arXiv cs.AI· Raffaele Giancotti, Francesca Santucci, Amama Anjum, Monique de Villa, Rupsa Mitra, Soham Biren Katlariwala, Vishala Mishra, Leo Anthony Celi·· 13 小时前AI 评分31
美国健康 AI 教育课程中的数据溯源与伦理覆盖分析
Data Provenance and Ethics in the Curricula of U.S. Health AI Education Programs
AI 导读
一项针对美国 21 所大学 36 个健康 AI 教育项目的横断面分析发现，80.6% 的项目讲授伦理，但仅 22.2% 涉及数据溯源、16.7% 覆盖结构性溯源，7 个硕士项目无一达到结构性或数据集局限层面的溯源覆盖标准。所有项目均未涉及算力环境成本，18 个项目含团队协作但仅 5 个跨临床与技术背景组队；92 名具名讲师中 76.1% 来自计算学科，可判定性别的 51 人中 66.7% 为男性。
正文 · AI 翻译
摘要：已部署的临床人工智能（AI）系统的失败往往源于其训练数据的生成方式。培养健康 AI 人才的项目是否教导从业者审视数据来源，目前尚不清楚。我们于 2026 年 4 月至 7 月通过结构化多源网络检索，识别出美国各大学健康 AI 教育项目公开宣传的课程，并对其进行了横断面分析。两名研究者对数据来源（结构性、数据集局限性或仅数据管理）、伦理和可持续性的覆盖情况，协作结构，技术先修要求，以及具名教师的学科背景和性别进行了编码。主要结局为结构性或数据集局限性层面的来源覆盖。在 43 个候选条目中，纳入了 21 所大学 25 个机构单位的 36 个项目。29 个项目（80.6%；95% 置信区间 [CI]，65.0 至 90.2）覆盖了伦理，8 个（22.2%；95% CI，11.7 至 38.1）覆盖了数据来源，6 个（16.7%；95% CI，7.9 至 31.9）覆盖了结构性来源。七个硕士学位项目均未达到主要结局，且没有任何项目涉及可持续性。18 个项目包含团队合作，但只有 5 个组建了跨临床和技术背景的团队。在 92 名具名教师中，76.1% 来自计算学科，3.3% 来自社会科学或人文学科；在可确定性别的 51 人中，66.7% 为男性。美国健康 AI 教育项目广泛教授伦理，但很少教授临床数据是如何产生的。没有任何项目涉及计算的环境成本，且大多数教师来自计算学科。
| 评论： | 10 页，1 幅图，3 张表。正在 PLOS Digital Health 审稿中。数据和补充材料可在 此 https URL 获取 |
| 主题： | 计算机与社会（cs.CY）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.39606 [cs.CY] |
| （或 arXiv:2610.39606v1 [cs.CY] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.39606 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Raffaele Giancotti 博士 [查看电子邮件]
[v1]
2026 年 10 月 29 日星期四 08:41:46 UTC（385 KB）
来源：arXiv cs.AI · arxiv.org