Tato stránka byla automaticky přeložena a přesnost překladu není zaručena. Podívejte se prosím na anglická verze pro zdrojový text.

Vzdělávací agent využívající umělou inteligenci pro kurzy lékařského strojového učení

3. března 2026 aktualizováno: Wei XIA, PhD, Sun Yat-sen University

Aplikace a účinnost vzdělávacího agenta založeného na velkém jazykovém modelu ve zdravotnickém vzdělávání: Studie o kurzu strojového učení a dolování dat

Cílem této intervenční studie je vyhodnotit účinnost vzdělávacího AI agenta založeného na Large Language Model (LLM) u postgraduálních studentů (magisterských a doktorských) specializujících se na medicínu nebo ošetřovatelství, kteří jsou zapsáni do kurzu „Strojové učení a dolování dat“. Hlavní otázky, na které se studie zaměřuje, jsou:

Zlepšuje použití vzdělávacího AI agenta akademické výkony a praktické dovednosti studentů ve strojovém učení ve srovnání s tradičními metodami?

Zlepšuje AI intervence sebevědomí studentů při učení, spokojenost a kognitivní zapojení?

Výzkumníci porovnají studenty, kteří aktuálně používají AI agenta (experimentální skupina), s historickou kontrolní skupinou (studenty z předchozího ročníku, kteří nepoužívali AI nástroj), aby zjistili, zda model učení s asistencí AI vede k výrazně vyšším studijním výsledkům a lepším vzdělávacím zkušenostem.

Účastníci budou:

Využívat výukového agenta pro odpovědi na teoretické otázky v reálném čase, personalizované plánování studia a upevňování znalostí.

Spolupracovat s výzkumným agentem na pomoc s rešerší literatury, optimalizací výzkumného designu a strukturou akademického psaní.

Používat agenta pro praktické inovace pro vedení v kódování, ladění algoritmů a aplikaci modelů strojového učení na projekty analýzy lékařských dat.

Přehled studie

Postavení

Nábor

Podmínky

Intervence / Léčba

Detailní popis

Pozadí: Umělá inteligence (AI) a dolování dat se stávají nezbytnými dovednostmi v moderním lékařském a ošetřovatelském výzkumu. Tradiční metody výuky postgraduálního kurzu "Strojové učení a dolování dat" však často zápasí s uspokojením personalizovaných vzdělávacích potřeb studentů s různými technickými zázemími (např. programování, matematika). Aby se tento problém vyřešil, tato studie představuje vlastně vyvinutého Vzdělávacího agenta AI založeného na velkých jazykových modelech (LLM), který slouží jako inteligentní učební asistent.

Cíle: Hlavním cílem je vyhodnotit účinnost AI Agentu při zlepšování vzdělávacích výsledků, praktických programovacích dovedností a akademické sebeúčinnosti mezi studenty medicíny a ošetřovatelství. Studie také usiluje o posouzení proveditelnosti a spokojenosti studentů s integrací AI agentů do lékařského kurikula.

Design studie: Jedná se o nerandomizovanou intervenční studii využívající historický kontrolní design.

Design studie: Jedná se o nerandomizovanou intervenční studii využívající historický kontrolní design.

Experimentální skupina (intervence): Studenti v akademickém roce 2025-2026, kteří získají přístup k systému AI Agent.

Kontrolní skupina (historická): Studenti z předchozí akademické kohorty (2024-2025), kteří absolvovali stejné kurikulum pomocí standardních výukových metod bez podpory AI.

Podrobnosti intervence: Intervence zahrnuje nasazení systému AI Agentu poháněného LLM a vyhledáváním posíleným generováním založeným na znalostním grafu (KGRAG). Rámec KGRAG omezuje odpovědi AI na ověřenou znalostní bázi (učebnice kurzu, přednáškové prezentace a kurátorské úložiště kódu), aby minimalizoval "halucinace" a zajistil lékařskou/vědeckou přesnost. Systém zahrnuje tři specializované funkční moduly:

Výukový agent: Funguje jako 24/7 tutor, poskytuje vysvětlení konceptů, shrnuje klíčové znalostní body a nabízí personalizované studijní plány na základě pokroku studenta.

Výzkumný agent: Podporuje výzkumný trénink pomocí asistence při literární rešerši, upřesňování výzkumných otázek a optimalizaci struktury akademického psaní.

Agent pro praktické inovace: Usnadňuje získávání praktických dovedností tím, že studenty provádí generováním kódu, laděním algoritmů a aplikací modelů strojového učení na reálné lékařské datové sady. Agent používá sokratickou metodu výuky k vedení řešení problémů místo poskytování přímých odpovědí.

Typ studie

Intervenční

Zápis (Odhadovaný)

56

Fáze

  • Nelze použít

Kontakty a umístění

Tato část poskytuje kontaktní údaje pro ty, kteří studii provádějí, a informace o tom, kde se tato studie provádí.

Studijní kontakt

Studijní záloha kontaktů

Studijní místa

  • Čína
    • Guangdong
      • Guangzhou, Guangdong, Čína, 510000

Kritéria účasti

Výzkumníci hledají lidi, kteří odpovídají určitému popisu, kterému se říká kritéria způsobilosti. Některé příklady těchto kritérií jsou celkový zdravotní stav osoby nebo předchozí léčba.

Kritéria způsobilosti

Věk způsobilý ke studiu

  • Dítě
  • Dospělý
  • Starší dospělý

Přijímá zdravé dobrovolníky

Ano

Popis

Kritéria pro zařazení:

  1. Medičtí postgraduální studenti z univerzit ve Velké zátoce Guangdong-Hongkong-Macao;
  2. Postgraduální studenti, kteří absolvovali kurz "Strojové učení a dolování dat";
  3. Dokončili požadované předpokladové kurzy: "Lékařská statistika" a "Výzkum v ošetřovatelství";
  4. Schopní normálně obsluhovat systém AI Educational Agent a ochotní podstoupit relevantní pedagogické intervence a hodnocení během studie.

Kritéria pro vyloučení:

  1. Neochotní používat systém AI vzdělávacího agenta nebo odmítající umožnit výzkumnému týmu shromažďovat jejich relevantní data;
  2. Studenti, kteří se nemohou zavázat k celé délce kurzu nebo mají známé časové konflikty, které by zabránily pravidelné účasti;
  3. Studenti, kteří se v předchozích akademických letech již zapsali nebo auditující tento kurz, aby se předešlo zkreslení učebního efektu.

Studijní plán

Tato část poskytuje podrobnosti o studijním plánu, včetně toho, jak je studie navržena a co studie měří.

Jak je studie koncipována?

Detaily designu

  • Primární účel: Jiný
  • Přidělení: N/A
  • Intervenční model: Přiřazení jedné skupiny
  • Maskování: Žádné (otevřený štítek)

Zbraně a zásahy

Skupina účastníků / Arm
Intervence / Léčba
Experimentální: Skupina s intervencí AI agenta
Studenti magisterského studia zapsaní do kurzu „Strojové učení a dolování dat“ v akademickém roce 2025–2026. Účastníci této skupiny budou po celý semestr využívat vlastní výukový systém založený na KGRAG. Systém obsahuje tři moduly: Výukový agent pro vysvětlování pojmů, Výzkumný agent pro podporu akademického psaní a Agent pro inovace v praxi pro generování kódu a ladění
Jiný: Systém vzdělávacích agentů založený na KGRAG
Zásah spočívá ve vlastním vývoji vzdělávacího systému umělé inteligence poháněného velkými jazykovými modely (LLM) a technologií Knowledge Graph-based Retrieval-Augmented Generation (KGRAG). Systém se skládá ze tří specializovaných agentů na podporu samostatného učení: 1. Učící agent: Poskytuje vysvětlení konceptů v reálném čase, personalizované studijní plány a posílení znalostí na základě učebních osnov. 2. Výzkumný agent: Pomáhá s rešerší literatury, zpřesněním výzkumných otázek a strukturou akademického psaní. 3. Agent pro praktickou inovaci: Provádí studenty generováním kódu, laděním algoritmů a projekty dolování dat pomocí sokratovských metod výuky k rozvoji dovedností řešení problémů. Účastníci mají k tomuto systému přístup 24/7 po celý semestr.

Co je měření studie?

Primární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
Kompozitní skóre akademického výkonu
Časové okno: Po zákroku (na konci kurzu, přibližně 3. týden)

Hodnoceno prostřednictvím konečné kumulativní známky z kurzu (rozsah: 0-100), která ukazuje celkovou zvládnutí studentem konceptů a aplikací strojového učení. Skóre se vypočítává na základě tří vážených složek:

Zadání ve třídě (20 %): Hodnocení pravidelných úkolů odevzdaných prostřednictvím platformy kurzu.

Práce o postupu výzkumu (40 %): Písemná práce na volně zvolené téma hodnotící teoretické porozumění a dovednosti v návrhu výzkumu.

Prezentace závěrečného skupinového projektu (40 %): Hodnocení praktického projektu, kde studenti prezentují řešení a výsledky na základě daných lékařských případů a datových sad. Vyšší skóre naznačuje lepší akademický výkon.

Skóre experimentální skupiny bude porovnáno s historickou kontrolní skupinou
Po zákroku (na konci kurzu, přibližně 3. týden)

Sekundární výstupní opatření

Měření výsledku
Popis opatření
Časové okno
Rychlost získávání objektivních znalostí
Časové okno: Po zásahu (na konci kurzu, přibližně 3. týden)
Hodnoceno pomocí strukturovaného znalostního testu zabudovaného do průzkumů kurzu. Test zahrnuje otázky s výběrem z více možností, které pokrývají klíčové koncepty, metody zpracování dat a etické aspekty. Výsledek je uváděn jako procento správných odpovědí.
Po zásahu (na konci kurzu, přibližně 3. týden)
Vnímaná užitečnost a přijetí technologie
Časové okno: Po intervenci (na konci kurzu, přibližně 3. týden)
Hodnoceno pomocí dotazníku po kurzu založeného na modelu přijetí technologie (TAM). Účastníci hodnotí užitečnost AI Agenta pro svůj výzkum a práci na škále od 0 (Žádná pomoc) do 10 (Velmi užitečný)
Po intervenci (na konci kurzu, přibližně 3. týden)
AI Agent Zapojení: Frekvence Interakce
Časové okno: Na konci kurzu (přibližně 3. týden)
Celkový počet konverzací a konverzačních tahů na studenta, hodnoceno kvantitativní analýzou logů backendového systému pro měření chování zapojení studenta.
Na konci kurzu (přibližně 3. týden)
Zapojení AI Agentů: Časové Vzory
Časové okno: Na konci kurzu (přibližně 3. týden)
Porovnání četnosti využívání umělé inteligence během týdnů přípravy na zkoušky oproti běžným studijním týdnům, hodnoceno pomocí kvantitativní analýzy logů backendového systému.
Na konci kurzu (přibližně 3. týden)
AI Agent Zapojení: Témata Dotazů
Časové okno: Na konci kurzu (přibližně 3. týden)
Identifikace témat studentských dotazů pomocí aplikace algoritmů modelování témat na záznamy backendového systému.
Na konci kurzu (přibližně 3. týden)

Spolupracovníci a vyšetřovatelé

Zde najdete lidi a organizace zapojené do této studie.

Sponzor

Sun Yat-sen University

Termíny studijních záznamů

Tato data sledují průběh záznamů studie a předkládání souhrnných výsledků na ClinicalTrials.gov. Záznamy ze studií a hlášené výsledky jsou před zveřejněním na veřejné webové stránce přezkoumány Národní lékařskou knihovnou (NLM), aby se ujistily, že splňují specifické standardy kontroly kvality.

Hlavní termíny studia

Začátek studia (Aktuální)

1. května 2025

Primární dokončení (Odhadovaný)

31. března 2026

Dokončení studie (Odhadovaný)

31. března 2026

Termíny zápisu do studia

První předloženo

27. února 2026

První předloženo, které splnilo kritéria kontroly kvality

27. února 2026

První zveřejněno (Aktuální)

4. března 2026

Aktualizace studijních záznamů

Poslední zveřejněná aktualizace (Aktuální)

5. března 2026

Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality

3. března 2026

Naposledy ověřeno

1. února 2026

Více informací

Termíny související s touto studií

Klíčová slova

Další identifikační čísla studie

  • L2025SYSU-HL-032
  • 25XJ0215 (Jiné číslo grantu/financování: China Association of Higher Education)

Plán pro data jednotlivých účastníků (IPD)

Plánujete sdílet data jednotlivých účastníků (IPD)?

ANO

Popis plánu IPD

Data budou sdílena jeden rok po zveřejnění výsledků studie. Výzkumníci mohou k datům získat přístup kontaktováním hlavního řešitele na adrese xiaw23@mail.sysu.edu.cn s popsaným výzkumným záměrem.

Časový rámec sdílení IPD

Po publikaci studie

Kritéria přístupu pro sdílení IPD

Výzkumníci mohou získat přístup k datům kontaktováním hlavního výzkumníka na adrese xiaw23@mail.sysu.edu.cn s popsaným účelem výzkumu.

Typ podpůrných informací pro sdílení IPD

  • PROTOKOL STUDY
  • MÍZA
  • ANALYTIC_CODE

Informace o lécích a zařízeních, studijní dokumenty

Studuje lékový produkt regulovaný americkým FDA

Ne

Studuje produkt zařízení regulovaný americkým úřadem FDA

Ne

Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .

Klinické studie na Lékařské vzdělání

Prohledejte podobné pokusy

Sponzoři a spolupracovníci

Zdravotní podmínky

Drogové intervence

CROs by country

CROs in Germany

Podmínky

Vzácné nemoci

Drogové intervence

Doplňky stravy

Sponzor / Spolupracovníci

Místa

Předplatit