DOI: https://doi.org/10.3389/fmed.2026.1798097
PMID: https://pubmed.ncbi.nlm.nih.gov/41958555
تاريخ النشر: 2026-03-25
المؤلف: Dr Syed Hani Abidi وآخرون
الموضوع الرئيسي: التفكير السريري ومهارات التشخيص
نظرة عامة
يقدم هذا القسم من ورقة البحث مراجعة شاملة تفحص دمج الذكاء الاصطناعي التوليدي (GenAI) في التعلم القائم على الحالة (CBL) ضمن التعليم الطبي. تحدد المراجعة مجموعة مجزأة من الأدلة بشأن مساهمات GenAI في CBL، والتي تشمل أنشطة مثل توليد الحالات السريرية ودعم التفكير. تم إجراء بحث شامل عبر عدة قواعد بيانات من 2019 إلى 2025، مما أدى إلى تحليل موضوعي نظم النتائج في ستة مواضيع رئيسية: تعزيز التفكير السريري، إنشاء حالات بكفاءة، مشاركة المتعلمين، الدقة والاعتبارات الأخلاقية، تكيف هيئة التدريس، وطرق التعلم الهجينة.
تشير النتائج إلى أن GenAI يعمل كشريك تعليمي قيم بدلاً من كونه مجرد أداة أتمتة، خاصة في المراحل المبكرة والمتوسطة من التعليم الطبي. تؤكد المراجعة على الدور الحاسم لإشراف هيئة التدريس ونية التعليم في بيئات التعلم المدعومة بالذكاء الاصطناعي. تدعو إلى مزيد من البحث لاستكشاف كيفية تحسين GenAI للحكم السريري المتقدم والتفكير الأخلاقي، مما يعزز اتخاذ قرارات سريرية سليمة ويحافظ على النزاهة الأخلاقية في الممارسة الطبية. بالإضافة إلى ذلك، يتم تسليط الضوء على ضرورة استمرار مشاركة هيئة التدريس في البيئات التعليمية المدعومة بالذكاء الاصطناعي كمنطقة حاسمة للتحقيق في المستقبل.
مقدمة
ت outlines مقدمة هذه الورقة البحثية الدور الحاسم للتعليم الطبي في إعداد الأطباء لتقديم رعاية عالية الجودة تركز على المريض، مع التأكيد على أهمية التطوير المهني المستمر ودمج الأدلة والتقنيات الجديدة. تسلط الضوء على التحول نحو التعليم الطبي القائم على الكفاءة (CBME)، الذي يعطي الأولوية للنتائج القابلة للقياس المتعلقة بسلوكيات الطلاب ومعرفتهم ومهاراتهم، خاصة في مجالات مثل رعاية المرضى، الأخلاق، والعمل الجماعي. تدعو الورقة إلى استراتيجيات تعليمية تركز على المتعلم، ولا سيما التعلم القائم على الحالة (CBL)، الذي يضع التعليم في سياقات العالم الحقيقي ويعزز تطبيق المعرفة النظرية في الممارسة السريرية.
على الرغم من فوائد CBL، بما في ذلك تحسين التعلم المستقل ومشاركة الطلاب، تواجه تنفيذه تحديات بسبب الطبيعة المكثفة للموارد لتطوير حالات سريرية متنوعة. تقترح الورقة أن الذكاء الاصطناعي التوليدي (GenAI) يمكن أن يعالج هذه التحديات من خلال توفير سيناريوهات قابلة للتوسع وواقعية ودعم مخصص للمتعلمين. ومع ذلك، لا يزال دمج GenAI مع CBL غير مستكشف بشكل كافٍ، مع وجود أدلة محدودة على فعاليته في تحسين نتائج التعليم والتعلم. لسد هذه الفجوة، أجرت المؤلفون مراجعة شاملة لرسم خريطة الأبحاث الحالية حول GenAI في CBL، بهدف تحديد المواضيع الرئيسية والنتائج والتحديات التي يمكن أن تُعلم الممارسات والسياسات التعليمية المستقبلية.
الطرق
تم إجراء المراجعة الشاملة الموضحة في هذا القسم من أغسطس إلى ديسمبر 2025، وفقًا لإطار عمل معهد جوانا بريجز (JBI) وإرشادات PRISMA-ScR. استخدمت الدراسة إطار عمل PCC، مع التركيز على طلاب الطب والمعلمين كالسكان، وتطبيق الذكاء الاصطناعي التوليدي (GenAI) في التعلم القائم على الحالة (CBL) كمفهوم، وإعدادات التعليم الطبي كسياق. لضمان الشفافية والامتثال لممارسات العلوم المفتوحة، تم تسجيل بروتوكول الدراسة على إطار العلوم المفتوحة (OSF) ونشره كمقال خضع لمراجعة الأقران قبل تحليل البيانات.
في دراسة تجريبية مقارنة تشمل Kimi chat 2.0، أظهر مجموعة GenAI أداءً متفوقًا مقارنة بمجموعة التحكم، حيث أكملوا الحالات في متوسط 2.6 ساعة مقابل 5.5 ساعة وحققوا درجات امتحان أعلى (77.3 ± 4.3 مقابل 66.5 ± 5.4، p < 0.05). وُجد أن التقييمات المقدمة من GenAI كانت موثوقة وموضوعية، متوافقة مع تقييمات المعلمين (p > 0.05). أشار رد فعل الطلاب إلى تقييم عالٍ لاكتساب المعرفة الأساسية (9.18/10) لكنه حدد قيودًا في التفكير السريري المعقد (4.20/10). بالإضافة إلى ذلك، أفاد المستخدمون بتحسين التوافق مع احتياجات التعلم، وزيادة الثقة في دقة المحتوى، وتعزيز الثقة في التعليقات مقارنة بمجموعة التحكم، إلى جانب زيادة المشاركة والدافع للاستخدام المستقبلي.
النتائج
ي outlines قسم النتائج عملية الفحص والاختيار المنهجي للدراسات المتعلقة بالتعلم القائم على الحالة المدعوم بالذكاء الاصطناعي التوليدي (CBL) في التعليم الطبي. في البداية، أسفر البحث الشامل عبر عدة قواعد بيانات عن 72,233 سجلًا، مع تحديد 894 سجلًا إضافيًا عبر Google Scholar. بعد فحص صارم للعناوين والملخصات، تم استبعاد 64,566 سجلًا غير طبي، بالإضافة إلى 57 سجلًا مكررًا، مما أدى إلى 7,610 سجلات لمزيد من التقييم. في النهاية، تم استبعاد 7,601 سجل بناءً على معايير الإدراج المحددة مسبقًا، مما أدى إلى استرجاع 15 مقالًا نُشر بين 2023 و2025 والتي تتماشى مع تركيز الدراسة.
شملت الدراسات المدرجة بشكل أساسي طلاب الطب الجامعي (n = 446)، مع مجموعات أصغر تضم متدربين في التخدير (n = 4)، مقيمين في علم الدم (n = 60)، ومحترفين طبيين (n = 52). كانت أحجام العينات متباينة بشكل كبير، تتراوح من دراسات تجريبية صغيرة إلى تصميمات شبه تجريبية أكبر، مما يعكس اهتمامًا متنوعًا في تطبيق الذكاء الاصطناعي التوليدي عبر مراحل مختلفة من التعليم الطبي. تم تصنيف المقالات المراجعة إلى ستة مجالات موضوعية، كل منها يتناول جوانب مختلفة من دمج الذكاء الاصطناعي التوليدي في CBL، كما هو مفصل في الجدول 1.
المناقشة
ي outlines قسم المناقشة من ورقة البحث مراجعة منهجية لدمج الذكاء الاصطناعي التوليدي (GenAI) في التعلم القائم على الحالة (CBL) ضمن التعليم الطبي. تضمنت استراتيجية البحث عدة قواعد بيانات وركزت على الدراسات المنشورة باللغة الإنجليزية من 2019 إلى 2025، مع التأكيد على التبني السريع لنماذج اللغة الكبيرة (LLMs) مثل ChatGPT. استهدفت معايير الإدراج الدراسات التي تشمل المتعلمين أو المعلمين الطبيين والتي تفحص دور GenAI في CBL، بينما استبعدت تلك التي تركز فقط على التخصصات غير الطبية أو تطبيقات الذكاء الاصطناعي غير التوليدية. تضمنت عملية اختيار الدراسة مراجعين مستقلين ومراجع ثالث لضمان الصرامة المنهجية، مما أدى إلى تحليل شامل للأدبيات الموجودة.
تكشف النتائج الرئيسية أن GenAI يعزز نتائج التفكير السريري من خلال العمل كمرضى افتراضيين تفاعليين وتقديم تعليقات في الوقت الحقيقي. على سبيل المثال، أشارت الدراسات إلى أن الطلاب الذين يستخدمون أدوات GenAI حققوا درجات أعلى وأظهروا تحسينًا في التفكير السريري مقارنة بالطرق التقليدية. ومع ذلك، فإن التباين في طرق التنفيذ والإنتاج العرضي لعدم الدقة الواقعية من قبل نماذج الذكاء الاصطناعي يسلط الضوء على الحاجة إلى دمج ورقابة دقيقة. بالإضافة إلى ذلك، أظهر GenAI أنه يحسن الكفاءة في إنشاء الحالات، ويقلل من وقت إكمال المهام، ويعزز مشاركة المتعلمين ودافعهم. على الرغم من هذه الفوائد، تظل المخاوف الأخلاقية بشأن الدقة والتحيز وضرورة إشراف هيئة التدريس في التحقق من المحتوى اعتبارات حاسمة للاستخدام الفعال لـ GenAI في التعليم الطبي.
القيود
تقدم المراجعة الشاملة عدة قيود يجب الاعتراف بها عند تفسير نتائجها. أظهرت الدراسات المدرجة في المراجعة تباينًا كبيرًا في التصميم، والنتائج المقيمة، وجودة التقرير، وهو سمة شائعة للمراجعات الشاملة. على الرغم من هذا التباين، اعتُبرت الدراسات مناسبة لرسم خريطة الأدلة الناشئة في هذا المجال. بالإضافة إلى ذلك، تم استخدام نموذج دريفوس كإطار مفاهيمي لتحديد الأنماط عبر الدراسات، بدلاً من أن يكون تقييمًا تجريبيًا شاملاً لمرحلة تقدم المتعلم.
من منظور قائم على الأدلة، تعتبر قيود ملحوظة أن الغالبية العظمى من الأبحاث الحالية قد ركزت على نتائج التعليم في المستويات المبكرة أو المتوسطة. أدى هذا التركيز إلى وجود فجوات كبيرة في فهم دور الذكاء الاصطناعي التوليدي (GenAI) في تعزيز تطوير المهارات العليا، مما يشير إلى الحاجة إلى مزيد من التحقيق في هذا المجال لفهم تأثيره الكامل على نتائج التعلم المتقدمة.
DOI: https://doi.org/10.3389/fmed.2026.1798097
PMID: https://pubmed.ncbi.nlm.nih.gov/41958555
Publication Date: 2026-03-25
Author(s): Dr Syed Hani Abidi et al.
Primary Topic: Clinical Reasoning and Diagnostic Skills
Overview
This research paper section presents a scoping review examining the integration of generative artificial intelligence (GenAI) into case-based learning (CBL) within medical education. The review identifies a fragmented body of evidence regarding GenAI’s contributions to CBL, which includes activities such as clinical case generation and reasoning support. A comprehensive search across multiple databases from 2019 to 2025 was conducted, leading to a thematic analysis that organized findings into six key themes: enhancement of clinical reasoning, efficient case creation, learner engagement, accuracy and ethical considerations, faculty adaptation, and hybrid learning methods.
The results indicate that GenAI serves as a valuable learning partner rather than merely an automation tool, particularly in early and intermediate stages of medical education. The review underscores the critical role of faculty oversight and pedagogical intent in AI-supported learning environments. It calls for further research to explore how GenAI can improve advanced clinical judgment and ethical reasoning, thereby fostering sound clinical decision-making and maintaining ethical integrity in medical practice. Additionally, the necessity of ongoing faculty involvement in AI-enabled educational settings is highlighted as a crucial area for future investigation.
Introduction
The introduction of this research paper outlines the critical role of medical education in preparing physicians for high-quality, patient-centered care, emphasizing the importance of ongoing professional development and the integration of new evidence and technologies. It highlights the shift towards Competency-Based Medical Education (CBME), which prioritizes measurable outcomes related to students’ behaviors, knowledge, and skills, particularly in areas such as patient-centered care, ethics, and teamwork. The paper advocates for learner-centered instructional strategies, notably case-based learning (CBL), which situates education in real-world contexts and enhances the application of theoretical knowledge in clinical practice.
Despite the benefits of CBL, including improved independent learning and student engagement, its implementation faces challenges due to the resource-intensive nature of developing diverse clinical cases. The paper proposes that generative artificial intelligence (GenAI) could address these challenges by providing scalable, realistic scenarios and personalized support for learners. However, the integration of GenAI with CBL remains underexplored, with limited evidence on its effectiveness in enhancing teaching and learning outcomes. To fill this gap, the authors conducted a scoping review to map existing research on GenAI in CBL, aiming to identify key themes, outcomes, and challenges that can inform future educational practices and policies.
Methods
The scoping review outlined in this section was conducted from August to December 2025, adhering to the Joanna Briggs Institute (JBI) framework and the PRISMA-ScR guidelines. The study utilized the PCC framework, focusing on medical students and educators as the population, the application of generative artificial intelligence (GenAI) in case-based learning (CBL) as the concept, and medical education settings as the context. To ensure transparency and adherence to open science practices, the study protocol was registered on the Open Science Framework (OSF) and published as a peer-reviewed article prior to data analysis.
In a comparative experimental study involving Kimi chat 2.0, the GenAI group demonstrated superior performance compared to the control group, completing cases in an average of 2.6 hours versus 5.5 hours and achieving higher exam scores (77.3 ± 4.3 vs. 66.5 ± 5.4, p < 0.05). The grading provided by GenAI was found to be reliable and objective, consistent with teacher evaluations (p > 0.05). Student feedback indicated a high rating for basic knowledge acquisition (9.18/10) but identified limitations in complex clinical reasoning (4.20/10). Additionally, users reported enhanced alignment with learning needs, increased confidence in content accuracy, and more trusted feedback compared to the control group, alongside higher engagement and motivation for future use.
Results
The results section outlines the systematic screening and selection process for studies related to generative AI-supported case-based learning (CBL) in medical education. Initially, a comprehensive search across multiple databases yielded 72,233 records, with an additional 894 records identified via Google Scholar. Following a rigorous screening of titles and abstracts, 64,566 non-medical records were excluded, along with 57 duplicates, resulting in 7,610 records for further evaluation. Ultimately, 7,601 records were excluded based on predefined inclusion criteria, leading to the retrieval of 15 articles published between 2023 and 2025 that met the study’s focus.
The included studies predominantly involved undergraduate medical students (n = 446), with smaller groups comprising anesthetic trainees (n = 4), hematology residents (n = 60), and medical professionals (n = 52). The sample sizes varied significantly, ranging from small pilot studies to larger quasi-experimental designs, reflecting a diverse interest in the application of generative AI across different stages of medical education. The reviewed articles were categorized into six thematic areas, each addressing various aspects of integrating generative AI into CBL, as detailed in Table 1.
Discussion
The discussion section of the research paper outlines a systematic review of the integration of generative AI (GenAI) in case-based learning (CBL) within medical education. The search strategy involved multiple databases and focused on studies published in English from 2019 to 2025, emphasizing the rapid adoption of large language models (LLMs) like ChatGPT. The inclusion criteria targeted studies involving medical learners or educators that examined GenAI’s role in CBL, while excluding those focused solely on non-medical disciplines or non-generative AI applications. The study selection process involved independent reviewers and a third reviewer to ensure methodological rigor, resulting in a comprehensive analysis of the existing literature.
Key findings reveal that GenAI enhances clinical reasoning outcomes by serving as interactive virtual patients and providing real-time feedback. For instance, studies indicated that students using GenAI tools achieved higher scores and demonstrated improved clinical reasoning compared to traditional methods. However, the variability in implementation methods and the occasional production of factual inaccuracies by AI models highlight the need for careful integration and oversight. Additionally, GenAI has been shown to improve efficiency in case creation, reduce task completion time, and enhance learner engagement and motivation. Despite these benefits, ethical concerns regarding accuracy, bias, and the necessity for faculty oversight in content validation remain critical considerations for the effective use of GenAI in medical education.
Limitations
The scoping review presents several limitations that must be acknowledged when interpreting its findings. The studies included in the review exhibited considerable variability in design, outcomes assessed, and reporting quality, which is a common characteristic of scoping reviews. Despite this variability, the studies were deemed suitable for mapping emerging evidence in the field. Additionally, the Dreyfus model was employed as a conceptual framework to identify patterns across the studies, rather than serving as a comprehensive, stage-by-stage empirical evaluation of learner progression.
From an evidence-based perspective, a notable limitation is that the majority of existing research has concentrated on early or intermediate-level educational outcomes. This focus has resulted in significant gaps in understanding the role of Generative AI (GenAI) in fostering higher-order skill development, indicating a need for further investigation in this area to fully comprehend its impact on advanced learning outcomes.