医療機械学習コース向けAI教育エージェント
大規模言語モデルベースの教育エージェントの医学教育への応用と有効性：機械学習とデータマイニングコースに関する研究
この介入研究の目的は、「機械学習とデータマイニング」コースに在籍する医学または看護学を専門とする大学院生（修士・博士）において、大規模言語モデル（LLM）ベースの教育AIエージェントの有効性を評価することです。 主な研究課題は以下の通りです：
教育AIエージェントの使用は、従来の方法と比較して、学生の機械学習における学業成績と実践的スキルを向上させるか？
AI介入は、学生の学習に対する自信、満足度、認知的関与を高めるか？
研究者は、現在AIエージェントを使用している学生（実験群）と、歴史的対照群（AIツールを使用していなかった前年度の学生）を比較し、AI支援学習モデルが有意に高い学習成果とより良い教育体験をもたらすかどうかを検証します。
参加者は以下のことを行います：
理論的な質問へのリアルタイム回答、個別化された学習計画、知識の強化のために教育エージェントを活用します。
文献レビューの支援、研究設計の最適化、学術論文の構成に関する支援のために研究エージェントと関わります。
コーディングのガイダンス、アルゴリズムのデバッグ、医療データ分析プロジェクトへの機械学習モデルの適用のための指導のために実践革新エージェントを使用します。
調査の概要
詳細な説明
背景：人工知能（AI）とデータマイニングは、現代の医学・看護研究において必須のスキルとなっています。 しかし、大学院レベルの「機械学習とデータマイニング」コースの従来の教授法では、技術的背景（例：プログラミング、数学）が異なる学生の個別化された学習ニーズを満たすことが困難な場合があります。 これを解決するため、本研究では、大規模言語モデル（LLM）に基づく独自開発のAI教育エージェントを導入し、インテリジェントな教育アシスタントとして機能させます。
目的：主な目的は、医学・看護学系大学院生の学習成果、実践的なコーディングスキル、および学業的自己効力感を向上させるためのAIエージェントの有効性を評価することです。 また、AIエージェントを医学カリキュラムに統合する実現可能性と学生満足度を評価することを目指しています。
研究デザイン：これは歴史的対照デザインを利用した非無作為化介入研究です。
実験群（介入）：2025-2026年度の学生で、AIエージェントシステムにアクセスできるようにします。
対照群（歴史的）：前年度（2024-2025）の学生で、AIサポートなしの標準的な指導方法で同じカリキュラムを完了しました。
介入の詳細：介入には、LLMと知識グラフに基づく検索拡張生成（KGRAG）を搭載したAIエージェントシステムの展開が含まれます。 KGRAGフレームワークは、AIの応答を検証済みの知識ベース（教科書、講義スライド、厳選されたコードリポジトリ）に制限し、「幻覚」を最小限に抑え、医学的・科学的正確性を確保します。 システムには、以下の3つの専門的な機能モジュールが含まれます：
教育エージェント：24時間365日の家庭教師として機能し、概念の説明、主要な知識ポイントの要約、および学生の進捗に基づいた個別化された学習計画を提供します。
研究エージェント：文献レビューの支援、研究課題の洗練、学術的文章構造の最適化を通じて、研究トレーニングをサポートします。
実践革新エージェント：コード生成、アルゴリズムのデバッグ、機械学習モデルの実世界の医療データセットへの適用を学生に導くことで、実践的スキルの習得を促進します。 エージェントは、直接的な答えを提供するのではなく、問題解決を導くためのソクラテス式教授法を採用しています。
研究の種類
入学 (推定)
段階
- 適用できない
連絡先と場所
研究連絡先
- 名前：Wei Xia, PhD
- 電話番号：8618823359471
- メール：xiaw23@mail.sysu.edu.cn
研究連絡先のバックアップ
- 名前：Jiebing Luo
- 電話番号：8618885639072
- メール：luojiebing2002@163.com
研究場所
-
-
Guangdong
-
Guangzhou、Guangdong、中国、510000
- 募集
- North Campus of Sun Yat-sen University
-
コンタクト：
- Wei Xia, PhD
- 電話番号：8618823359471
- メール：xiaw23@mail.sysu.edu.cn
-
コンタクト：
- Jie Bing Luo
- 電話番号：8618885639072
- メール：luojiebing2002@163.com
-
-
参加基準
適格基準
就学可能な年齢
- 子
- 大人
- 高齢者
健康ボランティアの受け入れ
説明
選定基準:
- 広東・香港・マカオ大湾区の大学に所属する医学系大学院生;
- 「機械学習とデータマイニング」のコースを受講した大学院生;
- 必修前提科目「医学統計学」および「看護研究」を修了済みであること;
- AI教育エージェントシステムを正常に操作でき、研究期間中に関連する教育介入および評価を受ける意思があること。
除外基準:
- AI教育エージェントシステムの使用を望まない、または研究チームによる関連データの収集を拒否する者;
- コースの全期間に参加できず、定期的な出席を妨げる既知のスケジュールの衝突がある学生;
- 学習効果バイアスを避けるため、過去の年度にこのコースを履修または聴講した学生
研究計画
研究はどのように設計されていますか？
デザインの詳細
- 主な目的：他の
- 割り当て：なし
- 介入モデル：単一グループの割り当て
- マスキング：なし（オープンラベル）
武器と介入
参加者グループ / アーム |
介入・治療 |
|---|---|
|
実験的：AIエージェント介入群
2025-2026年度に「機械学習とデータマイニング」コースに登録した大学院生。
このグループの参加者は、学期を通じてカスタム開発されたKGRAGベースのAI教育エージェントシステムを利用します。
システムには3つのモジュールが含まれます：概念説明のための教育エージェント、学術ライティング支援のための研究エージェント、コード生成とデバッグのための実践革新エージェント
|
介入は、大規模言語モデル（LLM）と知識グラフベースの検索拡張生成（KGRAG）技術を活用した独自開発のAI教育システムを採用しています。
このシステムは、自主的な学習を支援するために設計された3つの専門エージェントで構成されています：1. 教育エージェント：コースカリキュラムに基づいて、リアルタイムの概念説明、個人に合わせた学習計画、知識の定着を提供します。
2. 研究エージェント：文献レビュー、研究課題の洗練、学術的な文章構成の支援を行います。
3. 実践・革新エージェント：ソクラテス式指導法を用いて、コード生成、アルゴリズムのデバッグ、データマイニングプロジェクトを学生に指導し、問題解決能力を育成します。
参加者は学期中、このシステムに24時間365日アクセスできます。
|
この研究は何を測定していますか？
主要な結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
複合学業成績スコア
時間枠：介入後（コース終了時、おおよそ3週目）
|
最終累積コース成績（範囲：0-100）を通じて評価され、学生の機械学習の概念と応用に対する全体的な習熟度を示します。 スコアは、以下の3つの加重要素に基づいて計算されます： 授業内課題（20％）：コースプラットフォームを通じて提出された定期的な課題の評価。 研究進捗論文（40％）：自由探索トピックに関する論文で、理論的理解と研究設計スキルを評価します。 グループ最終プロジェクト発表（40％）：学生が与えられた医療ケースとデータセットに基づいて解決策と結果を発表する実践的なプロジェクトの評価。 より高いスコアは、より優れた学業成績を示します。 実験群のスコアは、過去の対照群と比較されます。 |
介入後（コース終了時、おおよそ3週目）
|
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
客観的知識習得率
時間枠：介入後（コース終了時、およそ3週間目）
|
コースアンケートに組み込まれた構造化された知識評価を用いて評価しました。
評価には、核心概念、データ処理方法、倫理的配慮をカバーする多肢選択問題が含まれます。
結果は正答率のパーセンテージとして報告されます。
|
介入後（コース終了時、およそ3週間目）
|
|
認識された有用性と技術受容
時間枠：介入後（コース終了時、約3週目）
|
技術受容モデル（TAM）に基づくコース終了後のアンケートを使用して評価。
参加者は、研究と業務におけるAIエージェントの有用性を0（全く役に立たない）から10（非常に役に立つ）のスケールで評価する
|
介入後（コース終了時、約3週目）
|
|
AIエージェントの関与：インタラクション頻度
時間枠：コース終了時（およそ第3週目）
|
生徒ごとの総会話数と会話のターン数は、バックエンドシステムログの定量的分析を通じて評価され、生徒の関与行動を測定します。
|
コース終了時（およそ第3週目）
|
|
AIエージェント・エンゲージメント：時間的パターン
時間枠：コース終了時（おおよそ第3週）
|
試験準備期間におけるAIエージェントの使用頻度と通常の学習期間における使用頻度の比較を、バックエンドシステムログの定量的分析によって評価。
|
コース終了時（おおよそ第3週）
|
|
AIエージェントのエンゲージメント：クエリテーマ
時間枠：コース終了時（約3週目）
|
バックエンドシステムログへのトピックモデリングアルゴリズムの適用による学生クエリテーマの特定。
|
コース終了時（約3週目）
|
協力者と研究者
スポンサー
研究記録日
主要日程の研究
研究開始 (実際)
一次修了 (推定)
研究の完了 (推定)
試験登録日
最初に提出
QC基準を満たした最初の提出物
最初の投稿 (実際)
学習記録の更新
投稿された最後の更新 (実際)
QC基準を満たした最後の更新が送信されました
最終確認日
詳しくは
本研究に関する用語
その他の研究ID番号
- L2025SYSU-HL-032
- 25XJ0215 (その他の助成金/資金番号：China Association of Higher Education)
個々の参加者データ (IPD) の計画
個々の参加者データ (IPD) を共有する予定はありますか?
IPD プランの説明
IPD 共有時間枠
IPD 共有アクセス基準
IPD 共有サポート情報タイプ
- STUDY_PROTOCOL
- SAP
- ANALYTIC_CODE
医薬品およびデバイス情報、研究文書
米国FDA規制医薬品の研究
米国FDA規制機器製品の研究
この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。