核心要点
值得推进的方向是把课程目标、训练情境、表现证据与教师反馈连接起来：AI支持对话与重复练习，XR支持空间和情境任务，教师负责课程审核、评价解释与带教。具体效果应通过课程试运行、学习表现和持续复核判断。
未来建设应从学习问题出发
医学教学中的实践机会、教师时间和训练场景都有安排条件。数字化建设可以先选择一个需要改善的问题：学生是否缺少重复练习，教师是否难以观察过程，或不同课程的评价结果是否难以衔接。明确问题后，技术的作用和试点范围就更容易确定。
WFME本科医学教育标准为课程、评价、教师与质量改进提供原则性框架，并强调结合当地情境制定要求。院校可据此审视技术建设与培养目标的联系，再通过自己的课程评价形成改进依据。
AI与XR可以怎样承担互补任务？
| 关注项 | 配置与核验要点 |
|---|---|
| AI对话与病例 | 用于问诊表达、信息归纳与重复练习，核对病例事实、反馈依据和教师复核。 |
| XR情境训练 | 用于空间观察、角色任务和情境协作，核对交互是否服务课程目标。 |
| 真人与现场带教 | 用于面对面沟通、综合表现观察和实际岗位学习，保持教师与带教人员的参与。 |
| 教学平台与记录 | 连接任务发布、表现证据、反馈与再训练；字段、权限和接口范围需实际验证。 |
能力评价需要可解释的学习证据
未来课程可以围绕同一能力组织不同情境的练习，逐步积累提问、判断、操作和协作的表现证据。教师依据任务难度、支持条件和量规版本解释变化，为学生安排有针对性的下一次训练。跨课程汇总时，应先统一能力名称和记录含义。
一个总分很难完整表达学习过程。报告可分别呈现关键行为、判断依据、遗漏、教师意见和改进任务。对于尚未验证的个性化推荐或能力预测，可先开展教师参与的小范围试用，检查推荐是否合理、证据是否充分，再决定如何扩大应用。
课程治理与数据管理应同步建设
WHO大型多模态模型指南讨论了卫生健康AI的伦理与治理，并指出其广泛完成不同任务的能力仍需验证。用于教学的AI也应明确用途、内容审核与反馈复核责任，尤其要核对生成内容是否符合病例事实，以及评价能否说明依据。
项目应明确哪些数据用于课程运行、教学反馈和质量改进，以及谁可以查看、修改、导出或保管记录。使用教学案例和去标识化资料，约定授权范围；模型、课程与量规更新后，还需抽查既有任务和评价是否保持一致。
从一门课程试点走向持续运行
- 选择一门有明确学习问题的课程，确认目标、教师团队、资源和评价办法。
- 先跑通学生练习、教师查看、反馈发布与复训的完整流程。
- 用学习表现、教师工作量、资源使用与运行反馈审视试点，明确改进项。
- 在效果和运行条件得到确认后扩展课程，持续安排内容审核、教师培训和资源维护。
教师的课程判断与反馈能力仍是建设重点
AI与XR可以扩大任务呈现和练习的方式，教师仍需决定学什么、怎样练、依据什么评价，以及如何把反馈转化为改进。未来医学教学中心的建设应为这种工作提供条件：可组织的课程、可查看的证据、可调整的教学安排和明确的运行责任，让技术进入日常教学与质量改进。
相关选型指南
参考资料
国内资料用于了解政策背景与本土教学要求，国外资料用于课程设计、模拟教学或技术标准参考。具体课程与项目采用的版本，应结合使用单位要求确认。