AI-assisterat lärande inom medicin

Ackground and Rationale: Den effektiva undervisningen i internmedicin, en hörnsten i grundutbildningen medicinsk utbildning, ger betydande pedagogiska utmaningar på grund av ämnets bredd och komplexitet och de stora studentkohorterna som vanligtvis är inskrivna i stora akademiska medicinska centra. Även om traditionella metoder som föreläsningar och läroböcker är viktiga, finns det ett erkänt behov av innovativa tillvägagångssätt som bättre kan stödja utvecklingen av klinisk resonemang, underlätta djupare engagemang med komplexa fallmaterial och erbjuda mer personliga inlärningsmöjligheter i skala. Artificial Intelligence (AI), särskilt avancerade stora språkmodeller (LLMS) utbildade på domänspecifik kunskap, har betydande potential som en utbildningsteknik för att tillgodose dessa behov. METAGP-EDU, en egenutvecklad generativ grundmodell finjusterad specifikt för medicinsk utbildning med hjälp av pedagogiska datasätt, utvecklades för att utforska denna potential genom att fungera som en kompletterande inlärningsresurs. Att utvärdera den verkliga effekten av att integrera sådana verktyg i etablerade läroplaner är avgörande för evidensinformerad utbildningspraxis.

Mål: Det primära målet med denna studie är att retrospektivt utvärdera sambandet mellan tillgängligheten av METAGP-EDU AI-verktyget som en kompletterande inlärningsresurs och övergripande akademiska prestationer i kärnan i läroplanen i kärnan.

Studiedesign: Denna undersökning använder en multicenter, retrospektiv kohortstudiedesign. Rutinsamt insamlade akademiska uppgifter från flera stora medicinska skolor i Kina under flera akademiska år i rad kommer att analyseras. Detta tillvägagångssätt möjliggör jämförelse av studentkohorter baserat på deras historiska exponering för olika utbildningsresursmiljöer (med kontra utan MetAgP-EDU-tillgång) inom verkliga akademiska miljöer.

Inställning och deltagare: Studien omfattar data från grundläggande medicinska studenter som är inskrivna i den obligatoriska kursen för internmedicin vid flera stora, akademiskt anslutna medicinska institutioner i Kina. Deltagarna inkluderar studenter som avslutat kursen över ett span av akademiska år som täcker perioden före och efter introduktionen av Metagp-edu (ungefär hösten 2022). Inkludering är baserad på tillgängligheten av kompletta akademiska register för kursen för internmedicin under den angivna studieperioden.

Exponering/intervention och komparator: Studien jämför två huvudkohorter definierade av tidpunkten för METAGP-EDU-tillgänglighet:

Comparator Cohort (Pre-Metagp-EDU): Studenter som avslutade kursen för internmedicin under akademiska år före införandet av MetAgp-EDU. Dessa studenter använde institutionernas etablerade traditionella undervisningsmetoder (t.ex. föreläsningar, tutorials, standardfallsdiskussioner, lärobokuppdrag) utan tillgång till METAGP-EDU-verktyget.

Exponeringskohort (post-metagp-edu): Studenter som avslutade kursen för internmedicin under akademiska år efter införandet av Metagp-edu. Dessa studenter deltog i samma kärntransporterade läroplankomponenter men hade också tillgång till METAGP-EDU via institutionella plattformar som en kompletterande, valfri resurs för självstyrd lärande, fallutforskning och klinisk frågestöd.

Resultatåtgärder: Det primära resultatmåttet är övergripande akademiska prestationer i kursen för internmedicin, vanligtvis representerad av den slutliga numeriska kursresultatet (t.ex. i en 0-100 skala) som dokumenterats i officiella universitetsregister. Viktiga kovariater, inklusive mått på akademisk prestation av baslinjen (t.ex. tidigare kumulativ GPA eller motsvarande), demografiska faktorer (t.ex. kön) och institutionell plats, kommer att extraheras från administrativa data för att möjliggöra statistisk justering.