Um Agente Educativo de IA para Cursos de Aprendizagem Automática Médica
Aplicação e Eficácia de um Agente Educativo Baseado em Modelo de Linguagem de Grande Escala na Educação Médica: Um Estudo sobre o Curso de Aprendizagem Automática e Mineração de Dados
O objetivo deste estudo intervencional é avaliar a eficácia de um Agente de IA educacional baseado em Modelo de Linguagem de Grande Escala (LLM) em estudantes de pós-graduação (Mestrado e Doutoramento) especializados em medicina ou enfermagem que estão inscritos no curso "Aprendizagem Automática e Mineração de Dados". As principais questões que pretende responder são:
O uso de um Agente de IA educacional melhora o desempenho académico e as competências práticas dos estudantes em aprendizagem automática em comparação com métodos tradicionais?
A intervenção da IA aumenta a confiança na aprendizagem, a satisfação e o envolvimento cognitivo dos estudantes?
Os investigadores irão comparar os estudantes que atualmente utilizam o Agente de IA (grupo experimental) com um grupo de controlo histórico (estudantes da coorte anterior que não utilizaram a ferramenta de IA) para verificar se o modelo de aprendizagem assistido por IA leva a conquistas de aprendizagem significativamente superiores e a melhores experiências educacionais.
Os participantes irão:
Utilizar o Agente de Ensino para obter respostas em tempo real a questões teóricas, planeamento de estudo personalizado e reforço de conhecimentos.
Interagir com o Agente de Investigação para auxiliar em revisões bibliográficas, otimização do desenho da investigação e estruturação da escrita académica.
Utilizar o Agente de Inovação Prática para orientação em programação, depuração de algoritmos e aplicação de modelos de aprendizagem automática a projetos de análise de dados médicos.
Visão geral do estudo
Status
Intervenção / Tratamento
Descrição detalhada
Contexto: A Inteligência Artificial (IA) e a mineração de dados estão a tornar-se competências essenciais na investigação médica e de enfermagem moderna. No entanto, os métodos de ensino tradicionais para o curso de pós-graduação "Aprendizagem Automática e Mineração de Dados" frequentemente têm dificuldade em satisfazer as necessidades de aprendizagem personalizadas dos estudantes com diferentes formações técnicas (por exemplo, programação, matemática). Para resolver esta questão, este estudo introduz um Agente Educativo de IA desenvolvido à medida, baseado em Modelos de Linguagem de Grande Escala (LLMs), para servir como assistente de ensino inteligente.
Objetivos: O objetivo principal é avaliar a eficácia do Agente de IA na melhoria dos resultados de aprendizagem, competências práticas de programação e autoeficácia académica entre estudantes de pós-graduação em medicina e enfermagem. O estudo também visa avaliar a viabilidade e a satisfação dos estudantes com a integração de agentes de IA no currículo médico.
Desenho do Estudo: Trata-se de um estudo de intervenção não randomizado que utiliza um desenho de controlo histórico.
Desenho do Estudo: Trata-se de um estudo de intervenção não randomizado que utiliza um desenho de controlo histórico.
Grupo Experimental (Intervenção): Estudantes do ano académico 2025-2026 que terão acesso ao sistema do Agente de IA.
Grupo de Controlo (Histórico): Estudantes da coorte académica anterior (2024-2025) que completaram o mesmo currículo utilizando métodos de ensino padrão sem suporte de IA.
Detalhes da Intervenção: A intervenção envolve a implementação de um sistema de Agente de IA alimentado por LLMs e Geração Aumentada por Recuperação Baseada em Grafo de Conhecimento (KGRAG). O quadro KGRAG restringe as respostas da IA a uma base de conhecimento verificada (manuais do curso, diapositivos das aulas e repositórios de código curados) para minimizar "alucinações" e garantir a precisão médica/científica. O sistema inclui três módulos funcionais especializados:
Agente de Ensino: Funciona como um tutor 24/7, fornecendo explicações de conceitos, resumindo pontos-chave de conhecimento e oferecendo planos de estudo personalizados com base no progresso do estudante.
Agente de Investigação: Suporta a formação em investigação, auxiliando na revisão da literatura, refinando questões de investigação e otimizando estruturas de escrita académica.
Agente de Inovação Prática: Facilita a aquisição de competências práticas, orientando os estudantes na geração de código, depuração de algoritmos e aplicação de modelos de aprendizagem automática a conjuntos de dados médicos do mundo real. O agente emprega um método de tutoria socrática para orientar a resolução de problemas em vez de fornecer respostas diretas.
Tipo de estudo
Inscrição (Estimado)
Estágio
- Não aplicável
Contactos e Locais
Contato de estudo
- Nome: Wei Xia, PhD
- Número de telefone: 8618823359471
- E-mail: xiaw23@mail.sysu.edu.cn
Estude backup de contato
- Nome: Jiebing Luo
- Número de telefone: 8618885639072
- E-mail: luojiebing2002@163.com
Locais de estudo
-
-
Guangdong
-
Guangzhou, Guangdong, China, 510000
- Recrutamento
- North Campus of Sun Yat-sen University
-
Contato:
- Wei Xia, PhD
- Número de telefone: 8618823359471
- E-mail: xiaw23@mail.sysu.edu.cn
-
Contato:
- Jie Bing Luo
- Número de telefone: 8618885639072
- E-mail: luojiebing2002@163.com
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Filho
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Descrição
Critérios de Inclusão:
- Estudantes de pós-graduação em medicina de universidades da Grande Baía Guangdong-Hong Kong-Macau;
- Estudantes de pós-graduação que frequentaram o curso "Aprendizagem Automática e Mineração de Dados";
- Ter concluído as disciplinas pré-requisito obrigatórias: "Estatística Médica" e "Investigação em Enfermagem";
- Capaz de operar normalmente o sistema Agente Educativo de IA e disposto a passar por intervenções e avaliações de ensino relevantes durante o período de estudo.
Critérios de Exclusão:
- Não disposto a utilizar o sistema agente educativo de IA, ou recusando permitir que a equipa de investigação recolha os seus dados relevantes;
- Estudantes que não possam comprometer-se com a duração total do curso ou tenham conflitos de horário conhecidos que impeçam a frequência regular;
- Estudantes que tenham frequentado ou assistido a este curso em anos académicos anteriores para evitar viés de efeito de aprendizagem
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
- Finalidade Principal: Outro
- Alocação: N / D
- Modelo Intervencional: Atribuição de grupo único
- Mascaramento: Nenhum (rótulo aberto)
Armas e Intervenções
Grupo de Participantes / Braço |
Intervenção / Tratamento |
|---|---|
|
Experimental: Grupo de Intervenção com Agente de IA
Estudantes de pós-graduação inscritos no curso "Aprendizagem Automática e Mineração de Dados" durante o ano letivo de 2025-2026.
Os participantes deste grupo utilizarão o sistema personalizado de Agente Educativo de IA baseado em KGRAG ao longo do semestre.
O sistema inclui três módulos: um Agente de Ensino para explicação de conceitos, um Agente de Investigação para apoio à escrita académica e um Agente de Inovação Prática para geração de código e depuração
|
A intervenção envolve um sistema educativo de IA desenvolvido à medida, alimentado por Modelos de Linguagem de Grande Escala (LLMs) e tecnologia de Geração Aumentada por Recuperação Baseada em Grafos de Conhecimento (KGRAG).
O sistema compreende três agentes especializados para apoiar a aprendizagem autodirigida: 1. Agente de Ensino: Fornece explicações de conceitos em tempo real, planos de estudo personalizados e reforço de conhecimento com base no currículo do curso.
2. Agente de Investigação: Auxilia na revisão da literatura, no aperfeiçoamento de questões de investigação e na estruturação da escrita académica.
3. Agente de Prática e Inovação: Orienta os alunos na geração de código, na depuração de algoritmos e em projetos de mineração de dados, utilizando métodos de tutoria socrática para promover competências de resolução de problemas.
Os participantes têm acesso 24 horas por dia, 7 dias por semana a este sistema durante o semestre.
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Pontuação de Desempenho Académico Composto
Prazo: Após a intervenção (no final do curso, aproximadamente na semana 3)
|
Avaliado através da nota final acumulada do curso (escala: 0-100), que indica o domínio geral do aluno sobre conceitos e aplicações de aprendizagem automática. A pontuação é calculada com base em três componentes ponderados: Trabalhos em Aula (20%): Avaliações de trabalhos regulares submetidos através da plataforma do curso. Artigo de Progresso de Investigação (40%): Um trabalho escrito sobre um tópico de livre exploração que avalia a compreensão teórica e as capacidades de conceção de investigação. Apresentação do Projeto Final de Grupo (40%): Avaliação de um projeto prático onde os alunos apresentam soluções e resultados com base em casos médicos e conjuntos de dados fornecidos. Pontuações mais elevadas indicam melhor desempenho académico. As pontuações do grupo experimental serão comparadas com o grupo de controlo histórico |
Após a intervenção (no final do curso, aproximadamente na semana 3)
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Taxa de Aquisição de Conhecimento Objectivo
Prazo: Após a intervenção (no final do curso, aproximadamente na semana 3)
|
Avaliado através de uma avaliação estruturada de conhecimentos incorporada nos inquéritos do curso.
A avaliação inclui perguntas de escolha múltipla que abrangem conceitos fundamentais, métodos de processamento de dados e considerações éticas.
O resultado é reportado como a percentagem de respostas corretas
|
Após a intervenção (no final do curso, aproximadamente na semana 3)
|
|
Utilidade Percebida e Aceitação da Tecnologia
Prazo: Após a intervenção (no final do curso, aproximadamente na semana 3)
|
Avaliado através do questionário pós-curso baseado no Modelo de Aceitação de Tecnologia (TAM).
Os participantes classificam a utilidade do Agente de IA para a sua investigação e trabalho numa escala de 0 (Nenhuma ajuda) a 10 (Muito útil)
|
Após a intervenção (no final do curso, aproximadamente na semana 3)
|
|
Frequência de Interação do Agente de IA
Prazo: No final do curso (aproximadamente Semana 3)
|
Número total de conversas e interações conversacionais por aluno, avaliado através de análise quantitativa dos registos do sistema de backend para medir o comportamento de envolvimento do aluno.
|
No final do curso (aproximadamente Semana 3)
|
|
Interação de Agentes de IA: Padrões Temporais
Prazo: No final do curso (aproximadamente na Semana 3)
|
Comparação da frequência de utilização de agentes de IA durante as semanas de preparação para exames versus semanas de estudo regulares, avaliada através de análise quantitativa dos registos do sistema de backend.
|
No final do curso (aproximadamente na Semana 3)
|
|
Engajamento de Agentes de IA: Temas de Consulta
Prazo: No final do curso (aproximadamente Semana 3)
|
Identificação de temas de consulta de estudantes através da aplicação de algoritmos de modelação de tópicos a registos de sistema de backend.
|
No final do curso (aproximadamente Semana 3)
|
Colaboradores e Investigadores
Patrocinador
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Real)
Conclusão Primária (Estimado)
Conclusão do estudo (Estimado)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Real)
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Palavras-chave
Outros números de identificação do estudo
- L2025SYSU-HL-032
- 25XJ0215 (Número de outro subsídio/financiamento: China Association of Higher Education)
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Descrição do plano IPD
Prazo de Compartilhamento de IPD
Critérios de acesso de compartilhamento IPD
Tipo de informação de suporte de compartilhamento de IPD
- PROTOCOLO DE ESTUDO
- SEIVA
- ANALYTIC_CODE
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .