Apprendimento assistito in medicina

Ackground e logica: l'insegnamento efficace della medicina interna, una pietra miliare dell'educazione medica universitaria, presenta importanti sfide pedagogiche a causa dell'ampiezza e della complessità dell'argomento e delle grandi coorti di studenti in genere iscritti ai principali centri medici accademici. Mentre i metodi tradizionali come le lezioni e le letture dei libri di testo sono essenziali, esiste una necessità riconosciuta di approcci innovativi che possano supportare meglio lo sviluppo del ragionamento clinico, facilitare un impegno più profondo con materiale di caso complesso e offrire opportunità di apprendimento più personalizzate su scala. L'intelligenza artificiale (AI), in particolare i modelli di linguaggio di grandi dimensioni (LLM) addestrati a conoscenze specifiche del dominio, ha un notevole potenziale come tecnologia educativa per soddisfare queste esigenze. MetaGP-Edu, un modello di fondazione generativa proprietaria messa a punto specificamente per l'educazione medica mediante set di dati pedagogici, è stato sviluppato per esplorare questo potenziale servendo come risorsa di apprendimento supplementare. Valutare l'impatto del mondo reale dell'integrazione di tali strumenti nei curricula consolidati è fondamentale per la pratica educativa informata sull'evidenza.

Obiettivi: l'obiettivo primario di questo studio è di valutare retrospettivamente l'associazione tra la disponibilità dello strumento MetaGP-EDU AI come risorsa di apprendimento supplementare e prestazioni accademiche complessive degli studenti nel curriculum di medicina interna principale.

Progettazione dello studio: questa indagine impiega un progetto di studio multicentrico e retrospettivo di coorte. Saranno analizzati dati accademici raccolti regolarmente da diverse principali scuole mediche in Cina per più anni accademici consecutivi. Questo approccio consente il confronto tra le coorti degli studenti in base alla loro esposizione storica a diversi ambienti di risorse educative (con Vs senza accesso MetaGP-EDU) in contesti accademici del mondo reale.

Impostazione e partecipanti: lo studio comprende i dati degli studenti di medicina universitari iscritti al corso di medicina interna obbligatoria in diverse grandi istituzioni mediche accademiche in Cina. I partecipanti includono studenti che hanno completato il corso in un arco di anni accademici che coprono il periodo prima e dopo l'introduzione di MetaGP-EDU (circa l'autunno 2022). L'inclusione si basa sulla disponibilità di registri accademici completi per il corso di medicina interna durante il periodo di studio specificato.

Esposizione/intervento e comparatore: lo studio confronta due coorti principali definite dai tempi della disponibilità di Metagp-EDU:

COHORT COMPARATORE (pre-Metagp-Edu): studenti che hanno completato il corso di medicina interna negli anni accademici prima dell'introduzione di MetaGP-EDU. Questi studenti hanno utilizzato i metodi di insegnamento tradizionali stabiliti delle istituzioni (ad es. Lezioni, tutorial, discussioni sui casi standard, assegnazioni di libri di testo) senza accesso allo strumento MetagP-EDU.

Coorte di esposizione (Post-Metagp-Edu): studenti che hanno completato il corso di medicina interna negli anni accademici successivi all'introduzione di MetaGP-Edu. Questi studenti hanno partecipato agli stessi componenti di curriculum tradizionali di base ma avevano anche accesso a MetaGP-Edu tramite piattaforme istituzionali come risorsa supplementare e opzionale per l'apprendimento auto-diretto, l'esplorazione dei casi e il supporto delle query cliniche.

Misure di esito: la misura di esito primaria è la prestazione accademica complessiva nel corso di medicina interna, in genere rappresentata dal punteggio finale del corso numerico (ad esempio, su una scala 0-100) come documentato nei registri universitari ufficiali. Le covariate chiave, comprese le misure del rendimento accademico di base (ad es. Precedenti GPA cumulativi o equivalenti), fattori demografici (ad es. Sesso) e sito istituzionale, saranno estratti da dati amministrativi per consentire l'adeguamento statistico.