A-assisté d'apprentissage en médecine

Ackground et justification: l'enseignement efficace de la médecine interne, une pierre angulaire de l'enseignement médical de premier cycle, présente des défis pédagogiques importants en raison de l'étendue et de la complexité de la matière et des grandes cohortes étudiants généralement inscrites dans des centres médicaux universitaires majeurs. Bien que les méthodes traditionnelles telles que les conférences et les lectures de manuels soient essentielles, il existe un besoin reconnu d'approches innovantes qui peuvent mieux soutenir le développement du raisonnement clinique, faciliter un engagement plus approfondi avec un matériel de cas complexe et offrir des opportunités d'apprentissage plus personnalisées à grande échelle. L'intelligence artificielle (IA), en particulier les modèles avancés de grande langue (LLM) formés sur les connaissances spécifiques au domaine, détient un potentiel considérable en tant que technologie éducative pour répondre à ces besoins. MetAGP-Edu, un modèle de fondation génératif propriétaire ajusté spécifiquement pour l'enseignement médical à l'aide de ensembles de données pédagogiques, a été développé pour explorer ce potentiel en servant de ressource d'apprentissage supplémentaire. L'évaluation de l'impact réel de l'intégration de ces outils dans les programmes établis est crucial pour la pratique éducative axée sur les preuves.

Objectifs: L'objectif principal de cette étude est d'évaluer rétrospectivement l'association entre la disponibilité de l'outil METAGP-EDU AI comme ressource d'apprentissage supplémentaire et les performances scolaires globales des étudiants dans le programme de médecine interne de base.

Conception de l'étude: Cette enquête utilise une conception d'étude de cohorte multicentrique et rétrospective. Les données académiques collectées régulièrement de plusieurs écoles de médecine majeures en Chine au cours de plusieurs années universitaires consécutives seront analysées. Cette approche permet la comparaison des cohortes des étudiants en fonction de leur exposition historique à différents environnements de ressources éducatifs (avec vs sans accès MetAgp-Edu) dans des contextes académiques réels.

Cadre et participants: L'étude comprend les données des étudiants en médecine de premier cycle inscrits au cours de médecine interne obligatoire dans plusieurs grandes établissements médicaux affiliés académiquement en Chine. Les participants comprennent des étudiants qui ont terminé le cours sur une période de années académiques couvrant la période avant et après l'introduction de MetAgp-Edu (environ l'automne 2022). L'inclusion est basée sur la disponibilité des dossiers académiques complets pour le cours de médecine interne pendant la période d'étude spécifiée.

Exposition / intervention et comparateur: L'étude compare deux cohortes principales définies par le moment de la disponibilité MetAGP-Edu:

Cohorte de comparaison (pré-métagp-edu): étudiants qui ont terminé le cours de médecine interne dans les années académiques avant l'introduction de MetAgp-Edu. Ces étudiants ont utilisé les méthodes d'enseignement traditionnelles établies par les établissements (par exemple, des conférences, des tutoriels, des discussions de cas standard, des affectations de manuels) sans accès à l'outil MetAgp-Edu.

Cohorte d'exposition (post-METAGP-EDU): Étudiants qui ont terminé le cours de médecine interne dans les années académiques suivant l'introduction de MetAgp-Edu. Ces étudiants ont participé aux mêmes composants de curriculum traditionnels de base, mais avaient également accès à MetAGP-Edu via des plateformes institutionnelles en tant que ressource supplémentaire et facultative pour l'apprentissage autonome, l'exploration de cas et le soutien à la requête clinique.

Mesures des résultats: La principale mesure des résultats est le rendement scolaire global du cours de médecine interne, généralement représenté par le score final du cours numérique (par exemple, sur une échelle de 0 à 100), comme documenté dans les archives universitaires officielles. Les covariables clés, y compris les mesures de la réussite scolaire de base (par exemple, GPA cumulative antérieure ou équivalent), les facteurs démographiques (par exemple, le sexe) et le site institutionnel, seront extraits des données administratives pour permettre un ajustement statistique.