Aprendizado assistido pela AI

ACKGROUND E LIGADA: O ensino eficaz da medicina interna, uma pedra angular da educação médica de graduação, apresenta desafios pedagógicos significativos devido à amplitude e complexidade do assunto e as grandes coortes de estudantes normalmente se matricularam nos principais centros médicos acadêmicos. Embora métodos tradicionais como palestras e leituras de livros didáticos sejam essenciais, há uma necessidade reconhecida de abordagens inovadoras que podem apoiar melhor o desenvolvimento do raciocínio clínico, facilitar o envolvimento mais profundo com material de caso complexo e oferecer oportunidades de aprendizado mais personalizadas em escala. A Inteligência Artificial (IA), particularmente modelos de idiomas avançados (LLMS) treinados em conhecimento específico do domínio, possui um potencial considerável como uma tecnologia educacional para atender a essas necessidades. O MetAGP-EDU, um modelo de fundação generativa proprietária, ajustado especificamente para educação médica usando conjuntos de dados pedagógicos, foi desenvolvido para explorar esse potencial servindo como um recurso de aprendizado suplementar. Avaliar o impacto do mundo real de integrar essas ferramentas em currículos estabelecidos é crucial para a prática educacional informada por evidências.

Objetivos: O objetivo principal deste estudo é avaliar retrospectivamente a associação entre a disponibilidade da ferramenta AI metagp-edu como um recurso de aprendizado suplementar e o desempenho acadêmico geral do aluno no currículo principal da medicina interna.

Desenho do estudo: Esta investigação emprega um projeto de estudo de coorte retrospectivo e multicêntrico. Serão coletados rotineiramente dados acadêmicos de várias escolas médicas importantes na China em vários anos acadêmicos consecutivos. Essa abordagem permite a comparação de coortes de estudantes com base em sua exposição histórica a diferentes ambientes de recursos educacionais (com vs. sem acesso metagp-edu) em ambientes acadêmicos do mundo real.

Cenário e participantes: O estudo abrange dados de estudantes de medicina de graduação matriculados no curso obrigatório de medicina interna em várias instituições médicas grandes e academicamente afiliadas na China. Os participantes incluem estudantes que concluíram o curso em um período de anos acadêmicos, cobrindo o período anterior e após a introdução do MetaGP-EDU (aproximadamente outono de 2022). A inclusão é baseada na disponibilidade de registros acadêmicos completos para o curso de medicina interna durante o período de estudo especificado.

Exposição/Intervenção e Comparador: O estudo compara duas coortes principais definidas pelo momento da disponibilidade do MetaGP-EDU:

Coorte do comparador (pré-metagp-edu): alunos que concluíram o curso de medicina interna nos anos acadêmicos anteriores à introdução do metagp-edu. Esses alunos utilizaram os métodos tradicionais de ensino tradicionais estabelecidos das instituições (por exemplo, palestras, tutoriais, discussões de casos padrão, atribuições de livros didáticos) sem acesso à ferramenta MetaGP-EDU.

Coorte de exposição (pós-metagp-edu): alunos que concluíram o curso de medicina interna nos anos acadêmicos após a introdução do MetaGP-EDU. Esses alunos participaram dos mesmos componentes do currículo tradicional principal, mas também tiveram acesso ao MetaGP-EDU por meio de plataformas institucionais como um recurso opcional e suplementar para aprendizado, exploração de casos e suporte clínico.

Medidas de resultado: A medida de desfecho primário é o desempenho acadêmico geral no curso de medicina interna, normalmente representada pela pontuação final do curso numérico (por exemplo, em uma escala de 0 a 100), conforme documentado nos registros oficiais da universidade. As principais covariáveis, incluindo medidas de desempenho acadêmico da linha de base (por exemplo, GPA cumulativo anterior ou equivalente), fatores demográficos (por exemplo, sexo) e local institucional, serão extraídos de dados administrativos para permitir o ajuste estatístico.