En AI-utbildningsagent för medicinska maskininlärningskurser
Tillämpning och effektivitet av en stor språkmodellbaserad utbildningsagent inom medicinsk utbildning: En studie om kursen i maskininlärning och datamining
Syftet med denna interventionsstudie är att utvärdera effektiviteten av en utbildnings-AI-agent baserad på Large Language Model (LLM) för forskarstuderande (master- och doktorandstuderande) som specialiserar sig på medicin eller omvårdnad och som är inskrivna i kursen "Maskininlärning och datautvinning". De främsta frågor som studien syftar till att besvara är:
Förbättrar användningen av en utbildnings-AI-agent studenternas akademiska prestation och praktiska färdigheter i maskininlärning jämfört med traditionella metoder?
Förbättrar AI-interventionen studenternas inlärningssjälvförtroende, tillfredsställelse och kognitivt engagemang?
Forskare kommer att jämföra studenter som för närvarande använder AI-agenten (experimentgruppen) med en historisk kontrollgrupp (studenter från föregående kull som inte använde AI-verktyget) för att se om den AI-assisterade inlärningsmodellen leder till signifikant högre inlärningsresultat och bättre utbildningsupplevelser.
Deltagarna kommer att:
Använda Undervisningsagenten för realtidssvar på teoretiska frågor, personlig studieplanering och kunskapsförstärkning.
Samarbeta med Forskningsagenten för att få hjälp med litteraturgenomgångar, optimering av forskningsdesign och akademisk skrivstruktur.
Använda Praktisk innovationsagent för vägledning om kodning, felsökning av algoritmer och tillämpning av maskininlärningsmodeller på medicinska dataanalysprojekt.
Studieöversikt
Status
Intervention / Behandling
Detaljerad beskrivning
Bakgrund: Artificiell intelligens (AI) och datautvinning blir allt viktigare färdigheter inom modern medicinsk och omvårdnadsforskning. Emellertid har traditionella undervisningsmetoder för kursen på forskarnivå "Maskininlärning och datautvinning" ofta svårt att möta de personliga inlärningsbehoven hos studenter med varierande tekniska bakgrunder (t.ex. programmering, matematik). För att lösa detta introducerar denna studie en specialutvecklad AI-utbildningsagent baserad på stora språkmodeller (LLM) som ska fungera som en intelligent undervisningsassistent.
Mål: Det primära målet är att utvärdera effektiviteten av AI-agenten för att förbättra inlärningsresultat, praktiska programmeringsfärdigheter och akademisk självförmåga bland medicinska och omvårdnadsstudenter på forskarnivå. Studien syftar också till att bedöma genomförbarheten och studenternas tillfredsställelse med att integrera AI-agenter i den medicinska utbildningen.
Studiedesign: Detta är en icke-randomiserad interventionsstudie som använder en historisk kontroll-design.
Studiedesign: Detta är en icke-randomiserad interventionsstudie som använder en historisk kontroll-design.
Experimentgrupp (intervention): Studenter under läsåret 2025-2026 som får tillgång till AI-agent-systemet.
Kontrollgrupp (historisk): Studenter från föregående års kull (2024-2025) som genomförde samma utbildning med standardundervisningsmetoder utan AI-stöd.
Interventionsdetaljer: Interventionen innebär implementering av ett AI-agent-system drivet av LLM och Knowledge Graph-baserad Retrieval-Augmented Generation (KGRAG). KGRAG-ramverket begränsar AI:ns svar till en verifierad kunskapsbas (kursböcker, föreläsningsbilder och kuraterade kodförråd) för att minimera "hallucinationer" och säkerställa medicinsk/vetenskaplig korrekthet. Systemet inkluderar tre specialiserade funktionsmoduler:
Undervisningsagent: Fungerar som en 24/7-handledare, ger konceptförklaringar, sammanfattar viktiga kunskapspunkter och erbjuder personliga studieplaner baserade på studenternas framsteg.
Forskningsagent: Stöder forskarutbildning genom att hjälpa till med litteraturgenomgång, förfina forskningsfrågor och optimera akademiska skrivstrukturer.
Praktik- och innovationsagent: Underlättar praktisk färdighetsförvärv genom att vägleda studenter i kodgenerering, felsökning av algoritmer och tillämpning av maskininlärningsmodeller på verkliga medicinska dataset. Agenten använder en sokratisk handledningsmetod för att vägleda problemlösning snarare än att ge direkta svar.
Studietyp
Inskrivning (Beräknad)
Fas
- Inte tillämpbar
Kontakter och platser
Studiekontakt
- Namn: Wei Xia, PhD
- Telefonnummer: 8618823359471
- E-post: xiaw23@mail.sysu.edu.cn
Studera Kontakt Backup
- Namn: Jiebing Luo
- Telefonnummer: 8618885639072
- E-post: luojiebing2002@163.com
Studieorter
-
-
Guangdong
-
Guangzhou, Guangdong, Kina, 510000
- Rekrytering
- North Campus of Sun Yat-sen University
-
Kontakt:
- Wei Xia, PhD
- Telefonnummer: 8618823359471
- E-post: xiaw23@mail.sysu.edu.cn
-
Kontakt:
- Jie Bing Luo
- Telefonnummer: 8618885639072
- E-post: luojiebing2002@163.com
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Barn
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Beskrivning
Inklusionskriterier:
- Medicinska forskarstudenter från universitet i Guangdong-Hongkong-Macao-storstadregionen;
- Forskarstudenter som har läst kursen "Maskininlärning och datamining";
- Har slutfört de nödvändiga förkunskapskraven: "Medicinsk statistik" och "Omvårdnadsforskning";
- Kan använda AI Educational Agent-systemet normalt och är villiga att genomgå relevanta undervisningsinsatser och utvärderingar under studieperioden.
Exklusionskriterier:
- Ovilliga att använda AI-utbildningsagentsystemet, eller vägrar att tillåta forskningsteamet att samla in deras relevanta data;
- Studenter som inte kan förbinda sig till hela kursens längd eller har kända schemakonflikter som skulle förhindra regelbunden närvaro;
- Studenter som tidigare har registrerat sig för eller lyssnat på denna kurs under tidigare akademiska år för att undvika inlärningseffektbias
Studieplan
Hur är studien utformad?
Designdetaljer
- Primärt syfte: Övrig
- Tilldelning: N/A
- Interventionsmodell: Enskild gruppuppgift
- Maskning: Ingen (Open Label)
Vapen och interventioner
Deltagargrupp / Arm |
Intervention / Behandling |
|---|---|
|
Experimentell: AI-agentinterventionsgrupp
Doktorander som är inskrivna i kursen "Maskininlärning och datautvinning" under läsåret 2025-2026.
Deltagarna i denna grupp kommer att använda det specialutvecklade KGRAG-baserade AI Educational Agent-systemet under hela terminen.
Systemet inkluderar tre moduler: en Undervisningsagent för konceptförklaring, en Forskningsagent för stöd i akademiskt skrivande och en Praktikinnovationsagent för kodgenerering och felsökning
|
Interventionen innebär ett specialutvecklat AI-baserat utbildningssystem som drivs av Large Language Models (LLM) och Knowledge Graph-based Retrieval-Augmented Generation (KGRAG)-teknik.
Systemet består av tre specialiserade agenter för att stödja självstyrt lärande: 1. Undervisningsagent: Ger realtidsförklaringar av begrepp, personliga studieplaner och kunskapsförstärkning baserat på kursplanen.
2. Forskningsagent: Hjälper till med litteraturöversikt, förfining av forskningsfrågor och akademisk skrivstruktur.
3. Praktik- och innovationsagent: Guider studenter genom kodgenerering, felsökning av algoritmer och dataminingprojekt med sokratiska handledningsmetoder för att främja problemlösningsförmåga.
Deltagarna har dygnet runt tillgång till detta system under hela terminen.
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Sammansatt akademisk prestationspoäng
Tidsram: Efter interventionen (i slutet av kursen, ungefär vecka 3)
|
Bedöms genom slutbetyget (omfång: 0-100), som indikerar studentens övergripande behärskning av maskininlärningskoncept och tillämpningar. Poängen beräknas baserat på tre viktade komponenter: Inlämningsuppgifter under kursen (20%): Utvärdering av regelbundna uppgifter som lämnas in via kursplattformen. Forskningsframstegsrapport (40%): En skriftlig rapport om ett fritt utforskat ämne som bedömer teoretisk förståelse och forskningsdesignfärdigheter. Gruppens slutprojektpresentation (40%): Bedömning av ett praktiskt projekt där studenter presenterar lösningar och resultat baserat på givna medicinska fall och dataset. Högre poäng indikerar bättre akademisk prestation. Experimentgruppens poäng kommer att jämföras med den historiska kontrollgruppen |
Efter interventionen (i slutet av kursen, ungefär vecka 3)
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Objective Knowledge Acquisition Rate
Tidsram: Efter interventionen (vid kursens slut, ungefär vecka 3)
|
Utvärderad med en strukturerad kunskapsbedömning inbäddad i kursenkäter.
Bedömningen innehåller flervalsfrågor som täcker kärnbegrepp, databehandlingsmetoder och etiska överväganden.
Resultatet rapporteras som andelen korrekta svar
|
Efter interventionen (vid kursens slut, ungefär vecka 3)
|
|
Upplevd användbarhet och teknologiacceptans
Tidsram: Efter interventionen (vid kursens slut, ungefär vecka 3)
|
Utvärderad med hjälp av en efterkursenkät baserad på Technology Acceptance Model (TAM).
Deltagarna betygsätter AI-agentens hjälpsamhet för deras forskning och arbete på en skala från 0 (Ingen hjälp) till 10 (Mycket hjälpsam)
|
Efter interventionen (vid kursens slut, ungefär vecka 3)
|
|
AI-agent Engagemang: Interaktionsfrekvens
Tidsram: I slutet av kursen (ungefär vecka 3)
|
Totalt antal konversationer och konversationsvarv per student, utvärderat via kvantitativ analys av backend-systemets loggar för att mäta studentens engagemangsbeteende.
|
I slutet av kursen (ungefär vecka 3)
|
|
AI-agentengagemang: Temporala mönster
Tidsram: Vid kursens slut (ungefär vecka 3)
|
Jämförelse av AI-agentens användningsfrekvens under tentaförberedelseveckor jämfört med vanliga studieveckor, utvärderad via kvantitativ analys av backend-systemloggar.
|
Vid kursens slut (ungefär vecka 3)
|
|
AI Agent Engagemang: Frågeteman
Tidsram: I slutet av kursen (ungefär vecka 3)
|
Identifiering av studentfrågeteman genom tillämpning av ämnesmodelleringsalgoritmer på backend-systemloggar.
|
I slutet av kursen (ungefär vecka 3)
|
Samarbetspartners och utredare
Sponsor
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Beräknad)
Avslutad studie (Beräknad)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Andra studie-ID-nummer
- L2025SYSU-HL-032
- 25XJ0215 (Annat bidrag/finansieringsnummer: China Association of Higher Education)
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
IPD-planbeskrivning
Tidsram för IPD-delning
Kriterier för IPD Sharing Access
IPD-delning som stöder informationstyp
- STUDY_PROTOCOL
- SAV
- ANALYTIC_CODE
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .