Egy mesterséges intelligencia oktatási ügynök orvosi gépi tanulási kurzusokhoz
Egy nagy nyelvi modellen alapuló oktatási ügynök alkalmazása és hatékonysága az orvosi képzésben: Tanulmány a gépi tanulás és adatbányászat kurzuson
Ennek az intervenciós vizsgálatnak a célja, hogy értékelje egy Nagy Nyelvi Modell (LLM) alapú oktatási MI Ügynök hatékonyságát orvoslásban vagy ápolásban szakosodó mester- és PhD-hallgatók körében, akik részt vesznek a "Gépi tanulás és adatbányászat" kurzuson. A fő kérdések, amelyekre választ szeretne találni:<\/p>
Javítja-e az oktatási MI Ügynök használata a hallgatók akadémiai teljesítményét és gyakorlati készségeit a gépi tanulásban a hagyományos módszerekkel összehasonlítva?<\/p>
Fokozza-e az MI beavatkozás a hallgatók tanulási magabiztosságát, elégedettségét és kognitív elkötelezettségét?<\/p>
A kutatók összehasonlítják a jelenleg az MI Ügynököt használó hallgatókat (kísérleti csoport) egy történelmi kontrollcsoporttal (az előző évfolyam hallgatói, akik nem használták az MI eszközt), hogy megnézzék, az MI által támogatott tanulási modell szignifikánsan magasabb tanulási eredményekhez és jobb oktatási tapasztalatokhoz vezet-e.<\/p>
A résztvevők:<\/p>
Használják a Tanítási Ügynököt elméleti kérdésekre való valós idejű válaszokért, személyre szabott tanulási tervezésért és tudásmegerősítésért.<\/p>
Használják a Kutatási Ügynököt irodalmi áttekintések, kutatási tervezés optimalizálása és akadémiai írás struktúrája terén nyújtott segítségért.<\/p>
Használják a Gyakorlati Innovációs Ügynököt kódolási útmutatásokért, algoritmus hibakeresésért és gépi tanulási modellek orvosi adatelemzési projektekre való alkalmazásáért.<\/p>
A tanulmány áttekintése
Állapot
Beavatkozás / kezelés
Részletes leírás
Háttér: A mesterséges intelligencia (MI) és az adatbányászat elengedhetetlen készségekké válnak a modern orvosi és ápolási kutatásban. A hagyományos oktatási módszerek azonban a "Gépi tanulás és adatbányászat" című posztgraduális kurzus esetében gyakran nem tudják kielégíteni a különböző technikai háttérrel (pl. programozás, matematika) rendelkező hallgatók személyre szabott tanulási igényeit. Ennek kezelésére ez a tanulmány egy nagy nyelvi modelleken (LLM) alapuló, egyedi fejlesztésű MI Oktatási Agentet mutat be intelligens oktatóasszisztensként.
Célok: Az elsődleges cél az MI Agent hatékonyságának értékelése a tanulási eredmények, a gyakorlati kódolási készségek és az akadémiai önhatékonyság javításában az orvosi és ápolási posztgraduális hallgatók körében. A tanulmány célja továbbá az MI agentek orvosi tantervbe való integrálásának megvalósíthatóságának és a hallgatói elégedettségének felmérése.
Tanulmány tervezés: Ez egy nem véletlenszerű intervenciós tanulmány történelmi kontroll tervezéssel.
Tanulmány tervezés: Ez egy nem véletlenszerű intervenciós tanulmány történelmi kontroll tervezéssel.
Kísérleti csoport (intervenció): A 2025-2026-os tanévben részt vevő hallgatók, akik hozzáférnek az MI Agent rendszerhez.
Kontrollcsoport (történelmi): Az előző tanév (2024-2025) hallgatói, akik ugyanezt a tantervet végezték el szabványos oktatási módszerekkel MI támogatás nélkül.
Intervenció részletei: Az intervenció egy LLM-ekkel és Tudásgráf-alapú Lekérdezéssel Fokozott Generálással (KGRAG) működő MI Agent rendszer bevezetését foglalja magában. A KGRAG keretrendszer korlátozza az MI válaszait egy ellenőrzött tudásbázisra (kurzus tankönyvek, előadás diák, válogatott kód tárolók), hogy minimalizálja a "hallucinációkat" és biztosítsa az orvosi/tudományos pontosságot. A rendszer három speciális funkcionális modult tartalmaz:
Oktató Agent: 24/7 oktatóként működik, koncepciómagyarázatokat nyújt, összefoglalja a kulcsfontosságú tudáspontokat, és személyre szabott tanulási terveket kínál a hallgatói előrehaladás alapján.
Kutató Agent: Támogatja a kutatási képzést az irodalmi áttekintés segítésével, a kutatási kérdések finomhangolásával és az akadémiai írás szerkezetének optimalizálásával.
Gyakorlati Innovációs Agent: Megkönnyíti a gyakorlati készségek elsajátítását azáltal, hogy végigvezeti a hallgatókat a kódgeneráláson, az algoritmusok hibakeresésén és a gépi tanulási modellek valós orvosi adathalmazokra való alkalmazásán. Az agent szókratészi oktatási módszert alkalmaz a problémamegoldás irányítására ahelyett, hogy közvetlen válaszokat adna.
Tanulmány típusa
Beiratkozás (Becsült)
Fázis
- Nem alkalmazható
Kapcsolatok és helyek
Tanulmányi kapcsolat
- Név: Wei Xia, PhD
- Telefonszám: 8618823359471
- E-mail: xiaw23@mail.sysu.edu.cn
Tanulmányozza a kapcsolattartók biztonsági mentését
- Név: Jiebing Luo
- Telefonszám: 8618885639072
- E-mail: luojiebing2002@163.com
Tanulmányi helyek
-
-
Guangdong
-
Guangzhou, Guangdong, Kína, 510000
- Toborzás
- North Campus of Sun Yat-sen University
-
Kapcsolatba lépni:
- Wei Xia, PhD
- Telefonszám: 8618823359471
- E-mail: xiaw23@mail.sysu.edu.cn
-
Kapcsolatba lépni:
- Jie Bing Luo
- Telefonszám: 8618885639072
- E-mail: luojiebing2002@163.com
-
-
Részvételi kritériumok
Jogosultsági kritériumok
Tanulmányozható életkorok
- Gyermek
- Felnőtt
- Idősebb felnőtt
Egészséges önkénteseket fogad
Leírás
Bevonási kritériumok:
- Orvostudományi posztgraduális hallgatók a Kanton-Hongkong-Makaó Nagy-öböl terület egyetemeiről;
- Azok a posztgraduális hallgatók, akik elvégezték a "Gépi tanulás és adatbányászat" kurzust;
- Elvégzették a szükséges előfeltételként szolgáló kurzusokat: "Orvosi statisztika" és "Ápoláskutatás";
- Képesek az AI Oktatási Ügynök rendszer normális működtetésére és hajlandóak a tanulmányi időszak alatt vonatkozó oktatási beavatkozásokra és értékelésekre.
Kizárási kritériumok:
- Nem hajlandóak használni az AI oktatási ügynök rendszert, vagy megtagadják, hogy a kutatócsoport gyűjthesse a vonatkozó adataikat;
- Azok a hallgatók, akik nem tudják vállalni a kurzus teljes időtartamát, vagy ismert időbeosztási ütközéseik vannak, amelyek megakadályozzák a rendszeres részvételt;
- Azok a hallgatók, akik korábbi tanévekben már felvettek vagy hallgatóként vettek részt ezen a kurzuson, hogy elkerüljék a tanulási hatás torzítását.
Tanulási terv
Hogyan készül a tanulmány?
Tervezési részletek
- Elsődleges cél: Egyéb
- Kiosztás: N/A
- Beavatkozó modell: Egyetlen csoportos hozzárendelés
- Maszkolás: Nincs (Open Label)
Fegyverek és beavatkozások
Résztvevő csoport / kar |
Beavatkozás / kezelés |
|---|---|
|
Kísérleti: AI Ügynök Beavatkozási Csoport
A 2025-2026-os tanévben a "Gépi tanulás és adatbányászat" kurzusra beiratkozott mesterképzési hallgatók.
A csoport résztvevői a szemeszter során az egyedileg fejlesztett KGRAG-alapú AI Oktatási Ügynök rendszert használják majd.
A rendszer három modult tartalmaz: egy Oktatási Ügynököt a fogalmak magyarázatához, egy Kutatási Ügynököt az akadémiai írás támogatásához, valamint egy Gyakorlati Innovációs Ügynököt a kódgeneráláshoz és hibakereséshez.
|
Az intervenció egy egyedileg fejlesztett mesterséges intelligencián alapuló oktatási rendszert foglal magában, amely Nagy Nyelvi Modelleken (LLM) és Tudásgráf-alapú, Lekérdezéssel Fokozott Generálás (KGRAG) technológián működik.
A rendszer három specializált ügynökből áll, amelyek támogatják az önálló tanulást: 1. Oktató Ügynök: Valós idejű fogalmi magyarázatokat, személyre szabott tanulási terveket és tudásmegerősítést biztosít a kurzus tananyaga alapján.
2. Kutatási Ügynök: Segít az irodalmi áttekintésben, a kutatási kérdések finomításában és az akadémiai írásmód szerkezetének kialakításában.
3. Gyakorlati Innovációs Ügynök: Diákokat vezet át a kódgenerálásban, az algoritmusok hibakeresésében és az adatbányászati projektekben, szókratészi oktatási módszereket alkalmazva a problémamegoldó készségek fejlesztése érdekében.
A résztvevők féléven át 0-24 órás hozzáféréssel rendelkeznek ehhez a rendszerhez.
|
Mit mér a tanulmány?
Elsődleges eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Kompozit Akadémiai Teljesítmény Pontszám
Időkeret: Az intervenció után (a kurzus végén, kb. a 3. héten)
|
Az értékelés a végső kumulatív kurzusjegyen (tartomány: 0-100) keresztül történik, amely a hallgató gépi tanulási koncepciók és alkalmazások iránti általános elsajátítását jelzi. A pontszám három súlyozott komponens alapján kerül kiszámításra: Órai feladatok (20%): A kurzusplatformon keresztül beadott rendszeres feladatok értékelése. Kutatási haladási dolgozat (40%): Egy szabad felfedezésű témában írt dolgozat, amely elméleti megértést és kutatási tervezési készségeket értékel. Csoportos záróprojekt bemutató (40%): Egy gyakorlati projekt értékelése, ahol a hallgatók megoldásokat és eredményeket mutatnak be adott orvosi esetek és adathalmazok alapján. A magasabb pontszámok jobb tanulmányi teljesítményt jeleznek. Az kísérleti csoport pontszámait összevetjük a történelmi kontrollcsoporttal |
Az intervenció után (a kurzus végén, kb. a 3. héten)
|
Másodlagos eredményintézkedések
Eredménymérő |
Intézkedés leírása |
Időkeret |
|---|---|---|
|
Objektív Tudáselsajátítási Arány
Időkeret: A beavatkozás után (a kurzus végén, kb. a 3. héten)
|
Értékelés a kurzus felméréseibe ágyazott strukturált tudásértékelés segítségével történt.
Az értékelés többválasztós kérdéseket tartalmaz, amelyek magukban foglalják az alapfogalmakat, az adatfeldolgozási módszereket és az etikai megfontolásokat.
Az eredményt a helyes válaszok százalékos arányaként jelentik.
|
A beavatkozás után (a kurzus végén, kb. a 3. héten)
|
|
Észlelt hasznosság és technológiai elfogadás
Időkeret: A beavatkozás után (a tanfolyam végén, kb. 3. héten)
|
A Technológia Elfogadási Modell (TAM) alapján készített kurzus utáni felméréssel értékelve.
A résztvevők 0-tól (Nem segített) 10-ig (Nagyon hasznos) terjedő skálán értékelik a mesterséges intelligencia ügynök kutatásukban és munkájukban nyújtott segítségességét.
|
A beavatkozás után (a tanfolyam végén, kb. 3. héten)
|
|
AI-ügynök bevonása: Interakció gyakorisága
Időkeret: A kurzus végén (kb. 3. héten)
|
A hallgatók által folytatott beszélgetések és beszélgetési fordulók teljes száma, amelyet a háttérrendszer naplófájljainak kvantitatív elemzésével értékelnek a hallgatók részvételi magatartásának mérésére.
|
A kurzus végén (kb. 3. héten)
|
|
AI Ügynök Kapcsolattartás: Időbeli Mintázatok
Időkeret: A tanfolyam végén (kb. a 3. hét)
|
A mesterséges intelligencia ügynökök használati gyakoriságának összehasonlítása a vizsgára való felkészülés heteiben a szokásos tanulási hetekkel szemben, a háttérrendszer naplóinak kvantitatív elemzésén keresztül értékelve.
|
A tanfolyam végén (kb. a 3. hét)
|
|
Mesterséges Intelligencia Ügynök Részvétel: Lekérdezési Témák
Időkeret: A tanfolyam végén (kb. a 3. héten)
|
A tanulói lekérdezési témák azonosítása témamodellező algoritmusok alkalmazásával a háttérrendszer-naplókra.
|
A tanfolyam végén (kb. a 3. héten)
|
Együttműködők és nyomozók
Szponzor
Tanulmányi rekorddátumok
Tanulmány főbb dátumok
Tanulmány kezdete (Tényleges)
Elsődleges befejezés (Becsült)
A tanulmány befejezése (Becsült)
Tanulmányi regisztráció dátumai
Először benyújtva
Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak
Első közzététel (Tényleges)
Tanulmányi rekordok frissítései
Utolsó frissítés közzétéve (Tényleges)
Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak
Utolsó ellenőrzés
Több információ
A tanulmányhoz kapcsolódó kifejezések
Kulcsszavak
Egyéb vizsgálati azonosító számok
- L2025SYSU-HL-032
- 25XJ0215 (Egyéb támogatási/finanszírozási szám: China Association of Higher Education)
Terv az egyéni résztvevői adatokhoz (IPD)
Tervezi megosztani az egyéni résztvevői adatokat (IPD)?
IPD terv leírása
IPD megosztási időkeret
IPD-megosztási hozzáférési feltételek
Az IPD megosztását támogató információ típusa
- STUDY_PROTOCOL
- NEDV
- ANALYTIC_CODE
Gyógyszer- és eszközinformációk, tanulmányi dokumentumok
Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz
Egy amerikai FDA által szabályozott eszközterméket tanulmányoz
Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .