Grande modello linguistico per la reaoning clinico degli studenti di terapia fisica

Il ragionamento clinico è una competenza chiave per gli studenti di terapia fisica, consentendo loro di valutare, diagnosticare e creare piani di trattamento in base alle informazioni sul paziente. Nonostante la sua importanza, gli approcci educativi tradizionali spesso limitano l'esposizione degli studenti a una vasta gamma di casi clinici, limitando la loro capacità di sviluppare capacità di ragionamento complete. I progressi nell'intelligenza artificiale, in particolare i modelli di linguaggio di grandi dimensioni (LLM) come Chatgpt, offrono una soluzione promettente simulando scenari clinici realistici e interattivi.

Questo studio randomizzato controllato (RCT) mira a valutare l'efficacia di un intervento basato su LLM rispetto ai metodi di allenamento tradizionali per migliorare le capacità di ragionamento clinico tra gli studenti di terapia fisica. Gli studenti del terzo anno verranno assegnati in modo casuale al gruppo sperimentale, ricevendo una formazione basata su casi guidati dall'IA o al gruppo di controllo, a seguito di discussioni sui casi basati su curriculum convenzionali.

L'intervento durerà 8 settimane, durante le quali gli studenti del gruppo sperimentale interagiranno con un LLM per risolvere i casi clinici settimanali, imitando gli incontri dei pazienti nel mondo reale. Il modello funzionerà come un paziente virtuale, rispondendo alle indagini degli studenti e consentendo loro di perfezionare il ragionamento diagnostico e la pianificazione del trattamento. Al contrario, il gruppo di controllo parteciperà alle tradizionali discussioni sui casi guidati e guidati da tutor.

Piano di analisi statistica

I dati verranno analizzati utilizzando SPSS versione 29.0 (SPSS Inc., Chicago, IL, USA). Le statistiche descrittive verranno utilizzate per riassumere le caratteristiche di base dei partecipanti, con variabili continue espresse come media ± deviazione standard (DS) o mediana [intervallo interquartile], a seconda della normalità e delle variabili categoriali presentate come frequenza (n) e percentuale (%). La normalità delle distribuzioni sarà valutata utilizzando il test Kolmogorov-Smirnov e il test Shapiro-Wilk. I confronti tra gruppi verranno eseguiti utilizzando; T-test indipendenti o test U Mann-Whitney per variabili continue; Test chi-quadro o test esatto di Fisher per variabili categoriche; Misure ripetute ANOVA o modelli misti lineari verranno utilizzati per valutare i cambiamenti nel tempo nei punteggi di ragionamento clinico, nella competenza digitale e nei livelli di soddisfazione.

Verranno applicati modelli di regressione logistica per esplorare i predittori di impegno con l'intervento basato su LLM. Le dimensioni dell'effetto (Cohen's D, Rosenthal's R) saranno calcolate per misurare l'entità delle differenze osservate. Verrà condotta un'analisi di efficacia in termini di costi confrontando il costo di attuazione dell'intervento basato su LLM con il miglioramento dei punteggi di ragionamento clinico e dei livelli di coinvolgimento degli studenti.

Il significato statistico sarà impostato a P <0,05 e tutte le analisi saranno condotte utilizzando un approccio a due code.