医学におけるAI支援学習

Ackground and Thationale：学部の医学教育の礎石である内科の効果的な教育は、主題の幅と複雑さと通常、主要な学術医療センターに登録されている大規模な学生コホートのために重要な教育学的課題を提示します。 講義や教科書の測定値などの従来の方法は不可欠ですが、臨床的推論の開発をよりよくサポートし、複雑な症例素材とのより深い関与を促進し、より多くのパーソナライズされた学習機会を大規模に提供できる革新的なアプローチの必要性が認識されています。 ドメイン固有の知識を訓練された人工知能（AI）、特に高度な大規模な言語モデル（LLM）は、これらのニーズに対処するための教育技術としてかなりの可能性を秘めています。 Pedagogical Datasetを使用した医学教育専用の独自の生成基盤モデルであるMetagp-Eduは、補足学習リソースとして機能することにより、この可能性を調査するために開発されました。 このようなツールを確立されたカリキュラムに統合することの現実世界の影響を評価することは、証拠に基づいた教育実践にとって重要です。

目的：この研究の主な目的は、補足学習リソースとしてのMetagp-EDU AIツールの利用可能性と、コア内科カリキュラムにおける学生全体の学業成績との関連性を遡及的に評価することです。

研究デザイン：この調査では、マルチセンターのレトロスペクティブコホート研究デザインを採用しています。 複数の連続した学年にわたって中国のいくつかの主要な医学部から定期的に収集された学術データを分析します。 このアプローチにより、実世界のアカデミック環境内のさまざまな教育リソース環境（メタグプアクセスなし）への歴史的な露出に基づいて、学生コホートを比較できます。

設定と参加者：この研究には、中国のいくつかの大規模な学術的に提携した医療機関の強制内科コースに登録されている学部の医学生のデータが含まれています。 参加者には、Metagp-Eduの導入前後の期間をカバーする学年の間にコースを完了した学生が含まれます（2022年頃）。 インクルージョンは、指定された研究期間中の内科コースの完全な学術記録の利用可能性に基づいています。

暴露/介入とコンパレータ：この研究では、Metagp-EDUの可用性のタイミングによって定義された2つの主要なコホートを比較します。

Comparator Cohort（Pre-Metagp-Edu）：Metagp-Eduの導入前に学年に内科コースを修了した学生。 これらの学生は、Metagp-EDUツールにアクセスせずに、機関の確立された伝統的な教育方法（講義、チュートリアル、標準的なケースディスカッション、教科書の割り当て）を利用しました。

露出コホート（Metagp-Edu後）：Metagp-Eduの導入後、学年に内科コースを修了した学生。 これらの学生は、同じコアの従来のカリキュラムコンポーネントに参加しましたが、自主学習、症例探査、臨床クエリサポートのための補足的なオプションのリソースとして、機関プラットフォームを介してMetagp-EDUにもアクセスできました。

アウトカム測定：主要な結果尺度は、一般的な大学の記録に記載されているように、通常、内科コースの全体的な学術パフォーマンスです。 ベースラインの学業成績の測定（例：以前の累積GPAまたは同等物）、人口統計学的要因（性別など）、および施設のサイトを含む重要な共変量は、統計的調整を可能にするために管理データから抽出されます。