Tekoälyopetusalusta lääketieteellisiin koneoppimiskursseihin
Suurten kielimallien perustuvan opetusagentin soveltaminen ja tehokkuus lääketieteellisessä koulutuksessa: Tutkimus koneoppimisen ja tiedonlouhinnan kurssista
Tämän interventiotutkimuksen tavoitteena on arvioida suurten kielimallien (LLM) pohjalta kehitetyn kasvatusalan tekoälyagentin tehokkuutta lääketieteen tai hoitotyön alaan erikoistuneilla jatko-opiskelijoilla (maisteri- ja tohtoritutkinnot), jotka osallistuvat "Koneoppiminen ja tiedonlouhinta"-kurssille. Tutkimuksen tarkoituksena on vastata seuraaviin pääkysymyksiin:
Parantaako kasvatusalan tekoälyagentin käyttö opiskelijoiden akateemista suorituskykyä ja käytännön taitoja koneoppimisessa verrattuna perinteisiin menetelmiin?
Lisääkö tekoälyinterventio opiskelijoiden oppimisluottamusta, tyytyväisyyttä ja kognitiivista sitoutumista?
Tutkijat vertailevat tällä hetkellä tekoälyagenttia käyttäviä opiskelijoita (kokeellinen ryhmä) historialliseen kontrolliryhmään (edellisen vuosikurssin opiskelijat, jotka eivät käyttäneet tekoälytyökalua) nähdäkseen, johtaako tekoälyavusteinen oppimismalli merkittävästi korkeampiin oppimissuorituksiin ja parempiin koulutuskokemuksiin.
Osallistujat:
Käyttävät Opetusagenttia reaaliaikaisten vastausten saamiseen teoreettisiin kysymyksiin, henkilökohtaiseen opintosuunnitteluun ja tiedon vahvistamiseen.
Vuorovaikuttavat Tutkimusagentin kanssa kirjallisuuskatsausten, tutkimussuunnittelun optimoinnin ja akateemisen kirjoittamisen rakenteen avustamiseksi.
Käyttävät Harjoitusinnovaatioagenttia ohjauksen saamiseksi koodaukseen, algoritmien virheenkorjaukseen ja koneoppimismallien soveltamiseen lääketieteen tietojen analyysiprojekteihin.
Tutkimuksen yleiskatsaus
Tila
Interventio / Hoito
Yksityiskohtainen kuvaus
Tausta: Tekoäly (AI) ja tiedonlouhinta ovat muodostumassa välttämättömiksi taidoiksi nykyaikaisessa lääketieteellisessä ja hoitotyön tutkimuksessa. Perinteiset opetusmenetelmät jatko-opintotason kurssille "Koneoppiminen ja tiedonlouhinta" kuitenkin usein kamppailevat vastaamaan erilaisia teknisiä taustoja (esim. ohjelmointi, matematiikka) omaavien opiskelijoiden henkilökohtaisiin oppimistarpeisiin. Tämän ratkaisemiseksi tämä tutkimus esittelee räätälöidyn Tekoälyopetusagentin, joka perustuu suuriin kielimalleihin (LLM), toimimaan älykkäänä opetusavustajana.
Tavoitteet: Päätavoitteena on arvioida tekoälyagentin tehokkuutta parantamaan oppimistuloksia, käytännön ohjelmointitaitoja ja akateemista itsetehokkuutta lääketieteen ja hoitotyön jatko-opiskelijoiden keskuudessa. Tutkimus pyrkii myös arvioimaan tekoälyagenttien integroinnin toteutettavuutta ja opiskelijoiden tyytyväisyyttä lääketieteen opetussuunnitelmaan.
Tutkimussuunnittelu: Tämä on ei-satunnaistettu interventiotutkimus, joka hyödyntää historiallista kontrollisuunnittelua.
Kokeellinen ryhmä (interventio): Opiskelijat vuosina 2025–2026, jotka saavat pääsyn tekoälyagenttijärjestelmään.
Kontrolliryhmä (historiallinen): Edellisen akateemisen vuosikurssin (2024–2025) opiskelijat, jotka suorittivat saman opetussuunnitelman käyttäen standardeja opetusmenetelmiä ilman tekoälytukea.
Intervention yksityiskohdat: Interventio sisältää tekoälyagenttijärjestelmän käyttöönoton, jota pyörittävät suuret kielimallit (LLM) ja tietografiisi perustuva hakuavusteinen generointi (KGRAG). KGRAG-viitekehys rajoittaa tekoälyn vastaukset varmennettuun tietopohjaan (kurssikirjat, luentokalvot ja valikoidut koodivarastot) minimoidakseen "hallusinaatiot" ja varmistaakseen lääketieteellisen/tieteellisen tarkkuuden. Järjestelmä sisältää kolme erikoistunutta toiminnallista moduulia:
Opetusagentti: Toimii 24/7 -ohjaajana, tarjoten käsiteselityksiä, tiivistäen keskeisiä tietopisteitä ja tarjoten henkilökohtaisia opintosuunnitelmia opiskelijan edistymisen perusteella.
Tutkimusagentti: Tukee tutkimuskoulutusta avustamalla kirjallisuuskatsauksissa, hienosäätämällä tutkimuskysymyksiä ja optimoimalla akateemisen kirjoittamisen rakenteita.
Käytännön innovaatioagentti: Edistää käytännön taitojen hankkimista ohjaamalla opiskelijoita koodin generoinnissa, algoritmien virheenkorjauksessa ja koneoppimismallien soveltamisessa todellisiin lääketieteellisiin tietoaineistoihin. Agentti käyttää sokraattista ohjaustapaa ohjatakseen ongelmanratkaisua sen sijaan, että antaisi suoria vastauksia.
Opintotyyppi
Ilmoittautuminen (Arvioitu)
Vaihe
- Ei sovellettavissa
Yhteystiedot ja paikat
Opiskeluyhteys
- Nimi: Wei Xia, PhD
- Puhelinnumero: 8618823359471
- Sähköposti: xiaw23@mail.sysu.edu.cn
Tutki yhteystietojen varmuuskopiointi
- Nimi: Jiebing Luo
- Puhelinnumero: 8618885639072
- Sähköposti: luojiebing2002@163.com
Opiskelupaikat
-
-
Guangdong
-
Guangzhou, Guangdong, Kiina, 510000
- Rekrytointi
- North Campus of Sun Yat-sen University
-
Ottaa yhteyttä:
- Wei Xia, PhD
- Puhelinnumero: 8618823359471
- Sähköposti: xiaw23@mail.sysu.edu.cn
-
Ottaa yhteyttä:
- Jie Bing Luo
- Puhelinnumero: 8618885639072
- Sähköposti: luojiebing2002@163.com
-
-
Osallistumiskriteerit
Kelpoisuusvaatimukset
Opintokelpoiset iät
- Lapsi
- Aikuinen
- Vanhempi Aikuinen
Hyväksyy terveitä vapaaehtoisia
Kuvaus
Osallistumiskriteerit:
- Lääketieteen jatko-opiskelijat Guangdongin–Hongkongin–Macaon suurtenlahden alueen yliopistoista;
- Jatko-opiskelijat, jotka ovat suorittaneet "Koneoppiminen ja tiedonlouhinta"-kurssin;
- Ovat suorittaneet vaaditut esitietokurssit: "Lääketieteellinen tilastotiede" ja "Hoitotieteellinen tutkimus";
- Kykenevät käyttämään tekoälyn opetusagenttijärjestelmää normaalisti ja ovat halukkaita läpikäymään asiaankuuluvat opetusinterventiot ja arvioinnit tutkimusjakson aikana.
Poissulkemiskriteerit:
- Eivät ole halukkaita käyttämään tekoälyn opetusagenttijärjestelmää tai kieltäytyvät tutkimusryhmän keräämästä heidän asiaankuuluvia tietojaan;
- Opiskelijat, jotka eivät voi sitoutua kurssin koko kestoon tai joilla on tiedossa olevia aikatauluongelmia, jotka estävät säännöllisen osallistumisen;
- Opiskelijat, jotka ovat aiemmin ilmoittautuneet tai osallistuneet tähän kurssiin edellisinä akateemisina vuosina oppimisvaikutusharhan välttämiseksi
Opintosuunnitelma
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Ensisijainen käyttötarkoitus: Muut
- Jako: Ei käytössä
- Inventiomalli: Yksittäinen ryhmätehtävä
- Naamiointi: Ei mitään (avoin tarra)
Aseet ja interventiot
Osallistujaryhmä / Arm |
Interventio / Hoito |
|---|---|
|
Kokeellinen: AI-agentin interventioryhmä
"Koneoppimisen ja tiedonlouhinnan" -kurssille vuosina 2025-2026 ilmoittautuneet jatko-opiskelijat.
Tämän ryhmän osallistujat käyttävät mukautetusti kehitettyä KGRAG-pohjaista tekoälyopetuksellista agenttijärjestelmää koko lukukauden ajan.
Järjestelmään kuuluu kolme moduulia: Opetusagentti käsitteiden selittämiseen, Tutkimusagentti akateemisen kirjoittamisen tueksi sekä Harjoitteluinnovaatioagentti koodin generointiin ja virheenkorjaukseen"
|
Interventioon kuuluu räätälöity tekoälyopetusjärjestelmä, joka perustuu Large Language Models (LLM) -malleihin ja Knowledge Graph -pohjaiseen Retrieval-Augmented Generation (KGRAG) -teknologiaan.
Järjestelmä koostuu kolmesta erikoistuneesta agentista, jotka tukevat itsenäistä oppimista: 1. Opetusagentti: Tarjoaa reaaliaikaisia käsiteselityksiä, henkilökohtaisia opintosuunnitelmia ja tiedon vahvistamista kurssin opetussuunnitelman perusteella.
2. Tutkimusagentti: Auttaa kirjallisuuskatsauksissa, tutkimuskysymysten tarkentamisessa ja akateemisen kirjoittamisen rakenteessa.
3. Harjoittelu- ja innovaatioagentti: Ohjaa opiskelijoita koodin generoinnissa, algoritmien virheenkorjauksessa ja datakaivausprojekteissa käyttäen sokraattista ohjaustapaa ongelmanratkaisutaitojen kehittämiseksi.
Osallistujilla on pääsy tähän järjestelmään 24/7 koko lukukauden ajan.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Yhdistetty akateemisen suorituskyvyn pistemäärä
Aikaikkuna: Intervention jälkeen (kurssin lopussa, noin viikko 3)
|
Arvioitu lopullisen kumulatiivisen kurssiarvosanan perusteella (alue: 0-100), joka osoittaa opiskelijan kokonaisvaltaisen hallinnan koneoppimisen käsitteistä ja sovelluksista. Pistemäärä lasketaan kolmen painotetun komponentin perusteella: Luokan tehtävät (20%): Säännöllisten tehtävien arvioinnit, jotka on lähetetty kurssialustan kautta. Tutkimuskehityksen tutkielma (40%): Kirjoitettu tutkielma vapaasta tutkimusaiheesta, joka arvioi teoreettista ymmärrystä ja tutkimussuunnittelun taitoja. Ryhmän lopputyön esitys (40%): Käytännön projektin arviointi, jossa opiskelijat esittävät ratkaisuja ja tuloksia annettujen lääketieteellisten tapausten ja tietojoukkojen perusteella. Korkeammat pisteet osoittavat parempaa akateemista suoritusta. Kokeellisen ryhmän pisteet verrataan historialliseen kontrolliryhmään |
Intervention jälkeen (kurssin lopussa, noin viikko 3)
|
Toissijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Tavoitetiedon Hankkimisnopeus
Aikaikkuna: Intervention jälkeen (kurssin lopussa, noin viikko 3)
|
Arvioitiin käyttämällä kurssikyselyihin upotettua jäsenneltyä tietotaitojen arviointia.
Arviointi sisältää monivalintakysymyksiä, jotka käsittelevät keskeisiä käsitteitä, tiedonkäsittelymenetelmiä ja eettisiä näkökohtia.
Tulos ilmoitetaan oikeiden vastausten prosenttiosuutena
|
Intervention jälkeen (kurssin lopussa, noin viikko 3)
|
|
Koettu hyödyllisyys ja teknologian hyväksyntä
Aikaikkuna: Interventionin jälkeen (kurssin lopussa, noin viikko 3)
|
Arvioitu käyttäen kurssin jälkeistä kyselyä, joka perustuu Teknologian Hyväksymismalliin (TAM).
Osallistujat arvioivat tekoälyagentin hyödyllisyyttä tutkimuksessaan ja työssään asteikolla 0 (Ei apua) - 10 (Erittäin hyödyllinen)
|
Interventionin jälkeen (kurssin lopussa, noin viikko 3)
|
|
AI-agentin sitoutuminen: vuorovaikutustiheys
Aikaikkuna: Kurssin lopussa (noin viikko 3)
|
Kokonaismäärä keskusteluja ja keskustelukäännöksiä per opiskelija, arvioitu kvantitatiivisen analyysin kautta taustajärjestelmälokeista opiskelijan sitoutumiskäyttäytymisen mittaamiseksi.
|
Kurssin lopussa (noin viikko 3)
|
|
AI-agentin osallistuminen: Aikajaksolliset kuviot
Aikaikkuna: Kurssin lopussa (noin viikko 3)
|
Vertaile AI-agentin käyttötiheyttä tenttivalmisteluviikkojen ja tavallisten opiskeluviikkojen välillä, arvioituna backend-järjestelmän lokien kvantitatiivisen analyysin kautta.
|
Kurssin lopussa (noin viikko 3)
|
|
AI-agentin osallistuminen: Kyselyteemat
Aikaikkuna: Kurssin lopussa (noin viikolla 3)
|
Opiskelijoiden kyselyteemojen tunnistaminen soveltamalla aihemallinnusalgoritmeja taustajärjestelmälokeihin.
|
Kurssin lopussa (noin viikolla 3)
|
Yhteistyökumppanit ja tutkijat
Sponsori
Opintojen ennätyspäivät
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Todellinen)
Ensisijainen valmistuminen (Arvioitu)
Opintojen valmistuminen (Arvioitu)
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Ensimmäinen Lähetetty (Todellinen)
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Viimeksi vahvistettu
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muut tutkimustunnusnumerot
- L2025SYSU-HL-032
- 25XJ0215 (Muu apuraha/rahoitusnumero: China Association of Higher Education)
Yksittäisten osallistujien tietojen suunnitelma (IPD)
Aiotko jakaa yksittäisten osallistujien tietoja (IPD)?
IPD-suunnitelman kuvaus
IPD-jaon aikakehys
IPD-jaon käyttöoikeuskriteerit
IPD-jakamista tukeva tietotyyppi
- STUDY_PROTOCOL
- MAHLA
- ANALYTIC_CODE
Lääke- ja laitetiedot, tutkimusasiakirjat
Tutkii yhdysvaltalaista FDA sääntelemää lääkevalmistetta
Tutkii yhdysvaltalaista FDA sääntelemää laitetuotetta
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .