AI能管管“董某莹协和4+4”这事儿吗？

出品|三言Pro 作者|DorAemon

8月15日，国家卫生健康委员会联合教育部等部门发布通报，公布对肖某、董某莹事件的调查处置结果。

通报显示，中日友好医院胸外科副主任医师肖某存在违规违纪违法问题，暴露该院医疗质量安全管理、医德医风建设等制度落实不到位，相关负责人被追责。

北京协和医学院"4+4"试点班学生董某莹存在伪造成绩单、学位论文题目变更未履行审批手续、论文重复发表及不当署名等问题，其姑姑北京科技大学班某娟等人协助造假，多名相关指导教师、管理者因履职不力被处罚。

针对协和"4+4"试点班，通报明确多项整改要求：严格报考条件，界定境外学校资质，加强成绩单核验；在学位论文管理上新增答辩后第二年查重机制，同步强化学术诚信教育；要求毕业生统一参加3年住院医师规范化培训。相关涉事单位被责令提交书面检查并落实整改。

这一事件暴露出传统医学教育管理中，人工审核的滞后性与人力成本局限性。那么，笔者不由得好奇，在人工智能技术飞速发展的今天，AI能否成为监管辅助工具呢？

但比起技术能做到什么，更值得思考的是，在医学教育这一关乎人才培养与行业伦理的领域，AI的潜力应如何释放，边界又该如何划定？

AI的潜力：从“事后补救”到“过程预警”

传统学术监管多依赖“事后查重”“定期抽查”，这种被动模式往往难以应对隐蔽性问题。而AI的核心价值，或许在于将监管节点前移——通过对学术流程的全链条数据化追踪，实现从“事后补救”到“过程预警”的转变。

例如，在论文创作环节，AI可通过语义分析而非简单的文字比对，识别研究逻辑的连贯性：若开题报告与终稿的核心论点出现非合理跳转，例如协和事件中论文题目的显著差异，系统可自动标记并提示人工复核。

在成绩管理中，AI可关联课程考勤、作业提交、考试成绩等多维度数据，当出现成绩单与实际表现不匹配的异常时，及时触发校验机制。这种基于数据关联的动态监测，恰好能弥补人工审核中“疏漏率随工作量增加而上升”的天然缺陷。

在临床教学领域，AI的潜力更体现在标准化与个性化的平衡上。医学教育的核心是培养临床思维，但传统案例教学受限于师资经验与案例数量，难以覆盖复杂多变的真实场景。

AI若能基于海量临床数据构建虚拟诊疗环境，既能通过标准化病例保证考核公平，又能通过算法生成个性化挑战，帮助学生应对“书本知识与临床实践脱节”的普遍难题。

技术无法替代的“人文与制度”

然而，AI的应用必须止步于“辅助工具”的定位，因为医学教育的核心矛盾，学术诚信、教育公平、伦理判断，本质上是人性与制度的问题，而非技术能独立解决。

学术诚信层面，AI可以识别文字抄袭，却无法判断研究数据的主观造假；可以监测论文逻辑的一致性，却无法替代研究者的学术良知。

正如协和事件所揭示的，即便技术能发现形式上的异常，若缺乏对“学术不端零容忍”的制度共识，预警也可能被人为忽视。

教育公平层面，AI算法的“中立性”依赖于训练数据的客观性，若输入数据本身隐含资源倾斜，例如优质实习机会的分配不均，技术反而会成为“放大不公的工具”。

更关键的是，医学教育不仅是知识传递，更是人文精神的培育。AI可以模拟病例，却无法复制资深医师面对患者时的共情能力；可以计算治疗方案的成功率，却无法教会学生如何与患者家属沟通病情。这种“技术无法替代的人文温度”，决定了AI永远不能主导医学人才的评价标准。

平衡“技术赋能”与“制度约束”

国家卫健委“严禁AI自动开方”的规定，为医学教育领域的技术应用提供了重要原则：技术创新必须嵌套在制度框架内。

具体而言，可建立三层边界：

一是功能边界，明确AI不得参与核心决策，如学位授予、医师资格认证等必须由人类专家最终判定；

二是责任边界，AI的监测结果仅作为“线索”而非“结论”，所有异常标记必须经人工复核后才能定性，避免“技术教条”导致的误判；

三是伦理边界，AI应用需通过伦理审查，确保其不侵犯学生隐私，过度采集个人数据，不强化教育资源的马太效应。

同时，监管重心应从“技术升级”转向“制度适配”。例如，针对AI可能出现的误判，需配套申诉机制；针对技术无法覆盖的灰色地带，需完善学术委员会的仲裁流程。唯有技术赋能与制度约束形成合力，才能避免“用AI填补漏洞，却因制度缺失产生新漏洞”的循环。

协和事件与卫健委的通报，与其说是对某所院校的警示，不如说是对整个医学教育体系的提醒。在技术快速渗透的时代，我们需要的不是“技术万能论”的狂热，也不是“拒绝变化”的保守，而是清醒地认识到AI能成为堵住漏洞的“补丁”，但前提是先织好“制度与人文”的底色。

医学教育的终极目标，是培养“既懂技术又有人文”的医者，而技术的价值，正在于让这个目标的实现更高效、更公平，而非偏离本质。