Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

Ein KI-Bildungsagent für medizinische Machine-Learning-Kurse

3. März 2026 aktualisiert von: Wei XIA, PhD, Sun Yat-sen University

Anwendung und Wirksamkeit eines auf großen Sprachmodellen basierenden Bildungssystems in der medizinischen Ausbildung: Eine Studie zum Kurs über maschinelles Lernen und Data Mining

Ziel dieser Interventionsstudie ist es, die Wirksamkeit eines auf einem Large Language Model (LLM) basierenden pädagogischen KI-Agenten bei Master- und PhD-Studierenden der Medizin oder Pflegewissenschaften zu bewerten, die in den Kurs "Maschinelles Lernen und Data Mining" eingeschrieben sind. Die Hauptfragen, die beantwortet werden sollen, sind:

Verbessert der Einsatz eines pädagogischen KI-Agenten die akademische Leistung und praktischen Fähigkeiten der Studierenden im maschinellen Lernen im Vergleich zu traditionellen Methoden?

Steigert die KI-Intervention das Lernvertrauen, die Zufriedenheit und die kognitive Beteiligung der Studierenden?

Die Forscher werden Studierende, die derzeit den KI-Agenten nutzen (Versuchsgruppe), mit einer historischen Kontrollgruppe (Studierende aus der vorherigen Kohorte, die das KI-Tool nicht nutzten) vergleichen, um festzustellen, ob das KI-gestützte Lernmodell zu signifikant höheren Lernerfolgen und besseren Bildungserfahrungen führt.

Die Teilnehmer werden:

Den Lehragenten für Echtzeit-Antworten auf theoretische Fragen, personalisierte Studienplanung und Wissensvertiefung nutzen.

Mit dem Forschungsagenten zusammenarbeiten, um bei Literaturrecherchen, der Optimierung von Forschungsdesigns und der Strukturierung akademischer Texte unterstützt zu werden.

Den Praxistransfer-Agenten für Anleitungen zum Programmieren, Debuggen von Algorithmen und Anwenden von maschinellen Lernmodellen auf medizinische Datenanalyseprojekte verwenden.

Studienübersicht

Status

Rekrutierung

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Hintergrund: Künstliche Intelligenz (KI) und Data Mining werden zu wesentlichen Fähigkeiten in der modernen medizinischen und pflegerischen Forschung. Allerdings haben traditionelle Lehrmethoden für den Aufbaukurs „Maschinelles Lernen und Data Mining“ oft Schwierigkeiten, den personalisierten Lernbedürfnissen von Studierenden mit unterschiedlichen technischen Hintergründen (z. B. Programmierung, Mathematik) gerecht zu werden. Um dies zu adressieren, führt diese Studie einen speziell entwickelten KI-Bildungsagenten basierend auf Large Language Models (LLMs) ein, der als intelligenter Lehrassistent dient.

Ziele: Das primäre Ziel ist die Bewertung der Wirksamkeit des KI-Agenten bei der Verbesserung der Lernergebnisse, praktischen Programmierfähigkeiten und der akademischen Selbstwirksamkeit unter Medizin- und Pflegestudierenden im Aufbaustudium. Die Studie zielt auch darauf ab, die Machbarkeit und die Zufriedenheit der Studierenden mit der Integration von KI-Agenten in das medizinische Curriculum zu bewerten.

Studiendesign: Dies ist eine nicht randomisierte Interventionsstudie mit einem historischen Kontrollgruppendesign.

Studiendesign: Dies ist eine nicht randomisierte Interventionsstudie mit einem historischen Kontrollgruppendesign.

Experimentalgruppe (Intervention): Studierende im akademischen Jahr 2025-2026, die Zugang zum KI-Agenten-System erhalten.

Kontrollgruppe (historisch): Studierende aus der vorherigen akademischen Kohorte (2024-2025), die dasselbe Curriculum mit Standardunterrichtsmethoden ohne KI-Unterstützung absolvierten.

Interventionsdetails: Die Intervention umfasst den Einsatz eines KI-Agenten-Systems, das von LLMs und Knowledge Graph-based Retrieval-Augmented Generation (KGRAG) angetrieben wird. Der KGRAG-Rahmen beschränkt die Antworten der KI auf eine verifizierte Wissensbasis (Kurslehrbücher, Vorlesungsfolien und kuratierte Code-Repositories), um „Halluzinationen“ zu minimieren und medizinische/wissenschaftliche Genauigkeit zu gewährleisten. Das System umfasst drei spezialisierte Funktionsmodule:

Lehragent: Fungiert als 24/7-Tutor, bietet Konzeptklärungen, fasst Schlüsselwissenspunkte zusammen und bietet personalisierte Lernpläne basierend auf dem Fortschritt der Studierenden.

Forschungsagent: Unterstützt die Forschungsschulung durch Hilfe bei der Literaturrecherche, Verfeinerung von Forschungsfragen und Optimierung akademischer Schreibstrukturen.

Praxis-Innovationsagent: Erleichtert den Erwerb praktischer Fähigkeiten, indem er Studierende durch Codegenerierung, Debugging von Algorithmen und Anwendung von maschinellen Lernmodellen auf reale medizinische Datensätze führt. Der Agent verwendet eine sokratische Tutorenmethode, um Problemlösungen zu leiten, anstatt direkte Antworten zu geben.

Studientyp

Interventionell

Einschreibung (Geschätzt)

56

Phase

  • Unzutreffend

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienkontakt

Studieren Sie die Kontaktsicherung

Studienorte

  • China
    • Guangdong
      • Guangzhou, Guangdong, China, 510000

Teilnahmekriterien

Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.

Zulassungskriterien

Studienberechtigtes Alter

  • Kind
  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Ja

Beschreibung

Einschlusskriterien:

  1. Medizinische Doktoranden von Universitäten in der Guangdong-Hongkong-Macao-Großbuchtregion;
  2. Doktoranden, die den Kurs "Maschinelles Lernen und Data Mining" belegt haben;
  3. Haben die erforderlichen Voraussetzungskurse abgeschlossen: "Medizinische Statistik" und "Pflegeforschung";
  4. In der Lage, das KI-Bildungsagent-System normal zu bedienen und bereit, während der Studienzeit relevante Unterrichtsinterventionen und Bewertungen zu durchlaufen.

Ausschlusskriterien:

  1. Nicht bereit, das KI-Bildungsagent-System zu verwenden oder verweigern die Erlaubnis, dass das Forschungsteam ihre relevanten Daten erhebt;
  2. Studenten, die sich nicht für die gesamte Kursdauer verpflichten können oder bekannte Terminkonflikte haben, die eine regelmäßige Teilnahme verhindern würden;
  3. Studenten, die diesen Kurs in vorherigen Studienjahren bereits belegt oder als Gasthörer besucht haben, um Verzerrungen durch Lerneffekte zu vermeiden.

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

  • Hauptzweck: Sonstiges
  • Zuteilung: N / A
  • Interventionsmodell: Einzelgruppenzuweisung
  • Maskierung: Keine (Offenes Etikett)

Waffen und Interventionen

Teilnehmergruppe / Arm
Intervention / Behandlung
Experimental: KI-Agenten-Interventionsgruppe
Studierende im Masterstudium, die im akademischen Jahr 2025-2026 den Kurs "Maschinelles Lernen und Data Mining" belegen. Teilnehmer dieser Gruppe werden das eigens entwickelte KGRAG-basierte KI-Bildungsagenten-System während des gesamten Semesters nutzen. Das System umfasst drei Module: einen Lehr-Agenten zur Erklärung von Konzepten, einen Forschungs-Agenten zur Unterstützung beim akademischen Schreiben und einen Praxis-Innovations-Agenten zur Code-Generierung und Fehlerbehebung
Sonstiges: KGRAG-basiertes KI-Bildungsagentensystem
Die Intervention umfasst ein individuell entwickeltes KI-Bildungssystem, das von Large Language Models (LLMs) und Knowledge Graph-based Retrieval-Augmented Generation (KGRAG)-Technologie unterstützt wird. Das System besteht aus drei spezialisierten Agenten zur Unterstützung des selbstgesteuerten Lernens: 1. Lehr-Agent: Bietet Echtzeit-Erklärungen von Konzepten, personalisierte Studienpläne und Wissensverstärkung basierend auf dem Kurslehrplan. 2. Forschungs-Agent: Unterstützt bei der Literaturrecherche, Verfeinerung von Forschungsfragen und Strukturierung wissenschaftlicher Arbeiten. 3. Praxis-Innovations-Agent: Führt Studierende durch Code-Generierung, Algorithmus-Debugging und Data-Mining-Projekte mit sokratischen Tutoring-Methoden zur Förderung von Problemlösungsfähigkeiten. Die Teilnehmer haben während des gesamten Semesters 24/7 Zugang zu diesem System.

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Kompositwert der akademischen Leistung
Zeitfenster: Nach der Intervention (am Ende des Kurses, ungefähr Woche 3)

Bewertet durch die endgültige kumulative Kursnote (Bereich: 0-100), die die Gesamtbeherrschung der Konzepte und Anwendungen des maschinellen Lernens durch den Studenten anzeigt. Die Punktzahl wird basierend auf drei gewichteten Komponenten berechnet:

Klassenaufgaben (20%): Bewertungen regelmäßiger Aufgaben, die über die Kursplattform eingereicht werden.

Forschungsfortschrittspapier (40%): Ein schriftliches Papier zu einem freien Erkundungsthema, das theoretisches Verständnis und Forschungsdesignfähigkeiten bewertet.

Gruppenabschlussprojektpräsentation (40%): Bewertung eines praktischen Projekts, bei dem die Studenten Lösungen und Ergebnisse basierend auf vorgegebenen medizinischen Fällen und Datensätzen präsentieren. Höhere Punktzahlen weisen auf eine bessere akademische Leistung hin.

Die Punktzahlen der Versuchsgruppe werden mit der historischen Kontrollgruppe verglichen.
Nach der Intervention (am Ende des Kurses, ungefähr Woche 3)

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Rate der objektiven Wissenserlangung
Zeitfenster: Nach der Intervention (am Ende des Kurses, etwa Woche 3)
Bewertet mithilfe einer strukturierten Wissensbewertung, die in die Kursumfragen eingebettet ist. Die Bewertung umfasst Multiple-Choice-Fragen zu Kernkonzepten, Datenverarbeitungsmethoden und ethischen Überlegungen. Das Ergebnis wird als Prozentsatz der korrekten Antworten angegeben.
Nach der Intervention (am Ende des Kurses, etwa Woche 3)
Wahrgenommener Nutzen und Technologieakzeptanz
Zeitfenster: Nach der Intervention (am Ende des Kurses, etwa Woche 3)
Bewertet mithilfe der Nach-Kurs-Umfrage basierend auf dem Technology Acceptance Model (TAM). Teilnehmer bewerten den Nutzen des KI-Agenten für ihre Forschung und Arbeit auf einer Skala von 0 (Keine Hilfe) bis 10 (Sehr hilfreich)
Nach der Intervention (am Ende des Kurses, etwa Woche 3)
KI-Agent-Engagement: Interaktionshäufigkeit
Zeitfenster: Am Ende des Kurses (ungefähr Woche 3)
Gesamtzahl der Konversationen und Konversationswechsel pro Studierendem, bewertet durch quantitative Analyse der Backend-Systemprotokolle, um das Engagement-Verhalten der Studierenden zu messen.
Am Ende des Kurses (ungefähr Woche 3)
AI-Agenten-Engagement: Zeitliche Muster
Zeitfenster: Am Ende des Kurses (ungefähr Woche 3)
Vergleich der Nutzungshäufigkeit von KI-Agenten während Prüfungsvorbereitungswochen gegenüber regulären Studienwochen, bewertet durch quantitative Analyse von Backend-Systemprotokollen.
Am Ende des Kurses (ungefähr Woche 3)
KI-Agenten-Engagement: Abfragethemen
Zeitfenster: Am Ende des Kurses (ca. Woche 3)
Identifizierung von Studentenanfragenthemen durch die Anwendung von Themenmodellierungsalgorithmen auf Backend-Systemprotokolle.
Am Ende des Kurses (ca. Woche 3)

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

Sun Yat-sen University

Studienaufzeichnungsdaten

Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.

Haupttermine studieren

Studienbeginn (Tatsächlich)

1. Mai 2025

Primärer Abschluss (Geschätzt)

31. März 2026

Studienabschluss (Geschätzt)

31. März 2026

Studienanmeldedaten

Zuerst eingereicht

27. Februar 2026

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

27. Februar 2026

Zuerst gepostet (Tatsächlich)

4. März 2026

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

5. März 2026

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

3. März 2026

Zuletzt verifiziert

1. Februar 2026

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Andere Studien-ID-Nummern

  • L2025SYSU-HL-032
  • 25XJ0215 (Andere Zuschuss-/Finanzierungsnummer: China Association of Higher Education)

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

JA

Beschreibung des IPD-Plans

Die Daten werden ein Jahr nach Veröffentlichung der Studienergebnisse geteilt. Die Forscher können auf die Daten zugreifen, indem sie sich mit dem Forschungszweck beschrieben an den PI unter xiaw23@mail.sysu.edu.cn wenden.

IPD-Sharing-Zeitrahmen

Nach der Veröffentlichung der Studie

IPD-Sharing-Zugriffskriterien

Die Forscher können auf die Daten zugreifen, indem sie sich mit dem Forschungszweck beschrieben an den PI unter xiaw23@mail.sysu.edu.cn wenden.

Art der unterstützenden IPD-Freigabeinformationen

  • STUDIENPROTOKOLL
  • SAFT
  • ANALYTIC_CODE

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .

Klinische Studien zur Medizinische Ausbildung

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Burkina Faso

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

Abonnieren