의료 머신러닝 과정을 위한 AI 교육 에이전트
대규모 언어 모델 기반 교육 에이전트의 의학교육 적용 및 효과: 머신러닝과 데이터 마이닝 강좌에 관한 연구
이 중재 연구의 목표는 "기계 학습 및 데이터 마이닝" 과정에 등록된 의학 또는 간호학 전공 대학원생(석사 및 박사)을 대상으로 대규모 언어 모델(LLM) 기반 교육 AI 에이전트의 효과성을 평가하는 것입니다. 주요 질문은 다음과 같습니다:
교육 AI 에이전트의 사용이 전통적인 방법에 비해 학생들의 기계 학습 학업 성취도와 실무 능력을 향상시키는가?
AI 중재가 학생들의 학습 자신감, 만족도 및 인지적 참여를 향상시키는가?
연구자들은 현재 AI 에이전트를 사용하는 학생들(실험 그룹)과 역사적 통제 그룹(AI 도구를 사용하지 않은 이전 코호트 학생들)을 비교하여 AI 지원 학습 모델이 상당히 높은 학습 성취도와 더 나은 교육 경험으로 이어지는지 확인할 것입니다.
참가자는 다음과 같은 활동을 수행합니다:
이론적 질문에 대한 실시간 답변, 맞춤형 학습 계획 수립 및 지식 강화를 위해 교수 에이전트를 활용합니다.
문헌 검토, 연구 설계 최적화 및 학술 글쓰기 구조에 대한 지원을 위해 연구 에이전트와 협력합니다.
코딩, 알고리즘 디버깅 및 의료 데이터 분석 프로젝트에 기계 학습 모델 적용에 대한 지도를 위해 실습 혁신 에이전트를 사용합니다.
연구 개요
상세 설명
배경: 인공지능(AI)과 데이터 마이닝은 현대 의학 및 간호 연구에서 필수적인 기술이 되고 있습니다. 그러나 대학원 과정 '기계 학습 및 데이터 마이닝'에 대한 전통적인 교수법은 다양한 기술 배경(예: 프로그래밍, 수학)을 가진 학생들의 맞춤형 학습 요구를 충족시키는 데 어려움을 겪는 경우가 많습니다. 이를 해결하기 위해, 본 연구는 대형 언어 모델(LLM) 기반의 맞춤형 AI 교육 에이전트를 지능형 교수 조교로 활용하는 방안을 소개합니다.
목표: 주요 목표는 의학 및 간호 대학원생들의 학습 성과, 실용적 코딩 기술, 학문적 자기 효능감 향상에 AI 에이전트의 효과성을 평가하는 것입니다. 또한 의학 교육과정에 AI 에이전트를 통합하는 것의 실현 가능성과 학생 만족도를 평가하는 것을 목표로 합니다.
연구 설계: 본 연구는 역사적 대조군 설계를 활용한 비무작위 중재 연구입니다.
실험군(중재): 2025-2026 학년도에 AI 에이전트 시스템에 접근할 수 있는 학생들입니다.
대조군(역사적): 이전 학년도(2024-2025)에 AI 지원 없이 표준 교수법으로 동일한 교육과정을 완료한 학생들입니다.
중재 세부사항: 중재는 LLM과 지식 그래프 기반 검색 증강 생성(KGRAG)으로 구동되는 AI 에이전트 시스템의 배포를 포함합니다. KGRAG 프레임워크는 AI의 응답을 검증된 지식 기반(교과서, 강의 슬라이드, 선별된 코드 저장소)으로 제한하여 '환각'을 최소화하고 의학/과학적 정확성을 보장합니다. 시스템은 세 가지 특화된 기능 모듈을 포함합니다:
교수 에이전트: 24/7 튜터 역할을 하여 개념 설명, 핵심 지식 요약 제공, 학생 진행 상황에 기반한 맞춤형 학습 계획 제공을 수행합니다.
연구 에이전트: 문헌 고찰 지원, 연구 질문 정제, 학술 글쓰기 구조 최적화를 통해 연구 교육을 지원합니다.
실습 혁신 에이전트: 코드 생성 안내, 알고리즘 디버깅, 실제 의학 데이터셋에 기계 학습 모델 적용을 통해 실용적 기술 습득을 촉진합니다. 에이전트는 직접적인 답변을 제공하기보다는 소크라테스식 교수법을 사용하여 문제 해결을 안내합니다.
연구 유형
등록 (추정된)
단계
- 해당 없음
연락처 및 위치
연구 연락처
- 이름: Wei Xia, Phd
- 전화번호: 8618823359471
- 이메일: xiaw23@mail.sysu.edu.cn
연구 연락처 백업
- 이름: Jiebing Luo
- 전화번호: 8618885639072
- 이메일: luojiebing2002@163.com
연구 장소
-
-
Guangdong
-
Guangzhou, Guangdong, 중국, 510000
- 모병
- North Campus of Sun Yat-sen University
-
연락하다:
- Wei Xia, Phd
- 전화번호: 8618823359471
- 이메일: xiaw23@mail.sysu.edu.cn
-
연락하다:
- Jie Bing Luo
- 전화번호: 8618885639072
- 이메일: luojiebing2002@163.com
-
-
참여기준
자격 기준
공부할 수 있는 나이
- 어린이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
설명
포함 기준:
- 광둥-홍콩-마카오 대만구 대학의 의학 대학원생;
- "기계 학습 및 데이터 마이닝" 강좌를 수강한 대학원생;
- 필수 선수 과목인 "의학 통계"와 "간호 연구"를 이수한 자;
- 연구 기간 동안 AI 교육 에이전트 시스템을 정상적으로 운영할 수 있으며 관련 교수법 개입과 평가를 받을 의향이 있는 자.
제외 기준:
- AI 교육 에이전트 시스템 사용을 원하지 않거나, 연구팀이 관련 데이터를 수집하는 것을 거부하는 자;
- 전체 강좌 기간에 참여할 수 없거나 정기 출석을 방해할 것으로 알려진 일정 충돌이 있는 학생;
- 학습 효과 편향을 피하기 위해 이전 학년도에 이 강좌를 수강하거나 청강한 적이 있는 학생.
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
- 주 목적: 다른
- 할당: 해당 없음
- 중재 모델: 단일 그룹 할당
- 마스킹: 없음(오픈 라벨)
무기와 개입
참가자 그룹 / 팔 |
개입 / 치료 |
|---|---|
|
실험적: AI 에이전트 중재 그룹
2025-2026 학년도 동안 "머신 러닝과 데이터 마이닝" 과정에 등록한 대학원생들입니다.
이 그룹의 참가자들은 한 학기 동안 맞춤형으로 개발된 KGRAG 기반 AI 교육 에이전트 시스템을 활용하게 됩니다.
이 시스템은 개념 설명을 위한 교수 에이전트, 학술 글쓰기 지원을 위한 연구 에이전트, 그리고 코드 생성 및 디버깅을 위한 실습 혁신 에이전트의 세 가지 모듈을 포함하고 있습니다.
|
이 중재는 대규모 언어 모델(LLMs)과 지식 그래프 기반 검색 증강 생성(KGRAG) 기술로 구동되는 맞춤형 AI 교육 시스템을 포함합니다.
이 시스템은 자기 주도 학습을 지원하는 세 가지 전문 에이전트로 구성됩니다: 1. 교수 에이전트: 교과 과정을 기반으로 실시간 개념 설명, 맞춤형 학습 계획 및 지식 강화를 제공합니다.
2. 연구 에이전트: 문헌 검토, 연구 질문 정제 및 학술 글쓰기 구조에 대한 지원을 제공합니다.
3. 실습 혁신 에이전트: 소크라테스식 지도 방법을 사용하여 코드 생성, 알고리즘 디버깅 및 데이터 마이닝 프로젝트를 통해 학생들의 문제 해결 능력을 키우도록 안내합니다.
참가자는 학기 내내 24시간 이 시스템에 접근할 수 있습니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
복합 학업 성취도 점수
기간: 중재 후 (코스 종료 시, 약 3주차)
|
최종 누적 과정 성적(범위: 0-100)을 통해 평가되며, 이는 학생의 기계 학습 개념 및 응용에 대한 전반적인 숙달도를 나타냅니다. 점수는 세 가지 가중치가 적용된 구성 요소를 기반으로 계산됩니다: 수업 내 과제 (20%): 코스 플랫폼을 통해 제출된 정기 과제 평가. 연구 진행 보고서 (40%): 자유 탐구 주제에 대한 서면 보고서로, 이론적 이해와 연구 설계 능력을 평가합니다. 그룹 최종 프로젝트 발표 (40%): 학생들이 주어진 의료 사례와 데이터셋을 기반으로 솔루션과 결과를 발표하는 실용 프로젝트 평가. 높은 점수는 더 나은 학업 성과를 나타냅니다. 실험 그룹의 점수는 역사적 대조군과 비교됩니다. |
중재 후 (코스 종료 시, 약 3주차)
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
목표 지식 습득률
기간: 중재 후 (코스 종료 시, 약 3주차)
|
과정 설문조사에 포함된 구조화된 지식 평가를 통해 평가되었습니다.
이 평가에는 핵심 개념, 데이터 처리 방법 및 윤리적 고려 사항을 다루는 객관식 질문이 포함됩니다.
결과는 정답 비율로 보고됩니다.
|
중재 후 (코스 종료 시, 약 3주차)
|
|
인지된 유용성 및 기술 수용
기간: 개입 후 (코스 종료 시, 약 3주차)
|
기술수용모델(TAM)에 기반한 사후 강의 설문조사를 사용하여 평가되었습니다.
참가자들은 AI 에이전트가 자신의 연구와 업무에 얼마나 도움이 되었는지를 0(도움이 안 됨)에서 10(매우 도움이 됨)까지의 척도로 평가합니다.
|
개입 후 (코스 종료 시, 약 3주차)
|
|
AI 에이전트 참여: 상호작용 빈도
기간: 코스 종료 시(약 3주차)
|
백엔드 시스템 로그의 정량적 분석을 통해 학생 참여 행동을 측정하여 평가한 학생별 총 대화 횟수 및 대화 턴 수
|
코스 종료 시(약 3주차)
|
|
AI 에이전트 참여: 시간적 패턴
기간: 코스 종료 시(대략 3주차)
|
시험 준비 주간과 일반 학습 주간의 AI 에이전트 사용 빈도 비교, 백엔드 시스템 로그의 정량적 분석을 통해 평가.
|
코스 종료 시(대략 3주차)
|
|
AI 에이전트 참여: 쿼리 테마
기간: 코스 종료 시(약 3주차)
|
백엔드 시스템 로그에 토픽 모델링 알고리즘을 적용하여 학생 질의 주제 식별
|
코스 종료 시(약 3주차)
|
공동 작업자 및 조사자
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
기본 완료 (추정된)
연구 완료 (추정된)
연구 등록 날짜
최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (실제)
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
추가 정보
이 연구와 관련된 용어
기타 연구 ID 번호
- L2025SYSU-HL-032
- 25XJ0215 (기타 보조금/기금 번호: China Association of Higher Education)
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
IPD 계획 설명
IPD 공유 기간
IPD 공유 액세스 기준
IPD 공유 지원 정보 유형
- 연구_프로토콜
- 수액
- ANALYTIC_CODE
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
미국 FDA 규제 기기 제품 연구
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .
의학 교육에 대한 임상 시험
-
Assistance Publique - Hôpitaux de Paris완전한
-
EarlySense Ltd.빼는
-
University Hospital, Grenoble완전한관절만곡증 Amyoplasia 또는 원위 관절만곡증의 진단 | National Reference Center의 AMC Clinic에서 5일 다학제 평가 | Grenoble Alpes 병원의 Physical Medecin, Medical Genetic and Imaging 부서와 함께프랑스
-
University Hospital, Strasbourg, France모병Cervico-Facial Surgery ENT 프랑스의 학술 의료 및 외과 교육 | Cervico-Facial Surgery ENT Medical 레지던트(Auvergne-Rhône-Alpes, Grand Est, Ile de France, Nouvelle Aquitaine 및 Provence-Alpes-Côte d'Azur 지역)프랑스