AI-unterstütztes Lernen in der Medizin

Ackground und Begründung: Der effektive Unterricht der Inneren Medizin, ein Eckpfeiler der medizinischen Grundausbildung, stellt aufgrund der Breite und Komplexität der Fach und der großen studentischen Kohorten, die in der Regel in großen akademischen medizinischen Zentren eingeschrieben sind, erhebliche pädagogische Herausforderungen auf. Während traditionelle Methoden wie Vorträge und Lehrbuchlesungen unerlässlich sind, besteht ein anerkannter Bedarf an innovativen Ansätzen, die die Entwicklung klinischer Argumentation besser unterstützen, ein tieferes Engagement mit komplexem Fallmaterial ermöglichen und personalisiertere Lernmöglichkeiten im Maßstab bieten können. Künstliche Intelligenz (KI), insbesondere fortgeschrittene Großsprachenmodelle (LLMs), die auf domänenspezifischem Wissen ausgebildet sind, verfügt über ein beträchtliches Potenzial als Bildungstechnologie, um diese Bedürfnisse zu befriedigen. Metagp-Edu, ein proprietäres generatives Foundation-Modell, das speziell für die medizinische Ausbildung unter Verwendung pädagogischer Datensätze fein abgestimmt wurde, wurde entwickelt, um dieses Potenzial zu untersuchen, indem er als ergänzende Lernressource dient. Die Bewertung der realen Auswirkungen der Integration solcher Instrumente in etablierte Lehrpläne ist für die evidenzbildende Bildungspraxis von entscheidender Bedeutung.

Ziele: Das Hauptziel dieser Studie ist es, den Zusammenhang zwischen der Verfügbarkeit des Metagp-EDU-KI-Tools als ergänzende Lernressource und die akademische Leistung des Schülers im CORS-Lehrplan für interne Medizin nachträglich zu bewerten.

Studiendesign: Diese Untersuchung verwendet ein multizentrisches, retrospektives Kohortenstudiendesign. In mehreren aufeinanderfolgenden akademischen Jahren werden routinemäßig akademische Daten aus mehreren großen medizinischen Fakultäten in China analysiert. Dieser Ansatz ermöglicht den Vergleich von Studentenkohorten auf der Grundlage ihrer historischen Exposition gegenüber verschiedenen Bildungsressourcenumgebungen (mit vs. ohne Metagp-EDU-Zugang) in realen akademischen Umgebungen.

Setting und Teilnehmer: Die Studie umfasst Daten von Medizinstudenten im Grundstudium, die am obligatorischen Kurs für interne Medizin an mehreren großen, akademisch verbundenen medizinischen Einrichtungen in China eingeschrieben sind. Zu den Teilnehmern gehören Studenten, die den Kurs über eine Zeitspanne von akademischen Jahren abgeschlossen haben, die den Zeitraum vor und nach der Einführung von Metagp-Edu (ungefähr Herbst 2022) abdecken. Die Aufnahme basiert auf der Verfügbarkeit vollständiger akademischer Aufzeichnungen für den Kurs für innere Medizin während des angegebenen Untersuchungszeitraums.

Exposition/Intervention und Komparator: Die Studie vergleicht zwei Hauptkohorten, die durch den Zeitpunkt der Metagp-EDU-Verfügbarkeit definiert sind:

Komplexkohorte (Pre-Metagp-Edu): Studenten, die den Kurs für Innere Medizin in den akademischen Jahren vor der Einführung von Metagp-EDU abgeschlossen haben. Diese Schüler nutzten die etablierten traditionellen Lehrmethoden der Institutionen (z. B. Vorträge, Tutorials, Standard-Falldiskussionen, Lehrbuchzuweisungen) ohne Zugang zum Metagp-EDU-Tool.

Expositionskohorte (Post-Metagp-EDU): Studenten, die den Kurs für Innere Medizin in den akademischen Jahren nach Einführung von Metagp-EDU abgeschlossen haben. Diese Studenten nahmen an denselben traditionellen COR-Komponenten teil, hatten aber auch über institutionelle Plattformen Zugang zu Metagp-EDU als ergänzende, optionale Ressource für selbstgesteuerte Lern-, Fall-Exploration und klinische Abfrageunterstützung.

Ergebnismaßnahmen: Die primäre Ergebnismaßnahme ist die allgemeine akademische Leistung im Kurs für innere Medizin, der typischerweise durch den endgültigen numerischen Kurs Score (z. B. auf einer Skala von 0 bis 100) dargestellt wird, wie in offiziellen Universitätsakten dokumentiert. Wichtige Kovariaten, einschließlich Maßnahmen zur akademischen Ausgangsgraden (z. B. früherer kumulativer GPA oder gleichwertig), demografische Faktoren (z. B. Geschlecht) und institutioneller Standort, werden aus administrativen Daten extrahiert, um statistische Anpassungen zu ermöglichen.