnology，itsapplication ininformation literacy educationat medicalcolleges has become increasingly widespread.Medical studentsoften exhibitunevenabilities and low effciencyin informationacquisitionandutilization.This paperanalyzes thecurrent statusandchallngesof information literacy education，explores the advantages of AI in informationretrieval，knowledge recommendation，and research support and proposes an AI-based system model for literacy enhancement.The model is applied in teaching andresearch training toevaluate itseffctiveness，aiming topromote the intellgenttransformationof information literacy education in medical institutions.

Keywords：artificial intelligence；information literacy；medical collegesanduniversities；natural language processing;intelligent recommendation system

基金項目：省高校圖工委第八屆科研項目課題;項目名稱：新醫科教育背景下文獻檢索課程的設計與實踐；項目編號：2024-089-B。省教育科學“十四五”規劃2024年度規劃課題;項目名稱：新醫科背景下的臨界醫學教育模式構建及數字化轉換路徑;項目編號：GJB1424182。

作者簡介：王玥琪（1990—），女，助理館員，碩士;研究方向：圖書情報與數字圖書館，信息素養教育，智慧圖書館。