Искусственный интеллект как образовательный агент для курсов по машинному обучению в медицине
Применение и эффективность образовательного агента на основе большой языковой модели в медицинском образовании: исследование курса по машинному обучению и интеллектуальному анализу данных
Цель данного интервенционного исследования — оценить эффективность образовательного ИИ-агента на основе Большой языковой модели (LLM) у студентов магистратуры и аспирантуры, специализирующихся в медицине или сестринском деле, которые проходят курс "Машинное обучение и интеллектуальный анализ данных". Основные вопросы, на которые оно направлено ответить:
Улучшает ли использование образовательного ИИ-агента академическую успеваемость и практические навыки студентов в машинном обучении по сравнению с традиционными методами?
Повышает ли ИИ-вмешательство уверенность в обучении, удовлетворённость и когнитивную вовлечённость студентов?
Исследователи сравнят студентов, использующих ИИ-агента (экспериментальная группа), с исторической контрольной группой (студенты предыдущего набора, не использовавшие ИИ-инструмент), чтобы определить, приводит ли модель обучения с ИИ-поддержкой к значимо более высоким учебным достижениям и лучшему образовательному опыту.
Участники будут:
Использовать Преподавательского агента для получения ответов на теоретические вопросы в реальном времени, персонализированного планирования обучения и закрепления знаний.
Взаимодействовать с Исследовательским агентом для помощи в обзоре литературы, оптимизации дизайна исследований и структурировании академических текстов.
Использовать Агента практических инноваций для получения рекомендаций по программированию, отладке алгоритмов и применению моделей машинного обучения в проектах анализа медицинских данных.
Обзор исследования
Статус
Вмешательство/лечение
Подробное описание
Предпосылки: Искусственный интеллект (ИИ) и интеллектуальный анализ данных становятся необходимыми навыками в современном медицинском и сестринском исследовании. Однако традиционные методы преподавания для курса магистратуры "Машинное обучение и интеллектуальный анализ данных" часто не справляются с удовлетворением персонализированных образовательных потребностей студентов с разным техническим бэкграундом (например, программирование, математика). Чтобы решить эту проблему, данное исследование представляет специально разработанного Образовательного агента на основе больших языковых моделей (LLM), который служит интеллектуальным помощником в обучении.
Цели: Основная цель — оценить эффективность ИИ-агента в улучшении образовательных результатов, практических навыков программирования и академической самоэффективности среди студентов медицинских и сестринских магистратур. Исследование также направлено на оценку осуществимости и удовлетворенности студентов от интеграции ИИ-агентов в медицинскую учебную программу.
Дизайн исследования: Это нерандомизированное интервенционное исследование с использованием исторического контрольного дизайна.
Дизайн исследования: Это нерандомизированное интервенционное исследование с использованием исторического контрольного дизайна.
Экспериментальная группа (вмешательство): Студенты 2025-2026 учебного года, которые получат доступ к системе ИИ-агента.
Контрольная группа (историческая): Студенты из предыдущей учебной когорты (2024-2025), которые завершили ту же программу с использованием стандартных методов обучения без поддержки ИИ.
Детали вмешательства: Вмешательство включает развертывание системы ИИ-агента, работающей на основе LLM и генерации с усилением поиска на основе графа знаний (KGRAG). Фреймворк KGRAG ограничивает ответы ИИ проверенной базой знаний (учебники курса, слайды лекций и курируемые репозитории кода), чтобы минимизировать "галлюцинации" и обеспечить медицинскую/научную точность. Система включает три специализированных функциональных модуля:
Обучающий агент: Функционирует как круглосуточный репетитор, предоставляя объяснения концепций, резюмируя ключевые моменты знаний и предлагая персонализированные учебные планы на основе прогресса студента.
Исследовательский агент: Поддерживает исследовательскую подготовку, помогая в обзоре литературы, уточнении исследовательских вопросов и оптимизации структуры академического письма.
Агент практических инноваций: Способствует приобретению практических навыков, направляя студентов в генерации кода, отладке алгоритмов и применении моделей машинного обучения к реальным медицинским наборам данных. Агент использует сократический метод обучения для наведения на решение проблем, а не предоставления прямых ответов.
Тип исследования
Регистрация (Оцененный)
Фаза
- Непригодный
Контакты и местонахождение
Контакты исследования
- Имя: Wei Xia, Phd
- Номер телефона: 8618823359471
- Электронная почта: xiaw23@mail.sysu.edu.cn
Учебное резервное копирование контактов
- Имя: Jiebing Luo
- Номер телефона: 8618885639072
- Электронная почта: luojiebing2002@163.com
Места учебы
-
-
Guangdong
-
Guangzhou, Guangdong, Китай, 510000
- Рекрутинг
- North Campus of Sun Yat-sen University
-
Контакт:
- Wei Xia, Phd
- Номер телефона: 8618823359471
- Электронная почта: xiaw23@mail.sysu.edu.cn
-
Контакт:
- Jie Bing Luo
- Номер телефона: 8618885639072
- Электронная почта: luojiebing2002@163.com
-
-
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
- Ребенок
- Взрослый
- Пожилой взрослый
Принимает здоровых добровольцев
Описание
Критерии включения:
- Студенты-медики из университетов в Большом заливе Гуандун-Гонконг-Макао;
- Студенты, которые прошли курс «Машинное обучение и интеллектуальный анализ данных»;
- Завершили необходимые предварительные курсы: «Медицинская статистика» и «Сестринские исследования»;
- Способны нормально работать с системой AI Educational Agent и готовы пройти соответствующие педагогические вмешательства и оценки в течение периода исследования.
Критерии исключения:
- Нежелание использовать систему AI Educational Agent или отказ разрешить исследовательской группе собирать соответствующие данные;
- Студенты, которые не могут посвятить полный срок курсу или имеют известные конфликты расписания, препятствующие регулярному посещению;
- Студенты, которые ранее записывались на этот курс или посещали его в предыдущие учебные годы, чтобы избежать смещения из-за эффекта обучения.
Учебный план
Как устроено исследование?
Детали дизайна
- Основная цель: Другой
- Распределение: Н/Д
- Интервенционная модель: Одногрупповое задание
- Маскировка: Нет (открытая этикетка)
Оружие и интервенции
Группа участников / Армия |
Вмешательство/лечение |
|---|---|
|
Экспериментальный: Группа вмешательства ИИ-агента
Студенты магистратуры, зачисленные на курс "Машинное обучение и интеллектуальный анализ данных" в течение 2025-2026 учебного года.
Участники этой группы будут использовать специально разработанную систему образовательного агента на основе KGRAG на протяжении всего семестра.
Система включает три модуля: Преподавательский агент для объяснения концепций, Исследовательский агент для поддержки академического письма и Агент практических инноваций для генерации кода и отладки
|
Вмешательство включает в себя специально разработанную образовательную систему на основе искусственного интеллекта, использующую большие языковые модели (LLM) и технологию Retrieval-Augmented Generation на основе графов знаний (KGRAG).
Система состоит из трех специализированных агентов для поддержки самостоятельного обучения: 1. Преподавательский агент: предоставляет объяснения концепций в реальном времени, персонализированные планы обучения и закрепление знаний на основе учебной программы курса.
2. Исследовательский агент: помогает с обзором литературы, уточнением исследовательских вопросов и структурой академического письма.
3. Агент практики и инноваций: направляет студентов в генерации кода, отладке алгоритмов и проектах по интеллектуальному анализу данных, используя сократические методы обучения для развития навыков решения проблем.
Участники имеют круглосуточный доступ к этой системе на протяжении всего семестра.
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Композитный балл академической успеваемости
Временное ограничение: После вмешательства (в конце курса, примерно неделя 3)
|
Оценка производится через итоговую совокупную оценку за курс (диапазон: 0-100), которая отражает общее усвоение студентом концепций и применений машинного обучения. Оценка рассчитывается на основе трех взвешенных компонентов: Задания в классе (20%): Оценки регулярных заданий, представленных через платформу курса. Научная работа по прогрессу исследования (40%): Письменная работа на свободную тему, оценивающая теоретическое понимание и навыки разработки исследования. Групповое финальное проектное представление (40%): Оценка практического проекта, в котором студенты представляют решения и результаты на основе предоставленных медицинских случаев и наборов данных. Более высокие баллы указывают на лучшую академическую успеваемость. Баллы экспериментальной группы будут сравниваться с исторической контрольной группой |
После вмешательства (в конце курса, примерно неделя 3)
|
Вторичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Скорость усвоения объективных знаний
Временное ограничение: После вмешательства (в конце курса, приблизительно неделя 3)
|
Оценка проводилась с использованием структурированной оценки знаний, встроенной в опросы курса.
Оценка включает вопросы с множественным выбором, охватывающие основные концепции, методы обработки данных и этические соображения.
Результат представлен в виде процента правильных ответов
|
После вмешательства (в конце курса, приблизительно неделя 3)
|
|
Воспринимаемая полезность и принятие технологии
Временное ограничение: После вмешательства (в конце курса, приблизительно 3-я неделя)
|
Оценка проводилась с помощью посткурсового опроса на основе Технологической модели принятия (TAM).
Участники оценивают полезность ИИ-агента для их исследований и работы по шкале от 0 (Не помог) до 10 (Очень помог)
|
После вмешательства (в конце курса, приблизительно 3-я неделя)
|
|
Вовлеченность AI-агента: Частота взаимодействия
Временное ограничение: По окончании курса (примерно 3-я неделя)
|
Общее количество бесед и реплик в беседе на одного студента, оцененное с помощью количественного анализа журналов бэкенд-системы для измерения поведения вовлеченности студентов.
|
По окончании курса (примерно 3-я неделя)
|
|
Вовлеченность ИИ-агента: Временные паттерны
Временное ограничение: В конце курса (приблизительно 3 неделя)
|
Сравнение частоты использования AI-агентов в течение недель подготовки к экзаменам по сравнению с обычными учебными неделями, оцененное посредством количественного анализа журналов бэкенд-системы.
|
В конце курса (приблизительно 3 неделя)
|
|
Вовлеченность ИИ-агента: Темы запросов
Временное ограничение: По окончании курса (примерно 3-я неделя)
|
Выявление тематик студенческих запросов посредством применения алгоритмов тематического моделирования к журналам регистрации событий бэкенд-системы.
|
По окончании курса (примерно 3-я неделя)
|
Соавторы и исследователи
Спонсор
Даты записи исследования
Изучение основных дат
Начало исследования (Действительный)
Первичное завершение (Оцененный)
Завершение исследования (Оцененный)
Даты регистрации исследования
Первый отправленный
Впервые представлено, что соответствует критериям контроля качества
Первый опубликованный (Действительный)
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
Последнее отправленное обновление, отвечающее критериям контроля качества
Последняя проверка
Дополнительная информация
Термины, связанные с этим исследованием
Ключевые слова
Другие идентификационные номера исследования
- L2025SYSU-HL-032
- 25XJ0215 (Другой номер гранта/финансирования: China Association of Higher Education)
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
Описание плана IPD
Сроки обмена IPD
Критерии совместного доступа к IPD
Совместное использование IPD Поддерживающий тип информации
- STUDY_PROTOCOL
- САП
- АНАЛИТИЧЕСКИЙ_КОД
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .
Клинические исследования Медицинское образование
-
Universitaire Ziekenhuizen KU LeuvenЗавершенныйТест-ретест Надежность | Срок действия | Biodex Medical Systems III Динамометр | Экспериментальное измерение силы разгибания коленаБельгия
-
Columbia Care Inc.ЗавершенныйКвалификационные условия программы New York Medical Marijuana ProgramСоединенные Штаты
Клинические исследования Образовательная система агентов на основе искусственного интеллекта KGRAG
-
The Hong Kong Polytechnic UniversityChinese University of Hong Kong; Tongji HospitalРекрутингСанитарное просвещение | Инфекции, связанные с здравоохранением (HAI) | Обучение гигиене рук | Профилактика и контроль инфекцийКитай, Гонконг