Denne side blev automatisk oversat, og nøjagtigheden af ​​oversættelsen er ikke garanteret. Der henvises til engelsk version for en kildetekst.

En AI-uddannelsesagent til medicinske maskinlæringskurser

3. marts 2026 opdateret af: Wei XIA, PhD, Sun Yat-sen University

Anvendelse og effektivitet af en stor sprogmodel-baseret pædagogisk agent i medicinsk uddannelse: En undersøgelse af kurset i maskinlæring og datamining

Formålet med denne interventionelle undersøgelse er at evaluere effektiviteten af en uddannelsesmæssig AI-agent baseret på Large Language Model (LLM) hos kandidatstuderende (master og ph.d.), der specialiserer sig i medicin eller sygepleje og som er tilmeldt kurset "Maskinlæring og datamining". De vigtigste spørgsmål, den sigter mod at besvare, er:

Forbedrer brugen af en uddannelsesmæssig AI-agent studerendes akademiske præstationer og praktiske færdigheder inden for maskinlæring sammenlignet med traditionelle metoder?

Forbedrer AI-interventionen studerendes læringsselvtillid, tilfredshed og kognitiv engagement?

Forskere vil sammenligne studerende, der i øjeblikket bruger AI-agenten (eksperimentel gruppe), med en historisk kontrolgruppe (studerende fra den foregående årgang, som ikke brugte AI-værktøjet) for at se, om den AI-assisterede læringsmetode fører til signifikant højere læringspræstationer og bedre uddannelsesoplevelser.

Deltagere vil:

Bruge Undervisningsagenten til realtidssvar på teoretiske spørgsmål, personlig studieplanlægning og videnforstærkning.

Interagere med Forskningsagenten for at få hjælp til litteraturgennemgange, optimering af forskningsdesign og akademisk skrivestruktur.

Bruge Praksisinnovationsagenten til vejledning i kodning, algoritmedebugging og anvendelse af maskinlæringsmodeller på medicinske dataanalyseprojekter.

Studieoversigt

Status

Rekruttering

Betingelser

Intervention / Behandling

Detaljeret beskrivelse

Baggrund: Kunstig intelligens (AI) og datamining bliver essentielle færdigheder i moderne medicinsk og sygeplejeforskning. Dog har traditionelle undervisningsmetoder til kandidatkurset "Maskinlæring og datamining" ofte svært ved at imødekomme de personlige læringsbehov hos studerende med varierende tekniske baggrunde (f.eks. programmering, matematik). For at løse dette introducerer denne undersøgelse en specialudviklet AI-uddannelsesagent baseret på store sprogmodeller (LLM'er) til at fungere som en intelligent undervisningsassistent.

Formål: Det primære formål er at evaluere effektiviteten af AI-agenten i forhold til at forbedre læringsresultater, praktiske programmeringsfærdigheder og akademisk selvtillid blandt medicinske og sygeplejefaglige kandidatstuderende. Undersøgelsen har også til formål at vurdere gennemførligheden og studerendes tilfredshed med at integrere AI-agenter i den medicinske uddannelsesplan.

Studiedesign: Dette er en ikke-randomiseret interventionsundersøgelse, der anvender et historisk kontroldesign.

Studiedesign: Dette er en ikke-randomiseret interventionsundersøgelse, der anvender et historisk kontroldesign.

Eksperimentel gruppe (intervention): Studerende i akademisk år 2025-2026, som får adgang til AI-agent-systemet.

Kontrolgruppe (historisk): Studerende fra den foregående årgang (2024-2025), som gennemførte samme pensum ved hjælp af standardundervisningsmetoder uden AI-støtte.

Interventionsdetaljer: Interventionen involverer implementering af et AI-agent-system drevet af LLM'er og videnbaseret retrieval-augmented generation (KGRAG). KGRAG-rammen begrænser AI'ens svar til en verificeret vidensbase (kursusbøger, foredragsslides og kuraterede kode-repositorier) for at minimere "hallucinationer" og sikre medicinsk/videnskabelig nøjagtighed. Systemet inkluderer tre specialiserede funktionsmoduler:

Undervisningsagent: Fungerer som en 24/7-underviser, der giver konceptforklaringer, opsummerer centrale videnspunkter og tilbyder personlige studieplaner baseret på studerendes fremskridt.

Forskningsagent: Støtter forskningstræning ved at hjælpe med litteraturgennemgang, forfinelse af forskningsspørgsmål og optimering af akademiske skrivestrukturer.

Praktisk innovationsagent: Faciliterer erhvervelse af praktiske færdigheder ved at guide studerende gennem kodegenerering, fejlfinding af algoritmer og anvendelse af maskinlæringsmodeller på virkelige medicinske datasæt. Agenten anvender en sokratisk undervisningsmetode til at guide problemløsning i stedet for at give direkte svar.

Undersøgelsestype

Interventionel

Tilmelding (Anslået)

56

Fase

  • Ikke anvendelig

Kontakter og lokationer

Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.

Studiekontakt

Undersøgelse Kontakt Backup

Studiesteder

  • Kina
    • Guangdong
      • Guangzhou, Guangdong, Kina, 510000

Deltagelseskriterier

Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.

Berettigelseskriterier

Aldre berettiget til at studere

  • Barn
  • Voksen
  • Ældre voksen

Tager imod sunde frivillige

Ja

Beskrivelse

Inklusionskriterier:

  1. Medicinstuderende fra universiteter i Guangdong-Hongkong-Macao Greater Bay Area;
  2. Studerende, der har taget kurset "Maskinlæring og datamining";
  3. Har gennemført de nødvendige forudsætningskurser: "Medicinsk statistik" og "Sundhedsforskning";
  4. I stand til at betjene AI Educational Agent-systemet normalt og villige til at gennemgå relevante undervisningsinterventioner og vurderinger i løbet af studieperioden.

Eksklusionskriterier:

  1. Uvillige til at bruge AI-uddannelsesagent-systemet, eller nægter at tillade forskningsteamet at indsamle deres relevante data;
  2. Studerende, der ikke kan forpligte sig til hele kursets varighed eller har kendte tidsplanmæssige konflikter, der ville forhindre regelmæssig fremmøde;
  3. Studerende, der tidligere har tilmeldt sig eller overværet dette kursus i tidligere akademiske år for at undgå bias fra læringseffekt

Studieplan

Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.

Hvordan er undersøgelsen tilrettelagt?

Design detaljer

  • Primært formål: Andet
  • Tildeling: N/A
  • Interventionel model: Enkelt gruppeopgave
  • Maskning: Ingen (Åben etiket)

Våben og indgreb

Deltagergruppe / Arm
Intervention / Behandling
Eksperimentel: AI Agent Interventionsgruppe
Kandidatstuderende tilmeldt kurset "Maskinlæring og datamining" i akademiske år 2025-2026. Deltagere i denne gruppe vil anvende det specialudviklede KGRAG-baserede AI-uddannelsesagentsystem gennem hele semestret. Systemet inkluderer tre moduler: en Undervisningsagent til konceptforklaring, en Forskningsagent til akademisk skrivestøtte og en Praksisinnovationsagent til kodegenerering og fejlfinding
Andet: KGRAG-baseret AI Uddannelsesagent System
Interventionen involverer et specialudviklet AI-uddannelsessystem drevet af Large Language Models (LLM'er) og Knowledge Graph-based Retrieval-Augmented Generation (KGRAG) teknologi. Systemet består af tre specialiserede agenter til at støtte selvstyret læring: 1. Undervisningsagent: Giver realtidsforklaringer af begreber, personlige studieplaner og videnforstærkning baseret på kursets læseplan. 2. Forskningsagent: Hjælper med litteraturgennemgang, forfinelse af forskningsspørgsmål og akademisk skrivestruktur. 3. Praksis- og innovationsagent: Guider studerende gennem kodegenerering, algoritmedebugging og datamineringsprojekter ved hjælp af sokratiske undervisningsmetoder til at fremme problemløsningsfærdigheder. Deltagerne har 24/7 adgang til dette system gennem hele semestret.

Hvad måler undersøgelsen?

Primære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Samlet Akademisk Præstationsscore
Tidsramme: Efter interventionen (ved kursets afslutning, ca. uge 3)

Vurderet gennem den endelige kumulative kursuskarakter (interval: 0-100), som angiver studentens samlede mestring af maskinlæringskoncepter og applikationer. Karakteren beregnes baseret på tre vægtede komponenter:

Opgaveopgaver i klassen (20%): Evaluering af regelmæssige opgaver indsendt via kursusplatformen.

Forskningsfremdriftspapir (40%): Et skriftligt papir om et frit-udforskningstema, der vurderer teoretisk forståelse og forskningsdesignfærdigheder.

Gruppefinaleprojektpræsentation (40%): Vurdering af et praktisk projekt, hvor studerende præsenterer løsninger og resultater baseret på givne medicinske tilfælde og datasæt. Højere karakterer indikerer bedre akademisk præstation.

Eksperimentgruppens karakterer vil blive sammenlignet med den historiske kontrolgruppe
Efter interventionen (ved kursets afslutning, ca. uge 3)

Sekundære resultatmål

Resultatmål
Foranstaltningsbeskrivelse
Tidsramme
Objektiv videnstilegnelsesrate
Tidsramme: Efter interventionen (ved kursets afslutning, cirka uge 3)
Evaluering foretaget ved hjælp af en struktureret vurdering af viden indlejret i kursusundersøgelserne. Vurderingen omfatter multiple-choice-spørgsmål, der dækker kernebegreber, databehandlingsmetoder og etiske overvejelser. Resultatet rapporteres som procentdelen af korrekte svar
Efter interventionen (ved kursets afslutning, cirka uge 3)
Opfattet Nytteværd og Teknologiaccept
Tidsramme: Efter interventionen (ved kursets afslutning, cirka uge 3)
Vurderet ved hjælp af efterkursusundersøgelsen baseret på Technology Acceptance Model (TAM). Deltagerne vurderer AI Agentens hjælpsomhed for deres forskning og arbejde på en skala fra 0 (Ingen hjælp) til 10 (Meget hjælpsom)
Efter interventionen (ved kursets afslutning, cirka uge 3)
AI Agent Engagement: Interaktionshyppighed
Tidsramme: Ved kursusafslutningen (cirka uge 3)
Samlet antal samtaler og samtaleafslutninger pr. elev, vurderet via kvantitativ analyse af backend-systemets logfiler for at måle elevernes engagement.
Ved kursusafslutningen (cirka uge 3)
AI Agent Engagement: Tidsmæssige Mønstre
Tidsramme: Ved kursets afslutning (ca. uge 3)
Sammenligning af hyppigheden af AI-agentbrug under eksamensforberedelsesuger versus almindelige studieuger, vurderet via kvantitativ analyse af backend-systemlogfiler.
Ved kursets afslutning (ca. uge 3)
AI Agent Engagements: Forespørgsels Temaer
Tidsramme: Ved kursets afslutning (cirka uge 3)
Identifikation af studerendes forespørgsler gennem anvendelse af emnemodelleringsalgoritmer på backend-systemlogfiler.
Ved kursets afslutning (cirka uge 3)

Samarbejdspartnere og efterforskere

Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.

Sponsor

Sun Yat-sen University

Datoer for undersøgelser

Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.

Studer store datoer

Studiestart (Faktiske)

1. maj 2025

Primær færdiggørelse (Anslået)

31. marts 2026

Studieafslutning (Anslået)

31. marts 2026

Datoer for studieregistrering

Først indsendt

27. februar 2026

Først indsendt, der opfyldte QC-kriterier

27. februar 2026

Først opslået (Faktiske)

4. marts 2026

Opdateringer af undersøgelsesjournaler

Sidste opdatering sendt (Faktiske)

5. marts 2026

Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier

3. marts 2026

Sidst verificeret

1. februar 2026

Mere information

Begreber relateret til denne undersøgelse

Nøgleord

Andre undersøgelses-id-numre

  • L2025SYSU-HL-032
  • 25XJ0215 (Andet bevillings-/finansieringsnummer: China Association of Higher Education)

Plan for individuelle deltagerdata (IPD)

Planlægger du at dele individuelle deltagerdata (IPD)?

JA

IPD-planbeskrivelse

Dataene vil blive delt et år efter, at studieresultaterne er offentliggjort. Forskerne kan få adgang til dataene ved at kontakte PI på xiaw23@mail.sysu.edu.cn med en beskrivelse af forskningsformålet.

IPD-delingstidsramme

Efter studiet er blevet offentliggjort

IPD-delingsadgangskriterier

Forskerne kan få adgang til dataene ved at kontakte PI på xiaw23@mail.sysu.edu.cn med den beskrevne forskningsformål.

IPD-deling Understøttende informationstype

  • STUDY_PROTOCOL
  • SAP
  • ANALYTIC_CODE

Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter

Studerer et amerikansk FDA-reguleret lægemiddelprodukt

Ingen

Studerer et amerikansk FDA-reguleret enhedsprodukt

Ingen

Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .

Kliniske forsøg med Medicinsk Uddannelse

Søg i lignende forsøg

Sponsorer og samarbejdspartnere

Medicinske tilstande

Narkotikainterventioner

CROs by country

CROs in Slovenia

Betingelser

Sjældne sygdomme

Narkotikainterventioner

Kosttilskud

Sponsor / samarbejdspartnere

Placeringer

Abonner