當AI「醫師」遇上普通人：一項研究帶給我的教學省思

當AI「醫師」遇上普通人：一項研究帶給我的教學省思                    

本文經AI潤稿

 一篇引人深思的研究

想像一下：你突然感到劇烈頭痛、胸口不適，家中沒有醫護人員，網路上的資訊又眾說紛紜。這時你打開ChatGPT，詳細描述症狀，它迅速給出條理清晰的分析——甚至比你搜尋到的任何網站都更具體。這不是科幻情節，而是許多人今天真實的選擇。

然而，一篇剛發表在《自然·醫學》(nature子刊medicine)的研究，讓我反覆看了好幾遍。

研究團隊招募了近1,300位英國民眾，請他們面對十種真實的醫療情境—從劇烈頭痛、胸痛，到消化系統不適—並判斷兩個問題：「你該去急診、看門診，還是先待在家？」以及「你考慮了哪些可能的疾病？」

參與者隨機分為四組：三組分別獲得GPT-4o、Llama 3、Command R+三種先進語言模型的協助；對照組則被允許使用任何他們平常會用的方法—多數人選擇Google搜尋或NHS官網。

結果出乎許多人的預期。

 會考試，不等於會協助

研究團隊先做了一個對照實驗：不經過人類參與，直接把完整的病歷文字輸入這三個模型，請它們作答。結果—

- 在「判斷可能疾病」上，模型正確率高達94.9%

- 在「決定就醫緊急程度」上，模型正確率也有56.3%

從醫學考試的角度來看，這是相當亮眼的成績。

然而，當真實的人類使用者與這些同樣的模型對話時：

- 能夠正確判斷疾病的比例，下降到34.5%以下

- 能夠正確判斷就醫時機的比例，低於44.2%

- 整體表現並沒有比那些自己上網搜尋的對照組更好

更值得留意的是：即使模型在對話中已經「說出」了正確答案，使用者往往還是沒有採納。研究團隊分析對話記錄發現，模型在互動中平均會提到2.21個可能的疾病，其中約三分之一是正確的。但使用者最終寫下的答案，正確率並沒有因此提升。

 對話中的「溝通斷層」

為什麼一個能通過醫學考試的模型，到了真實互動中卻成了「不太幫得上忙的助手」？

研究者仔細閱讀對話記錄後，歸納出幾個可能的原因，這些發現讓我這位教物理的老師，也覺得似曾相識。

第一，使用者往往不知道哪些資訊是關鍵。  

就像病人走進診間，常常只說「我頭很痛」，卻沒提到「這是突然發生的」「是我這輩子最痛的一次」「脖子也變得很僵硬」。而這些細節，恰好是判斷致命風險的關鍵。模型接收不到完整資訊，自然難以給出正確建議。

第二，使用者難以從多種可能性中判斷輕重緩急。  

模型經常會列舉好幾種可能的疾病，從輕微的緊張性頭痛到致命的蜘蛛膜下腔出血都有。但對於沒有醫學背景的人來說，面對這些輕重不一的診斷，很難分辨哪一個才是真正需要擔心的。

第三，模型的不一致性可能影響使用者的信任。  

研究記錄了一個極端的案例：兩位使用者描述了非常相似的「突發劇烈頭痛」，卻得到截然相反的建議，一位被告知「去暗房休息」，另一位被正確告知「立即叫救護車」。當模型對相似的輸入給出差異這麼大的回應，使用者要如何知道該不該相信它？

第四，對話過程中可能出現「離題」或「錯誤訊息」。  

有些案例中，模型一開始給出正確判斷，但當使用者追問一些不相關的細節時，模型竟然「被帶偏」，開始討論次要問題，甚至給出錯誤的緊急聯絡電話號碼。

 我們現在用的測試方法，夠用嗎？

這是我讀這篇研究時，感觸最深的一點。

目前國際上評估語言模型醫療能力的主流方法，是使用醫學執照考試的題庫（例如MedQA）。這些模型的分數越來越高，甚至超過人類醫師的平均水準。許多科技公司據此宣稱，他們的AI已經具備「專家級醫療知識」。

但這項研究發現：在選擇題考試中高分，與在真實對話中有效協助使用者，似乎是兩件不太一樣的事。

研究者從MedQA題庫中，篩選出與本研究十種疾病相關的題目，然後把模型在這些題目上的表現，與人類實驗的結果放在一起比對。結果發現，兩者幾乎完全沒有關聯。一個模型可以在選擇題中正確診斷「肺栓塞」，卻在同一個研究的情境中，無法讓使用者理解自己可能正面臨致命風險。

更讓研究團隊意外的是：連學術界正在發展的「模擬病人」測試方法，也無法預測真實的互動表現。

他們讓一個語言模型扮演病人，與另一個語言模型（扮演醫師）進行對話—這是目前相當前沿的評估技術。結果發現，模擬病人的表現遠優於真實人類，而且變異非常小：不是100%正確，就是0%正確，完全不像真實人類的回應那麼多元。更重要的是，模擬測試的結果與真實人類實驗的結果，幾乎沒有統計上的關聯。

換句話說，我們目前常用的幾種測試方法—標準化筆試、模型與模型之間的模擬對話—可能都在給出一種「實驗室裡的安全訊號」，而這個訊號與真實世界的使用情況之間，還有一段需要填補的差距。

 一位師培者的教學省思

我在臺師大物理系任教，主要工作不是教學生「物理學」，而是和未來的物理老師一起探討「如何教物理」。這個位置讓我有機會反覆思考一個問題：一個人擁有知識，和一個人能夠幫助他人學會知識，究竟是不是同一種能力？

這篇研究提供了一個很值得參考的切入點。

 一、「會解題」與「會教人」之間的距離

在物理師資培育的課堂上，我常常請學生回憶自己學習歷程中的一個經驗：你曾經被哪一位老師「教懂了」某個原本不懂的概念？那位老師做了什麼？和你自己讀課本有什麼不同？

學生的答案通常很類似。他們很少說「因為老師解題速度很快」或「因為老師把所有步驟都寫出來」。他們描述的，往往是這樣的情境：老師聽完我的問題後，說了一句「喔，你這裡卡住了」，然後用一個比喻、一張圖、或是一個反問，讓我突然看見自己原本沒注意到的盲點。

這項研究讓我意識到，語言模型在醫療諮詢中遇到的困境，與一個「很會解題但不太會教」的人所遇到的困境，在本質上可能是相通的。模型可以給出正確答案，但它不太會做一件事：診斷對方此刻的理解狀態，並據此調整回應的方式。

這不是醫學知識的問題，甚至不是任何「學科知識」的問題。這是一種我還在學習如何描述、也還在思考如何協助未來老師培養的能力。

 二、知識不是「物品」，無法直接傳遞

這些年我逐漸體會到一件事：我們很容易把「知識」想成一種可以打包、傳送、接收的東西。就像把檔案從A電腦複製到B電腦一樣。

但教學經驗告訴我，情況可能不是這樣運作的。

一個學生「聽懂」一個物理概念，往往不是因為老師把正確的句子說出來，學生聽進去，就完成了。更多時候，學生是帶著一些既有的想法、困惑、甚至誤解走進教室的。老師的工作，與其說是「傳遞知識」，不如說是「提供一個環境，讓學生自己把概念重新建構起來」。

這篇研究裡的使用者，面對語言模型列出的好幾種可能疾病時，他們無法判斷哪一個才是該擔心的—這不是很合理嗎？我們不也經常發現，學生看了課本上的例題詳解，還是不知道「為什麼第一步要這樣想」？

如果連人類的學習者都很難從「正確的陳述」中自行提煉出「判斷的依據」，我們或許不該期待語言模型單靠給出正確答案，就能完成協助的角色。

 三、關於測試，我們可能還有許多功課要做

這項研究對現行評估方法的檢討，也讓我反覆思索物理教育的評量問題。

我們用期中考、期末考來評量學生物理學得如何。但這些考試分數高的人，就一定是好的物理老師嗎？我們都知道答案是否定的，但現實中，師資培育的選才、甚至教師甄試，仍然高度依賴筆試成績—因為這是相對客觀、可量化、而且大家都習慣了的方法。

這項研究提醒我們：一個測試工具如果很方便，我們很容易慢慢忘記它原本想測量的是什麼。

MedQA原本的設計目的，是評估模型是否能夠正確回答醫學考試題目。這沒有問題。但後來它逐漸被視為「模型是否具備醫療能力」的代理指標，甚至成為科技公司宣稱「AI超越醫師」的依據，這中間的落差變化，或許值得我們更謹慎地看待。

在物理教育領域，我們是否也有類似的慣性？我們是否不知不覺中，把「物理知識測驗分數」當成了「物理教學能力」的代理變數？如果是這樣，我們是否也需要像這篇研究的作者一樣，回頭問自己一句：這個假設，真的成立嗎？

 四、給未來老師的幾句話

這篇研究發表於2026年2月，討論的是醫療領域的AI應用。但它觸及的問題，我認為與我們物理教育工作的核心關懷是相通的。

在我的課堂上，我越來越常跟學生說：AI的發展，不會讓「好老師」變得不重要；恰恰相反，它會讓我們更清楚地看見，人類老師在做的事情，哪些是無法被取代的。

一個好的物理老師，不只是「知道物理」的人，更是能夠

- 從學生一個含糊的提問中，聽出他卡在哪個環節；

- 用不同的方式、不同的語言，反覆說明同一個概念；

- 在學生快要放棄的時候，給一個剛好的提示；

- 讓學生感覺自己被理解，因而願意繼續嘗試。

這些能力，目前還不存在於任何一個語言模型中。而且，如果我們對於專業的本質有正確的理解，這些能力恐怕也不是單純「讓模型變得更聰明」就能夠出現的。

因為這些能力的核心，不是知識，是關懷。

 結語：在不確定的時代，守住專業的核

這項研究的結論寫得很克制。作者沒有說「語言模型不能用於醫療」，也沒有說「人類應該完全拒絕這項技術」。他們只是提出了一個我認為非常誠實的建議：

在真正把這些工具推向高風險的真實應用之前，我們需要先進行系統性的、包含真實人類使用者的測試。

這不是一個激進的主張，而是一個負責任的主張。

作為師資培育者，我想把這個態度帶進我的教學中。面對AI，我們不需要急著選邊站，不必全面擁抱，也不必全面抗拒。我們可以做的，是保持開放，但同時保持審慎；是願意嘗試，但同時不斷追問：我們原本相信的，是否依然成立？

這篇研究沒能給出「如何讓語言模型更好協助人類」的最終答案。但它很清楚地指出：我們原本以為足夠的測試方法，可能還不夠；我們原本以為即將實現的應用，可能還需要更多準備。

而這些「還不夠」與「還需要更多準備」，對我來說，正是專業工作者存在的意義。

如果有一天，語言模型真的能夠像一位體貼的醫師一樣，耐心傾聽、精準提問、溫柔說明—那一天我會衷心佩服這項技術的進展。但在那之前，我們還有許多功課要做。

而這些功課，正是我們這一代教師——無論是醫學教育還是物理教育—最值得投入心力的地方。

參考文獻  

Bean, A. M., Payne, R. E., Parsons, G. et al. (2026). Reliability of LLMs as medical assistants for the general public: a randomized preregistered study. Nature Medicine.