Ta strona została przetłumaczona automatycznie i dokładność tłumaczenia nie jest gwarantowana. Proszę odnieść się do angielska wersja za tekst źródłowy.

Edukacyjny agent AI do kursów uczenia maszynowego w medycynie

3 marca 2026 zaktualizowane przez: Wei XIA, PhD, Sun Yat-sen University

Zastosowanie i skuteczność edukacyjnego agenta opartego na dużym modelu językowym w edukacji medycznej: Badanie dotyczące kursu uczenia maszynowego i eksploracji danych

Celem tego badania interwencyjnego jest ocena skuteczności edukacyjnego agenta AI opartego na dużym modelu językowym (LLM) wśród studentów studiów magisterskich i doktoranckich specjalizujących się w medycynie lub pielęgniarstwie, którzy są zapisani na kurs "Uczenie maszynowe i eksploracja danych". Główne pytania, na które ma odpowiedzieć badanie, to:

Czy zastosowanie edukacyjnego agenta AI poprawia wyniki akademickie i umiejętności praktyczne studentów w zakresie uczenia maszynowego w porównaniu z tradycyjnymi metodami?

Czy interwencja AI zwiększa pewność siebie w nauce, satysfakcję i zaangażowanie poznawcze studentów?

Badacze porównają studentów korzystających obecnie z agenta AI (grupa eksperymentalna) z historyczną grupą kontrolną (studenci z poprzedniej kohorty, którzy nie korzystali z narzędzia AI), aby sprawdzić, czy model nauki wspomaganej przez AI prowadzi do znacznie wyższych osiągnięć edukacyjnych i lepszych doświadczeń edukacyjnych.

Uczestnicy będą:

Wykorzystywać agenta nauczania do uzyskiwania odpowiedzi w czasie rzeczywistym na pytania teoretyczne, spersonalizowanego planowania nauki i utrwalania wiedzy.

Współpracować z agentem badawczym w celu wsparcia przy przeglądzie literatury, optymalizacji projektu badawczego i strukturze pisania akademickiego.

Korzystać z agenta innowacji praktycznych w celu uzyskania wskazówek dotyczących kodowania, debugowania algorytmów i stosowania modeli uczenia maszynowego w projektach analizy danych medycznych.

Przegląd badań

Status

Rekrutacyjny

Warunki

Interwencja / Leczenie

Szczegółowy opis

Tło: Sztuczna inteligencja (AI) i eksploracja danych stają się niezbędnymi umiejętnościami we współczesnych badaniach medycznych i pielęgniarskich. Jednak tradycyjne metody nauczania na poziomie studiów magisterskich w ramach kursu „Uczenie maszynowe i eksploracja danych” często nie spełniają zindywidualizowanych potrzeb edukacyjnych studentów o różnym pochodzeniu technicznym (np. programowanie, matematyka). Aby temu zaradzić, niniejsze badanie wprowadza specjalnie opracowanego Agenta Edukacyjnego AI opartego na dużych modelach językowych (LLM), który służy jako inteligentny asystent nauczania.

Cele: Głównym celem jest ocena skuteczności Agenta AI w poprawie wyników uczenia się, praktycznych umiejętności kodowania oraz akademickiej samoefektywności wśród studentów studiów magisterskich medycyny i pielęgniarstwa. Badanie ma również na celu ocenę wykonalności i satysfakcji studentów z integracji agentów AI do programu nauczania medycyny.

Projekt badania: Jest to nierandomizowane badanie interwencyjne wykorzystujące projekt kontroli historycznej.

Projekt badania: Jest to nierandomizowane badanie interwencyjne wykorzystujące projekt kontroli historycznej.

Grupa eksperymentalna (interwencja): Studenci w roku akademickim 2025-2026, którzy otrzymają dostęp do systemu Agenta AI.

Grupa kontrolna (historyczna): Studenci z poprzedniej kohorty akademickiej (2024-2025), którzy ukończyli ten sam program nauczania przy użyciu standardowych metod instrukcji bez wsparcia AI.

Szczegóły interwencji: Interwencja obejmuje wdrożenie systemu Agenta AI zasilanego przez LLM oraz Wzmocnione Generowanie oparte na Grafie Wiedzy (KGRAG). Ramy KGRAG ograniczają odpowiedzi AI do zweryfikowanej bazy wiedzy (podręczniki kursowe, slajdy wykładów i starannie dobrane repozytoria kodu), aby zminimalizować „halucynacje” i zapewnić dokładność medyczną/naukową. System obejmuje trzy specjalistyczne moduły funkcjonalne:

Agent Nauczania: Pełni funkcję korepetytora 24/7, zapewniając wyjaśnienia pojęć, podsumowując kluczowe punkty wiedzy oraz oferując spersonalizowane plany nauki na podstawie postępów studenta.

Agent Badawczy: Wspiera szkolenie badawcze poprzez pomoc w przeglądzie literatury, udoskonalaniu pytań badawczych i optymalizacji struktur pisania akademickiego.

Agent Praktycznej Innowacji: Ułatwia zdobywanie umiejętności praktycznych poprzez prowadzenie studentów przez generowanie kodu, debugowanie algorytmów i stosowanie modeli uczenia maszynowego do rzeczywistych zbiorów danych medycznych. Agent stosuje sokratejską metodę korepetycji, aby kierować rozwiązywaniem problemów, zamiast podawać bezpośrednie odpowiedzi.

Typ studiów

Interwencyjne

Zapisy (Szacowany)

56

Faza

  • Nie dotyczy

Kontakty i lokalizacje

Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.

Kontakt w sprawie studiów

Kopia zapasowa kontaktu do badania

Lokalizacje studiów

  • Chiny
    • Guangdong
      • Guangzhou, Guangdong, Chiny, 510000

Kryteria uczestnictwa

Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.

Kryteria kwalifikacji

Wiek uprawniający do nauki

  • Dziecko
  • Dorosły
  • Starszy dorosły

Akceptuje zdrowych ochotników

Tak

Opis

Kryteria włączenia:

  1. Studenci studiów magisterskich kierunków medycznych z uniwersytetów w Wielkim Regionie Zatoki Guangdong-Hongkong-Makau;
  2. Studenci studiów magisterskich, którzy ukończyli kurs „Uczenie maszynowe i eksploracja danych”;
  3. Ukończyli wymagane kursy wstępne: „Statystyka medyczna” i „Badania w pielęgniarstwie”;
  4. Zdolni do normalnej obsługi systemu Edukacyjnego Agenta AI i gotowi poddać się odpowiednim interwencjom dydaktycznym oraz ocenom w trakcie trwania badania.

Kryteria wyłączenia:

  1. Niechęć do korzystania z systemu edukacyjnego agenta AI lub odmowa zgody na zbieranie przez zespół badawczy ich odpowiednich danych;
  2. Studenci, którzy nie mogą zobowiązać się do pełnego czasu trwania kursu lub mają znane konflikty terminowe uniemożliwiające regularne uczestnictwo;
  3. Studenci, którzy wcześniej zapisali się na ten kurs lub uczestniczyli w nim jako wolni słuchacze w poprzednich latach akademickich, aby uniknąć błędu efektu uczenia się.

Plan studiów

Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.

Jak projektuje się badanie?

Szczegóły projektu

  • Główny cel: Inny
  • Przydział: Nie dotyczy
  • Model interwencyjny: Zadanie dla jednej grupy
  • Maskowanie: Brak (otwarta etykieta)

Broń i interwencje

Grupa uczestników / Arm
Interwencja / Leczenie
Eksperymentalny: Grupa Interwencji Asystenta AI
Studenci studiów magisterskich zapisani na kurs "Uczenie maszynowe i eksploracja danych" w roku akademickim 2025-2026. Uczestnicy tej grupy będą korzystać z opracowanego na potrzeby kursu systemu AI Educational Agent opartego na KGRAG przez cały semestr. System obejmuje trzy moduły: Agent Nauczający do wyjaśniania pojęć, Agent Badawczy do wsparcia pisania akademickiego oraz Agent Innowacji Praktycznych do generowania kodu i debugowania
Inny: System Edukacyjnych Agentów AI oparty na KGRAG
Interwencja obejmuje niestandardowo opracowany system edukacyjny AI zasilany przez duże modele językowe (LLM) oraz technologię Retrieval-Augmented Generation opartą na grafach wiedzy (KGRAG). System składa się z trzech wyspecjalizowanych agentów wspierających samodzielne uczenie się: 1. Agent nauczania: Zapewnia wyjaśnienia pojęć w czasie rzeczywistym, spersonalizowane plany nauki oraz utrwalanie wiedzy w oparciu o program kursu. 2. Agent badawczy: Pomaga w przeglądzie literatury, udoskonalaniu pytań badawczych oraz strukturze pisania akademickiego. 3. Agent praktyki innowacyjnej: Prowadzi studentów przez generowanie kodu, debugowanie algorytmów oraz projekty eksploracji danych, stosując metody tutoringu sokratejskiego w celu rozwijania umiejętności rozwiązywania problemów. Uczestnicy mają dostęp do tego systemu przez cały semestr, 24 godziny na dobę, 7 dni w tygodniu.

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Złożony Wskaźnik Osiągnięć Akademickich
Ramy czasowe: Po interwencji (pod koniec kursu, około 3 tygodnia)

Oceniane poprzez końcową skumulowaną ocenę z kursu (zakres: 0-100), która wskazuje ogólne opanowanie przez studenta koncepcji i zastosowań uczenia maszynowego. Wynik jest obliczany na podstawie trzech ważonych komponentów:

Zadania w klasie (20%): Oceny regularnych zadań przesyłanych za pośrednictwem platformy kursu.

Praca badawcza (40%): Pisemna praca na dowolny temat eksploracyjny oceniająca zrozumienie teoretyczne i umiejętności projektowania badań.

Prezentacja końcowego projektu grupowego (40%): Ocena praktycznego projektu, w którym studenci prezentują rozwiązania i wyniki na podstawie podanych przypadków medycznych i zbiorów danych. Wyższe wyniki wskazują na lepsze osiągnięcia akademickie.

Wyniki grupy eksperymentalnej będą porównywane z historyczną grupą kontrolną.
Po interwencji (pod koniec kursu, około 3 tygodnia)

Miary wyników drugorzędnych

Miara wyniku
Opis środka
Ramy czasowe
Wskaźnik pozyskiwania wiedzy obiektywnej
Ramy czasowe: Po interwencji (pod koniec kursu, około tydzień 3)
Oceniane przy użyciu ustrukturyzowanej oceny wiedzy osadzonej w ankietach kursowych. Ocena obejmuje pytania wielokrotnego wyboru dotyczące kluczowych koncepcji, metod przetwarzania danych i kwestii etycznych. Wynik jest raportowany jako procent poprawnych odpowiedzi
Po interwencji (pod koniec kursu, około tydzień 3)
Postrzegana Użyteczność i Akceptacja Technologii
Ramy czasowe: Po interwencji (na końcu kursu, około tydzień 3)
Oceniane przy użyciu ankiety po kursie opartej na Modelu Akceptacji Technologii (TAM). Uczestnicy oceniają przydatność Asystenta AI w swoich badaniach i pracy w skali od 0 (Brak pomocy) do 10 (Bardzo pomocny)
Po interwencji (na końcu kursu, około tydzień 3)
Zaangażowanie Agenta AI: Częstotliwość Interakcji
Ramy czasowe: Na koniec kursu (około 3 tygodnia)
Łączna liczba rozmów i zwrotów konwersacyjnych na studenta, oceniana poprzez analizę ilościową logów systemu backendowego w celu pomiaru zachowań zaangażowania studenta.
Na koniec kursu (około 3 tygodnia)
Zaangażowanie agenta AI: Wzorce czasowe
Ramy czasowe: Pod koniec kursu (około 3. tygodnia)
Porównanie częstotliwości korzystania z agenta AI w tygodniach przygotowań do egzaminów versus regularnych tygodniach nauki, ocenione za pomocą analizy ilościowej dzienników systemu backend.
Pod koniec kursu (około 3. tygodnia)
Zaangażowanie Agentów AI: Tematy Zapytań
Ramy czasowe: Pod koniec kursu (około tygodnia 3)
Identyfikacja tematów zapytań studentów poprzez zastosowanie algorytmów modelowania tematów do logów systemu backend.
Pod koniec kursu (około tygodnia 3)

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

Sun Yat-sen University

Daty zapisu na studia

Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.

Główne daty studiów

Rozpoczęcie studiów (Rzeczywisty)

1 maja 2025

Zakończenie podstawowe (Szacowany)

31 marca 2026

Ukończenie studiów (Szacowany)

31 marca 2026

Daty rejestracji na studia

Pierwszy przesłany

27 lutego 2026

Pierwszy przesłany, który spełnia kryteria kontroli jakości

27 lutego 2026

Pierwszy wysłany (Rzeczywisty)

4 marca 2026

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

5 marca 2026

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

3 marca 2026

Ostatnia weryfikacja

1 lutego 2026

Więcej informacji

Terminy związane z tym badaniem

Słowa kluczowe

Inne numery identyfikacyjne badania

  • L2025SYSU-HL-032
  • 25XJ0215 (Inny numer grantu/finansowania: China Association of Higher Education)

Plan dla danych uczestnika indywidualnego (IPD)

Planujesz udostępniać dane poszczególnych uczestników (IPD)?

TAK

Opis planu IPD

Dane zostaną udostępnione rok po opublikowaniu wyników badania. Badacze mogą uzyskać dostęp do danych kontaktując się z kierownikiem projektu pod adresem xiaw23@mail.sysu.edu.cn z opisem celu badawczego.

Ramy czasowe udostępniania IPD

Po publikacji badania

Kryteria dostępu do udostępniania IPD

Badacze mogą uzyskać dostęp do danych, kontaktując się z głównym badaczem (PI) pod adresem xiaw23@mail.sysu.edu.cn, podając cel badania.

Typ informacji pomocniczych dotyczących udostępniania IPD

  • PROTOKÓŁ BADANIA
  • SOK ROŚLINNY
  • ANALITYCZNY_KOD

Informacje o lekach i urządzeniach, dokumenty badawcze

Bada produkt leczniczy regulowany przez amerykańską FDA

Nie

Bada produkt urządzenia regulowany przez amerykańską FDA

Nie

Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .

Badania kliniczne na Edukacja medyczna

Wyszukaj podobne próby

Sponsorzy i współpracownicy

Warunki medyczne

Interwencje lekowe

CROs by country

CROs in Uzbekistan

Warunki

Rzadkie choroby

Interwencje lekowe

Suplementy diety

Sponsor / Współpracownicy

Lokalizacje

Subskrybuj