Un Agente Educativo de IA para Cursos de Aprendizaje Automático Médico
Aplicación y Efectividad de un Agente Educativo Basado en un Modelo de Lenguaje de Gran Escala en Educación Médica: Un Estudio sobre el Curso de Aprendizaje Automático y Minería de Datos
El objetivo de este estudio intervencionista es evaluar la eficacia de un Agente de IA educativo basado en un Modelo de Lenguaje Grande (LLM) en estudiantes de posgrado (Máster y Doctorado) especializados en medicina o enfermería que están matriculados en el curso "Aprendizaje Automático y Minería de Datos". Las principales preguntas que pretende responder son:
¿Mejora el uso de un Agente de IA educativo el rendimiento académico y las habilidades prácticas de los estudiantes en aprendizaje automático en comparación con los métodos tradicionales?
¿Mejora la intervención de IA la confianza en el aprendizaje, la satisfacción y el compromiso cognitivo de los estudiantes?
Los investigadores compararán a los estudiantes que actualmente utilizan el Agente de IA (grupo experimental) con un grupo de control histórico (estudiantes de la cohorte anterior que no utilizaron la herramienta de IA) para ver si el modelo de aprendizaje asistido por IA conduce a logros de aprendizaje significativamente mayores y mejores experiencias educativas.
Los participantes:
Utilizarán el Agente de Enseñanza para obtener respuestas en tiempo real a preguntas teóricas, planificación de estudios personalizada y refuerzo de conocimientos.
Interactuarán con el Agente de Investigación para obtener ayuda con revisiones bibliográficas, optimización del diseño de investigación y estructura de redacción académica.
Utilizarán el Agente de Innovación Práctica para recibir orientación sobre codificación, depuración de algoritmos y aplicación de modelos de aprendizaje automático a proyectos de análisis de datos médicos.
Descripción general del estudio
Estado
Condiciones
Intervención / Tratamiento
Descripción detallada
Antecedentes: La Inteligencia Artificial (IA) y la minería de datos se están convirtiendo en habilidades esenciales en la investigación médica y de enfermería moderna. Sin embargo, los métodos de enseñanza tradicionales para el curso de posgrado "Aprendizaje Automático y Minería de Datos" a menudo tienen dificultades para satisfacer las necesidades de aprendizaje personalizado de los estudiantes con diferentes antecedentes técnicos (por ejemplo, programación, matemáticas). Para abordar esto, este estudio introduce un Agente Educativo de IA desarrollado a medida basado en Modelos de Lenguaje Grande (LLM) para servir como asistente de enseñanza inteligente.
Objetivos: El objetivo principal es evaluar la efectividad del Agente de IA en la mejora de los resultados de aprendizaje, las habilidades prácticas de codificación y la autoeficacia académica entre los estudiantes de posgrado de medicina y enfermería. El estudio también tiene como objetivo evaluar la viabilidad y la satisfacción de los estudiantes al integrar agentes de IA en el currículo médico.
Diseño del estudio: Este es un estudio de intervención no aleatorizado que utiliza un diseño de control histórico.
Diseño del estudio: Este es un estudio de intervención no aleatorizado que utiliza un diseño de control histórico.
Grupo experimental (Intervención): Estudiantes del año académico 2025-2026 que tendrán acceso al sistema del Agente de IA.
Grupo de control (Histórico): Estudiantes de la cohorte académica anterior (2024-2025) que completaron el mismo currículo utilizando métodos de instrucción estándar sin apoyo de IA.
Detalles de la intervención: La intervención implica el despliegue de un sistema de Agente de IA impulsado por LLM y Generación Aumentada por Recuperación basada en Grafos de Conocimiento (KGRAG). El marco KGRAG restringe las respuestas de la IA a una base de conocimiento verificada (libros de texto del curso, diapositivas de conferencias y repositorios de código curados) para minimizar las "alucinaciones" y garantizar la precisión médica/científica. El sistema incluye tres módulos funcionales especializados:
Agente de enseñanza: Funciona como un tutor 24/7, proporcionando explicaciones de conceptos, resumiendo puntos clave de conocimiento y ofreciendo planes de estudio personalizados basados en el progreso del estudiante.
Agente de investigación: Apoya la formación en investigación al ayudar con la revisión de la literatura, refinar preguntas de investigación y optimizar estructuras de escritura académica.
Agente de práctica e innovación: Facilita la adquisición de habilidades prácticas al guiar a los estudiantes en la generación de código, depuración de algoritmos y aplicación de modelos de aprendizaje automático a conjuntos de datos médicos del mundo real. El agente emplea un método de tutoría socrática para guiar la resolución de problemas en lugar de proporcionar respuestas directas.
Tipo de estudio
Inscripción (Estimado)
Fase
- No aplica
Contactos y Ubicaciones
Estudio Contacto
- Nombre: Wei Xia, PhD
- Número de teléfono: 8618823359471
- Correo electrónico: xiaw23@mail.sysu.edu.cn
Copia de seguridad de contactos de estudio
- Nombre: Jiebing Luo
- Número de teléfono: 8618885639072
- Correo electrónico: luojiebing2002@163.com
Ubicaciones de estudio
-
-
Guangdong
-
Guangzhou, Guangdong, Porcelana, 510000
- Reclutamiento
- North Campus of Sun Yat-sen University
-
Contacto:
- Wei Xia, PhD
- Número de teléfono: 8618823359471
- Correo electrónico: xiaw23@mail.sysu.edu.cn
-
Contacto:
- Jie Bing Luo
- Número de teléfono: 8618885639072
- Correo electrónico: luojiebing2002@163.com
-
-
Criterios de participación
Criterio de elegibilidad
Edades elegibles para estudiar
- Niño
- Adulto
- Adulto Mayor
Acepta Voluntarios Saludables
Descripción
Criterios de inclusión:
- Estudiantes de posgrado en medicina de universidades de la Región del Gran Área de la Bahía Guangdong-Hong Kong-Macao;
- Estudiantes de posgrado que hayan cursado la asignatura "Aprendizaje Automático y Minería de Datos";
- Haber completado los cursos prerrequisitos obligatorios: "Estadística Médica" y "Investigación en Enfermería";
- Capaces de operar el sistema de Agente Educativo de IA con normalidad y dispuestos a someterse a las intervenciones y evaluaciones docentes pertinentes durante el período de estudio.
Criterios de exclusión:
- No estar dispuesto a utilizar el sistema de agente educativo de IA, o negarse a permitir que el equipo de investigación recopile sus datos pertinentes;
- Estudiantes que no puedan comprometerse con la duración completa del curso o tengan conflictos de programación conocidos que impidan la asistencia regular;
- Estudiantes que se hayan matriculado o auditado este curso en años académicos anteriores para evitar el sesgo del efecto de aprendizaje.
Plan de estudios
¿Cómo está diseñado el estudio?
Detalles de diseño
- Propósito principal: Otro
- Asignación: N / A
- Modelo Intervencionista: Asignación de un solo grupo
- Enmascaramiento: Ninguno (etiqueta abierta)
Armas e Intervenciones
Grupo de participantes/brazo |
Intervención / Tratamiento |
|---|---|
|
Experimental: Grupo de Intervención del Agente de IA
Estudiantes de posgrado matriculados en el curso "Aprendizaje Automático y Minería de Datos" durante el año académico 2025-2026.
Los participantes de este grupo utilizarán el sistema personalizado de Agente Educativo de IA basado en KGRAG a lo largo del semestre.
El sistema incluye tres módulos: un Agente de Enseñanza para la explicación de conceptos, un Agente de Investigación para el apoyo en la redacción académica y un Agente de Innovación Práctica para la generación y depuración de código
|
La intervención consiste en un sistema educativo de IA desarrollado a medida, impulsado por modelos de lenguaje de gran tamaño (LLM) y tecnología de Generación Aumentada por Recuperación basada en Grafos de Conocimiento (KGRAG).
El sistema comprende tres agentes especializados para apoyar el aprendizaje autodirigido: 1. Agente de Enseñanza: Proporciona explicaciones de conceptos en tiempo real, planes de estudio personalizados y refuerzo de conocimientos basado en el plan de estudios del curso.
2. Agente de Investigación: Asiste en la revisión de literatura, el refinamiento de preguntas de investigación y la estructura de la escritura académica.
3. Agente de Práctica e Innovación: Guía a los estudiantes en la generación de código, la depuración de algoritmos y proyectos de minería de datos utilizando métodos de tutoría socrática para fomentar habilidades de resolución de problemas.
Los participantes tienen acceso 24/7 a este sistema durante todo el semestre.
|
¿Qué mide el estudio?
Medidas de resultado primarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Puntuación Compuesta de Rendimiento Académico
Periodo de tiempo: Después de la intervención (al final del curso, aproximadamente en la semana 3)
|
Evaluado mediante la calificación final acumulativa del curso (rango: 0-100), que indica el dominio general del estudiante sobre los conceptos y aplicaciones del aprendizaje automático. La puntuación se calcula en base a tres componentes ponderados: Tareas en clase (20%): Evaluaciones de las tareas regulares enviadas a través de la plataforma del curso. Trabajo de investigación sobre el progreso (40%): Un trabajo escrito sobre un tema de exploración libre que evalúa la comprensión teórica y las habilidades de diseño de investigación. Presentación del proyecto final grupal (40%): Evaluación de un proyecto práctico donde los estudiantes presentan soluciones y resultados basados en casos médicos y conjuntos de datos proporcionados. Puntuaciones más altas indican un mejor rendimiento académico. Las puntuaciones del grupo experimental se compararán con el grupo de control histórico |
Después de la intervención (al final del curso, aproximadamente en la semana 3)
|
Medidas de resultado secundarias
Medida de resultado |
Medida Descripción |
Periodo de tiempo |
|---|---|---|
|
Tasa de Adquisición de Conocimiento Objetivo
Periodo de tiempo: Después de la intervención (al final del curso, aproximadamente semana 3)
|
Evaluado mediante una evaluación estructurada de conocimientos incorporada en las encuestas del curso.
La evaluación incluye preguntas de opción múltiple que cubren conceptos fundamentales, métodos de procesamiento de datos y consideraciones éticas.
El resultado se informa como el porcentaje de respuestas correctas.
|
Después de la intervención (al final del curso, aproximadamente semana 3)
|
|
Utilidad Percibida y Aceptación de la Tecnología
Periodo de tiempo: Después de la intervención (al final del curso, aproximadamente en la semana 3)
|
Evaluado mediante la encuesta posterior al curso basada en el Modelo de Aceptación de la Tecnología (TAM).
Los participantes califican la utilidad del Agente de IA para su investigación y trabajo en una escala de 0 (Ninguna ayuda) a 10 (Muy útil)
|
Después de la intervención (al final del curso, aproximadamente en la semana 3)
|
|
Compromiso del Agente de IA: Frecuencia de Interacción
Periodo de tiempo: Al final del curso (aproximadamente semana 3)
|
Número total de conversaciones y turnos conversacionales por estudiante, evaluado mediante análisis cuantitativo de los registros del sistema backend para medir el comportamiento de compromiso del estudiante.
|
Al final del curso (aproximadamente semana 3)
|
|
Compromiso del Agente de IA: Patrones Temporales
Periodo de tiempo: Al final del curso (aproximadamente la Semana 3)
|
Comparación de la frecuencia de uso del agente de IA durante las semanas de preparación de exámenes frente a las semanas de estudio regulares, evaluada mediante análisis cuantitativo de los registros del sistema backend.
|
Al final del curso (aproximadamente la Semana 3)
|
|
Compromiso del Agente de IA: Temas de Consulta
Periodo de tiempo: Al final del curso (aproximadamente la Semana 3)
|
Identificación de temas de consultas de estudiantes mediante la aplicación de algoritmos de modelado de temas a los registros del sistema backend.
|
Al final del curso (aproximadamente la Semana 3)
|
Colaboradores e Investigadores
Patrocinador
Fechas de registro del estudio
Fechas importantes del estudio
Inicio del estudio (Actual)
Finalización primaria (Estimado)
Finalización del estudio (Estimado)
Fechas de registro del estudio
Enviado por primera vez
Primero enviado que cumplió con los criterios de control de calidad
Publicado por primera vez (Actual)
Actualizaciones de registros de estudio
Última actualización publicada (Actual)
Última actualización enviada que cumplió con los criterios de control de calidad
Última verificación
Más información
Términos relacionados con este estudio
Palabras clave
Otros números de identificación del estudio
- L2025SYSU-HL-032
- 25XJ0215 (Otro número de subvención/financiamiento: China Association of Higher Education)
Plan de datos de participantes individuales (IPD)
¿Planea compartir datos de participantes individuales (IPD)?
Descripción del plan IPD
Marco de tiempo para compartir IPD
Criterios de acceso compartido de IPD
Tipo de información de apoyo para compartir IPD
- PROTOCOLO DE ESTUDIO
- SAVIA
- CÓDIGO_ANALÍTICO
Información sobre medicamentos y dispositivos, documentos del estudio
Estudia un producto farmacéutico regulado por la FDA de EE. UU.
Estudia un producto de dispositivo regulado por la FDA de EE. UU.
Esta información se obtuvo directamente del sitio web clinicaltrials.gov sin cambios. Si tiene alguna solicitud para cambiar, eliminar o actualizar los detalles de su estudio, comuníquese con register@clinicaltrials.gov. Tan pronto como se implemente un cambio en clinicaltrials.gov, también se actualizará automáticamente en nuestro sitio web. .