Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

En AI-utdanningsagent for medisinske maskinlæringskurs

3. mars 2026 oppdatert av: Wei XIA, PhD, Sun Yat-sen University

Anvendelse og effektivitet av en storspråkmodell-basert pedagogisk agent i medisinsk utdanning: En studie om maskinlærings- og dataminingkurset

Målet med denne intervensjonsstudien er å evaluere effektiviteten av en utdannings-AI-agent basert på Large Language Model (LLM) hos master- og doktorgradsstudenter innen medisin eller sykepleie som er innskrevet i kurset "Maskinlæring og datamining". Hovedspørsmålene den tar sikte på å besvare er:

Forbedrer bruken av en utdannings-AI-agent studentenes akademiske prestasjoner og praktiske ferdigheter i maskinlæring sammenlignet med tradisjonelle metoder?

Forbedrer AI-intervensjonen studentenes læringsselvtillit, tilfredshet og kognitiv engasjement?

Forskere vil sammenligne studenter som bruker AI-agenten (eksperimentell gruppe) med en historisk kontrollgruppe (studenter fra tidligere kull som ikke brukte AI-verktøyet) for å se om den AI-assisterte læringsmodellen fører til betydelig høyere læringsprestasjoner og bedre utdanningserfaringer.

Deltakerne vil:

Bruke undervisningsagenten for sanntidssvar på teoretiske spørsmål, personlig studieplanlegging og kunnskapsforsterkning.

Engasjere seg med forskningsagenten for hjelp med litteraturgjennomganger, optimalisering av forskningsdesign og akademisk skrivestruktur.

Bruke praksisinnovasjonsagenten for veiledning i koding, algoritmefeilretting og anvendelse av maskinlæringsmodeller på medisinske dataanalyseprosjekter.

Studieoversikt

Status

Rekruttering

Forhold

Intervensjon / Behandling

Detaljert beskrivelse

Bakgrunn: Kunstig intelligens (AI) og datautvinning blir essensielle ferdigheter i moderne medisinsk og sykepleieforskning. Imidlertid sliter tradisjonelle undervisningsmetoder for masterkurset «Maskinlæring og datautvinning» ofte med å møte studenters personlige læringsbehov med ulike tekniske bakgrunner (f.eks. programmering, matematikk). For å adressere dette introduserer denne studien en tilpasset AI-utdanningsagent basert på store språkmodeller (LLM) for å fungere som en intelligent læringsassistent.

Mål: Det primære målet er å evaluere effektiviteten til AI-agenten i å forbedre læringsutbytte, praktiske programmeringsferdigheter og akademisk selvtillit blant medisinske og sykepleievitenskapelige masterstudenter. Studien tar også sikte på å vurdere gjennomførbarheten og studenttilfredsheten med å integrere AI-agenter i medisinsk undervisning.

Studiedesign: Dette er en ikke-randomisert intervensjonsstudie som benytter et historisk kontroll-design.

Studiedesign: Dette er en ikke-randomisert intervensjonsstudie som benytter et historisk kontroll-design.

Eksperimentell gruppe (intervensjon): Studenter i akademisk år 2025-2026 som vil få tilgang til AI-agent-systemet.

Kontrollgruppe (historisk): Studenter fra tidligere årskull (2024-2025) som fullførte samme pensum ved bruk av standard undervisningsmetoder uten AI-støtte.

Intervensjonsdetaljer: Intervensjonen innebærer implementering av et AI-agent-system drevet av LLM og kunnskapsgraf-basert Retrieval-Augmented Generation (KGRAG). KGRAG-rammeverket begrenser AI-svarene til en verifisert kunnskapsbase (kursbøker, forelesningslysbilder og kuraterte kodedatabaser) for å minimere «hallusinasjoner» og sikre medisinsk/vitenskapelig nøyaktighet. Systemet inkluderer tre spesialiserte funksjonelle moduler:

Undervisningsagent: Fungerer som en 24/7-veileder, gir konseptforklaringer, oppsummerer sentrale kunnskapspunkter og tilbyr personlige studieplaner basert på studentfremgang.

Forskningsagent: Støtter forskningstrening ved å assistere med litteraturgjennomgang, forbedre forskningsspørsmål og optimalisere akademiske skrivestrukturer.

Praksisinnovasjonsagent: Fasiliterer praktisk ferdighetsanskaffelse ved å veilede studenter gjennom kodegenerering, feilsøking av algoritmer og anvendelse av maskinlæringsmodeller på virkelige medisinske datasett. Agenten bruker en sokratisk veiledningsmetode for å veilede problemløsning i stedet for å gi direkte svar.

Studietype

Intervensjonell

Registrering (Antatt)

56

Fase

  • Ikke aktuelt

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiekontakt

Studer Kontakt Backup

Studiesteder

  • Kina
    • Guangdong
      • Guangzhou, Guangdong, Kina, 510000
        • Rekruttering
        • North Campus of Sun Yat-sen University
        • Ta kontakt med:
        • Ta kontakt med:

Deltakelseskriterier

Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.

Kvalifikasjonskriterier

Alder som er kvalifisert for studier

  • Barn
  • Voksen
  • Eldre voksen

Tar imot friske frivillige

Ja

Beskrivelse

Inkluderingskriterier:

  1. Medisinstudenter fra universiteter i Guangdong-Hongkong-Macao-storbuktområdet;
  2. Studenter som har tatt kurset "Maskinlæring og datamining";
  3. Har fullført de nødvendige forkunnskapskursene: "Medisinsk statistikk" og "Sykepleieforskning";
  4. I stand til å operere AI Educational Agent-systemet normalt og villig til å gjennomgå relevante undervisningstiltak og vurderinger i løpet av studietiden.

Ekskluderingskriterier:

  1. Uvillige til å bruke AI-utdanningsagent-systemet, eller som nekter å la forskningsteamet samle inn deres relevante data;
  2. Studenter som ikke kan forplikte seg til hele kursets varighet eller har kjente tidsplanmessige konflikter som vil hindre regelmessig oppmøte;
  3. Studenter som tidligere har tatt eller auditert dette kurset i tidligere akademiske år for å unngå læringseffekt-skjevhet

Studieplan

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

Hvordan er studiet utformet?

Designdetaljer

  • Primært formål: Annen
  • Tildeling: N/A
  • Intervensjonsmodell: Enkeltgruppeoppdrag
  • Masking: Ingen (Open Label)

Våpen og intervensjoner

Deltakergruppe / Arm
Intervensjon / Behandling
Eksperimentell: AI-agent intervensjonsgruppe
Masterstudenter innskrevet i kurset "Maskinlæring og datagruvedrift" i løpet av akademiske år 2025-2026. Deltakere i denne gruppen vil bruke det spesialutviklede KGRAG-baserte AI-utdanningsagent-systemet gjennom hele semesteret. Systemet inkluderer tre moduler: en Undervisningsagent for konseptforklaring, en Forskningsagent for akademisk skrivestøtte og en Praksisinnovasjonsagent for kodegenerering og feilsøking
Annen: KGRAG-basert AI Utdanningsagent System
Intervensjonen involverer et spesialutviklet AI-utdanningssystem drevet av Large Language Models (LLMs) og Knowledge Graph-based Retrieval-Augmented Generation (KGRAG)-teknologi. Systemet består av tre spesialiserte agenter for å støtte selvstyrt læring: 1. Undervisningsagent: Gir sanntids forklaringer av konsepter, personlige studieplaner og kunnskapsforsterkning basert på kursets læreplan. 2. Forskningsagent: Assisterer med litteraturgjennomgang, forskningsspørsmålsraffinering og akademisk skrivestruktur. 3. Praksis- og innovasjonsagent: Veileder studenter gjennom kodegenerering, algoritmedebugging og datagruveprosjekter ved hjelp av sokratiske veiledningsmetoder for å fremme problemløsningsferdigheter. Deltakerne har 24/7 tilgang til dette systemet gjennom hele semesteret.

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Sammensatt akademisk prestasjonsscore
Tidsramme: Etter intervensjonen (på slutten av kurset, omtrent uke 3)

Vurdert gjennom den endelige kumulative kurskarakteren (område: 0-100), som indikerer studentens overordnede mestring av maskinlæringskonsepter og applikasjoner. Poengsummen beregnes basert på tre vektede komponenter:

Oppgaver i klassen (20%): Evalueringer av regelmessige oppgaver innsendt via kursplattformen.

Forskningsframdriftspapir (40%): Et skriftlig papir om et fritt utforskningstema som vurderer teoretisk forståelse og forskningsdesignferdigheter.

Gruppepresentasjon av sluttprosjekt (40%): Vurdering av et praktisk prosjekt der studentene presenterer løsninger og resultater basert på gitte medisinske tilfeller og datasett. Høyere poengsummer indikerer bedre akademisk prestasjon.

Eksperimentgruppens poengsummer vil bli sammenlignet med den historiske kontrollgruppen
Etter intervensjonen (på slutten av kurset, omtrent uke 3)

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Objektiv kunnskapsanskaffelsesrate
Tidsramme: Etter intervensjonen (på slutten av kurset, omtrent uke 3)
Evaluert ved hjelp av en strukturert kunnskapsvurdering innebygd i kursundersøkelsene. Vurderingen inkluderer flervalgsspørsmål som dekker kjernebegreper, databehandlingsmetoder og etiske hensyn. Resultatet rapporteres som prosentandelen av korrekte svar
Etter intervensjonen (på slutten av kurset, omtrent uke 3)
Opplevd nytteverdi og teknologiaksept
Tidsramme: Etter intervensjonen (på slutten av kurset, omtrent uke 3)
Vurdert ved hjelp av undersøkelsen etter kurset basert på Technology Acceptance Model (TAM). Deltakerne vurderer hvor nyttig AI-agenten er for forskning og arbeid på en skala fra 0 (ingen hjelp) til 10 (svært nyttig)
Etter intervensjonen (på slutten av kurset, omtrent uke 3)
AI Agent Engasjement: Interaksjonsfrekvens
Tidsramme: På slutten av kurset (omtrent uke 3)
Totalt antall samtaler og samtalevekslinger per student, vurdert via kvantitativ analyse av backend-systemlogger for å måle studentengasjementsatferd.
På slutten av kurset (omtrent uke 3)
AI Agent Engasjement: Temporale Mønstre
Tidsramme: Ved slutten av kurset (omtrent uke 3)
Sammenligning av AI-agent-brukfrekvens under eksamensforberedelsesuker versus vanlige studieuker, vurdert via kvantitativ analyse av backend-systemlogger.
Ved slutten av kurset (omtrent uke 3)
AI-agentengasjement: Tema for spørringer
Tidsramme: På slutten av kurset (omtrent uke 3)
Identifisering av studentersøk-temaer gjennom anvendelse av emnemodelleringsalgoritmer på backend-systemlogger.
På slutten av kurset (omtrent uke 3)

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

Sponsor

Sun Yat-sen University

Studierekorddatoer

Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.

Studer hoveddatoer

Studiestart (Faktiske)

1. mai 2025

Primær fullføring (Antatt)

31. mars 2026

Studiet fullført (Antatt)

31. mars 2026

Datoer for studieregistrering

Først innsendt

27. februar 2026

Først innsendt som oppfylte QC-kriteriene

27. februar 2026

Først lagt ut (Faktiske)

4. mars 2026

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

5. mars 2026

Siste oppdatering sendt inn som oppfylte QC-kriteriene

3. mars 2026

Sist bekreftet

1. februar 2026

Mer informasjon

Begreper knyttet til denne studien

Nøkkelord

Andre studie-ID-numre

  • L2025SYSU-HL-032
  • 25XJ0215 (Annet stipend/finansieringsnummer: China Association of Higher Education)

Plan for individuelle deltakerdata (IPD)

Planlegger du å dele individuelle deltakerdata (IPD)?

JA

IPD-planbeskrivelse

Dataene vil bli delt ett år etter at resultatene av studien er publisert. Forskerne kan få tilgang til dataene ved å kontakte prosjektlederen på xiaw23@mail.sysu.edu.cn med beskrevet forskningsformål.

IPD-delingstidsramme

Etter publiseringen av studien

Tilgangskriterier for IPD-deling

Forskerne kan få tilgang til dataene ved å kontakte hovedforskeren på xiaw23@mail.sysu.edu.cn med forskningsformålet beskrevet.

IPD-deling Støtteinformasjonstype

  • STUDY_PROTOCOL
  • SEVJE
  • ANALYTIC_CODE

Legemiddel- og utstyrsinformasjon, studiedokumenter

Studerer et amerikansk FDA-regulert medikamentprodukt

Nei

Studerer et amerikansk FDA-regulert enhetsprodukt

Nei

Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .

Abonnere