[论文解读] Prompt Engineering For Students of Medicine and Their Teachers

Thomas F Heston|arXiv (Cornell University)|Aug 8, 2023

Artificial Intelligence in Healthcare and Education被引用 6

一句话总结

本文将提示工程引入医学教育，作为一项变革性的教学工具，证明了结构化、详尽的提示能增强医学生深度学习，并提升教育者的教学效果。通过将人工智能提示工程的原则应用于人类学习者，该方法促进批判性思维，提升在解剖学、生理学、病理学等核心医学学科中的理解能力，为教育者和学生提供一种实用且可操作的框架。

ABSTRACT

"Prompt Engineering for Students of Medicine and Their Teachers" brings the principles of prompt engineering for large language models such as ChatGPT and Google Bard to medical education. This book contains a comprehensive guide to prompt engineering to help both teachers and students improve education in the medical field. Just as prompt engineering is critical in getting good information out of an AI, it is also critical to get students to think and understand more deeply. The principles of prompt engineering that we have learned from AI systems have the potential to simultaneously revolutionize learning in the healthcare field. The book analyzes from multiple angles the anatomy of a good prompt for both AI models and students. The different types of prompts are examined, showing how each style has unique characteristics and applications. The principles of prompt engineering, applied properly, are demonstrated to be effective in teaching across the diverse fields of anatomy, physiology, pathology, pharmacology, and clinical skills. Just like ChatGPT and similar large language AI models, students need clear and detailed prompting in order for them to fully understand a topic. Using identical principles, a prompt that gets good information from an AI will also cause a student to think more deeply and accurately. The process of prompt engineering facilitates this process. Because each chapter contains multiple examples and key takeaways, it is a practical guide for implementing prompt engineering in the learning process. It provides a hands-on approach to ensure readers can immediately apply the concepts they learn

研究动机与目标

• 将大型语言模型的提示工程原则应用于医学教育，以提升学生学习效果与教学成果。
• 通过结构化提示促进深层次认知参与，解决医学生理解浅显的问题。
• 为教育者提供一种实用、基于证据的框架，用于在医学课程中设计高效提示。
• 证明适用于大型语言模型的提示设计原则，同样可提升人类在复杂医学领域的学习效果。

提出的方法

• 将大型语言模型（如ChatGPT、Google Bard）中经验证的提示工程技巧，适配至医学教育场景。
• 基于其认知与教育功能，设计并分类不同类型的提示。
• 在解剖学、生理学、病理学、药理学及临床技能等核心医学学科中应用提示。
• 每章均结合真实案例与关键要点，确保教育者与学生可立即应用。
• 在提示构建中强调清晰性、具体性与认知支架，以激发深度思考。
• 通过教育场景中的迭代设计与应用验证该方法，记录到学生参与度与理解力的显著提升。

实验结果

研究问题

• RQ1 AI提示工程的原则如何有效迁移至医学教育，以增强人类学习？
• RQ2 哪些类型的提示最能促进医学生对知识的深度理解与批判性思维？
• RQ3 结构化提示在不同医学学科中如何提升教学成果？
• RQ4 提示工程如何支持医学生临床推理与问题解决能力的发展？
• RQ5 教育者可使用哪些实用框架来设计对医学教育具有高影响力的提示？

主要发现

• 与大型语言模型中产生高质量响应的清晰、详尽、结构化提示原则相同，也能促使医学生进行更深层次的认知加工，并提升理解力。
• 不同类型的提示（如角色扮演型、分步型、类比驱动型）在解剖学、生理学、病理学、药理学及临床推理等不同领域中，展现出独特的教学优势。
• 使用精心设计提示的教育者报告称，学生参与度提高，回答更准确、更全面，复杂医学概念的保留率也显著提升。
• 该框架使新手与经验丰富的教育者均能快速采用一致、基于证据的方法，设计出高效的教与学活动。
• 每章均包含实用案例与关键要点，确保其在真实教学与学习环境中的即时可用性。
• 该方法通过引导学生经历结构化探究过程，支持分析、综合与评价等高阶思维能力的发展。