Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Een AI-educatieve agent voor medische machine learning-cursussen

3 maart 2026 bijgewerkt door: Wei XIA, PhD, Sun Yat-sen University

Toepassing en effectiviteit van een op een groot taalmodel gebaseerde educatieve agent in medisch onderwijs: Een studie over de cursus Machine Learning en Data Mining

Het doel van deze interventiestudie is om de effectiviteit te evalueren van een op een groot taalmodel (LLM) gebaseerde educatieve AI-agent bij master- en PhD-studenten die gespecialiseerd zijn in geneeskunde of verpleegkunde en ingeschreven zijn in de cursus "Machine Learning en Data Mining". De belangrijkste vragen die het beoogt te beantwoorden zijn:

Verbetert het gebruik van een educatieve AI-agent de academische prestaties en praktische vaardigheden van studenten in machine learning vergeleken met traditionele methoden?

Versterkt de AI-interventie het leervertrouwen, de tevredenheid en de cognitieve betrokkenheid van studenten?

Onderzoekers zullen studenten die momenteel de AI-agent gebruiken (experimentele groep) vergelijken met een historische controlegroep (studenten uit de vorige cohort die de AI-tool niet gebruikten) om te zien of het door AI-ondersteunde leermodel leidt tot significant hogere leerprestaties en betere onderwijservaringen.

Deelnemers zullen:

De Onderwijsagent gebruiken voor real-time antwoorden op theoretische vragen, gepersonaliseerde studieplanning en kennisversterking.

Interactie hebben met de Onderzoeksagent voor hulp bij literatuuronderzoek, optimalisatie van onderzoeksopzet en structuur van academisch schrijven.

De Praktijkinnovatieagent gebruiken voor begeleiding bij codering, algoritmedebugging en het toepassen van machine learning-modellen op medische data-analyseprojecten.

Studie Overzicht

Toestand

Werving

Conditie

Interventie / Behandeling

Gedetailleerde beschrijving

Achtergrond: Kunstmatige intelligentie (AI) en datamining worden essentiële vaardigheden in modern medisch en verpleegkundig onderzoek. Traditionele onderwijsmethoden voor de postdoctorale cursus "Machine Learning en Data Mining" slagen er echter vaak niet in om tegemoet te komen aan de gepersonaliseerde leerbehoeften van studenten met uiteenlopende technische achtergronden (bijv. programmeren, wiskunde). Om dit aan te pakken, introduceert deze studie een speciaal ontwikkelde AI-onderwijsagent op basis van Large Language Models (LLM's) om te dienen als een intelligente onderwijsassistent.

Doelstellingen: Het primaire doel is om de effectiviteit van de AI-agent te evalueren bij het verbeteren van leerresultaten, praktische programmeervaardigheden en academische zelfeffectiviteit onder medische en verpleegkundige postdoctorale studenten. De studie heeft ook tot doel om de haalbaarheid en studenttevredenheid van het integreren van AI-agents in het medische curriculum te beoordelen.

Studieopzet: Dit is een niet-gerandomiseerde interventiestudie die gebruikmaakt van een historisch controledesign.

Studieopzet: Dit is een niet-gerandomiseerde interventiestudie die gebruikmaakt van een historisch controledesign.

Experimentele groep (interventie): Studenten in het academiejaar 2025-2026 die toegang krijgen tot het AI-agent systeem.

Controlegroep (historisch): Studenten uit het vorige academische cohort (2024-2025) die hetzelfde curriculum voltooiden met standaard onderwijsmethoden zonder AI-ondersteuning.

Interventiedetails: De interventie omvat de implementatie van een AI-agent systeem aangedreven door LLM's en Knowledge Graph-based Retrieval-Augmented Generation (KGRAG). Het KGRAG-raamwerk beperkt de reacties van de AI tot een geverifieerde kennisbasis (cursusboeken, collegeslides en gecureerde coderepositories) om "hallucinaties" te minimaliseren en medische/wetenschappelijke nauwkeurigheid te waarborgen. Het systeem omvat drie gespecialiseerde functionele modules:

Onderwijsagent: Fungeert als een 24/7 tutor, biedt uitleg van concepten, vat belangrijke kennispunten samen en biedt gepersonaliseerde studieplannen op basis van studentenvoortgang.

Onderzoeksagent: Ondersteunt onderzoeksopleiding door te helpen bij literatuuronderzoek, het verfijnen van onderzoeksvragen en het optimaliseren van academische schrijfstructuren.

Praktijkinnovatieagent: Faciliteert het verwerven van praktische vaardigheden door studenten te begeleiden bij codegeneratie, het debuggen van algoritmen en het toepassen van machine learning-modellen op real-world medische datasets. De agent gebruikt een Socratische tutoringsmethode om probleemoplossing te begeleiden in plaats van directe antwoorden te geven.

Studietype

Ingrijpend

Inschrijving (Geschat)

56

Fase

  • Niet toepasbaar

Contacten en locaties

In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.

Studiecontact

Studie Contact Back-up

Studie Locaties

  • China
    • Guangdong
      • Guangzhou, Guangdong, China, 510000

Deelname Criteria

Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.

Geschiktheidscriteria

Leeftijden die in aanmerking komen voor studie

  • Kind
  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

Ja

Beschrijving

Insluitingscriteria:

  1. Medische masterstudenten van universiteiten in de Grote Baai-regio Guangdong-Hongkong-Macao;
  2. Masterstudenten die de cursus "Machine Learning en Data Mining" hebben gevolgd;
  3. De vereiste vooropleidingscursussen hebben afgerond: "Medische Statistiek" en "Verpleegkundig Onderzoek";
  4. In staat om het AI-onderwijsagentsysteem normaal te bedienen en bereid zijn om tijdens de onderzoeksperiode relevante onderwijsinterventies en beoordelingen te ondergaan.

Uitsluitingscriteria:

  1. Niet bereid om het AI-onderwijsagentsysteem te gebruiken, of weigert het onderzoeksteam om hun relevante gegevens te verzamelen;
  2. Studenten die zich niet kunnen verbinden aan de volledige duur van de cursus of bekende planningconflicten hebben die regelmatige aanwezigheid zouden verhinderen;
  3. Studenten die deze cursus in voorgaande academische jaren eerder hebben gevolgd of geaudit om leereffectbias te vermijden.

Studie plan

Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.

Hoe is de studie opgezet?

Ontwerpdetails

  • Primair doel: Ander
  • Toewijzing: NVT
  • Interventioneel model: Opdracht voor een enkele groep
  • Masker: Geen (open label)

Wapens en interventies

Deelnemersgroep / Arm
Interventie / Behandeling
Experimenteel: AI-Agent Interventiegroep
Afgestudeerde studenten ingeschreven in de cursus "Machine Learning en Data Mining" tijdens het academiejaar 2025-2026. Deelnemers in deze groep zullen het op maat ontwikkelde KGRAG-gebaseerde AI Educational Agent-systeem gedurende het semester gebruiken. Het systeem bevat drie modules: een Teaching Agent voor uitleg van concepten, een Research Agent voor ondersteuning bij academisch schrijven, en een Practice Innovation Agent voor codegeneratie en debugging
Ander: KGRAG-gebaseerd AI Educatief Agent Systeem
De interventie omvat een op maat ontwikkeld AI-onderwijssysteem aangedreven door Large Language Models (LLM's) en Knowledge Graph-based Retrieval-Augmented Generation (KGRAG)-technologie. Het systeem bestaat uit drie gespecialiseerde agents ter ondersteuning van zelfgestuurd leren: 1. Onderwijsagent: Biedt real-time conceptuele uitleg, gepersonaliseerde studieplannen en kennisversterking op basis van het cursuscurriculum. 2. Onderzoeksagent: Ondersteunt bij literatuuronderzoek, verfijning van onderzoeksvragen en structurering van academisch schrijven. 3. Praktijkinnovatieagent: Begeleidt studenten bij codegeneratie, algoritmedebugging en data mining-projecten met behulp van Socratische tutoringmethoden om probleemoplossende vaardigheden te bevorderen. Deelnemers hebben gedurende het semester 24/7 toegang tot dit systeem.

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Samengestelde Academische Prestatie Score
Tijdsspanne: Na de interventie (aan het einde van de cursus, ongeveer week 3)

Beoordeeld via het uiteindelijke cumulatieve cursuscijfer (bereik: 0-100), dat de algehele beheersing van machine learning-concepten en -toepassingen van de student aangeeft. De score wordt berekend op basis van drie gewogen componenten:

Opdrachten tijdens de les (20%): Evaluaties van reguliere opdrachten die via het cursusplatform zijn ingediend.

Onderzoeksvoortgangspaper (40%): Een geschreven paper over een vrij-verkennend onderwerp dat theoretisch begrip en onderzoeksontwerpvaardigheden beoordeelt.

Groepseindprojectpresentatie (40%): Beoordeling van een praktisch project waarbij studenten oplossingen en resultaten presenteren op basis van gegeven medische casussen en datasets. Hogere scores duiden op betere academische prestaties.

De scores van de experimentele groep zullen worden vergeleken met de historische controlegroep
Na de interventie (aan het einde van de cursus, ongeveer week 3)

Secundaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Doelstelling Kennisverwervingssnelheid
Tijdsspanne: Na de interventie (aan het einde van de cursus, ongeveer week 3)
Geëvalueerd met behulp van een gestructureerde kennisbeoordeling die is ingebed in de cursusenquêtes. De beoordeling omvat meerkeuzevragen die kernconcepten, gegevensverwerkingsmethoden en ethische overwegingen beslaan. Het resultaat wordt gerapporteerd als het percentage correcte antwoorden
Na de interventie (aan het einde van de cursus, ongeveer week 3)
Waargenomen Nut en Technologieacceptatie
Tijdsspanne: Na de interventie (aan het einde van de cursus, ongeveer week 3)
Beoordeeld aan de hand van de enquête na de cursus op basis van het Technology Acceptance Model (TAM). Deelnemers beoordelen de nuttigheid van de AI-agent voor hun onderzoek en werk op een schaal van 0 (geen hulp) tot 10 (zeer nuttig)
Na de interventie (aan het einde van de cursus, ongeveer week 3)
AI Agent Betrokkenheid: Interactiefrequentie
Tijdsspanne: Aan het einde van de cursus (ongeveer week 3)
Totaal aantal gesprekken en gesprekswisselingen per student, beoordeeld via kwantitatieve analyse van backend systeemlogs om studentengagementgedrag te meten.
Aan het einde van de cursus (ongeveer week 3)
AI Agent Engagement: Temporele Patronen
Tijdsspanne: Aan het einde van de cursus (ongeveer Week 3)
Vergelijking van de gebruiksfrequentie van AI-agenten tijdens examen voorbereidingsweken versus reguliere studieweken, beoordeeld via kwantitatieve analyse van backend systeemlogboeken.
Aan het einde van de cursus (ongeveer Week 3)
AI Agent Engagement: Querythema's
Tijdsspanne: Aan het einde van de cursus (ongeveer week 3)
Identificatie van studentenquerythema's door toepassing van topicmodelalgoritmen op backend systeemlogs.
Aan het einde van de cursus (ongeveer week 3)

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

Sponsor

Sun Yat-sen University

Studie record data

Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.

Bestudeer belangrijke data

Studie start (Werkelijk)

1 mei 2025

Primaire voltooiing (Geschat)

31 maart 2026

Studie voltooiing (Geschat)

31 maart 2026

Studieregistratiedata

Eerst ingediend

27 februari 2026

Eerst ingediend dat voldeed aan de QC-criteria

27 februari 2026

Eerst geplaatst (Werkelijk)

4 maart 2026

Updates van studierecords

Laatste update geplaatst (Werkelijk)

5 maart 2026

Laatste update ingediend die voldeed aan QC-criteria

3 maart 2026

Laatst geverifieerd

1 februari 2026

Meer informatie

Termen gerelateerd aan deze studie

Trefwoorden

Andere studie-ID-nummers

  • L2025SYSU-HL-032
  • 25XJ0215 (Ander subsidie-/financieringsnummer: China Association of Higher Education)

Plan Individuele Deelnemersgegevens (IPD)

Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?

JA

Beschrijving IPD-plan

De gegevens worden gedeeld één jaar nadat de resultaten van de studie zijn gepubliceerd. De onderzoekers kunnen toegang krijgen tot de gegevens door contact op te nemen met de PI op xiaw23@mail.sysu.edu.cn met het onderzoeksdoel beschreven.

IPD-tijdsbestek voor delen

Na de publicatie van de studie

IPD-toegangscriteria voor delen

De onderzoekers kunnen toegang krijgen tot de gegevens door contact op te nemen met de hoofdonderzoeker via xiaw23@mail.sysu.edu.cn met een beschrijving van het onderzoeksdoel.

IPD delen Ondersteunend informatietype

  • LEERPROTOCOOL
  • SAP
  • ANALYTIC_CODE

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Nee

Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .

Abonneren