चिकित्सा शिक्षकों ने चेतावनी दी है कि AI पर जल्दी निर्भरता भविष्य के डॉक्टरों को मूल नैदानिक निर्णय क्षमता से वंचित कर सकती है

यह चेतावनी क्यों अधिक गंभीर हो रही है

कृत्रिम बुद्धिमत्ता चिकित्सा प्रशिक्षण में उस शैक्षणिक सुरक्षा-घेरा से तेज़ी से प्रवेश कर रही है जो उसके चारों ओर होना चाहिए। Nature Medicine में प्रकाशित एक नई दृष्टि-लेख में, शोधकर्ताओं का एक बड़ा अंतरराष्ट्रीय समूह तर्क देता है कि इस समय-निर्धारण का महत्व है। उनकी चिंता केवल यह नहीं है कि छात्र AI सहायता से कभी-कभार गलतियाँ कर सकते हैं, बल्कि यह है कि प्रशिक्षण के शुरुआती चरणों में भारी निर्भरता मूलभूत नैदानिक तर्क के विकास को ही रोक सकती है।

लेखक इस जोखिम को एक विशिष्ट नाम देते हैं: “never-skilling.” वे इस शब्द का उपयोग प्रशिक्षुओं में मुख्य कौशल बनाने में विफलता को अनुभवी पेशेवरों में होने वाली deskilling की अधिक परिचित समस्या से अलग करने के लिए करते हैं। वे इसे “mis-skilling” से भी अलग करते हैं, जिसमें छात्र AI प्रणालियों के गलत आउटपुट को ग्रहण कर लेते हैं और उन्हें चिकित्सा ज्ञान के रूप में आत्मसात कर लेते हैं।

यह अंतर महत्वपूर्ण है क्योंकि चिकित्सा चरणबद्ध क्षमता पर आधारित है। प्रशिक्षुओं से अपेक्षा की जाती है कि वे स्वतंत्र रूप से अभ्यास करने से पहले साक्ष्य एकत्र करना, अनिश्चितता का आकलन करना, पैटर्न पहचानना और निर्णयों को उचित ठहराना सीखें। यदि AI प्रणालियाँ बहुत जल्दी उस संज्ञानात्मक कार्य का बहुत बड़ा हिस्सा करने लगें, तो लेखक तर्क देते हैं, छात्र दक्ष तो दिख सकते हैं लेकिन वह निर्णय नहीं हासिल कर पाएँगे जिस पर सुरक्षित देखभाल अंततः निर्भर करती है।

पेपर के अनुसार साक्ष्य क्या दिखाते हैं

पेपर वर्तमान प्रमाण-स्थिति को लेकर सावधान है। यह यह दावा नहीं करता कि चिकित्सा शिक्षा में never-skilling का व्यापक प्रत्यक्ष अनुभवजन्य प्रमाण पहले से मौजूद है। इसके बजाय, यह कहता है कि चिंता स्थापित शिक्षण सिद्धांत और गैर-नैदानिक संदर्भों से मिल रहे शुरुआती चेतावनी संकेतों पर आधारित है। इससे लेख पुष्टि किए गए नुकसान की घोषणा कम और शैक्षिक प्रथा के कमज़ोर परखे गए मान्यताओं के आसपास कठोर हो जाने से पहले कार्रवाई का आह्वान अधिक बन जाता है।

यह AI और पेशेवर शिक्षा को लेकर बहस में एक महत्वपूर्ण सूक्ष्मता है। कई संस्थान अभी यह तय कर रहे हैं कि जनरेटिव AI को एक मानक उत्पादकता साधन, एक कड़ाई से पर्यवेक्षित सहायता प्रणाली, या प्रशिक्षण के प्रारंभिक चरणों के लिए सीमित तकनीक के रूप में देखा जाए। यह दृष्टिकोण नीति बहस के ठीक बीच में आता है: AI स्वभावतः हानिकारक नहीं है, लेखक लिखते हैं, लेकिन इसका प्रभाव इस पर निर्भर करता है कि इसे कब और कैसे पेश किया जाता है।

यह ढाँचा दोनों अतियों से बचता है। यह चिकित्सा में AI पर पूर्ण प्रतिबंध का समर्थन नहीं करता। और न ही यह इस विचार को स्वीकार करता है कि अधिक पहुँच स्वतः बेहतर सीखने की ओर ले जाती है। इसके बजाय, यह तर्क देता है कि क्रमबद्धता ही मुख्य चर है। छात्रों को पहले AI सहायता के बिना समस्याओं पर तर्क करने की बुनियादी क्षमता चाहिए, फिर मशीन आउटपुट पर भरोसा करने की क्षमता को परखने का एक संरचित तरीका, और उसके बाद ही AI को नैदानिक शिक्षा में एक पर्यवेक्षित तरीके से एकीकृत करना चाहिए।

प्रशिक्षण में AI के लिए तीन-चरणीय ढाँचा

लेखक एक क्षमता-संरक्षणकारी ढाँचा प्रस्तावित करते हैं जिसमें तीन व्यापक चरण हैं। पहला है AI-स्वतंत्र मूलभूत क्षमता स्थापित करना। व्यवहार में, इसका अर्थ है कि शिक्षार्थियों को यह दिखाना चाहिए कि AI उनके नियमित संज्ञानात्मक साथी बनने से पहले वे मुख्य तर्क कार्य स्वयं कर सकते हैं।

दूसरा है आलोचनात्मक अंशांकन। यहाँ लक्ष्य केवल AI का उपयोग करना नहीं, बल्कि यह सीखना है कि यह कब उपयोगी है, कब कमज़ोर है, और उसके उत्तरों को नैदानिक साक्ष्य तथा मानवीय निर्णय के विरुद्ध कैसे परखा जाए। यह चरण संदेह को एक ऐसे कौशल के रूप में देखता है जिसे जानबूझकर सिखाना होगा।

तीसरा है पर्यवेक्षित एकीकरण। केवल मूल क्षमता और अंशांकन स्थापित होने के बाद ही AI नैदानिक सीखने के कार्यप्रवाह का हिस्सा बनना चाहिए, और वह भी ऐसी परिस्थितियों में जो जवाबदेही और विशेषज्ञ निगरानी बनाए रखें।

यह ढाँचा उल्लेखनीय है क्योंकि यह प्रश्न को इस बात से हटाकर कि क्या AI चिकित्सा शिक्षा में होना चाहिए, इस बात पर ले आता है कि व्यापक अपनाने को जिम्मेदार मानने से पहले किस प्रकार की शैक्षिक संरचना चाहिए। यह संस्थानों के लिए एक कठिन प्रश्न है, क्योंकि इसका अर्थ पाठ्यक्रम पुनर्रचना, स्पष्ट मानक, और नए मूल्यांकन तरीकों की आवश्यकता है, न कि केवल पहुँच नियमों की।

यह बहस चिकित्सा से आगे क्यों जाती है

इस लेख का व्यापक महत्व यह है कि यह उच्च-जोखिम वाले पेशों में उभरती चुनौती को पकड़ता है। AI समय को संपीड़ित कर सकता है, मसौदे स्वचालित कर सकता है, और घर्षण कम कर सकता है। लेकिन ऐसे क्षेत्रों में जहाँ मानवीय निर्णय के नैतिक और सुरक्षा-संबंधी परिणाम होते हैं, दक्षता ही एकमात्र मानदंड नहीं है। शिक्षा प्रणालियाँ ऐसे लोगों को तैयार करने के लिए भी जिम्मेदार हैं जो गलत आउटपुट पहचान सकें, निर्णयों की व्याख्या कर सकें, और तकनीक विफल होने पर सुरक्षित ढंग से कार्य कर सकें।

चिकित्सा में यह दायित्व विशेष रूप से तीखा है। नैदानिक तर्क केवल स्मरण नहीं है; इसमें संदर्भ, अस्पष्टता, रोगी संचार, और अधूरी जानकारी का अनुशासित प्रबंधन शामिल है। एक प्रशिक्षु जो AI सहायता से सही उत्तरों तक पहुँचता है, फिर भी अपर्याप्त रूप से तैयार हो सकता है यदि वह यह नहीं बता सकता कि वे उत्तर कैसे निकले या यह नहीं पहचान सकता कि कोई प्रणाली गलत हो गई है।

यह दृष्टि-लेख कोई अंतिम नियमावली नहीं देता, और लेखक नीति के कठोर होने से पहले आगे अनुभवजन्य जांच की स्पष्ट रूप से मांग करते हैं। लेकिन यह तेज़ी से बदलते क्षेत्र में एक स्पष्ट रेखा खींचता है: मेडिकल स्कूलों को प्रारंभिक AI-प्रवीणता को चिकित्सकीय क्षमता समझने की भूल नहीं करनी चाहिए।

यह तर्क चिकित्सा परिसरों से परे भी गूंजने की संभावना रखता है। जैसे-जैसे AI उपकरण कक्षाओं और कार्यस्थलों में आम होते जा रहे हैं, केंद्रीय नीतिगत प्रश्न यह नहीं रह सकता कि लोग उन्हें उपयोग कर सकते हैं या नहीं, बल्कि यह कि क्या संस्थान अभी भी उन मूल कौशलों को सिखाना जानते हैं जिन्हें तकनीक धुंधला करने लगी है।

यह लेख Nature Medicine की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.