AI-assisteret læring i medicin

Ackground and Rationale: Den effektive undervisning i intern medicin, en hjørnesten i undergraduate medicinske uddannelse, udgør betydelige pædagogiske udfordringer på grund af bredden og kompleksiteten af ​​emnet og de store studerendes kohorter, der typisk er indskrevet i større akademiske medicinske centre. Mens traditionelle metoder som forelæsninger og lærebogsaflæsninger er vigtige, er der et anerkendt behov for innovative tilgange, der bedre kan understøtte udviklingen af ​​klinisk ræsonnement, lette et dybere engagement med komplekst sagsmateriale og tilbyde mere personaliserede læringsmuligheder i skala. Kunstig intelligens (AI), især avancerede store sprogmodeller (LLM'er), der er trænet på domænespecifik viden, har et betydeligt potentiale som en uddannelsesteknologi til at imødekomme disse behov. Metagp-Edu, en proprietær generativ fundamentmodel, der er finjusteret specifikt til medicinsk uddannelse ved hjælp af pædagogiske datasæt, blev udviklet til at udforske dette potentiale ved at fungere som en supplerende læringsressource. Evaluering af virkningen af ​​den virkelige verden af ​​at integrere sådanne værktøjer i etablerede læseplaner er afgørende for evidensinformeret uddannelsespraksis.

Mål: Det primære mål med denne undersøgelse er at retrospektivt evaluere sammenhængen mellem tilgængeligheden af ​​Metagp-EDU AI-værktøjet som en supplerende læringsressource og den samlede studerendes akademiske præstation i den centrale internalmedicinske læseplan.

Undersøgelsesdesign: Denne undersøgelse anvender et multicenter, retrospektivt kohortundersøgelsesdesign. Rutinemæssigt indsamlede akademiske data fra flere større medicinske skoler i Kina over flere på hinanden følgende akademiske år vil blive analyseret. Denne tilgang muliggør sammenligning af studerendes kohorter baseret på deres historiske eksponering for forskellige uddannelsesressourcemiljøer (med Vs. uden Metagp-Edu-adgang) inden for den virkelige verdens akademiske omgivelser.

Indstilling og deltagere: Undersøgelsen omfatter data fra bachelorstuderende, der er indskrevet i det obligatoriske intern medicinsk kursus på flere store, akademisk tilknyttede medicinske institutioner i Kina. Deltagerne inkluderer studerende, der gennemførte kurset på tværs af en periode med akademiske år, der dækker perioden før og efter introduktionen af ​​Metagp-EDU (ca. efterår 2022). Inkludering er baseret på tilgængeligheden af ​​komplette akademiske poster for det interne medicinske kursus i den specificerede undersøgelsesperiode.

Eksponering/intervention og komparator: Undersøgelsen sammenligner to hovedkohorter defineret ved tidspunktet for Metagp-Edu-tilgængelighed:

Comparations-kohort (Pre-Metagp-Edu): Studerende, der afsluttede kursus i intern medicin i de akademiske år inden introduktionen af ​​Metagp-Edu. Disse studerende udnyttede institutionerne 'etablerede traditionelle undervisningsmetoder (f.eks. Foredrag, tutorials, standardcase-diskussioner, lærebogsopgaver) uden adgang til Metagp-Edu-værktøjet.

Eksponeringskohort (post-Metagp-Edu): Studerende, der afsluttede kursus i intern medicin i de akademiske år efter introduktionen af ​​Metagp-Edu. Disse studerende deltog i de samme kerne traditionelle læseplankomponenter, men havde også adgang til Metagp-EDU via institutionelle platforme som en supplerende, valgfri ressource til selvstyret læring, case-efterforskning og klinisk forespørgselsstøtte.

Resultatforanstaltninger: Det primære resultatmål er den samlede akademiske præstation i kursus i intern medicin, typisk repræsenteret af den endelige numeriske kursusresultat (f.eks. På 0-100 skala) som dokumenteret i officielle universitetsregistre. Nøglecovariater, herunder målinger af baseline akademisk præstation (f.eks. Prior kumulative GPA eller tilsvarende), demografiske faktorer (f.eks. Køn) og institutionelt sted, vil blive ekstraheret fra administrative data for at muliggøre statistisk tilpasning.