AI-ondersteund leren in de geneeskunde

Ackground en Rationale: het effectieve onderwijs van interne geneeskunde, een hoeksteen van niet -gegradueerde medisch onderwijs, presenteert aanzienlijke pedagogische uitdagingen vanwege de breedte en complexiteit van het onderwerp en de grote studentencohorten die meestal zijn ingeschreven in belangrijke academische medische centra. Hoewel traditionele methoden zoals lezingen en lezingen van leerboeken essentieel zijn, is er een erkende behoefte aan innovatieve benaderingen die de ontwikkeling van klinische redenering beter kunnen ondersteunen, een diepere betrokkenheid bij complex casusmateriaal kunnen vergemakkelijken en op schaal gepersonaliseerde leermogelijkheden bieden. Kunstmatige intelligentie (AI), met name geavanceerde grote taalmodellen (LLMS) die zijn getraind op domeinspecifieke kennis, heeft een aanzienlijk potentieel als educatieve technologie om aan deze behoeften te voldoen. MetAgP-EDU, een eigen generatief funderingsmodel dat speciaal is afgestemd voor medisch onderwijs met behulp van pedagogische datasets, werd ontwikkeld om dit potentieel te onderzoeken door te dienen als een aanvullend leermiddel. Het evalueren van de reële impact van het integreren van dergelijke tools in gevestigde curricula is cruciaal voor evidence-geïnformeerde onderwijspraktijken.

Doelstellingen: Het primaire doel van deze studie is om de associatie tussen de beschikbaarheid van de MetAgP-EDU AI-tool achteraf te evalueren als een aanvullend leermiddel en algemene academische prestaties van studenten in het kerncurriculum van de interne geneeskunde.

Studieontwerp: dit onderzoek maakt gebruik van een multi-center, retrospectief cohortstudieontwerp. Routinematig verzamelde academische gegevens van verschillende grote medische scholen in China gedurende meerdere opeenvolgende academische jaren zullen worden geanalyseerd. Deze aanpak maakt de vergelijking van studentencohorten mogelijk op basis van hun historische blootstelling aan verschillende educatieve hulpbronnenomgevingen (met versus zonder metaP-EDU-toegang) binnen academische instellingen in de praktijk.

Setting en deelnemers: het onderzoek omvat gegevens van niet -gegradueerde medische studenten die zijn ingeschreven voor de verplichte interne geneeskundecursus bij verschillende grote, academisch aangesloten medische instellingen in China. Deelnemers zijn studenten die de cursus hebben voltooid gedurende een periode van academische jaren van de periode voor en na de introductie van MetAgP-EDU (ongeveer najaar 2022). Inclusie is gebaseerd op de beschikbaarheid van volledige academische records voor de cursus interne geneeskunde tijdens de opgegeven studieperiode.

Blootstelling/interventie en comparator: de studie vergelijkt twee hoofdcohorten die zijn gedefinieerd door de timing van de beschikbaarheid van metagp-edu:

Comparator Cohort (pre-metagp-edu): studenten die de interne geneeskundecursus hebben voltooid in de academische jaren voorafgaand aan de introductie van MetAgP-EDU. Deze studenten gebruikten de gevestigde traditionele onderwijsmethoden van de instellingen (bijv. Lezingen, tutorials, standaard case-discussies, handboekopdrachten) zonder toegang tot de MetAGP-EDU-tool.

Blootstellingscohort (post-metagp-edu): studenten die de interne geneeskundecursus hebben voltooid in de academische jaren na de introductie van MetAgP-EDU. Deze studenten namen deel aan dezelfde traditionele curriculumcomponenten, maar hadden ook toegang tot metagp-edu via institutionele platforms als een aanvullende, optionele bron voor zelfgestuurd leren, casusonderzoek en klinische queryondersteuning.

Uitkomstmaten: de primaire uitkomstmaat is de algemene academische prestaties in de cursus Interne geneeskunde, meestal weergegeven door de uiteindelijke numerieke cursusscore (bijvoorbeeld op een schaal van 0-100) zoals gedocumenteerd in officiële universitaire records. Belangrijkste covariaten, inclusief maatregelen voor academische basisprestaties (bijv. Eerdere cumulatieve GPA of equivalent), demografische factoren (bijv. Seks) en institutionele site, zullen worden geëxtraheerd uit administratieve gegevens om statistische aanpassing mogelijk te maken.