引用本文

潘慧, 弓孟春, 卢景辉, 等. 医学教师的人工智能素养专家共识(2025年版)[J]. 中国医学科学院学报，2026，48(1):1-12.DOI:10.3881/j.issn.1000-503X.17190.

摘 要

为应对生成式人工智能（AI）技术深刻融入医学教育对教师角色与能力提出的挑战，本共识通过系统性文献综述、初步框架构建、多轮专家预研，采用结构化德尔菲法，广泛征集60位跨学科专家的意见，对医学教师AI素养的核心能力项及其观测标准进行论证与校准，首次提出一套逻辑清晰、医学特色鲜明，兼具前瞻性与可操作性的医学教师AI素养框架。该框架涵盖五大核心维度、25项具体能力（CAIP-ME）。五大维度依次为价值认知与伦理根基、技术理解与工具应用、教学融合与创新实践、学习评价与精准赋能、专业发展与生态共建。框架将各项能力区分为11项所有教师应具备的基础能力与14项追求卓越的发展能力，每项能力均从内涵界定与关键行为表现进行描述，并配套可观测的测评指标。共识旨在为医学教师的专业化发展与院校师资队伍建设提供科学依据，也为医学教育数字化转型背景下的师资能力建设确定了关键参照标准。

关键词

医学教育；教师发展；人工智能素养；能力框架；专家共识

医学教育正经历生成式人工智能（artificial intelligence，AI）等技术驱动的历史性变革，教师角色须从知识传授者拓展为AI技术的整合者、教学创新设计者、伦理守护者与教育生态共建者[1-2]。然而，当前教师队伍面临三大挑战：AI能力发展不均衡，多停留在工具浅层使用；伦理意识薄弱，缺乏对数据隐私、算法公平的系统认知；评价标准缺失，难以科学衡量AI时代的复合型素养[3]。在此背景下，教育部于2025年11月出台《教师生成式人工智能应用指引（第一版）》[4]，明确提出了六大应用方向与30个具体场景，引导教师从技术应用转向人机协同育人，强化教师在智能教育中的主导作用，并落实相关伦理规范，为教育实践提供了重要指导。然而，医学教育具有高度的专业性、实践性与伦理敏感性，其教学场景复杂、涉及患者数据与临床决策等特点，对教师的AI素养提出了更特殊、更系统的要求。因此，在通用指引的基础上，亟须构建一个立足国情、对接国际、贴近医学教育实际的专业化AI素养框架，以应对医学教育转型中的独特挑战。本共识旨在回应这一需求，明确“未来医学教师应具备何种AI素养”这一核心命题，为教师发展、院校管理与政策制定提供科学参考。共识是对国家教育数字化战略的积极响应，服务于教育强国战略目标与“新医科”建设，同时借鉴国际前沿理念，致力于培养兼具AI能力与人文精神的未来医生，贡献中国智慧，提升我国医学教育的国际影响力。

本共识主要面向全国各类医学院校及附属教学医院中从事临床医学、基础医学、公共卫生、护理学、口腔医学等专业教学工作的教师（包括同时承担临床工作的医师教师），其适用范围涵盖医学院校、附属医院、其他医学教学单位、教师教学发展中心以及医学教育管理与评价机构。共识旨在为教师提供自我诊断与专业发展的参照体系，为院校开展AI教学培训、平台建设、师资考核、职称评聘及教学评优提供科学依据，为教育管理部门制定相关标准与政策提供专业参考，进而推动形成“价值引领、技术赋能、教学创新、评价科学、生态协同”的医学AI教育发展氛围。

在医学教育智能化转型的背景下，医学教师的AI素养被定义为一个综合性的专业素养，是教师为适应人机协同新范式所须具备的关于AI的认知理解、技术应用、伦理判断、创新实践及生态构建等一系列知识、技能、态度与价值观的复合体，其核心目标是使教师成长为能理解、驾驭并善用AI赋能教育的“智慧教育者”[5-6]。为将这一宏观素养转化为可培养、可观测、可评价的具体发展目标，本共识基于胜任力模型，构建了医学专业教师AI素养能力（competency items of medical educators' AI proficiency,CAIP-ME）框架。CAIP-ME由一系列内涵清晰、边界明确、互不重叠的具体能力项组成，每一项均通过内涵界定与关键行为表现进行描述，并配套量化考评办法。该框架将能力项进一步区分为面向所有教师的基础能力（保障教学底线质量、安全与伦理的核心要求）和体现个性化发展高度的发展能力（追求教学卓越与创新引领的进阶素养）。因此，CAIP-ME能力框架是AI素养这一整体目标的具体化、结构化与操作化体现，为教师的系统化发展与精准评价提供了清晰路径。

01

共识制定方法及流程

1.1 文献检索与证据整合

系统检索了PubMed、Web of Science、中国知网及万方等数据库（2020—2025年），围绕“医学教师”“AI素养”等主题共纳人47篇中英文文献，提炼出核心能力维度、测评要点与实践经验。在此基础上，以教师胜任力模型（知识-技能-态度）为理论框架，将AI素养拆解为可观测、可量化的具体能力项。随后，邀请24名跨领域专家开展线上专题研讨，对能力项进行初步论证与凝练，最终形成包含五大维度、25项具体能力的CAIP-ME框架，为后续德尔菲专家共识奠定基础。

1.2 德尔菲法共识构建校准

采用改良德尔菲法，经过两轮结构化专家咨询构建共识。邀请来自高校、科研院所及教学医院的60名专家组成多学科专家组，成员以高年资、高学历、高职称为主体（博士91%，正高86%），专业覆盖临床医学教育（68%）、教育技术/AI（40%）及教育管理评估（28%)，整体权威系数达0.849。首轮对25项能力进行重要性评价（5分制），平均得分介于4.105~4.877，全部保留；第2轮聚焦能力分层，就各项归属基础或发展能力达成共识。研究最终形成了包含5个维度、25项具体能力的医学教师AI教学能力框架，其中明确区分11项基础能力与14项发展能力（图1）。该结果体现了“伦理先行、应用驱动、生态共建”的层次化发展理念，为医学教师 AI素养的系统培养与科学评价提供了实证依据。

图1改良德尔菲法专家共识形成流程图

1.3 CAIP-ME的框架设计

本共识框架的构建以教师胜任力模型、建构主义教学及循证医学教育理论为基石，紧密结合医学教育“理论-实践-伦理”三位一体的专业属性，确保能力维度与测评方法既遵循教育规律，又契合医学教学的专业性、实践性与伦理敏感性。框架强调实践适配，所有能力项均源自真实医学教学场景，并设置了明确的量化考评要点，确保评估的客观性与可操作性。同时，创新性地将能力区分为基础（Foundamental，F）与发展（Developmental，D）两级，以适应不同院校、学科及教师发展阶段的差异化需求，在保持标准统一的前提下兼顾实施灵活性。

框架设计贯彻4条核心理念：（1）伦理先行，育人为本，将价值认知与伦理判断置于首位，守护医学教育的人文本质；（2）技术赋能，人文铸魂，主张以AI增强而非取代人的智慧与情感连接；（3）交叉融合，系统推进，通过“价值-技术-教学-评价-发展”五维结构，推动AI与教育全链条的系统性融合；（4）立足国情，对标国际，在回应中国医学教育现实挑战的同时，吸纳国际前沿理念，旨在形成可指导实践、参与全球对话的“中国方案”。

02

CAIP-ME清单

以下将详细阐述五大维度下的25项能力（CAIP-ME）。每项能力均从内涵界定与关键行为体现两方面进行描述，以清晰勾勒其具体意涵，并为后续测评提供行为观测锚点。

2.1 价值认知与伦理根基（维度一）

2.1.1 AI赋能医学教育价值认同能力（CAIP-ME1）

内涵界定：深刻理解AI技术作为变革性工具对提升医学教育质量、促进教育公平、培养未来医生的战略价值。能超越技术工具视角，从医学教育现代化和健康中国战略的高度，认识发展自身AI素养的必要性与紧迫性。

关键行为体现：能在教学研讨或课程设计中，主动阐述AI技术对解决特定医学教学难点（如罕见病教学、高风险操作训练）的潜在价值；自觉规划并投人时间精力用于AI教学能力的学习与提升；在团队中积极倡导探索AI与教学融合的合理路径。

关键行为体现：在使用任何涉及患者数据或学生个人信息的AI工具前，能主动审视其隐私政策、数据治理框架与合规性；能批判性地分析一个AI医疗案例或教学工具，指出其中可能存在的公平性隐患（如数据代表性不足），并能对其决策逻辑的透明度与可审计性提出疑问；在教学设计中，能充分纳人《生成式医学人工智能临床应用伦理治理专家共识（2025年版）》[8]等指导文件的推荐意见，预见并标明可能产生的伦理争议点及相应的责任考量。

2.1.3 学术诚信与AI使用规范引导能力（CAIP-ME3）

内涵界定：明确界定在医学学习、作业、论文及科研中，合理使用AI工具的边界与规范。能制定清晰规则，并有效引导学生正确、透明地使用AI辅助学习，坚决防范并查处抄袭、捏造、不当署名等学术不端行为。

关键行为体现：为所教授课程制定并公布明确的《AI辅助学习使用规则》，详细规定哪些场景可用、如何标注；在评价学生作业时，具备鉴别AI生成内容的初步意识与能力（如结合口头答辩）；发现学生不当使用AI时，能进行严肃的教育与纠正。

2.1.4 促进教育公平与正义的实践能力（CAIP-ME4）

内涵界定：关注并积极应对因数字鸿沟、资源不均、算法偏见等因素导致的AI教育应用中的公平性问题。在教学实践中主动采取措施，保障所有学生，特别是基础薄弱、资源受限的学生，能够平等地从AI赋能的教育中受益。

关键行为体现：确保核心AI教学资源（如软件、平台访问权限）对所有选课学生免费、无障碍开放；为技术操作不熟练的学生提供额外的辅导或替代性学习方案；在选择或设计AI教学案例时，有意识地考虑疾病谱、人群特征的多样性。

2.2 技术理解与工具应用(维度二)

2.2.1 AI核心概念与医学应用理解能力（CAIP-ME5）

内涵界定：掌握机器学习、生成式AI、大语言模型等核心概念的基本原理与能力边界。能清晰解释AI在影像诊断、病历分析、药物发现、健康管理等医学场景中的典型应用模式及其局限性。

关键行为体现：能向学生通俗易懂地解释“为什么AI有时会犯荒唐的错误”（如幻觉问题）；能比较AI辅助诊断与人类专家诊断在不同场景下的优势与劣势；能在教学项目选型时，判断某项AI技术是否真正匹配教学目标的本质需求。

2.2.2 医学AI工具评估与选型能力（CAIP-ME6）

内涵界定：能够根据具体的教学目标、课程内容与学科特点，对市面上多样的医学AI工具（教学类、科研类、临床辅助类）进行信息检索、功能比对、合规审查与适用性评估，并做出合理的选用决策。

关键行为体现：能为所主要讲授的某一门课程，从数种AI辅助临床诊疗或教学实践的工具中，筛选出适合教学演示的一套工具，并陈述选型理由；能查阅并理解工具的用户协议中关于数据所有权和隐私的条款；了解关键工具的收费标准、开源替代方案及院校可能提供的集体授权。

2.2.3 数据安全与隐私保护操作能力（CAIP-ME7）

内涵界定：牢固树立数据安全意识，熟练掌握在教学科研工作中处理敏感数据（如去标识化）的规范流程与技术方法，严格遵守《个人信息保护法》等法律法规，确保全流程数据安全。

关键行为体现：在发表教学案例或研究论文前，能对其中包含的患者信息进行规范的脱敏处理；妥善保管包含学生或患者信息的电子文档，使用加密存储与传输；能正确使用院校提供的安全数据存储与分析平台。

2.2.4 AI辅助文献调研与分析能力（CAIP-ME8）

内涵界定：熟练运用AI驱动的学术搜索引擎、文献管理工具和综述辅助平台，高效完成特定主题的文献检索、批量筛选、要点归纳与趋势分析，大幅提升文献调研的深度与广度。

关键行为体现：能利用 AI工具快速梳理某个医学领域（如AI在眼科的应用）近3年的研究热点和关键论文；能借助工具对比多篇文献观点的异同，生成文献对比矩阵；将AI文献分析的结果有效融入教案更新或科研立项依据中。

2.2.5 基础科研数据处理与可视化能力（CAIP-ME9）

内涵界定：能够运用 AI增强的数据分析工具或编程环境，对结构化的医学研究数据进行基本的清洗、转换、统计分析和图表生成，提升研究效率。

关键行为体现：能利用工具自动检测并处理数据集中的缺失值与异常值；能根据数据类型和研究问题，选择合适的统计图表（如箱线图、热图）并进行可视化呈现；能解读AI工具生成的初步统计分析报告。

2.3 教学融合与创新实践（维度三）

2.3.1 AI增强的教学设计能力（CAIP-ME10）内涵界定：运用生成式AI、知识图谱等技术，辅助完成学情分析、目标设定、活动设计与资源匹配，创设个性化、交互性强的混合式学习方案，优化教学策略。

关键行为体现：使用AI工具，基于过往学生数据，生成本学期课程不同章节的潜在学习难点预测；设计包含AI虚拟标准化患者问诊环节的课前预习任务；为不同学习进度的学生设计差异化的AI推荐阅读清单或练习题库。

2.3.2 智能虚拟仿真教学应用能力（CAIP-ME11）

内涵界定：主导或深度参与基于虚拟现实/增强现实或高保真模拟人的智能化临床技能训练场景的构建与应用。能利用此类环境开展高风险、高成本或罕见临床情景的教学，并进行有效的过程引导与复盘。关键行为体现：在虚拟手术训练系统中，设置复杂的突发状况（如术中出血），引导学生应对；利用AI驱动的虚拟标准化患者进行问诊沟通教学，并能调取对话记录进行针对性讲评；将突发公共卫生事件应急处置等复杂场景开发为虚拟仿真训练模块。

2.3.4 AI辅助教学资源创作能力（CAIP-ME12）

内涵界定：善于利用生成式AI工具，高效生产高质量的定制化教学材料，如解剖图谱、病理切片示意图、疾病机制动画脚本、典型案例叙述、不同难度的习题等。

关键行为体现：用AI生成一组展示不同分期疾病（如糖尿病视网膜病变、宫颈癌的不同发展阶段）的对比图片；将一段复杂的操作指南（如心肺复苏），转化为清晰的步骤图文或短视频脚本；创建的AI生成资源符合医学准确性要求，并注明来源或生成方式。

2.3.5 人机协同课堂教学组织能力（CAIP-ME13）

内涵界定：在实体或在线课堂中，巧妙地将AI工具（如实时问答机器人、协作白板、智能投票器）嵌人教学流程，动态调配教师讲授、AI辅助与学生活动，营造高参与度、高效率的课堂氛围。

关键行为体现：在讲授中，引人AI对话助手，实时回答学生提出的概念性问题，教师专注于深度研讨；使用智能投票工具，即时检测学生对某个诊断要点的理解情况，并据此调整教学节奏；有效管理课堂，确保技术工具服务于教学目标，而非分散学生注意力。

2.3.6 临床场景中AI工具教学衔接能力（CAIP-ME14）

内涵界定：在床边教学、门诊带教、手术观摩等真实临床工作中，能够自然地将临床AI决策支持系统、电子病历智能提示等工具的使用，转化为教学契机，引导学生思考人机协作的临床智慧。

关键行为体现：在查房时，演示如何利用AI辅助工具快速查阅最新诊疗指南，并与患者实际情况结合；针对AI系统给出的鉴别诊断建议，带领学生讨论其合理性与不足；通过真实案例，讲解临床医生如何对AI警报进行覆盖或采纳的决策过程。

2.4 学习评价与精准赋能（维度四）

2.4.1 AI支持的形成性评价设计能力（CAIP-ME15）

内涵界定：利用智能题库、在线测评平台等技术，设计并实施贯穿教学过程的形成性评价。能够通过嵌入知识点的随堂测验、章节练习等，持续收集学习过程数据。

关键行为体现：在在线课程平台中，为每个视频知识点配置关联的即时练习题；设计基于案例的序列性测评任务，AI根据学生上一步选择提供不同后续情景；定期（如每周）发布AI自动组卷的单元小测，并即时反馈结果。

2.4.2 学情数据解读与教学干预能力（CAIP-ME16）

关键行为体现：根据系统报告发现某些教学内容全班错误率高，定制化安排专题复习课；针对系统显示学习进度显著落后的学生，私下发送鼓励信息并提供重点辅导资源链接；能判断学情数据反映的是知识理解问题，还是测试题目表述问题。

2.4.3 学生数字素养诊断与支持能力（CAIP-ME17）

关键行为体现：在课程初期进行简单的信息学及数据工具使用情况问卷或小调查；为不熟悉基础数据分析软件的学生提供相应的操作演示录像或同伴辅导；允许因技术条件所限无法完成某项线上任务的学生，以线下等效方式提交成果。

2.4.4 学生AI素养发展追踪与评价能力（CAIP-ME18）

内涵界定：依据《医学生人工智能素养能力清单及测评框架专家共识（2025年版）》的内容，全面学习与掌握学生AI素养能力（competency of the medical students’ AI proficiency，CAIP）的具体内涵与考核要求，在课程中设计观察点或测评任务，促进其AI素养的稳步成长。

关键行为体现：能依据《医学生人工智能素养能力清单及测评框架专家共识（2025年版）》[9]，在课程中设计嵌入CAIP 评价维度的真实性任务（如基于AI辅助诊断报告进行临床决策辨析），并对学生的AI工具使用规范性、信息批判性思维、伦理决策过程进行针对性反馈；能运用相关平台监测与追踪学生AI素养的成长情况，并进行有针对性的教学指导。

2.5 专业发展与生态共建（维度五）

2.5.1 AI教学实践反思与优化能力（CAIP-ME19）

内涵界定：养成以实证和数据为基础的教学反思习惯。能系统收集AI教学应用的成效证据（学生反馈、成绩数据、同行观察）和问题线索，分析原因，并制定、执行切实可行的改进方案，形成持续优化的专业实践循环。

关键行为体现：在尝试使用新的AI教学工具后，撰写简短的实践日志，记录亮点与卡点；针对上一轮教学中AI辅助环节效果不佳的问题，在本轮设计中进行明确调整并有意识对比效果；乐于与同事分享自己试错的经验教训。

2.5.2 跨学科协作与沟通能力（CAIP-ME20）

内涵界定：具备与教育技术专家、AI工程师、数据科学家、伦理学家等非医学背景专业人士进行有效沟通与协作的能力。能准确地将医学教育需求转换为技术开发需求，共同推进教学创新项目。

关键行为体现：能与工程师合作，撰写1份关于开发某AI教学工具（如虚拟针灸训练系统等）的功能需求文档；在跨学科项目会议中，能用清晰的语言解释某个临床教学痛点的具体表现；尊重并尝试理解合作方的专业逻辑与约束条件。

2.5.3 AI教学改革研究与成果转化能力（CAIP-ME21）

内涵界定：主动开展关于AI在医学教学中应用的行动研究或教育实验。能将研究成果（无论是成功的模式还是失败的教训）进行系统化梳理，形成可分享、可复制的教学案例、论文或报告，贡献于公共知识库。

关键行为体现：主持1项校级教改项目（如《外科学总论》AI+VR融合教学模式的探索等）；将1项成功的AI教学实践整理成详细案例，发表在院校或学会的教学案例库中；在学术会议上汇报本人在AI教学中的应用研究。

2.5.4 终身学习与前沿追踪能力（CAIP-ME22）

内涵界定：树立在AI时代终身学习的强烈意愿与习惯。能建立有效的信息渠道，持续关注AI技术与医学教育融合的前沿动态、新工具、新理念，并主动将其纳人个人专业发展计划。

关键行为体现：定期浏览若干指定的医学教育技术期刊、公众号或专业社群；每年至少参加1次相关的线上或线下培训、工作坊或学术会议；拥有1个不断更新的个人AI教学工具与资源收藏夹或笔记。

2.5.5 同行分享与社区建设参与能力（CAIP-ME23）

内涵界定：在教研室、科室或院校层面，乐于并善于分享自己的AI教学经验、资源与见解。积极参与或组织相关的教学沙龙、研讨小组，营造开放协作、共同进步的局部文化氛围。

关键行为体现：在科室教研活动中，做1次关于如何用AI快速制作教学示意图”的微型分享；将自己开发的优质AI生成教学资源上传至院校共享平台，并附使用说明；主动加人或创建1个校内的AI教育创新教师兴趣小组。

2.5.6 机构层面AI教学文化促进能力（CAIP-ME24）

内涵界定：超越个人课堂，有能力并有意识地在院系或院校层面，通过建言献策、参与标准制定、担任培训师等方式，推动有利于AI教育创新推广的制度建设、资源分配与文化塑造。

关键行为体现：在院校征求教学改革意见时，提交关于激励教师开展AI教学探索的政策建议；参与起草本院系的《AI教学资源建设与使用指南》；担任新教师培训中AI教学入门模块的讲师。

2.5.7 对AI教育生态的宏观理解能力（CAIP-ME25）

内涵界定：能够从更广阔的视野理解医学教育中AI应用的生态系统，包括产学研合作模式、政策法规环境、全球发展趋势等。具备与产业界、其他院校乃至国际同行交流合作的初步视野与意识。关键行为体现；熟悉国家在医学AI和教育信息化方面的宏观政策导向；掌握与企业合作开展教学工具研发或临床数据研究的常见模式与注意事项；能简述全球范围内（如英美）医学教育AI应用的几个主要趋势。

03

CAIP-ME分级与分层实施建议

根据专家点评的意见，对于所有能力项进行分类，分为基础能力（强调普适性、必备性、可推广性）、发展能力（强调引领性、可选性和场景特殊性），详见表1。

基础能力共11项，编号为CAIP-ME1~5、ME7、ME8、ME15~17，ME19。这类能力是所有医学专业教师，无论其学科背景、职称高低或所在院校类型，为胜任AI时代基本的教学工作、确保教育底线质量与安全所必须普遍具备的核心素养。它们聚焦于基本的价值认同、伦理与安全底线、核心概念理解、工具合规操作以及教学与评价的初步应用。培养与实施注意事项：基础能力应作为院校师资队伍建设的基准线和必修课。建议通过强制性、标准化的人职培训与定期考核来确保达标，并可考虑将其与教师资格认证、年度基本考核适度挂钩。实施关键在于提供系统、易获取的培训资源与明确的操作规范，降低教师的学习与合规成本，同时辅以必要的技术支持和激励，确保人人过关。

发展能力共14项，编号为CAIP-ME6、ME9~14、ME18、ME20~25。这类能力是教师在牢固掌握基础能力之上，根据自身的学科专业方向、所承担课程特色、个人职业发展规划以及所在机构的支持条件，选择性追求、深化发展的进阶素养。它们体现了教师在AI与教学科研深度融合、创新模式探索、学术研究贡献以及组织领导力方面的专业深度、创新高度与特色发展。培养与实施注意事项：发展能力的培养不应采取一刀切的强制模式，而应致力于构建一个支持性、激励性的生态环境。关键在于提供丰富的专项发展机会（如高端工作坊、跨学科项目、研究基金），建立多元化的荣誉认可体系（如教学创新奖、专项能力微认证），并营造鼓励探索、包容失败、乐于分享的团队文化。院校应将教师在发展能力上取得的成果，作为职称晋升、评优评先、资源配置的重要参考依据，从而激发教师的内生动力与创新活力。

04

CAIP-ME的评价方法及技术指引

4.1 评价体系设计

CAIP-ME的评价目的在于促进发展而非简单判定，建议构建一个多维、多元、注重过程证据的发展性评价体系。评价坚持以下重要原则：（1）发展性：评价结果首先用于为教师提供个性化反馈与发展建议，其次才是用于管理决策。（2）客观性：强调基于真实教学实践的证据，如教学方案、学生作品、课堂录像、平台数据、反思报告等，而非仅凭主观印象。（3）差异化：根据教师的不同专业领域（临床、基础、公卫等）、主要职责（教学为主、科研为主、临床为主）及发展阶段，在评价时有所侧重，不要求面面俱到。

4.2 评价方法与主体

建议采用教师档案袋为主要载体的综合评价模式，尽可能采用教育信息化平台及AI医学院的形式采集客观量化评价指标，结合多方评价视角形成评价报告，详见表2。

4.3 评价结果的应用

基于CAIP-ME评价结果，能力评估的根本目的在于促进教师改进与专业成长。具体而言，评价结果可在以下方面发挥积极作用：首先，可为每位参评教师生成一份个性化发展报告，系统诊断其AI教学能力的优势与待发展领域，并提供具体、可操作的改进建议，帮助教师明确专业成长路径。其次，评价结果可作为教师专业发展认证的重要依据。对在特定维度表现突出的教师，可授予相应的微证书或能力认证，例如：AI教学设计认证、医学AI伦理教学引导师等，并可将其与继续教育学时累积、职称评审绿色通道等激励措施相结合。此外，评价结果还能为医学院校和教学医院的资源规划提供依据。机构可根据评价所反映出的整体能力短板，有针对性地引进专业人才、设计培训项目、采购相关工具资源或组建跨学科支持团队，从而实现对师资队伍建设资源的精准配置与高效投人。

05

实施与发展建议

本框架的价值在于应用。为确保其从理论共识转化为推动医学教师队伍发展的实际动能，本章节从实施路径与发展机制两个方面提出具体建议，旨在为各类医学院校、附属医院及教师个人提供操作性指引。为确保共识有效落地，建议机构与教师个体双轨并行，采取分层、分类的渐进式策略。

5.1 机构层面的整体推进策略

在高校和教学医院等机构内系统推进本共识实施，建议遵循一套整合性策略。首先，调研现状，规划先行：院校应依据本框架设计调研工具，系统评估教师AI素养的总体水平与结构特征，并据此制定契合学校发展战略的《教师AI素养提升行动计划》，明确未来3~5年的发展目标、重点任务、资源保障与责任分工。其次，分层试点，典型引路：避免“齐步走”式全面铺开，建议选取AI应用基础好、改革意愿强的1~2个学院或教研室作为试点，聚焦临床核心课程开展深度融合的教改项目，通过培育标杆教师与示范案例形成可复制经验，逐步向全校辐射。同时，建设支撑平台与资源库：须着力整合或引人可靠的AI教学工具平台，并由教育技术中心牵头建设校本资源库“AI教学优秀案例库”“工具使用指南库”及“伦理风险警示库”，以降低教师的探索门槛与试错成本。此外，必须优化制度激励与环境：将基础能力达标情况纳入基本考核，将发展能力成果与职称评定、评优及教改基金支持紧密挂钩，并积极营造“鼓励创新、包容试错、乐于分享”的组织文化。通过规划、试点、支持与激励四者协同，可系统、稳步地提升教师队伍整体AI素养。

5.2 教师个体的发展路径参考

5.3 动态发展机制：持续迭代，共建共享

为保持本素养框架的前瞻性与生命力，必须建立一个开放、协同的持续进化机制。

5.3.1 建立条件触发与定期修订相结合的动态修订制度

修订触发机制：明确启动修订的具体条件，确保框架能够快速响应内外部关键变化。主要触发条件包括：AI技术出现重大突破或新兴应用模式广泛渗透至医学教育场景；框架中部分能力项在实践反馈中被普遍证明效果不佳或脱离实际；国家医学教育政策发生重大调整；基于本框架的伴随性研究产生新的证据及国际权威相关标准出现实质性更新或变化。

修订流程与参与主体：建议由共识牵头单位联合主要参与机构，每年组织专家会议对共识进行系统性审阅与修订。流程上，广泛收集一线教师、技术开发者等多方反馈，并组建包含医学教育专家、企业技术专家等多元主体的修订专家组，共同审议修订内容，确保其技术前沿性、教育适用性与实践可操作性。常规修订原则上每年组织1次，但遇上述重大触发条件时，可启动快速响应修订程序。

5.3.2 构建全国性实践案例库与交流网络

鼓励各院校将应用本框架的优秀实践案例、测评工具及培训资源上传至共享平台（如中国医学教育慕课联盟平台等），并通过举办年度论坛、专题工作坊、线上沙龙等形式，促进使用者之间的深度交流与智慧共创。

5.3.3 开展伴随性实证研究

鼓励教育研究者与一线教师合作，围绕本框架的应用效果开展行动研究，重点议题包括不同培训模式的有效性比较、素养发展与教学成果的相关性、评价工具的信效度验证等，用研究证据反哺框架的优化。

5.3.4 推动行业标准与国家认可

在框架经过充分实践检验和修订完善后，由权威学术组织（如中华医学会医学教育分会等）推动，争取教育、卫生行政主管部门的关注与认可，最终形成行业指导性文件或国家标准的重要组成部分，在更大范围、更高层面引领我国医学教师队伍的建设方向（图2）。

图2医学教师的人工智能素养专家共识

（2025年版）概要图

06

结 语

本共识构建的框架是医学教师AI素养发展的动态指南，旨在激发反思、引导实践。我们期待广大同仁在实践中共同丰富与完善这一框架，使其真正赋能每位教师。呼吁各级管理机构、院校领导、教师发展中心及教师本人积极参与，以开放心态、审慎实践和持续反思推动框架落地与迭代，共同提升医学教育质量，培养能卓越驾驭智能技术的未来健康守护者，最终造福患者健康。