Questa pagina è stata tradotta automaticamente e l'accuratezza della traduzione non è garantita. Si prega di fare riferimento al Versione inglese per un testo di partenza.

Un Agente Educativo di IA per Corsi di Apprendimento Automatico Medico

3 marzo 2026 aggiornato da: Wei XIA, PhD, Sun Yat-sen University

Applicazione ed Efficacia di un Agente Educativo Basato su un Grande Modello Linguistico nell'Educazione Medica: Uno Studio sul Corso di Machine Learning e Data Mining

L'obiettivo di questo studio interventistico è valutare l'efficacia di un Agente di IA educativo basato su Large Language Model (LLM) in studenti di specializzazione (Master e Dottorato) in medicina o infermieristica iscritti al corso "Machine Learning e Data Mining". Le principali domande a cui mira a rispondere sono:

L'uso di un Agente di IA educativo migliora le prestazioni accademiche e le competenze pratiche degli studenti in machine learning rispetto ai metodi tradizionali?

L'intervento di IA migliora la fiducia nell'apprendimento, la soddisfazione e il coinvolgimento cognitivo degli studenti?

I ricercatori confronteranno gli studenti che attualmente utilizzano l'Agente di IA (gruppo sperimentale) con un gruppo di controllo storico (studenti della coorte precedente che non hanno utilizzato lo strumento di IA) per verificare se il modello di apprendimento assistito da IA porta a risultati di apprendimento significativamente più elevati e a esperienze educative migliori.

I partecipanti:

Utilizzeranno l'Agente Didattico per risposte in tempo reale a domande teoriche, pianificazione di studio personalizzata e rinforzo delle conoscenze.

Interagiranno con l'Agente di Ricerca per assistenza nelle revisioni bibliografiche, ottimizzazione del disegno di ricerca e struttura della scrittura accademica.

Utilizzeranno l'Agente di Innovazione Pratica per la guida nella codifica, debug degli algoritmi e applicazione di modelli di machine learning a progetti di analisi di dati medici.

Panoramica dello studio

Stato

Reclutamento

Condizioni

Intervento / Trattamento

Descrizione dettagliata

Background: L'intelligenza artificiale (IA) e il data mining stanno diventando competenze essenziali nella ricerca medica e infermieristica moderna. Tuttavia, i metodi di insegnamento tradizionali per il corso di livello post-laurea "Machine Learning e Data Mining" spesso faticano a soddisfare le esigenze di apprendimento personalizzate degli studenti con diversi background tecnici (ad esempio, programmazione, matematica). Per affrontare questo problema, questo studio introduce un Agente Educativo IA sviluppato su misura basato su Large Language Models (LLM) per fungere da assistente didattico intelligente.

Obiettivi: L'obiettivo principale è valutare l'efficacia dell'Agente IA nel migliorare i risultati di apprendimento, le competenze pratiche di programmazione e l'autoefficacia accademica tra gli studenti di medicina e infermieristica post-laurea. Lo studio mira anche a valutare la fattibilità e la soddisfazione degli studenti nell'integrare agenti IA nel curriculum medico.

Design dello studio: Si tratta di uno studio interventistico non randomizzato che utilizza un disegno di controllo storico.

Gruppo sperimentale (Intervento): Studenti dell'anno accademico 2025-2026 che avranno accesso al sistema Agente IA.

Gruppo di controllo (Storico): Studenti della coorte accademica precedente (2024-2025) che hanno completato lo stesso curriculum utilizzando metodi di insegnamento standard senza supporto IA.

Dettagli dell'intervento: L'intervento prevede la distribuzione di un sistema Agente IA alimentato da LLM e Retrieval-Augmented Generation basato su Knowledge Graph (KGRAG). Il framework KGRAG limita le risposte dell'IA a una base di conoscenza verificata (libri di testo del corso, diapositive delle lezioni e repository di codice curati) per minimizzare le "allucinazioni" e garantire l'accuratezza medica/scientifica. Il sistema include tre moduli funzionali specializzati:

Agente Didattico: Funge da tutor 24/7, fornendo spiegazioni dei concetti, riassumendo i punti di conoscenza chiave e offrendo piani di studio personalizzati basati sui progressi degli studenti.

Agente di Ricerca: Supporta la formazione alla ricerca assistendo nella revisione della letteratura, affinando le domande di ricerca e ottimizzando le strutture di scrittura accademica.

Agente di Pratica e Innovazione: Facilita l'acquisizione di competenze pratiche guidando gli studenti nella generazione di codice, nel debug degli algoritmi e nell'applicazione di modelli di machine learning a dataset medici del mondo reale. L'agente utilizza un metodo di tutoraggio socratico per guidare la risoluzione dei problemi piuttosto che fornire risposte dirette.

Tipo di studio

Interventistico

Iscrizione (Stimato)

56

Fase

  • Non applicabile

Contatti e Sedi

Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.

Contatto studio

Backup dei contatti dello studio

Luoghi di studio

  • Cina
    • Guangdong
      • Guangzhou, Guangdong, Cina, 510000
        • Reclutamento
        • North Campus of Sun Yat-sen University
        • Contatto:
        • Contatto:

Criteri di partecipazione

I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.

Criteri di ammissibilità

Età idonea allo studio

  • Bambino
  • Adulto
  • Adulto più anziano

Accetta volontari sani

Sì

Descrizione

Criteri di inclusione:

  1. Studenti laureati in medicina provenienti da università della Greater Bay Area Guangdong-Hong Kong-Macao;
  2. Studenti laureati che hanno seguito il corso "Machine Learning e Data Mining";
  3. Aver completato i corsi prerequisiti richiesti: "Statistica medica" e "Ricerca infermieristica";
  4. Capaci di utilizzare normalmente il sistema AI Educational Agent e disposti a sottoporsi a interventi didattici e valutazioni pertinenti durante il periodo di studio.

Criteri di esclusione:

  1. Non disposti a utilizzare il sistema AI education agent o che rifiutano di consentire al team di ricerca di raccogliere i loro dati pertinenti;
  2. Studenti che non possono impegnarsi per l'intera durata del corso o che hanno conflitti di programmazione noti che impedirebbero una partecipazione regolare;
  3. Studenti che si sono iscritti o hanno frequentato questo corso in anni accademici precedenti per evitare il bias dell'effetto di apprendimento.

Piano di studio

Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.

Come è strutturato lo studio?

Dettagli di progettazione

  • Scopo principale: Altro
  • Assegnazione: N / A
  • Modello interventistico: Assegnazione di gruppo singolo
  • Mascheramento: Nessuno (etichetta aperta)

Armi e interventi

Gruppo di partecipanti / Arm
Intervento / Trattamento
Sperimentale: Gruppo di Intervento dell'Agente IA
Studenti laureati iscritti al corso "Machine Learning e Data Mining" durante l'anno accademico 2025-2026. I partecipanti di questo gruppo utilizzeranno il sistema personalizzato basato su KGRAG dell'Agente Educativo AI per tutto il semestre. Il sistema include tre moduli: un Agente Didattico per la spiegazione dei concetti, un Agente di Ricerca per il supporto alla scrittura accademica e un Agente di Pratica e Innovazione per la generazione e il debug del codice
Altro: Sistema Agente Educativo basato su AI KGRAG
L'intervento coinvolge un sistema educativo di IA sviluppato su misura, alimentato da Large Language Models (LLM) e tecnologia Knowledge Graph-based Retrieval-Augmented Generation (KGRAG). Il sistema comprende tre agenti specializzati per supportare l'apprendimento autonomo: 1. Agente Insegnante: Fornisce spiegazioni dei concetti in tempo reale, piani di studio personalizzati e rinforzo delle conoscenze basato sul curriculum del corso. 2. Agente di Ricerca: Assiste nella revisione della letteratura, nell'affinamento delle domande di ricerca e nella struttura della scrittura accademica. 3. Agente di Pratica e Innovazione: Guida gli studenti nella generazione di codice, nel debug di algoritmi e in progetti di data mining utilizzando metodi di tutoraggio socratici per favorire le capacità di problem-solving. I partecipanti hanno accesso 24/7 a questo sistema durante tutto il semestre.

Cosa sta misurando lo studio?

Misure di risultato primarie

Misura del risultato
Misura Descrizione
Lasso di tempo
Punteggio Composito della Prestazione Accademica
Lasso di tempo: Dopo l'intervento (alla fine del corso, circa la settimana 3)

Valutato attraverso il voto finale cumulativo del corso (intervallo: 0-100), che indica la padronanza complessiva degli studenti sui concetti e le applicazioni dell'apprendimento automatico. Il punteggio è calcolato sulla base di tre componenti ponderati:

Compiti in classe (20%): Valutazioni dei compiti regolari inviati tramite la piattaforma del corso.

Relazione sui progressi della ricerca (40%): Un documento scritto su un argomento di esplorazione libera che valuta la comprensione teorica e le capacità di progettazione della ricerca.

Presentazione del progetto finale di gruppo (40%): Valutazione di un progetto pratico in cui gli studenti presentano soluzioni e risultati basati su casi medici e dataset forniti. Punteggi più alti indicano una migliore prestazione accademica.

I punteggi del gruppo sperimentale saranno confrontati con il gruppo di controllo storico
Dopo l'intervento (alla fine del corso, circa la settimana 3)

Misure di risultato secondarie

Misura del risultato
Misura Descrizione
Lasso di tempo
Tasso di Acquisizione di Conoscenza Obiettiva
Lasso di tempo: Dopo l'intervento (alla fine del corso, circa settimana 3)
Valutato utilizzando una valutazione strutturata delle conoscenze integrata nei sondaggi del corso. La valutazione include domande a scelta multipla che coprono concetti fondamentali, metodi di elaborazione dei dati e considerazioni etiche. Il risultato è riportato come percentuale di risposte corrette
Dopo l'intervento (alla fine del corso, circa settimana 3)
Utilità Percepita e Accettazione della Tecnologia
Lasso di tempo: Dopo l'intervento (alla fine del corso, circa la settimana 3)
Valutato utilizzando il questionario post-corso basato sul Technology Acceptance Model (TAM). I partecipanti valutano l'utilità dell'Agente AI per la loro ricerca e lavoro su una scala da 0 (Nessun aiuto) a 10 (Molto utile)
Dopo l'intervento (alla fine del corso, circa la settimana 3)
Coinvolgimento dell'Agente IA: Frequenza di Interazione
Lasso di tempo: Al termine del corso (circa alla settimana 3)
Numero totale di conversazioni e turni conversazionali per studente, valutato tramite analisi quantitativa dei log del sistema di backend per misurare il comportamento di coinvolgimento degli studenti.
Al termine del corso (circa alla settimana 3)
Impegno dell'Agente IA: Modelli Temporali
Lasso di tempo: Al termine del corso (circa 3a settimana)
Confronto della frequenza di utilizzo dell'agente IA durante le settimane di preparazione all'esame rispetto alle settimane di studio regolari, valutato tramite analisi quantitativa dei log del sistema di backend.
Al termine del corso (circa 3a settimana)
Coinvolgimento dell'Agente AI: Temi delle Query
Lasso di tempo: Alla fine del corso (circa la 3ª settimana)
Identificazione dei temi delle richieste degli studenti attraverso l'applicazione di algoritmi di modellazione di argomenti ai log del sistema di backend.
Alla fine del corso (circa la 3ª settimana)

Collaboratori e investigatori

Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.

Sponsor

Sun Yat-sen University

Studiare le date dei record

Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.

Studia le date principali

Inizio studio (Effettivo)

1 maggio 2025

Completamento primario (Stimato)

31 marzo 2026

Completamento dello studio (Stimato)

31 marzo 2026

Date di iscrizione allo studio

Primo inviato

27 febbraio 2026

Primo inviato che soddisfa i criteri di controllo qualità

27 febbraio 2026

Primo Inserito (Effettivo)

4 marzo 2026

Aggiornamenti dei record di studio

Ultimo aggiornamento pubblicato (Effettivo)

5 marzo 2026

Ultimo aggiornamento inviato che soddisfa i criteri QC

3 marzo 2026

Ultimo verificato

1 febbraio 2026

Maggiori informazioni

Termini relativi a questo studio

Parole chiave

Altri numeri di identificazione dello studio

  • L2025SYSU-HL-032
  • 25XJ0215 (Altro numero di sovvenzione/finanziamento: China Association of Higher Education)

Piano per i dati dei singoli partecipanti (IPD)

Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?

SÌ

Descrizione del piano IPD

I dati saranno condivisi un anno dopo la pubblicazione dei risultati dello studio. I ricercatori possono accedere ai dati contattando il PI all'indirizzo xiaw23@mail.sysu.edu.cn descrivendo lo scopo della ricerca.

Periodo di condivisione IPD

Dopo la pubblicazione dello studio

Criteri di accesso alla condivisione IPD

I ricercatori possono accedere ai dati contattando il PI all'indirizzo xiaw23@mail.sysu.edu.cn descrivendo lo scopo della ricerca.

Tipo di informazioni di supporto alla condivisione IPD

  • STUDIO_PROTOCOLLO
  • LINFA
  • CODICE_ANALITICO

Informazioni su farmaci e dispositivi, documenti di studio

Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti

No

Studia un dispositivo regolamentato dalla FDA degli Stati Uniti

No

Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .

Prove cliniche su Educazione medica

Prove cliniche su Sistema Agente Educativo basato su AI KGRAG

Cerca prove simili

Sponsor e collaboratori

Condizioni mediche

Interventi farmacologici

CROs by country

CROs in Kosovo

Condizioni

Malattie rare

Interventi farmacologici

Supplementi dietetici

Sponsor / Collaboratori

Sedi

Sottoscrivi