চিকিৎসা শিক্ষাবিদরা সতর্ক করছেন, শুরুতেই AI-নির্ভরতা ভবিষ্যৎ ডাক্তারদের মৌলিক ক্লিনিকাল বিচারক্ষমতা থেকে বঞ্চিত করতে পারে

কেন এই সতর্কতা আরও জরুরি হয়ে উঠছে

কৃত্রিম বুদ্ধিমত্তা তার চারপাশের শিক্ষাগত সুরক্ষাব্যবস্থার চেয়ে দ্রুত চিকিৎসা প্রশিক্ষণে প্রবেশ করছে। Nature Medicine-এ প্রকাশিত একটি নতুন Perspective-এ, গবেষকদের একটি বড় আন্তর্জাতিক দল যুক্তি দিয়েছে যে এই সময়ের বিষয়টি গুরুত্বপূর্ণ। তাদের উদ্বেগ শুধু এই নয় যে শিক্ষার্থীরা AI সহায়তায় মাঝে মাঝে ভুল করতে পারে, বরং প্রশিক্ষণের একেবারে শুরুতে ব্যাপক নির্ভরতা মৌলিক ক্লিনিকাল যুক্তিবোধের বিকাশকেই আটকে দিতে পারে।

লেখকেরা এই ঝুঁকির একটি নির্দিষ্ট নাম দিয়েছেন: “never-skilling.” তারা এই শব্দটি ব্যবহার করেছেন প্রশিক্ষণার্থীদের মধ্যে মূল দক্ষতা গড়ে তুলতে ব্যর্থ হওয়াকে অভিজ্ঞ পেশাজীবীদের deskilling-এর পরিচিত সমস্যার থেকে আলাদা করতে। তারা এটিকে “mis-skilling” থেকেও আলাদা করেছেন, যেখানে শিক্ষার্থীরা AI সিস্টেমের ভুল আউটপুট গ্রহণ করে সেগুলোকে চিকিৎসা জ্ঞান হিসেবে আত্মস্থ করে।

এই পার্থক্যটি গুরুত্বপূর্ণ, কারণ চিকিৎসা ধাপে ধাপে সক্ষমতার ওপর দাঁড়িয়ে আছে। প্রশিক্ষণার্থীদের স্বাধীনভাবে অনুশীলন করতে দেওয়ার আগে প্রমাণ সংগ্রহ, অনিশ্চয়তা মূল্যায়ন, প্যাটার্ন চেনা, এবং সিদ্ধান্তের যৌক্তিকতা ব্যাখ্যা করতে শেখার কথা। AI সিস্টেম যদি খুব দ্রুত সেই মানসিক কাজের বড় অংশটি করে ফেলতে শুরু করে, তাহলে শিক্ষার্থীরা দক্ষ বলে মনে হতে পারে, কিন্তু নিরাপদ চিকিৎসা শেষ পর্যন্ত যে বিচারক্ষমতার ওপর নির্ভর করে, তা অর্জন নাও করতে পারে বলে লেখকেরা বলছেন।

পেপারটি কী প্রমাণ দেখায়

বর্তমান প্রমাণের অবস্থান নিয়ে পেপারটি সতর্ক। এটি দাবি করছে না যে চিকিৎসা শিক্ষায় never-skilling-এর ব্যাপক সরাসরি পরীক্ষামূলক প্রমাণ ইতিমধ্যেই আছে। বরং এটি বলছে, উদ্বেগটি প্রতিষ্ঠিত শিক্ষণতত্ত্ব এবং অ-চিকিৎসা পরিবেশ থেকে পাওয়া প্রাথমিক সতর্কতামূলক সংকেতের ওপর ভিত্তি করে। ফলে লেখাটি নিশ্চিত ক্ষতির ঘোষণা কম, আর দুর্বলভাবে পরীক্ষিত ধারণার ওপর শিক্ষাপ্রথা কঠিন হয়ে যাওয়ার আগে ব্যবস্থা নেওয়ার আহ্বান বেশি হয়ে ওঠে।

AI এবং পেশাগত শিক্ষাকে ঘিরে বিতর্কে এটি একটি গুরুত্বপূর্ণ সূক্ষ্মতা। অনেক প্রতিষ্ঠান এখনও সিদ্ধান্ত নিচ্ছে যে generative AI-কে একটি মানক উৎপাদনশীলতার হাতিয়ার, কঠোরভাবে তত্ত্বাবধানে থাকা সহায়ক ব্যবস্থা, নাকি প্রশিক্ষণের গঠনমূলক ধাপের জন্য সীমাবদ্ধ প্রযুক্তি হিসেবে দেখা হবে। এই Perspective নীতি-আলোচনার মাঝামাঝি দাঁড়িয়েছে: AI স্বভাবত ক্ষতিকর নয়, লেখকেরা লিখেছেন, কিন্তু এর প্রভাব নির্ভর করে কখন এবং কীভাবে তা আনা হচ্ছে তার ওপর।

এই কাঠামো দু’টি চরম অবস্থাকেই এড়ায়। এটি চিকিৎসায় AI-র ওপর সামগ্রিক নিষেধাজ্ঞা সমর্থন করে না। আবার বেশি প্রবেশাধিকার স্বয়ংক্রিয়ভাবে ভালো শেখার ফল দেয়, এই ধারণাও মেনে নেয় না। বরং এটি যুক্তি দেয়, ক্রমই মূল চলক। শিক্ষার্থীদের প্রথমে AI-ছাড়া সমস্যার সমাধানে মৌলিক সক্ষমতা থাকতে হবে, তারপর যন্ত্রের আউটপুটের ওপর বিশ্বাস কতটা করা যাবে তা মাপার জন্য একটি কাঠামোবদ্ধ পথ, এবং তার পরেই ক্লিনিকাল শিক্ষায় AI-কে তত্ত্বাবধানে একীভূত করা উচিত।

প্রশিক্ষণে AI-এর জন্য তিন-ধাপের কাঠামো

লেখকেরা একটি সক্ষমতা-সুরক্ষামূলক কাঠামো প্রস্তাব করেছেন, যার তিনটি বিস্তৃত ধাপ আছে। প্রথমে AI-নির্ভর নয় এমন ভিত্তিগত সক্ষমতা স্থাপন করা। বাস্তবে এর মানে হলো, AI নিয়মিত মানসিক সঙ্গী হওয়ার আগে শিক্ষার্থীদের নিজেদের হাতে মূল যুক্তির কাজগুলো করতে পারার প্রমাণ দিতে হবে।

দ্বিতীয় ধাপ হলো সমালোচনামূলক ক্যালিব্রেশন। এখানে লক্ষ্য শুধু AI ব্যবহার করা নয়, বরং শেখা, এটি কখন সহায়ক, কখন দুর্বল, এবং এর উত্তরগুলোকে ক্লিনিকাল প্রমাণ ও মানববুদ্ধির সঙ্গে কীভাবে পরীক্ষা করতে হবে। এই ধাপ সন্দেহকেও একটি আলাদা শেখানো-প্রয়োজনীয় দক্ষতা হিসেবে দেখে।

তৃতীয় ধাপ হলো তত্ত্বাবধানে সংযোজন। ভিত্তিগত সক্ষমতা ও ক্যালিব্রেশন স্থাপিত হওয়ার পরেই AI ক্লিনিকাল শিক্ষার কাজের প্রবাহে অংশ নেওয়া উচিত, সেটিও এমন শর্তে যা দায়বদ্ধতা ও বিশেষজ্ঞ তত্ত্বাবধান বজায় রাখে।

এই কাঠামোটি উল্লেখযোগ্য, কারণ এটি প্রশ্নটিকে “AI চিকিৎসা শিক্ষায় থাকা উচিত কি না” থেকে সরিয়ে “বিস্তৃত গ্রহণযোগ্যতাকে দায়িত্বশীল বলতে হলে কী ধরনের শিক্ষাগত স্থাপত্য দরকার” দিকে নিয়ে যায়। এটি প্রতিষ্ঠানগুলোর জন্য কঠিন প্রশ্ন, কারণ এর মানে কেবল অ্যাক্সেস-নিয়ম নয়, বরং পাঠ্যক্রম পুনর্নকশা, স্পষ্ট মানদণ্ড, এবং নতুন মূল্যায়ন পদ্ধতি।

এই বিতর্ক চিকিৎসার বাইরেও কেন বিস্তৃত

এই লেখার বিস্তৃত তাৎপর্য হলো, এটি উচ্চ-ঝুঁকির পেশাগুলিতে উদীয়মান একটি চ্যালেঞ্জকে ধরেছে। AI সময় কমাতে পারে, খসড়া স্বয়ংক্রিয় করতে পারে, এবং ঘর্ষণ কমাতে পারে। কিন্তু যেসব ক্ষেত্রে মানববিচার নৈতিক ও নিরাপত্তাজনিত পরিণতি বহন করে, সেখানে দক্ষতাই একমাত্র মাপকাঠি নয়। শিক্ষাব্যবস্থার দায়িত্বও আছে এমন মানুষ তৈরি করা, যারা ভুল আউটপুট চিনতে পারে, সিদ্ধান্ত ব্যাখ্যা করতে পারে, এবং প্রযুক্তি ব্যর্থ হলে নিরাপদে কাজ করতে পারে।

চিকিৎসায় এই দায়িত্ব বিশেষভাবে তীক্ষ্ণ। ক্লিনিকাল যুক্তিবোধ শুধু স্মরণশক্তি নয়; এর মধ্যে প্রসঙ্গ, অস্পষ্টতা, রোগীর সঙ্গে যোগাযোগ, এবং অসম্পূর্ণ তথ্যকে শৃঙ্খলাবদ্ধভাবে পরিচালনা করাও রয়েছে। AI সাহায্যে সঠিক উত্তর পাওয়া কোনো প্রশিক্ষণার্থী এখনও অপর্যাপ্তভাবে প্রস্তুত থাকতে পারে যদি সে ব্যাখ্যা করতে না পারে উত্তরগুলো কীভাবে এসেছে, বা কোনো সিস্টেম ভুল হলে তা শনাক্ত করতে না পারে।

এই Perspective কোনো চূড়ান্ত নিয়মপুস্তক দেয় না, এবং লেখকেরা নীতি কঠোর হওয়ার আগে আরও পরীক্ষামূলক অনুসন্ধানের আহ্বান জানিয়েছেন। কিন্তু এটি দ্রুত পরিবর্তনশীল ক্ষেত্রে একটি স্পষ্ট চিহ্ন রেখে যায়: মেডিকেল স্কুলগুলোকে প্রাথমিক AI-দক্ষতাকে চিকিৎসা-সক্ষমতা হিসেবে গুলিয়ে ফেললে চলবে না।

এই যুক্তি চিকিৎসা ক্যাম্পাস ছাড়িয়েও প্রতিধ্বনিত হতে পারে। AI টুল যখন শ্রেণিকক্ষ ও কর্মক্ষেত্রে সাধারণ হয়ে উঠছে, তখন মূল নীতিগত প্রশ্ন আর কেবল মানুষ সেগুলো ব্যবহার করতে পারে কি না তা নয়, বরং প্রতিষ্ঠানগুলো এখনও কি প্রযুক্তি আড়াল করতে শুরু করা মৌলিক দক্ষতাগুলো শেখাতে জানে কি না।

এই নিবন্ধটি Nature Medicine-এর প্রতিবেদনের ওপর ভিত্তি করে। মূল নিবন্ধটি পড়ুন.