Una valutazione educativa pubblicata su BMC Medical Education ha investigato l’efficacia di un modello di insegnamento mirato al prompt engineering come nuova competenza nella formazione medica. I ricercatori Erik Langenau e Hsinliang Chen hanno studiato se un supporto individuale e focalizzato potesse consentire a studenti del quarto anno di tradurre domande cliniche complesse in query strutturate per un database interdisciplinare chiuso, Scopus AI.
Struttura del programma di formazione
Il progetto ha coinvolto diciannove studenti, ognuno dei quali ha partecipato a un curriculum suddiviso in tre parti, ognuna della durata di 45 minuti, condotte in modalità one‑to‑one da docenti esperti. Le sessioni si sono concentrate su esercizi pratici di costruzione di prompt all’interno di Scopus AI, evitando l’uso di strumenti generici come ChatGPT.
Durante le lezioni gli studenti hanno ricevuto formazione formale su due framework distinti:
- PICO: Patient, Intervention, Comparison, Outcome.
- CLEAR: Concise, Logical, Explicit, Adaptive, Reflective.
L’obiettivo era valutare la capacità di applicare questi schemi per trasformare interrogativi clinici in ricerche AI produttive.
Metodologia di valutazione
Per misurare l’efficacia formativa, i ricercatori hanno somministrato valutazioni settimanali dopo ogni sessione e interviste di gruppo al termine del percorso. La fiducia degli studenti nella generazione di prompt è stata misurata con una scala a quattro punti (1 = fortemente d’accordo, 4 = fortemente in disaccordo).
I risultati hanno mostrato una media di fiducia costantemente alta: 1,16 dopo la prima settimana, 1,32 dopo la seconda e 1,05 al termine della terza. Questo indica una percezione di sicurezza stabile durante l’acquisizione delle competenze.
Preferenze e percezioni degli studenti
Gli studenti hanno espresso una chiara preferenza per il framework PICO in contesti clinici, ritenendolo più semplice e direttamente applicabile per ricerche rapide di letteratura. Al contrario, il modello CLEAR è stato percepito come meno immediato per il flusso di lavoro clinico.
Scopus AI è stato valutato positivamente per la capacità di fornire riferimenti credibili, verificabili e peer‑reviewed, distinguendosi da strumenti IA aperti come ChatGPT, che spesso mancano di validazione accademica.
Implicazioni per la formazione medica
Gli autori concludono che un’istruzione breve e personalizzata rappresenta un design educativo efficace per potenziare la alfabetizzazione IA e le competenze di prompt engineering nei tirocinanti medici. L’utilizzo di un sistema IA chiuso riduce il rischio di informazioni inaccurate, rafforzando al contempo la fiducia degli studenti nell’applicare i principi della medicina basata sull’evidenza alle query cliniche.
Il formato a tre sessioni one‑to‑one è considerato un modello curriculum valido per integrare il prompt engineering nei tirocini clinici del quarto anno, supportando il decision‑making al punto di cura.
Considerazioni operative e prospettive future
Nonostante i risultati promettenti, l’estensione di questo modello a una popolazione studentesca più ampia richiede una valutazione attenta dei tempi di docenza richiesti rispetto al valore educativo complessivo. Bilanciare le risorse accademiche con l’efficacia dell’apprendimento individualizzato sarà cruciale per una diffusione su larga scala.
In sintesi, il programma dimostra che:
- Sessioni brevi e personalizzate aumentano la fiducia e le competenze di prompt engineering.
- PICO è più adatto ai flussi clinici rispetto a CLEAR.
- Un ambiente IA chiuso garantisce fonti più affidabili rispetto ai modelli di linguaggio generico.
- Il modello può essere integrato nei curricula di medicina, ma necessita di pianificazione per scalare l’impiego di personale docente.
Questi risultati aprono la strada a nuove strategie educative volte a preparare i futuri medici all’uso responsabile e competente dell’intelligenza artificiale nella pratica quotidiana.