AI辅助医学学习

Ackground和Rationale：本科医学教育的基石，有效的内科教学，由于主题的广度和复杂性以及大型学生同伙的广度和复杂性，通常在主要的学术医疗中心招收。 尽管讲座和教科书读物等传统方法至关重要，但人们对创新方法有一种公认的需求，可以更好地支持临床推理的发展，促进更深入地参与复杂的案例材料，并提供更多个性化的学习机会。 人工智能（AI），特别是对特定领域知识培训的高级大语模型（LLM），具有满足这些需求的教育技术的巨大潜力。 Metagp-Edu是专门用于使用教学数据集专门用于医学教育的专有生成基础模型，用于通过充当补充学习资源来探索这种潜力。 评估将这种工具整合到既定课程中的现实世界影响对于证据知识的教育实践至关重要。

目的：这项研究的主要目的是回顾性评估Metagp-Edu AI工具作为补充学习资源的可用性与核心内科课程中学生的整体学业成绩之间的关联。

研究设计：这项研究采用了多中心的回顾性队列研究设计。 将在多个连续的学年中从中国几所大型医学院收集的学术数据将经常分析。 这种方法可以根据学生在现实世界中的学术环境中对不同教育资源环境的历史接触（与无METAGP-EDU访问）进行比较。

设置和参与者：该研究包括来自中国几个大型学术关联医疗机构的强制性内科课程的本科医学生的数据。 参与者包括在涵盖Metagp-Edu之前和之后完成整个学年课程的学生（大约2022年秋季）。 包容是基于指定研究期内内科课程的完整学术记录的可用性。

暴露/干预和比较器：研究比较了Metagp-Edu可用性时间定义的两个主要人群：

比较器队列（前Metagp-edu）：在引入Metagp-Edu之前学年完成内科课程的学生。 这些学生利用了机构建立的传统教学方法（例如，讲座，教程，标准案例讨论，教科书分配），而无需访问MetaGP-EDU工具。

曝光队列（Metagp-Edu后）：在引入Metagp-Edu后学年完成内科课程的学生。 这些学生参加了相同的核心传统课程组件，但也可以通过机构平台访问Metagp-Edu，作为一种补充，可选的学习资源，用于自我指导的学习，案例探索和临床查询支持。

结果指标：主要结局指标是内科课程中的总体学业表现，通常由官方大学记录中记录的最终数字课程得分（例如，以0-100范围）表示。 关键协变量，包括基线学术成就的度量（例如，先前的累积GPA或同等学历），人口统计学因素（例如，性别）和机构地点，将从管理数据中提取以进行统计调整。