AI-assistert læring i medisin

Ackground and Begrunnelse: Effektiv undervisning i indremedisin, en hjørnestein i medisinsk utdanning, presenterer betydelige pedagogiske utfordringer på grunn av bredden og kompleksiteten i emnet og de store studentkohortene som vanligvis er registrert i store akademiske medisinske sentre. Mens tradisjonelle metoder som forelesninger og lærebokavlesninger er essensielle, er det et anerkjent behov for innovative tilnærminger som bedre kan støtte utviklingen av klinisk resonnement, lette dypere engasjement med komplekst saksmateriale og tilby mer personlige læringsmuligheter i omfang. Kunstig intelligens (AI), spesielt avanserte store språkmodeller (LLMS) trent på domenespesifikk kunnskap, har et betydelig potensial som en pedagogisk teknologi for å imøtekomme disse behovene. Metagp-Edu, en proprietær generativ fundamentmodell som ble finjustert spesielt for medisinsk utdanning ved bruk av pedagogiske datasett, ble utviklet for å utforske dette potensialet ved å tjene som en supplerende læringsressurs. Å evaluere den virkelige virkningen av å integrere slike verktøy i etablerte læreplaner er avgjørende for bevisinformert pedagogisk praksis.

Mål: Det primære målet med denne studien er å retrospektivt evaluere sammenhengen mellom tilgjengeligheten av Metagp-EDU AI-verktøyet som en supplerende læringsressurs og generell studentakademisk ytelse i Core Internal Medicine Curriculum.

Studiedesign: Denne undersøkelsen bruker en multisenter, retrospektiv kohortstudiedesign. Rutinemessig samlet inn akademiske data fra flere store medisinskoler i Kina over flere påfølgende akademiske år vil bli analysert. Denne tilnærmingen muliggjør sammenligning av studentkohorter basert på deres historiske eksponering for forskjellige utdanningsressursmiljøer (med vs. uten Metagp-EDU-tilgang) innenfor akademiske omgivelser i den virkelige verden.

Innstilling og deltakere: Studien omfatter data fra medisinstudenter på grunn av det obligatoriske internmedisinskurs ved flere store, akademisk tilknyttede medisinske institusjoner i Kina. Deltakerne inkluderer studenter som fullførte kurset over et spenn av akademiske år som dekker perioden før og etter innføringen av Metagp-EDU (omtrent høst 2022). Inkludering er basert på tilgjengeligheten av komplette akademiske poster for Internal Medicine -kurset i løpet av den spesifiserte studieperioden.

Eksponering/intervensjon og komparator: Studien sammenligner to hovedkohorter definert av tidspunktet for Metagp-EDU tilgjengelighet:

Comparator Cohort (Pre-Metagp-EDU): Studenter som fullførte Internal Medicine-kurset i studieårene før innføringen av Metagp-EDU. Disse studentene benyttet institusjonenes etablerte tradisjonelle undervisningsmetoder (f.eks. Forelesninger, opplæringsprogrammer, standard saksdiskusjoner, lærebokoppgaver) uten tilgang til Metagp-EDU-verktøyet.

Eksponeringskohort (post-metagp-EDU): Studenter som fullførte Internal Medicine-kurset i studieårene etter innføringen av Metagp-EDU. Disse studentene deltok i de samme kjernen tradisjonelle læreplankomponenter, men hadde også tilgang til Metagp-EDU via institusjonelle plattformer som en supplerende, valgfri ressurs for selvstyrt læring, case leting og klinisk spørringsstøtte.

Resultatmål: Det primære utfallsmålet er den generelle akademiske ytelsen i Internal Medicine-kurset, typisk representert med den endelige numeriske kurspoengsummen (f.eks. På en skala på 0-100) som dokumentert i offisielle universitetsregister. Nøkkelkovariater, inkludert mål for baseline akademisk prestasjon (f.eks. Tidligere kumulativ GPA eller tilsvarende), demografiske faktorer (f.eks. Sex) og institusjonelt sted, vil bli hentet ut fra administrative data for å gi mulighet for statistisk justering.