Uczenie się w medycynie wspomagane AI-asyste

Ackround i uzasadnienie: Skuteczne nauczanie medycyny wewnętrznej, kamień węgielny edukacji medycznej, stanowi znaczące wyzwania pedagogiczne ze względu na szerokość i złożoność tematu oraz duże kohorty studentów zwykle zapisane do głównych akademickich centrów medycznych. Chociaż tradycyjne metody, takie jak wykłady i odczyty podręczników, są niezbędne, istnieje uznana potrzeba innowacyjnych podejść, które mogą lepiej wspierać rozwój rozumowania klinicznego, ułatwić głębsze zaangażowanie z złożonymi materiałami i oferować bardziej spersonalizowane możliwości uczenia się na dużą skalę. Sztuczna inteligencja (AI), szczególnie zaawansowane modele dużych języków (LLM) przeszkolone w zakresie wiedzy specyficznej dla domeny, ma znaczny potencjał jako technologia edukacyjna do zaspokojenia tych potrzeb. Metagp-Edu, zastrzeżony model generatywny fundamentu, który został dostrajany specjalnie dla edukacji medycznej przy użyciu zestawów danych pedagogicznych, został opracowany w celu zbadania tego potencjału, służąc jako dodatkowy zasób uczenia się. Ocena rzeczywistego wpływu integracji takich narzędzi z ustalonymi programami nauczania ma kluczowe znaczenie dla praktyki edukacyjnej opartej na dowodach.

Cele: Głównym celem tego badania jest retrospektywna ocena związku między dostępnością narzędzia Metagp-Edu AI jako dodatkowego zasobu uczenia się i ogólnymi wyników akademickich studentów w podstawowym programie medycyny wewnętrznej.

Projekt badania: W badaniu wykorzystano wieloośrodkowy, retrospektywny projekt badania kohortowego. Rutynowo gromadzone dane akademickie z kilku głównych szkół medycznych w Chinach przez wiele kolejnych lat akademickich będą analizowane. Takie podejście pozwala na porównanie kohort studentów w oparciu o ich historyczną ekspozycję na różne środowiska zasobów edukacyjnych (z dostępem do Metagp-Edu) w rzeczywistym środowisku akademickim.

Ustawienie i uczestnicy: Badanie obejmuje dane studentów medycyny studiów licencjackich zapisanych na obowiązkowy kurs medycyny wewnętrznej w kilku dużych, stowarzyszonych akademickich instytucjach medycznych w Chinach. Uczestnikami są studenci, którzy ukończyli kurs w ciągu lat akademickich obejmujących okres przed i po wprowadzeniu Metagp-Edu (około jesieni 2022). Włączenie opiera się na dostępności pełnych akademickich rejestrów dla kursu medycyny wewnętrznej w określonym okresie badania.

Ekspozycja/interwencja i komparator: Badanie porównuje dwie główne kohorty zdefiniowane przez czas dostępności Metagp-Edu:

Komparatorka kohortowa (pre-Metagp-Edu): studenci, którzy ukończyli kurs medycyny wewnętrznej w akademickiej wieku przed wprowadzeniem Metagp-Edu. Uczniowie ci wykorzystali ustalone tradycyjne metody nauczania instytucji (np. Wykłady, samouczki, standardowe dyskusje przypadków, zadania podręczników) bez dostępu do narzędzia Metagp-Edu.

Ekspozycja Cohort (Post-Metagp-Edu): Studenci, którzy ukończyli kurs medycyny wewnętrznej w latach akademickich po wprowadzeniu Metagp-Edu. Studenci ci uczestniczyli w tych samych podstawowych elementach programowych, ale mieli również dostęp do Metagp-Edu za pośrednictwem platform instytucjonalnych jako dodatkowe, opcjonalne zasoby do samodzielnego uczenia się, eksploracji przypadków i wsparcia zapytań klinicznych.

Miary wyników: Podstawową miarą wyniku jest ogólna wyniki akademickie w kursie medycyny wewnętrznej, zwykle reprezentowanej przez ostateczny wynik kursu numerycznego (np. W skali 0-100), jak udokumentowano w oficjalnych zapisach uniwersyteckich. Kluczowe zmienne towarzyszące, w tym pomiary wyjściowych osiągnięć akademickich (np. Wcześniej skumulowany GPA lub równoważny), czynniki demograficzne (np. Płeć) i miejsca instytucjonalne, zostaną wyodrębnione z danych administracyjnych, aby umożliwić dostosowanie statystyczne.