доктор медицинских наук;
doctor of medical sciences;
Введение. Генеративный искусственный интеллект (Generative Artificial Intelligence, GenAI), включая ChatGPT и другие большие языковые модели, становится значимым фактором цифровой трансформации фармацевтического образования. Его применение расширяет возможности персонализированного обучения, моделирования клинико-фармацевтических ситуаций, подготовки учебных материалов, поддержки академического письма, формирования навыков работы с лекарственной информацией и развития критического мышления у студентов. Вместе с тем внедрение таких инструментов сопровождается рядом методологических, этических и организационно-управленческих рисков, включая генерацию недостоверной информации, галлюцинации искусственного интеллекта, фиктивные ссылки, алгоритмические смещения, нарушение академической добросовестности и недостаточную сформированность искусственно-интеллектуальной грамотности обучающихся. Цель обзора: систематизировать международный опыт применения ChatGPT и других инструментов генеративного искусственного интеллекта в фармацевтическом образовании, определить образовательные эффекты, риски и методологические дефициты имеющейся доказательной базы, а также обосновать сетевую научно-методическую кластерную модель проведения многоцентрового исследования в российских образовательных организациях, реализующих программы среднего профессионального и высшего фармацевтического образования по укрупнённой группе специальностей и направлений подготовки 33.00.00 «Фармация». В статье рассмотрены основные сценарии применения ChatGPT, Gemini, Claude, Copilot, DeepSeek, ГигаЧат, Алиса AI и Cloud.ru в фармацевтическом образовании. К числу таких сценариев относятся объяснение сложных учебных тем, генерация учебных заданий и промптов, подготовка фармацевтических кейсов, поддержка самостоятельной работы студентов, развитие навыков экспертной верификации информации и формирование цифровой образовательной траектории. Показано, что международная доказательная база по данной проблеме представлена преимущественно поперечными опросами, пилотными педагогическими вмешательствами, нарративными обзорами и обзорами картирования. Такая методологическая гетерогенность ограничивает возможность прямой экстраполяции зарубежных результатов на российскую систему фармацевтического образования. Особого внимания требуют оценка валидности ответов больших языковых моделей, анализ корреляций между уровнем цифровой компетентности обучающихся и эффективностью использования генеративного искусственного интеллекта, а также разработка институциональных регламентов его безопасного и этически обоснованного применения. Заключение. ChatGPT и другие инструменты генеративного искусственного интеллекта целесообразно рассматривать не как автономные источники профессиональных решений, а как управляемые образовательные технологии, требующие педагогического сопровождения, экспертной оценки, нормативной регламентации и развития искусственно-интеллектуальной грамотности. Проведение многоцентрового исследования в России позволит получить сопоставимые эмпирические данные о распространённости, сценариях, барьерах, рисках и образовательных эффектах применения данных технологий в фармацевтическом образовании.
Introduction. Generative artificial intelligence (Generative Artificial Intelligence, GenAI), including ChatGPT and other large language models, is becoming an important factor in the digital transformation of pharmacy education. Its use expands opportunities for personalised learning, modelling of clinical and pharmaceutical situations, development of educational materials, academic writing support, formation of drug information skills, and enhancement of students’ critical thinking. At the same time, the implementation of such tools is associated with a range of methodological, ethical, organisational, and managerial risks, including the generation of inaccurate information, artificial intelligence hallucinations, fabricated references, algorithmic bias, violations of academic integrity, and insufficient artificial intelligence literacy among learners. Aim. The purpose of the review: to systematize the international experience of using ChatGPT and other tools of generative artificial intelligence in pharmaceutical education, to determine the educational effects, risks and methodological deficiencies of the available evidence base, as well as to substantiate the network scientific and methodological cluster model of multicenter research in Russian educational organizations implementing secondary vocational and higher pharmaceutical education programs in an enlarged group of specialties and areas of study 33.00.00 «Pharmacy». The article discusses the main scenarios for using ChatGPT, Gemini, Claude, Copilot, DeepSeek, GigaChat, Alice AI, and Cloud.ru in pharmacy education. These scenarios include explaining complex learning topics, generating educational tasks and prompts, preparing clinical and pharmaceutical cases, supporting students’ independent work, developing expert information verification skills, and forming a digital educational pathway. The international evidence base on this issue is shown to consist mainly of cross-sectional surveys, pilot educational interventions, narrative reviews, and scoping reviews. Such methodological heterogeneity limits the direct extrapolation of international findings to the Russian system of pharmacy education. Particular attention should be paid to assessing the validity of responses generated by large language models, analysing correlations between learners’ digital competence and the effectiveness of generative artificial intelligence use, and developing institutional regulations for its safe and ethically justified application. Conclusion. ChatGPT and other generative artificial intelligence tools should be considered not as autonomous sources of professional decisions, but as supervised educational technologies requiring pedagogical support, expert evaluation, regulatory guidance, and the development of artificial intelligence literacy. Conducting a multicentre study in Russia will make it possible to obtain comparable empirical data on the prevalence, scenarios, barriers, risks, and educational effects of these technologies in pharmacy education.