மருத்துவ கல்வியாளர்கள், AI-யை ஆரம்பத்தில் அதிகமாக நம்புவது எதிர்கால மருத்துவர்களுக்கு அடிப்படை மருத்துவத் தீர்மான திறனைக் குறைக்கலாம் என்று எச்சரிக்கின்றனர்

இந்த எச்சரிக்கை ஏன் மேலும் அவசரமாகிறது

செயற்கை நுண்ணறிவு, அதனைச் சுற்றியுள்ள கல்விசார் பாதுகாப்புச் சுவரை விட வேகமாக மருத்துவப் பயிற்சிக்குள் நுழைந்து வருகிறது. Nature Medicine இதழில் வெளியான புதிய Perspective-இல், ஒரு பெரிய சர்வதேச ஆராய்ச்சியாளர் குழு இந்த நேரக் கட்டுப்பாடு முக்கியம் என்று வாதிடுகிறது. அவர்களின் கவலை AI உதவியுடன் மாணவர்கள் சில சமயம் தவறு செய்வார்கள் என்பதல்ல; பயிற்சியின் தொடக்க கட்டங்களில் அதிகமான சார்பு அடிப்படை மருத்துவத் தீர்மானத் திறனின் வளர்ச்சியையே தடுக்கக்கூடும் என்பதே ஆகும்.

ஆசிரியர்கள் அந்த அபாயத்திற்கு ஒரு தனிப்பட்ட பெயரை வழங்குகிறார்கள்: “never-skilling.” பயிற்சியாளர்களில் அடிப்படை திறன்களை உருவாக்கத் தவறுவதை, அனுபவமுள்ள நிபுணர்களில் ஏற்படும் deskilling என்ற பரிச்சயமான பிரச்சினையிலிருந்து வேறுபடுத்த இந்த சொல் பயன்படுத்தப்படுகிறது. அவர்கள் இதை “mis-skilling” என்பதிலிருந்தும் பிரிக்கிறார்கள்; அதில் மாணவர்கள் AI அமைப்புகளின் தவறான வெளியீடுகளை உள்வாங்கி அவற்றையே மருத்துவ அறிவாகக் கருதிவிடுகிறார்கள்.

இந்த வேறுபாடு முக்கியமானது, ஏனெனில் மருத்துவம் படிப்படியான திறனின் மீது கட்டமைக்கப்பட்டுள்ளது. சுயாதீனமாகப் பயிற்சி செய்ய அனுமதிக்கப்படுவதற்கு முன், பயிற்சியாளர்கள் ஆதாரங்களைச் சேகரிப்பது, நிச்சயமற்ற தன்மையை மதிப்பிடுவது, வடிவங்களை அடையாளம் காண்பது, மற்றும் முடிவுகளை நியாயப்படுத்துவது ஆகியவற்றைக் கற்க வேண்டும் என்று எதிர்பார்க்கப்படுகிறது. AI அமைப்புகள் அந்த அறிவாற்றல் பணிகளில் அதிகமாகவும் மிக விரைவாகவும் ஈடுபடத் தொடங்கினால், மாணவர்கள் திறமையாகத் தோன்றலாம்; ஆனால் பாதுகாப்பான பராமரிப்பு இறுதியில் சார்ந்திருக்கும் தீர்மானத்தை அவர்கள் பெறாமல் போகலாம் என்று ஆசிரியர்கள் கூறுகின்றனர்.

ஆதாரங்கள் என்ன காட்டுகின்றன என்று கட்டுரை சொல்கிறது

இன்றைய ஆதார நிலைமையைப் பற்றி கட்டுரை கவனமாக உள்ளது. மருத்துவக் கல்வியில் never-skilling பரவலாக உள்ளது என்பதற்கான நேரடியான அனுபவ ஆதாரம் ஏற்கனவே உள்ளது என்று அது கூறவில்லை. மாறாக, அந்த கவலை கல்விச் सिद्धாந்தம் மற்றும் மருத்துவமற்ற சூழல்களில் இருந்து கிடைக்கும் ஆரம்ப எச்சரிக்கை அறிகுறிகளின் மீது தங்கி இருக்கிறது என்று சொல்கிறது. இதனால் இந்த கட்டுரை உறுதிப்படுத்தப்பட்ட சேதத்தின் அறிவிப்பாக இல்லாமல், தளர்ந்த முறையில் சோதிக்கப்படாத கருதுகோள்களின் அடிப்படையில் கல்வி நடைமுறைகள் உறைந்துவிடுவதற்கு முன் நடவடிக்கை எடுக்க வேண்டுமெனும் அழைப்பாக மாறுகிறது.

AI மற்றும் தொழில்முறை கல்வியைச் சுற்றியுள்ள விவாதத்தில் இது முக்கியமான நுணுக்கம். பல நிறுவனங்கள் இன்னும் உருவாக்கும் AI-ஐ ஒரு நிலையான உற்பத்தித்திறன் கருவியாகவா, கடுமையாக மேற்பார்வை செய்யப்படும் உதவி அமைப்பாகவா, அல்லது பயிற்சியின் உருவாக்கக் கட்டங்களுக்கான கட்டுப்படுத்தப்பட்ட தொழில்நுட்பமாகவா கருதுவது என்பதைத் தீர்மானித்து வருகின்றன. இந்த Perspective கொள்கை விவாதத்தின் நடுப்பகுதியில் நேராக அமைகிறது: AI இயல்பாகவே தீங்கு விளைவிப்பதல்ல என்று ஆசிரியர்கள் எழுதுகின்றனர்; ஆனால் அதன் விளைவு அது எப்போது, எப்படி அறிமுகப்படுத்தப்படுகிறது என்பதையே சார்ந்துள்ளது.

இந்த வடிவமைப்பு இரு முனைகளையும் தவிர்க்கிறது. அது மருத்துவத்தில் AI-க்கு முழுமையான தடை விதிப்பதை ஆதரிக்கவில்லை. அதேபோல், அதிக அணுகல் தானாகவே சிறந்த கற்றலாக மாறும் என்ற எண்ணத்தையும் ஏற்கவில்லை. மாறாக, முக்கிய மாறி வரிசைமைதான் என்று வாதிடுகிறது. முதலில் மாணவர்கள் AI உதவியின்றி பிரச்சினைகளைத் தீர்க்கும் அடிப்படைத் திறனைப் பெற வேண்டும்; பின்னர் இயந்திர வெளியீடுகளை நம்புவது எப்போது பயனுள்ளதாக, எப்போது பலவீனமாக இருக்கும் என்பதை மதிப்பிடும் கட்டமைக்கப்பட்ட வழி வேண்டும்; அதன் பிறகே AI-யை மருத்துவக் கல்வியில் மேற்பார்வையுடன் ஒருங்கிணைக்க வேண்டும்.

பயிற்சிக்கான மூன்று கட்ட AI கட்டமைப்பு

ஆசிரியர்கள் திறனைக் காக்கும் ஒரு கட்டமைப்பை முன்வைக்கிறார்கள், அதில் மூன்று பரந்த கட்டங்கள் உள்ளன. முதலில் AI-இல்லா அடிப்படைத் திறனை உருவாக்குவது. நடைமுறையில், இதன் பொருள் AI ஒரு வழக்கமான அறிவாற்றல் கூட்டாளியாக மாறுவதற்கு முன், கற்றவர்களுக்கு முக்கிய தீர்மானப் பணிகளைத் தாங்களே செய்ய முடியும் என்பதை நிரூபிக்க வேண்டும் என்பதாகும்.

இரண்டாவது கட்டம் விமர்சனத் துல்லியப்படுத்தல். இங்கே குறிக்கோள் AI-ஐ பயன்படுத்துவது மட்டும் அல்ல, அது எப்போது உதவும், எப்போது பலவீனமாக இருக்கும், அதன் பதில்களை மருத்துவ ஆதாரங்களும் மனிதத் தீர்மானமும் கொண்டு எப்படி சோதிப்பது என்பதையும் கற்றுக்கொள்வதாகும். இந்த கட்டம் சந்தேகிப்பதை ஒரு திறனாக கற்றுத்தர வேண்டிய ஒன்றாகக் கருதுகிறது.

மூன்றாவது கட்டம் மேற்பார்வையுடன் ஒருங்கிணைப்பு. அடிப்படைத் திறனும் துல்லியப்படுத்தலும் நிறுவப்பட்ட பின் மட்டுமே AI மருத்துவக் கற்றல் வேலைநடையில் இடம்பெற வேண்டும்; அதுவும் பொறுப்புணர்வும் நிபுணர் மேற்பார்வையும் பாதுகாக்கப்படும் நிபந்தனைகளின் கீழ்.

இந்த கட்டமைப்பு குறிப்பிடத்தக்கது, ஏனெனில் அது கேள்வியை மருத்துவக் கல்வியில் AI இடம் பெற வேண்டுமா என்பதிலிருந்து, பரவலான ஏற்றத்துக்குப் பொறுப்பானதாக கருதப்பட வேண்டுமெனில் எத்தகைய கல்வி அமைப்பு தேவை என்பதற்கு மாற்றுகிறது. இது நிறுவனங்களுக்கு கடினமான கேள்வி, ஏனெனில் இதன் பொருள் எளிய அணுகல் விதிகளைக் காட்டிலும் பாடத்திட்ட மறுவடிவமைப்பு, தெளிவான தரநிலைகள், மற்றும் புதிய மதிப்பீட்டு முறைகள் ஆகும்.

இந்த விவாதம் மருத்துவத்தைத் தாண்டி ஏன் செல்கிறது

இந்த கட்டுரையின் பரந்த முக்கியத்துவம், உயர் ஆபத்து கொண்ட தொழில்களில் உருவாகும் ஒரு சவாலைப் பதிவு செய்கிறது என்பதில்தான் உள்ளது. AI நேரத்தை சுருக்க முடியும், வரைவு பணிகளை தானியங்காக்க முடியும், மற்றும் உராய்வைக் குறைக்க முடியும். ஆனால் மனிதத் தீர்மானம் நெறிமுறை மற்றும் பாதுகாப்பு விளைவுகளை கொண்ட துறைகளில், செயல்திறனே ஒரே அளவுகோல் அல்ல. கல்வி அமைப்புகளும் தவறான வெளியீடுகளை அடையாளம் காணவும், முடிவுகளை விளக்கவும், தொழில்நுட்பம் தோல்வியடையும் போது பாதுகாப்பாக நடக்கவும் கூடிய நபர்களை உருவாக்க வேண்டிய பொறுப்பு உடையவை.

மருத்துவத்தில் அந்தப் பொறுப்பு மிகவும் தீவிரமானது. மருத்துவத் தீர்மானம் என்பது நினைவுகூர்தல் மட்டும் அல்ல; அதில் சூழல், குழப்பம், நோயாளி தொடர்பு, மற்றும் முழுமையற்ற தகவலை முறையாகக் கையாள்வது ஆகியவை அடங்கும். AI உதவியுடன் சரியான பதில்களை அடையும் பயிற்சியாளர், அந்த பதில்கள் எவ்வாறு வந்தன என்பதை விளக்க முடியாவிட்டால் அல்லது ஒரு அமைப்பு தவறான போது அதை கண்டறிய முடியாவிட்டால், இன்னும் போதியளவு தயாராக இல்லாமலும் இருக்கலாம்.

இந்த Perspective இறுதியான விதிமுறைகளை வழங்கவில்லை; மேலும் கொள்கை கடுமையாகும் முன் கூடுதல் அனுபவ ஆய்வை ஆசிரியர்கள் வெளிப்படையாகக் கோருகிறார்கள். ஆனால் வேகமாக மாறும் துறையில் இது ஒரு தெளிவான குறிக்கோளை வைக்கிறது: மருத்துவப் பள்ளிகள் ஆரம்பகால AI-திறனை மருத்துவத் திறனாகக் குழப்பக் கூடாது.

இந்த வாதம் மருத்துவ வளாகங்களைத் தாண்டியும் ஒலிக்கக்கூடும். AI கருவிகள் வகுப்பறைகளிலும் பணியிடங்களிலும் பொதுவாகிவரும் நிலையில், மையக் கொள்கை கேள்வி அவற்றைப் பயன்படுத்த முடியுமா என்பதல்ல; மாறாக, தொழில்நுட்பம் மங்கச் செய்யத் தொடங்கிய அடிப்படைத் திறன்களை நிறுவங்கள் இன்னும் எப்படி கற்றுத்தருவது என்பதே ஆகும்.

இந்த கட்டுரை Nature Medicine செய்தியளிப்பை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.