Experiences of Medical Imaging and Radiation Sciences students regarding an assessment based on an artificial intelligence-generated research concept paper.

讓醫事放射系學生直接用 AI 寫研究計畫，高達 79.3%（n=115）的反饋指出：這沒有讓作業變簡單，反而帶來複雜的認知挑戰。這項針對二年級學生的質性研究打破了「AI 會讓學生偷懶」的偏見，證明主動將人工智慧融入學術評量，能有效提升核心研究能力與批判性的 AI 素養。

醫事放射教育面臨的 AI 認知任務挑戰

人工智慧（AI）技術的快速演進，已經使其具備能力去完成過去嚴格需要人類大量認知投入（human cognitive effort）的各項複雜任務。將目光放到醫學影像與放射科學（Medical Imaging and Radiation Sciences）的教育現場，這種技術能力的跨越性提升，為學術環境帶來了前所未有的挑戰。傳統上，教育評量機制的設計初衷，主要是為了精確衡量學生在多個維度的核心能力，這包含了文獻研究（research）、綜合分析（synthesise）、學術寫作（write）以及解決問題（problem-solve）等關鍵技術端以外的學術素養。

然而，隨著生成式人工智慧的普及，這些傳統的評估方式正面臨嚴重失真的風險。當前教育工作者在批改傳統的研究報告或學術作業時，往往會面臨一個核心的質疑：我們現在評估的，究竟是人工智慧卓越的生成表現（AI performance），還是學生自身真實的學習成效（student learning）？這種評量本質的偏移，迫使整個放射科學的教育體系必須進行深刻的重新思考。

文獻中明確指出，面對這種由科技引發的學術危機，單純的防堵或忽視已經不再具備可行性。這不可避免地需要一種教學法上的典範轉移（pedagogical shift），徹底改變現有的評量框架。教育端必須重新設計作業形式，將人工智慧的介入視為已知變數，從而探索能夠真實反映學生認知過程與學術能力的新型態評估策略。

探索性研究設計與 N=115 的質性資料收集

為了解決傳統評量機制在人工智慧時代所遭遇的困境，研究團隊主動出擊，開發了一項全新的創新評估方式。這項評估的核心任務，是直接要求學生使用人工智慧來生成一份「研究概念草案」（research concept paper）。本研究的根本目的，在於深入理解且真實捕捉學生在經歷這項高度整合 AI 的評量過程中所產生的體驗與反饋。

在研究方法的選擇上，團隊採用了具有高度彈性的質性研究（qualitative study）框架，並結合了探索性（explorative）與描述性（descriptive）的雙重研究設計。為了獲取最真實、不受預設框架限制的數據，研究採用了開放式問卷（open-ended questionnaire）作為主要的資料收集工具。受試者群體鎖定為醫事影像與放射科學系二年級的研究生（second-year medical imaging and radiation sciences research students），這群學生正處於建立核心學術研究基礎的關鍵階段。

檢視具體的受試者參數，本次研究的目標母體總數為 N=145 位二年級學生。在經過資料收集後，最終成功回收的有效問卷樣本數達到 n=115，整體研究回應率高達 79.3 %。這樣優異的高回應率不僅確保了資料收集的廣度，也大幅提升了質性研究結果的代表性與可信度。在後續的資料處理階段，研究人員嚴格採用了 Tesch 開放式編碼法（Tesch's open coding）進行質性資料分析，將學生龐雜的文字反饋進行系統性的解構與概念化。

質性分析主題一：生成研究草案的複雜體驗

經過 Tesch 開放式編碼法的嚴謹分析，研究數據明確浮現出兩個主要的分析主題。首先是主題一：學生在這次 AI 輔助評量中展現了「混合的體驗」（mixed experiences）。這種複雜且多層次的心理狀態，直接反映了將人工智慧整合到以研究為基礎的任務中（research-based tasks）所帶來的雙重衝擊，打破了外界認為使用 AI 必定能輕鬆應付作業的既定印象。

一方面，學生強烈感受到這種新型態評量模式的新奇性（novelty）與獨特性（unique）。與過去從零開始撰寫傳統報告的枯燥過程相比，透過提示詞引導 AI 生成醫學影像相關的研究草案，帶來了截然不同的學術體驗。但另一方面，實際操作人工智慧來達成具備嚴謹學術標準的任務，展現出遠超預期的複雜性（complexity），讓許多初次接觸此類學術應用的學生感到十分陌生（unfamiliar）。

這項生成研究概念草案的任務，並非單純將題目輸入系統就能獲得完美解答。學生必須學習如何下達精確的指令、評估生成的醫學影像參數或文獻架構是否符合專業邏輯，並進行反覆的內容修正。因此，雖然整個操作過程充滿了陌生感與高度的不確定性，但絕大多數的學生反饋都明確指出，這是一個令人感到興奮的挑戰（exciting challenge），成功激發了他們在學術任務中主動探索與駕馭新技術的強烈動機。

質性分析主題二：反思過程深化 AI 學術角色認知

質性資料分析歸納出的第二個核心主題，則深度聚焦於學生在作業過程中的「反思過程」（reflective process）。研究結果顯示，這項強制結合人工智慧的評量作業，不僅僅是一次單純的技術工具操作練習，它更是一個強而有力的催化劑，引導學生進行深度的學術自我反思。

透過實際操作、除錯與後續的評估檢討，這個反思過程顯著促使學生更深刻地去理解人工智慧在當代學術實踐中不斷演變的角色（evolving role of AI in academic practice）。學生在反覆打磨研究概念草案的實作中，具體體會到人工智慧所能提供的實質益處（benefits），例如它能極大化地提升文獻架構梳理的效率，或是為醫事放射相關的特定議題提供多元的初步研究視角。

與此同時，他們也透過這項作業敏銳地察覺到 AI 固有的限制（limitations），包括可能生成看似合理卻缺乏醫學影像專業深度的內容，甚至是虛構的參考文獻。更重要的是，這次評量深刻喚醒了學生對於倫理責任（ethical responsibilities）的重視。他們清楚意識到，身為未來的放射科學專業人員，在使用人工智慧輔助任何學術或臨床研究時，最終的資訊查證責任與學術誠信的把關，依然完全落在人類研究者身上。

從被動接受到批判性使用的 AI 素養培育

綜合評估這項針對醫事放射系學生所進行的創新評量模式成效，結果呈現出令人振奮的教育意涵。儘管在初期接觸這份整合 AI 的作業時，學生普遍認為其充滿了陌生感與複雜的操作門檻，但最終的質性反饋一致認為，它提供了一個極具吸引力且極具價值的學習機會（engaging and valuable learning opportunity）。

這項評估機制的引入，不僅沒有因為 AI 的代勞而削弱學術嚴謹度，反而實質上加深了學生對於核心研究原則（research principles）的底層理解。因為要能夠辨別 AI 生成內容的優劣，學生必須先具備扎實的研究方法論知識。更為關鍵的是，這份作業賦予了學生敏銳的洞察力，讓他們能夠全面性且客觀地審視人工智慧技術在醫療科學領域的雙面性。

基於這些實證反饋，研究團隊強烈呼籲一個核心觀點：面對快速發展的人工智慧，學習者應以批判性（critically）和有意識性（intentionally）的態度來接近與應用它，而不是採取毫無防備、被動接受（accepted passively）的立場。只有透過主動的質疑與驗證，才能確保 AI 產出的資訊符合醫事放射領域對於精確度與安全性的高標準要求。

整合至真實評量以發展核心研究能力

總結這項涵蓋 n=115 位學生的質性研究成果，數據強而有力地證明了，將人工智慧有策略地融入放射科學的學習與評估過程中，是一項極具前瞻性且成效卓著的教學法典範轉移。這不僅僅是為了順應科技潮流，更是為了實質提升學生的核心競爭力。

這項評量的成功實施清楚地展示了，主動要求學生駕馭 AI 工具，能夠有效地發展他們的綜合研究能力（research competence）。在這個過程中，學生的 AI 素養（AI literacy）得到了質的飛躍，他們不再只是會使用聊天機器人的普羅大眾，而是學會了如何下達精確的學術指令。同時，這也大幅培養了他們在未來職涯中，能夠以負責任且知情的方式（responsible, informed use），去應用各種不斷推陳出新的新興醫療科技的能力。

因此，針對醫學影像與放射科學的教育體系，研究團隊提出了明確的實務建議：教育工作者不應再將 AI 視為學術誠信的威脅，而應積極考慮將人工智慧技術深階整合至真實評量（authentic assessments）的設計藍圖中。透過模擬未來臨床或學術研究中真實會遭遇的 AI 協作場景，才能真正培育出能夠在人工智慧時代中，具備獨立思考與批判能力的優秀醫事放射專業人才。

面對 AI 時代的學術評量，教育端應將人工智慧整合至真實作業中，引導學生在複雜的生成任務裡，深化研究能力並建立負責任的批判性 AI 素養。