[{"data":1,"prerenderedAt":22},["ShallowReactive",2],{"news-zh-acl-2026-ai-standardized-patients":3},{"slug":4,"lang":5,"title":6,"summary":7,"date":8,"category":9,"tags":10,"cover":16,"order":17,"author":18,"authorTitle":18,"authorSlug":18,"people":19,"bodyLang":5,"html":21},"acl-2026-ai-standardized-patients","zh","ACL 2026｜自由动脉联合港中深、武汉大学推出 EasyMED：AI 标准化病人教学效果与真人相当，单次练习成本约为 1/73","ACL 2026 主会论文提出多智能体 AI 标准化病人 EasyMED 与评测基准 SPBench，自由动脉周磊、张兵权为论文作者；四周对照实验中，学习效果与真人相当。","2026-11-16","论文",[11,12,13,14,15],"ACL 2026","AI 标准化病人","医学教育","多智能体","EasyMED","/images/news/acl-2026-ai-standardized-patients/cover.jpg",2,"",[20],"王本友","\u003Cp>医学生第一次面对“病人”，往往不在病房，而在模拟诊室：对面坐着的是经过专门培训、能稳定扮演某个病例的真人演员，也就是标准化病人（Standardized Patient，SP）。SP 被视为问诊、沟通和临床推理教学的“金标准”，在客观结构化临床考试（OSCE）中尤其重要。但真人 SP 要招募、培训、排班，成本高、难扩展，学生能练的次数十分有限。\u003C/p>\n\u003Cp>让大语言模型（LLM）来扮演病人，看上去顺理成章。可现有的虚拟病人常常“太热情”：学生还没问到，关键病史就和盘托出；聊得久了，前后说法对不上；练完之后，也说不清学生漏问了什么。更关键的是，AI 病人能否达到真人 SP 的训练效果，一直缺少同等条件下的严格对比。\u003C/p>\n\u003Cp>针对这些问题，武汉大学人工智能学院、香港中文大学（深圳）与自由动脉（Freedom AI）的研究者提出多智能体虚拟标准化病人框架 \u003Cstrong>EasyMED\u003C/strong> 和评测基准 \u003Cstrong>SPBench\u003C/strong>，并与真人 SP 开展了为期四周的对照教学实验。论文已被第 64 届国际计算语言学协会年会 \u003Cstrong>ACL 2026 主会\u003C/strong>（长文）收录。自由动脉全职员工\u003Cstrong>周磊\u003C/strong>是论文第四作者，在项目中负责部分系统的开发、用户对接和上线部署；自由动脉实习生\u003Cstrong>张兵权\u003C/strong>是共同第一作者。\u003C/p>\n\u003Cblockquote>\n\u003Cp>\u003Cstrong>论文标题\u003C/strong>：Human or LLM as Standardized Patients? A Comparative Study in Medical Education\u003Cbr>\u003Cstrong>论文链接\u003C/strong>：\u003Ca href=\"https://aclanthology.org/2026.acl-long.1243/\" target=\"_blank\" rel=\"noopener noreferrer\">https://aclanthology.org/2026.acl-long.1243/\u003C/a>\u003Cbr>\u003Cstrong>arXiv\u003C/strong>：\u003Ca href=\"https://arxiv.org/abs/2511.14783\" target=\"_blank\" rel=\"noopener noreferrer\">https://arxiv.org/abs/2511.14783\u003C/a>\u003Cbr>\u003Cstrong>代码 / 数据\u003C/strong>：\u003Ca href=\"https://github.com/FreedomIntelligence/EasyMED\" target=\"_blank\" rel=\"noopener noreferrer\">https://github.com/FreedomIntelligence/EasyMED\u003C/a>\u003Cbr>\u003Cstrong>作者\u003C/strong>：Bingquan Zhang（张兵权）*、Xiaoxiao Liu*、Yuchi Wang、Lei Zhou（周磊）、Qianqian Xie†、Benyou Wang（王本友）†（* 共同第一作者，† 通讯作者）\u003Cbr>\u003Cstrong>作者单位\u003C/strong>：武汉大学人工智能学院、香港中文大学（深圳）、自由动脉（Freedom AI）\u003C/p>\n\u003C/blockquote>\n\u003Ch2>背景：真人 SP 难扩展，AI 病人“不够像”\u003C/h2>\n\u003Cp>论文梳理了虚拟标准化病人（VSP）真正用于教学需要满足的三条要求：\u003C/p>\n\u003Cul>\n\u003Cli>\u003Cstrong>病人保真度\u003C/strong>（Patient Fidelity）：行为和回答方式要与真人 SP 可比；\u003C/li>\n\u003Cli>\u003Cstrong>交互一致性\u003C/strong>（Interaction Coherence）：多轮对话中病情设定保持一致，信息“问到才说”；\u003C/li>\n\u003Cli>\u003Cstrong>教学感知\u003C/strong>（Pedagogical Awareness）：了解学生的学习目标和问诊过程，能给出细粒度的教学反馈。\u003C/li>\n\u003C/ul>\n\u003Cp>对照这三条，论文比较了 SimPatient、EvoPatient、CureFun、Adaptive-VP、MedSimAI 等已有系统：它们大多由同一个模型“端到端”地理解提问并生成回答，容易过早透露信息、前后矛盾；评估也多依赖访谈和问卷，缺少与真人 SP 的定量对比和长期对照。\u003C/p>\n\u003Ch2>方法：把“听懂问题”和“怎么回答”拆开\u003C/h2>\n\u003Cp>EasyMED 把一次模拟问诊交给分工明确的几个智能体（Agent），分为“问诊”和“评估”两个阶段。\u003C/p>\n\u003Cp>\u003Cspan class=\"news-figure\">\u003Cimg src=\"/images/news/acl-2026-ai-standardized-patients/fig1-easymed-framework.png\" alt=\"图 1：EasyMED 的多智能体框架：问诊阶段由辅助智能体（意图识别）与病人智能体协作，结束后由评估智能体给出教学反馈（图源：论文）\" loading=\"lazy\" />\u003Cspan class=\"news-caption\">图 1：EasyMED 的多智能体框架：问诊阶段由辅助智能体（意图识别）与病人智能体协作，结束后由评估智能体给出教学反馈（图源：论文）\u003C/span>\u003C/span>\u003C/p>\n\u003Cp>\u003Cstrong>辅助智能体（Auxiliary Agent）：先听懂学生在问什么。\u003C/strong> 学生每提一个问题，它先把问题归入预先定义的临床问诊意图，比如“主诉”“起病时间”，而不纠结具体措辞。论文整理了 7 大类、31 项问诊意图。为挑选意图识别模型，团队构建了包含 4,631 个临床问题的测试集，Gemini 2.5 Flash 以 \u003Cstrong>96.3%\u003C/strong> 的准确率和 \u003Cstrong>95.0%\u003C/strong> 的宏平均 F1 在六个候选模型中表现最好，被选为 EasyMED 的意图识别模型。\u003C/p>\n\u003Cp>\u003Cstrong>病人智能体（Patient Agent）：再决定说什么、怎么说。\u003C/strong> 拿到意图后，它先从结构化病历中取出对应的那条事实，再结合预设的性格设定（如焦虑、犹豫）用口语作答。“说什么”和“怎么说”分开处理，既能做到问到才说、不提前“剧透”，又保留自然的对话感。\u003C/p>\n\u003Cp>\u003Cstrong>评估智能体（Evaluation Agent）：练完再复盘。\u003C/strong> 它不打断问诊，而是在结束后回看完整对话，把识别出的意图和问到的信息与专家制定的病例清单逐项比对，指出漏问和多余的提问，生成结构化反馈。在两位临床专家对 60 次练习反馈的盲评中，\u003Cstrong>87%\u003C/strong> 的反馈被两位专家都评为恰当（5 分制中 4 分及以上），专家间一致性系数 Cohen&#39;s κ 为 0.76。\u003C/p>\n\u003Cp>实验中，病人智能体和评估智能体以 Gemini 2.5 Pro 为基座，辅助智能体使用 Gemini 2.5 Flash。教学实验所用系统另有体格检查、辅助检查、诊断和评估等界面。\u003C/p>\n\u003Cp>\u003Cspan class=\"news-figure\">\u003Cimg src=\"/images/news/acl-2026-ai-standardized-patients/fig2-easymed-ui.jpg\" alt=\"图 2：EasyMED 的问诊界面，左侧为病例信息与控制面板，中间为 3D 虚拟病人形象，右侧为对话区（图源：论文附录）\" loading=\"lazy\" />\u003Cspan class=\"news-caption\">图 2：EasyMED 的问诊界面，左侧为病例信息与控制面板，中间为 3D 虚拟病人形象，右侧为对话区（图源：论文附录）\u003C/span>\u003C/span>\u003C/p>\n\u003Ch2>SPBench：以真人 SP 的对话为参照\u003C/h2>\n\u003Cp>要判断 AI 病人像不像真人，先得有一把以真人为参照的尺子。SPBench 基于两本常用的标准化病人培训教材构建，收集了 \u003Cstrong>3,208\u003C/strong> 组真实医患问诊中的问答，整理成 \u003Cstrong>58\u003C/strong> 个病例，覆盖 \u003Cstrong>14\u003C/strong> 个医学专科。每个病例包含病人档案和真人 SP 的逐轮对话记录，并经两位临床专家审核。\u003C/p>\n\u003Cp>评测时，真人医生在每个病例中提出的问题序列被原样输入给所有系统，保证各个虚拟病人面对完全相同的提问。打分维度共 8 个，由研究者与三位临床专家共同制定：问题理解（QC）、病例一致性（CC）、受控披露（CD）、回答完整性（RC）、逻辑连贯性（LC）、语言自然度（LN）、对话一致性（CS）和病人举止（PD）。每个维度按 5 分制评分后换算为百分制，由 GPT-4o 担任自动评审；在随机抽取的 86 个样本上，自动评分与两位临床专家盲评结果的 Pearson 相关系数为 \u003Cstrong>0.81\u003C/strong>。\u003C/p>\n\u003Ch2>实验一：在 SPBench 上，EasyMED 最接近真人\u003C/h2>\n\u003Cp>\u003Cspan class=\"news-figure\">\u003Cimg src=\"/images/news/acl-2026-ai-standardized-patients/fig3-spbench-results.png\" alt=\"图 3：SPBench 分维度与总分结果，最后一行为真人标准化病人的参考值（图源：论文表 3，ACL 2026 正式版）\" loading=\"lazy\" />\u003Cspan class=\"news-caption\">图 3：SPBench 分维度与总分结果，最后一行为真人标准化病人的参考值（图源：论文表 3，ACL 2026 正式版）\u003C/span>\u003C/span>\u003C/p>\n\u003Cp>真人 SP 的总分为 \u003Cstrong>97.33\u003C/strong>，EasyMED 以 \u003Cstrong>96.98\u003C/strong> 紧随其后，在所有基于大模型的系统中最高。同样面向虚拟病人设计的 EvoPatient、Adaptive-VP 和 MedSimAI 分别为 93.33、92.56 和 91.67；直接使用通用大模型时，表现最好的 Gemini 2.5 Pro 为 95.04，加上思维链（CoT）提示后为 95.77。\u003C/p>\n\u003Cp>分维度看，EasyMED 的受控披露得分为 98.18，与真人 SP 的 98.53 十分接近；在问题理解、病例一致性和语言自然度三项上，EasyMED 的得分还略高于真人 SP 参考值。论文同时观察到，Adaptive-VP 的受控披露偏低（88.73），MedSimAI 语言自然（96.24）但对话一致性偏弱（86.47）。作者认为，提示词主要影响的是“怎么说”，稳定的病人行为更依赖架构层面的信息控制。\u003C/p>\n\u003Ch2>实验二：四周对照教学，学习效果与真人 SP 相当\u003C/h2>\n\u003Cp>SPBench 衡量的是“像不像”，教学最终要看“有没有用”。研究团队在香港中文大学（深圳）招募了 20 名四、五年级医学本科生，分组前按预设标准排除 6 人（4 人因时间冲突无法参加线下训练，2 人前测成绩过高），最终 14 人（男女各 7 人）进入实验。\u003C/p>\n\u003Cp>实验采用交叉设计：A 组前两周用 EasyMED、后两周换成真人 SP，B 组顺序相反，三位有经验的专业人员担任真人 SP。学生在前测、中测、后测各参加一次 OSCE，三次考试使用难度一致的不同病例，由两位不知道分组情况的考官独立评分。\u003C/p>\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>组别（训练顺序）\u003C/th>\n\u003Cth>前测\u003C/th>\n\u003Cth>中测\u003C/th>\n\u003Cth>后测\u003C/th>\n\u003Cth>四周总提升\u003C/th>\n\u003C/tr>\n\u003C/thead>\n\u003Ctbody>\u003Ctr>\n\u003Ctd>A 组（EasyMED → 真人 SP）\u003C/td>\n\u003Ctd>70.56\u003C/td>\n\u003Ctd>86.07\u003C/td>\n\u003Ctd>87.44\u003C/td>\n\u003Ctd>+16.89\u003C/td>\n\u003C/tr>\n\u003Ctr>\n\u003Ctd>B 组（真人 SP → EasyMED）\u003C/td>\n\u003Ctd>69.84\u003C/td>\n\u003Ctd>82.01\u003C/td>\n\u003Ctd>85.20\u003C/td>\n\u003Ctd>+15.36\u003C/td>\n\u003C/tr>\n\u003C/tbody>\u003C/table>\n\u003Cp>两组起点没有显著差异（t(12) = 0.16，p = 0.88）。四周后，A 组平均提升 \u003Cstrong>16.89\u003C/strong> 分，B 组提升 \u003Cstrong>15.36\u003C/strong> 分（上表数据来自论文表 5，每组 7 人），论文据此认为 EasyMED 对临床技能习得的支持与真人 SP 训练相当。提升主要发生在前两周：第一阶段用 EasyMED 的 A 组提高 15.51 分，用真人 SP 的 B 组提高 12.17 分；交换训练方式后，两组增幅都明显放缓（分别为 1.37 分和 3.19 分）。\u003C/p>\n\u003Cp>\u003Cspan class=\"news-figure\">\u003Cimg src=\"/images/news/acl-2026-ai-standardized-patients/fig4-phase1-gain.png\" alt=\"图 4：第一阶段（前两周）不同基础学生的平均提分，蓝色为真人 SP，绿色为 EasyMED（图源：论文）\" loading=\"lazy\" />\u003Cspan class=\"news-caption\">图 4：第一阶段（前两周）不同基础学生的平均提分，蓝色为真人 SP，绿色为 EasyMED（图源：论文）\u003C/span>\u003C/span>\u003C/p>\n\u003Cp>按前测成绩把学生分为基础较好（前 3 名）和基础较弱（后 4 名）两层后，差异更明显：基础较弱的学生使用 EasyMED 平均提高 \u003Cstrong>21.83\u003C/strong> 分，使用真人 SP 为 16.58 分；基础较好的学生提升都较小（7.10 分对 6.30 分）。论文认为，EasyMED 对训练早期的新手尤其有效。\u003C/p>\n\u003Ch2>更敢问、随时练、成本更低\u003C/h2>\n\u003Cp>学生对 EasyMED 对话真实感的平均评分为 \u003Cstrong>4.6 分\u003C/strong>（5 分制）；对学习帮助的评分为 4.5 分，与真人 SP 的 4.7 分相近。学生在 EasyMED 上的学习焦虑评分显著低于真人 SP（0.5 对 3.2，分数越低越好，p &lt; .01），他们反馈更不担心犯错，也更愿意尝试探索性或重复性的提问。\u003C/p>\n\u003Cp>\u003Cspan class=\"news-figure\">\u003Cimg src=\"/images/news/acl-2026-ai-standardized-patients/fig5-practice-heatmap.png\" alt=\"图 5：每周练习时段分布，左为 EasyMED 组，右为真人 SP 组，格中数字为该时段练习的学生人数（图源：论文）\" loading=\"lazy\" />\u003Cspan class=\"news-caption\">图 5：每周练习时段分布，左为 EasyMED 组，右为真人 SP 组，格中数字为该时段练习的学生人数（图源：论文）\u003C/span>\u003C/span>\u003C/p>\n\u003Cp>系统日志显示，EasyMED 的练习分散在一天中的各个时段，包括晚间和周末，而真人 SP 练习基本集中在工作日的工作时间。EasyMED 单次练习平均 54 轮对话、时长 28 分 49 秒，真人 SP 为 47 轮、15 分 17 秒。论文提示，文字交互本身可能拉长时长，但更多的对话轮数说明学生追问得更充分。\u003C/p>\n\u003Cp>成本差距更直观：按一次完整练习的 token（词元）用量计算，EasyMED 单次成本约 \u003Cstrong>0.725 美元\u003C/strong>；按真人 SP 的标准时薪折算，单次约 \u003Cstrong>52.95 美元\u003C/strong>，相差约 \u003Cstrong>73 倍\u003C/strong>。\u003C/p>\n\u003Ch2>意义与局限\u003C/h2>\n\u003Cp>论文的结论并不是“AI 取代真人 SP”，而是：基于大模型的多智能体虚拟标准化病人，可以成为传统 SP 项目实用、可扩展的补充，让学生随时、低压力、反复地练习问诊。\u003C/p>\n\u003Cp>作者也列出了局限：实验只在一所学校进行，样本少且背景相近；EasyMED 目前只支持文字交互，缺少表情、语气等非语言和多模态线索；自动评分虽与专家评分高度相关，仍可能遗漏对话质量和学习行为中的细微之处。后续计划开展更大规模的多中心、长期研究，引入多模态交互，并继续完善评价指标。\u003C/p>\n\u003Cp>同一方向上，王本友与合作者的另一项研究“It Talks Like a Patient, But Feels Different”（CHI 2026 海报论文，张兵权为作者之一）访谈了 12 名临床阶段医学生并组织三场共创工作坊，发现决定学习者信任与投入的不只是对话是否逼真，更在于教学上是否好用。\u003C/p>\n\u003Cp>EasyMED 的智能体模块与 SPBench 的评测脚本、病例数据均已在 GitHub 开源。\u003C/p>\n\u003Ch2>团队介绍\u003C/h2>\n\u003Cp>本文由武汉大学人工智能学院、香港中文大学（深圳）与自由动脉合作完成。\u003C/p>\n\u003Ch3>周磊｜自由动脉全职员工，论文第四作者\u003C/h3>\n\u003Cp>周磊在 EasyMED 项目中负责部分系统的开发、与用户的对接，以及系统的上线部署。他在论文中的署名单位为自由动脉（Freedom AI）。\u003C/p>\n\u003Ch3>其他作者\u003C/h3>\n\u003Cul>\n\u003Cli>\u003Cstrong>张兵权\u003C/strong>（Bingquan Zhang）：论文共同第一作者，自由动脉实习生，署名单位为武汉大学人工智能学院、香港中文大学（深圳）和自由动脉；也是上述 CHI 2026 共创设计研究的作者之一。\u003C/li>\n\u003Cli>\u003Cstrong>王本友\u003C/strong>：论文通讯作者之一，自由动脉首席 AI 科学家，香港中文大学（深圳）数据科学学院助理教授、博士生导师。\u003C/li>\n\u003Cli>其他作者：Xiaoxiao Liu（共同第一作者）和 Yuchi Wang 来自香港中文大学（深圳），Qianqian Xie（通讯作者之一）来自武汉大学人工智能学院。\u003C/li>\n\u003C/ul>\n",1794841746241]