Un agent éducatif IA pour les cours d'apprentissage automatique médical
Application et efficacité d'un agent éducatif basé sur un grand modèle de langage dans l'éducation médicale : Une étude sur le cours d'apprentissage automatique et d'exploration de données
L'objectif de cette étude interventionnelle est d'évaluer l'efficacité d'un Agent d'IA éducatif basé sur un Grand Modèle de Langage (LLM) chez les étudiants de troisième cycle (Master et Doctorat) spécialisés en médecine ou en soins infirmiers inscrits au cours « Apprentissage Automatique et Exploration de Données ». Les principales questions auxquelles elle vise à répondre sont :
L'utilisation d'un Agent d'IA éducatif améliore-t-elle les performances académiques et les compétences pratiques des étudiants en apprentissage automatique par rapport aux méthodes traditionnelles ?
L'intervention par IA renforce-t-elle la confiance d'apprentissage, la satisfaction et l'engagement cognitif des étudiants ?
Les chercheurs compareront les étudiants utilisant actuellement l'Agent d'IA (groupe expérimental) à un groupe témoin historique (étudiants de la cohorte précédente n'ayant pas utilisé l'outil d'IA) pour déterminer si le modèle d'apprentissage assisté par IA conduit à des réalisations d'apprentissage significativement supérieures et à de meilleures expériences éducatives.
Les participants devront :
Utiliser l'Agent d'Enseignement pour obtenir des réponses en temps réel aux questions théoriques, une planification d'étude personnalisée et un renforcement des connaissances.
Interagir avec l'Agent de Recherche pour assister dans les revues de littérature, l'optimisation de la conception de recherche et la structure de rédaction académique.
Utiliser l'Agent d'Innovation Pratique pour obtenir des conseils sur le codage, le débogage d'algorithmes et l'application de modèles d'apprentissage automatique à des projets d'analyse de données médicales.
Aperçu de l'étude
Statut
Les conditions
Intervention / Traitement
Description détaillée
Contexte : L'intelligence artificielle (IA) et l'exploration de données deviennent des compétences essentielles dans la recherche médicale et infirmière moderne. Cependant, les méthodes d'enseignement traditionnelles du cours de niveau master "Apprentissage automatique et exploration de données" peinent souvent à répondre aux besoins d'apprentissage personnalisés des étudiants ayant des bagages techniques variés (par exemple, programmation, mathématiques). Pour y remédier, cette étude présente un Agent Éducatif d'IA personnalisé basé sur les Grands Modèles de Langage (LLM) pour servir d'assistant pédagogique intelligent.
Objectifs : L'objectif principal est d'évaluer l'efficacité de l'Agent d'IA pour améliorer les résultats d'apprentissage, les compétences pratiques en programmation et l'auto-efficacité académique chez les étudiants en master de médecine et d'infirmière. L'étude vise également à évaluer la faisabilité et la satisfaction des étudiants concernant l'intégration d'agents d'IA dans le cursus médical.
Plan d'étude : Il s'agit d'une étude d'intervention non randomisée utilisant un plan de contrôle historique.
Plan d'étude : Il s'agit d'une étude d'intervention non randomisée utilisant un plan de contrôle historique.
Groupe expérimental (Intervention) : Étudiants de l'année académique 2025-2026 qui auront accès au système de l'Agent d'IA.
Groupe témoin (Historique) : Étudiants de la cohorte académique précédente (2024-2025) qui ont suivi le même cursus en utilisant des méthodes d'enseignement standard sans soutien d'IA.
Détails de l'intervention : L'intervention implique le déploiement d'un système d'Agent d'IA alimenté par des LLM et une Génération Augmentée par Récupération basée sur des Graphes de Connaissance (KGRAG). Le cadre KGRAG restreint les réponses de l'IA à une base de connaissances vérifiée (manuels du cours, diapositives de cours et dépôts de code sélectionnés) pour minimiser les "hallucinations" et garantir l'exactitude médicale/scientifique. Le système comprend trois modules fonctionnels spécialisés :
Agent d'Enseignement : Fonctionne comme un tuteur disponible 24h/24 et 7j/7, fournissant des explications de concepts, résumant les points de connaissances clés et proposant des plans d'étude personnalisés basés sur la progression de l'étudiant.
Agent de Recherche : Soutient la formation à la recherche en aidant à la revue de littérature, à l'affinement des questions de recherche et à l'optimisation des structures de rédaction académique.
Agent de Pratique et d'Innovation : Facilite l'acquisition de compétences pratiques en guidant les étudiants dans la génération de code, le débogage d'algorithmes et l'application de modèles d'apprentissage automatique à des ensembles de données médicales réelles. L'agent emploie une méthode de tutorat socratique pour guider la résolution de problèmes plutôt que de fournir des réponses directes.
Type d'étude
Inscription (Estimé)
Phase
- N'est pas applicable
Contacts et emplacements
Coordonnées de l'étude
- Nom: Wei Xia, Phd
- Numéro de téléphone: 8618823359471
- E-mail: xiaw23@mail.sysu.edu.cn
Sauvegarde des contacts de l'étude
- Nom: Jiebing Luo
- Numéro de téléphone: 8618885639072
- E-mail: luojiebing2002@163.com
Lieux d'étude
-
-
Guangdong
-
Guangzhou, Guangdong, Chine, 510000
- Recrutement
- North Campus of Sun Yat-sen University
-
Contact:
- Wei Xia, Phd
- Numéro de téléphone: 8618823359471
- E-mail: xiaw23@mail.sysu.edu.cn
-
Contact:
- Jie Bing Luo
- Numéro de téléphone: 8618885639072
- E-mail: luojiebing2002@163.com
-
-
Critères de participation
Critère d'éligibilité
Âges éligibles pour étudier
- Enfant
- Adulte
- Adulte plus âgé
Accepte les volontaires sains
La description
Critères d'inclusion :
- Étudiants diplômés en médecine des universités de la Grande Baie Guangdong-Hong Kong-Macao ;
- Étudiants diplômés ayant suivi le cours « Apprentissage automatique et exploration de données » ;
- Avoir terminé les cours prérequis obligatoires : « Statistiques médicales » et « Recherche en soins infirmiers » ;
- Capable d'utiliser normalement le système d'agent éducatif IA et disposé à subir les interventions pédagogiques et évaluations pertinentes pendant la période d'étude.
Critères d'exclusion :
- Refus d'utiliser le système d'agent éducatif IA, ou refus de permettre à l'équipe de recherche de collecter leurs données pertinentes ;
- Étudiants qui ne peuvent s'engager pour toute la durée du cours ou qui ont des conflits d'emploi du temps connus empêchant une assiduité régulière ;
- Étudiants ayant déjà suivi ou audité ce cours lors des années académiques précédentes pour éviter un biais d'apprentissage.
Plan d'étude
Comment l'étude est-elle conçue ?
Détails de conception
- Objectif principal: Autre
- Répartition: N / A
- Modèle interventionnel: Affectation à un seul groupe
- Masquage: Aucun (étiquette ouverte)
Armes et Interventions
Groupe de participants / Bras |
Intervention / Traitement |
|---|---|
|
Expérimental: Groupe d'Intervention par Agent IA
Étudiants diplômés inscrits au cours « Apprentissage automatique et exploration de données » au cours de l'année universitaire 2025-2026.
Les participants de ce groupe utiliseront le système d'agent éducatif basé sur KGRAG spécialement développé tout au long du semestre.
Le système comprend trois modules : un agent d'enseignement pour l'explication des concepts, un agent de recherche pour le soutien à la rédaction académique et un agent d'innovation pratique pour la génération et le débogage de code.
|
L'intervention implique un système éducatif IA personnalisé alimenté par des modèles de langage de grande taille (LLM) et la technologie de génération augmentée par récupération basée sur des graphes de connaissances (KGRAG).
Le système comprend trois agents spécialisés pour soutenir l'apprentissage autonome : 1. Agent d'enseignement : Fournit des explications de concepts en temps réel, des plans d'étude personnalisés et un renforcement des connaissances basé sur le programme du cours.
2. Agent de recherche : Aide à la revue de la littérature, à l'affinement des questions de recherche et à la structure de la rédaction académique.
3. Agent de pratique et d'innovation : Guide les étudiants dans la génération de code, le débogage d'algorithmes et les projets d'exploration de données en utilisant des méthodes de tutorat socratiques pour développer les compétences en résolution de problèmes.
Les participants ont un accès 24h/24 et 7j/7 à ce système tout au long du semestre.
|
Que mesure l'étude ?
Principaux critères de jugement
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Score Composite de Performance Académique
Délai: Après l'intervention (à la fin du cours, environ la semaine 3)
|
Évalué par la note finale cumulative du cours (plage : 0-100), qui indique la maîtrise globale des concepts et applications de l'apprentissage automatique par l'étudiant. Le score est calculé sur la base de trois composantes pondérées : Devoirs en classe (20 %) : Évaluations des devoirs réguliers soumis via la plateforme du cours. Document de progression de la recherche (40 %) : Un document écrit sur un sujet d'exploration libre évaluant la compréhension théorique et les compétences en conception de recherche. Présentation du projet final de groupe (40 %) : Évaluation d'un projet pratique où les étudiants présentent des solutions et des résultats basés sur des cas médicaux et des ensembles de données donnés. Les scores plus élevés indiquent une meilleure performance académique. Les scores du groupe expérimental seront comparés à ceux du groupe témoin historique |
Après l'intervention (à la fin du cours, environ la semaine 3)
|
Mesures de résultats secondaires
Mesure des résultats |
Description de la mesure |
Délai |
|---|---|---|
|
Taux d'acquisition de connaissances objectives
Délai: Après l'intervention (à la fin du cours, environ la semaine 3)
|
Évalué à l'aide d'une évaluation structurée des connaissances intégrée aux enquêtes du cours.
L'évaluation comprend des questions à choix multiples couvrant les concepts fondamentaux, les méthodes de traitement des données et les considérations éthiques.
Le résultat est rapporté sous forme de pourcentage de réponses correctes
|
Après l'intervention (à la fin du cours, environ la semaine 3)
|
|
Utilité Perçue et Acceptation de la Technologie
Délai: Après l'intervention (à la fin du cours, environ la semaine 3)
|
Évalué à l'aide de l'enquête post-formation basée sur le modèle d'acceptation de la technologie (TAM).
Les participants notent l'utilité de l'agent IA pour leurs recherches et leur travail sur une échelle de 0 (aucune aide) à 10 (très utile)
|
Après l'intervention (à la fin du cours, environ la semaine 3)
|
|
Engagement des Agents IA : Fréquence d'Interaction
Délai: À la fin du traitement (environ la semaine 3)
|
Nombre total de conversations et de tours de conversation par étudiant, évalué par une analyse quantitative des journaux du système backend pour mesurer le comportement d'engagement des étudiants.
|
À la fin du traitement (environ la semaine 3)
|
|
Engagement des Agents IA : Modèles Temporels
Délai: À la fin du cours (environ la semaine 3)
|
Comparaison de la fréquence d'utilisation de l'agent d'IA pendant les semaines de préparation aux examens par rapport aux semaines d'étude régulières, évaluée via une analyse quantitative des journaux du système backend.
|
À la fin du cours (environ la semaine 3)
|
|
Engagement de l'Agent IA : Thèmes de Requête
Délai: À la fin du cours (environ la semaine 3)
|
Identification des thèmes de requêtes étudiantes par l'application d'algorithmes de modélisation thématique aux journaux du système backend.
|
À la fin du cours (environ la semaine 3)
|
Collaborateurs et enquêteurs
Parrainer
Dates d'enregistrement des études
Dates principales de l'étude
Début de l'étude (Réel)
Achèvement primaire (Estimé)
Achèvement de l'étude (Estimé)
Dates d'inscription aux études
Première soumission
Première soumission répondant aux critères de contrôle qualité
Première publication (Réel)
Mises à jour des dossiers d'étude
Dernière mise à jour publiée (Réel)
Dernière mise à jour soumise répondant aux critères de contrôle qualité
Dernière vérification
Plus d'information
Termes liés à cette étude
Autres numéros d'identification d'étude
- L2025SYSU-HL-032
- 25XJ0215 (Autre subvention/numéro de financement: China Association of Higher Education)
Plan pour les données individuelles des participants (IPD)
Prévoyez-vous de partager les données individuelles des participants (DPI) ?
Description du régime IPD
Délai de partage IPD
Critères d'accès au partage IPD
Type d'informations de prise en charge du partage d'IPD
- PROTOCOLE D'ÉTUDE
- SÈVE
- ANALYTIC_CODE
Informations sur les médicaments et les dispositifs, documents d'étude
Étudie un produit pharmaceutique réglementé par la FDA américaine
Étudie un produit d'appareil réglementé par la FDA américaine
Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .