Information Literacy & AI in Medicine: รู้เท่าทัน กรองได้ ใช้เป็น

วิชา FMMD 1105 · Week 2 | ปี 1 เทอม 1 · Princess Srisavangavadhana Faculty of Medicine

Part 1 — The Augmented Physician: ภาวะข้อมูลล้นเกิน (Information Overload)

ในฐานะนักศึกษาแพทย์ คุณกำลังก้าวเข้าสู่วิชาชีพที่ "ความถูกต้องของข้อมูล" คือความเป็นความตาย ปัญหาไม่ใช่การขาดข้อมูล — ตรงกันข้าม เราจมอยู่กับ Information Overload ที่ประกอบด้วย Fake News, Clickbait, Misinformation และ Data Dump รายวัน

อาการของโรค Information Overload มี 3 ประการ:

1. Misinformation — รับข้อมูลที่บิดเบือนโดยไม่รู้ตัว
2. Unintentional Plagiarism — คัดลอกผลงานผู้อื่นโดยไม่ตั้งใจ เพราะประมวลข้อมูลเร็วเกินจนลืมใส่ reference
3. Cognitive Erosion — การพึ่งพาเทคโนโลยีจนสูญเสียทักษะการคิด

The Diagnostic Funnel: กรองข้อมูลให้เป็น "Clinically Safe Data"

เปรียบ Information Literacy เหมือน Diagnostic Funnel — Raw Data ที่เข้ามามากมาย ต้องผ่าน filter 5 ชั้นก่อนจะกลายเป็นข้อมูลที่ปลอดภัยพอสำหรับการตัดสินใจทางคลินิก:

กรณีศึกษา — The Lancet Retraction: บริษัท Surgisphere อ้างว่ามีฐานข้อมูลผู้ป่วย COVID-19 ขนาดใหญ่จากทั่วโลก → งานวิจัยพิมพ์ใน The Lancet (ระดับโลก) โดยขาดการตรวจสอบ Accuracy และ Authority → WHO และนานาชาติปรับเปลี่ยนนโยบายการรักษาทันที → ผู้เชี่ยวชาญตรวจสอบพบความผิดปกติ → Retraction เกิดขึ้น

Key Takeaway: ข้อมูลที่ผิดพลาดเพียงจุดเดียว สามารถสร้างผลกระทบระดับนโยบายสาธารณสุขระดับโลกได้

Part 2 — The Ethics Mirror: Plagiarism และจรรยาบรรณวิชาการ

"การนำแนวคิดหรือข้อมูลของผู้อื่นมานำเสนอโดยไม่ให้เครดิต ถือเป็นการประพฤติผิดทางวิชาการที่ร้ายแรง" — Windschuttle & Elliot, 1999

Plagiarism 3 ประเภท

อะไรต้อง Cite เสมอ? (Greetham, 2013)

• Distinctive ideas — แนวคิดที่เป็นเอกลักษณ์เฉพาะของผู้อื่น
• Distinctive structure — โครงสร้างหรือวิธีจัดระเบียบข้อมูลที่คิดขึ้นเป็นพิเศษ
• Information or data from a particular source — ข้อมูลหรือตัวเลขจากแหล่งอ้างอิงเฉพาะ
• Verbatim phrase or passage — ประโยคที่คัดลอกมาแบบคำต่อคำ
• If it is not common knowledge — หากไม่ใช่ความรู้สาธารณะ

กฎเหล็ก: Whenever in doubt, cite it!!!

ตัวอย่างเปรียบเทียบ: Student A vs. Student B

ต้นฉบับ (Bollegala, 2016):

"Letting machines do the bulk of the work means that humans will be freed from routine tasks that computers are better at performing with higher accuracy rates, such as driving cars."

Student A — ไม่ใช่ Plagiarism: "While there are disadvantages to AI performing formerly human jobs, there are also advantages, such as the handover of routine tasks better performed by computers (Bollegaia, 2016)." → เปลี่ยนแนวคิดและภาษาอย่างแท้จริง พร้อม cite

Student B — Plagiarism: "In spite of the greater amount of understanding that AI will soon have, the loss of jobs to machines isn't entirely bad. Letting machines most of the work means that human will be freed from monotonous tasks... such as driving cars (Bollegaia, 2016)." → เปลี่ยนคำบางคำแต่คงโครงสร้างประโยคเดิมไว้ = Unintentional Plagiarism

Part 3 — The New Modality & The Pathology of Reliance: รู้จัก LLM และอันตรายของการพึ่งพา AI

Large Language Models (LLM) ทำงานอย่างไร?

LLM ไม่ได้ "เข้าใจ" สิ่งที่พูด — กลไกพื้นฐานของมันคือการ Predict the next token โดยอาศัยความน่าจะเป็นทางสถิติจาก training data

ผลที่ตามมา: เมื่อ LLM เผชิญกับ Uncertainty มันจะ สร้างคำตอบขึ้นมาเติมเต็มช่องว่าง พร้อมความมั่นใจที่ลวงตา ซึ่งเรียกว่า Hallucination (อาการหลอน) — ข้อมูลเท็จหรืออาการหลอน เช่น บอกชื่อบทความ journal ที่ไม่มีอยู่จริง พร้อม DOI ที่ดูสมจริง

โครงสร้าง Black Box:

• Input Layer → รับ prompt จากผู้ใช้ (เช่น "สรุปอาการของผู้ป่วย...")
• Hidden Layers → กระบวนการตัดสินใจที่ซับซ้อนมนุษย์ไม่สามารถตรวจสอบได้
• Output Layer → Path A (Fact): ข้อมูลถูกต้อง / Path B (Hallucination): สร้างข้อมูลเทียมขึ้นมา

The Pathology of Reliance: วงจรชั่วร้าย

Cognitive Offloading คือพฤติกรรมที่เราพึ่งพาเครื่องมือภายนอก (เช่น สมาร์ตโฟน, AI) เพื่อลดภาระการทำงานของสมองตนเอง ผลลัพธ์ที่ตามมา: สมองมีพื้นที่ว่างมากขึ้น แต่แลกมาด้วยความเสี่ยงที่จะเกิด Cognitive Laziness เนื่องจากขาดการฝึกฝนทักษะเชิงลึก

วงจรชั่วร้าย 5 ขั้น:

1. ความเชื่อมั่นใน AI (Trust in AI)
2. การใช้งานที่สูงขึ้น (High AI Usage)
3. การผลักภาระทางปัญญา (Cognitive Offloading)
4. ทักษะการคิดวิเคราะห์ถดถอย (Atrophy of Critical Thinking)
5. ขาดความมั่นใจในตัวเอง → พึ่งพา AI มากขึ้น (Greater Reliance) → วนกลับสู่ข้อ 1

หลักฐานเชิงสถิติ จากการวิจัย Mixed Method (n=666, สหราชอาณาจักร):

• Correlation ระหว่างความถี่ในการใช้ AI กับคะแนน Critical Thinking: r = -0.68 (สัมพันธ์เชิงลบอย่างมีนัยสำคัญ)
• เส้นทางกลไก (Mediation Path): AI Use → Cognitive Offloading (r = +0.72) → ลด Critical Thinking (r = -0.75); Total Effect = -0.42
• กลุ่มอายุ 17-25 ปี พึ่งพา AI สูงกว่า และคะแนนการคิดวิเคราะห์ต่ำกว่า กลุ่มอายุ 46 ปีขึ้นไป
• ระดับการศึกษา (Education Level) เป็น protective factor — ผู้มีการศึกษาสูงมักตรวจสอบ AI output อย่างระมัดระวังมากขึ้น

3 ธีมจากการสัมภาษณ์เชิงลึก 50 คน:

1. AI Dependence — AI กลายเป็น Cognitive Substitute ไม่ใช่แค่ผู้ช่วย
2. Diminishing Cognitive Engagement — ผู้ใช้ขาดความอดทนในการไตร่ตรองปัญหาซับซ้อน
3. Ethical Blindness & Trust — Blind Trust ทำให้ละทิ้งการตั้งคำถาม รับข้อมูลโดยปราศจากการตรวจสอบ

Part 4 — The "Trust but Verify" Protocol: ใช้ AI อย่างเป็นแพทย์

Human vs. AI: สิ่งที่แทนกันไม่ได้

The "Trust but Verify" Protocol — 4 ขั้นตอน

1. PROMPT (Human)
   ตั้งคำถามที่รัดกุม เฉพาะเจาะจง และมีบริบท
        ↓
2. GENERATE (AI)
   ให้ AI สังเคราะห์ข้อมูลเบื้องต้นเพื่อประหยัดเวลา
        ↓
3. CHALLENGE (Human) ← ขั้นตอนที่สำคัญที่สุด
   ตรวจสอบแหล่งอ้างอิง ขัดเกลาตรรกะ และตั้งข้อสงสัย
        ↓
4. SYNTHESIZE (Human)
   ผนวกข้อมูลที่ตรวจสอบแล้วเข้ากับวิจารณญาณทางคลินิกเพื่อตัดสินใจ

3 วิธีตรวจสอบ AI Output

1. Verify Citations & Sources — สั่งให้ AI ระบุแหล่งที่มาเสมอ และอย่าเชื่อ link ทันที ต้องตรวจสอบว่าบทความนั้นมีอยู่จริงและน่าเชื่อถือ
2. Cross-Reference with Domains — ใช้เครื่องมือภายนอกเพื่อยืนยันข้อเท็จจริง เช่น Google Scholar, PubMed, หรือ Scopus
3. Assess Logical Consistency — ประเมินบริบทและความสมเหตุสมผล โดยจับสังเกตว่า AI มั่นใจเกินจริงในเรื่องที่ควรมีความไม่แน่นอนทางการแพทย์หรือไม่

Restoring the Balance: การใช้ AI อย่างถูกต้องในการศึกษา

บทสรุป

"ในยุคที่ AI สามารถคิดแทนเราได้แทบทุกเรื่อง การคิดเชิงวิพากษ์จะไม่ใช่แค่ทักษะ แต่คือสิ่งเดียวที่ยืนยันถึงความเป็นมนุษย์ของเรา"

ให้ AI เป็น ส่วนเสริม ไม่ใช่ตัวแทน — สร้าง Cognitive Resilience โดยหมั่นทบทวนและฝึกฝนทักษะการแก้ปัญหาด้วยตนเองอย่างสม่ำเสมอ