Авторы отмечают, что наставничество остается частью так называемого скрытого учебного плана и оказывает существенное влияние на уверенность студентов, вовлеченность в научную работу и выбор специализации. При этом доступ к наставникам распределен неравномерно: дефицит преподавателей, высокая клиническая нагрузка и различия в ресурсах между учебными заведениями, особенно в странах с низким и средним уровнем дохода, делают персональное сопровождение ограниченным и во многом случайным.
Подчеркивается, что традиционные инструменты оценки – тестирование и объективные структурированные клинические экзамены – фиксируют текущий уровень знаний, но не позволяют выявить потенциал роста. В результате образовательная система чаще поддерживает студентов, находящихся в более выгодных академических условиях, тогда как менее заметные, но перспективные обучающиеся остаются без адресного внимания, что со временем отражается на кадровом составе медицины.
В качестве возможного решения ученые предлагают использовать большие языковые модели для анализа письменных работ, клинических рассуждений и рефлексивных заметок студентов. По мнению авторов, такие инструменты способны выявлять особенности мышления, уровень клинического суждения и ранние признаки академических рисков до появления формальных неуспехов, что позволяет более точно направлять наставнические ресурсы.
Предполагается, что искусственный интеллект будет применяться исключительно как аналитический инструмент: модели сформируют интерпретируемые профили обучающихся, а решения о формате и объеме поддержки будут приниматься преподавателями. Система может выстраиваться как цикл обратной связи, где результаты наставничества используются для уточнения прогнозов и корректировки образовательных стратегий.
Отдельно подчеркиваются риски внедрения таких подходов. Алгоритмы могут воспроизводить языковые и культурные перекосы, особенно при использовании моделей, обученных на данных из высокодоходных стран, поэтому авторы настаивают на локальной адаптации, многоязычной настройке, прозрачности и обязательном сохранении человеческого надзора.
В более широком контексте исследование показывает, что дефицит наставничества на ранних этапах обучения напрямую влияет на кадровую устойчивость здравоохранения: он снижает шансы студентов на выбор специализации, научную карьеру и последующее возвращение в систему в роли наставников. Актуальность раннего выявления таких рисков подтверждается и российскими данными. Например, в Пермском государственном медицинском университете им. Е.А. Вагнера признаки синдрома эмоционального выгорания выявлены более чем у половины студентов, причем его распространенность растет от курса к курсу. В этом контексте большие языковые модели рассматриваются как вспомогательный инструмент, позволяющий точнее направлять наставническую и психологическую поддержку без подмены профессионального суждения человека.
Помимо обсуждаемой роли ИИ как инструмента поддержки наставничества, исследования показывают, что технологии уже влияют и на другие элементы медицинского образования. Так, ученые из клинико-академических центров Алессандрии и Новары (Италия) проанализировали более 1,3 тысячи научных работ за 2018–2024 годы и пришли к выводу, что наибольший практический эффект ИИ демонстрирует в обучении диагностическим и визуальным дисциплинам. Использование алгоритмов повышало точность интерпретации изображений, сокращало время анализа и улучшало согласованность решений у студентов.
