AI医学机器学习课程教育助手
大型语言模型教育代理在医学教育中的应用与效果：机器学习与数据挖掘课程研究
本研究为一项干预性研究，旨在评估基于大型语言模型（LLM）的教育型AI智能体在医学或护理专业研究生（硕士和博士）中，针对参加“机器学习与数据挖掘”课程学生的有效性。 本研究主要探讨以下问题：
与传统教学方法相比，使用教育型AI智能体是否能提高学生在机器学习方面的学术表现和实践技能？
AI干预是否能增强学生的学习信心、满意度和认知参与度？
研究人员将比较当前使用AI智能体的学生（实验组）与历史对照组（上一届未使用AI工具的学生），以验证AI辅助学习模式是否能显著提升学习成效并改善教育体验。
参与者将：
利用教学智能体获取理论问题的实时解答、个性化学习规划及知识巩固。
通过研究智能体辅助文献综述、优化研究设计及完善学术写作结构。
使用实践创新智能体获得编程指导、算法调试支持，并将机器学习模型应用于医疗数据分析项目。
研究概览
详细说明
背景：人工智能（AI）与数据挖掘已成为现代医学与护理研究中的必备技能。 然而，研究生课程“机器学习与数据挖掘”的传统教学方法往往难以满足不同技术背景（如编程、数学）学生的个性化学习需求。 为此，本研究引入了一种基于大语言模型（LLMs）自主开发的AI教育智能体，作为智能教学助手。
目标：主要目标是评估AI智能体在提升医学与护理研究生的学习成果、实践编码技能及学术自我效能方面的有效性。 研究还旨在评估将AI智能体整合到医学课程中的可行性及学生满意度。
研究设计：这是一项采用历史对照设计的非随机干预性研究。
研究设计：这是一项采用历史对照设计的非随机干预性研究。
实验组（干预）：2025-2026学年的学生将获得AI智能体系统的使用权限。
对照组（历史）：来自上一学年（2024-2025）的学生，他们在无AI支持的情况下通过标准教学方法完成了相同课程。
干预细节：干预涉及部署一个由LLMs和基于知识图谱的检索增强生成（KGRAG）驱动的AI智能体系统。 KGRAG框架将AI的响应限制在已验证的知识库（课程教材、讲座幻灯片和精选代码库）内，以最小化“幻觉”并确保医学/科学准确性。 该系统包含三个专业功能模块：
教学智能体：作为24/7的导师，提供概念解释、总结关键知识点，并根据学生进度提供个性化学习计划。
研究智能体：通过协助文献综述、完善研究问题和优化学术写作结构来支持研究训练。
实践创新智能体：通过指导学生进行代码生成、调试算法以及将机器学习模型应用于真实世界医学数据集，促进实践技能获取。 该智能体采用苏格拉底式辅导方法引导问题解决，而非直接提供答案。
研究类型
注册 (估计的)
阶段
- 不适用
联系人和位置
学习联系方式
- 姓名：Wei Xia, PhD
- 电话号码：8618823359471
- 邮箱：xiaw23@mail.sysu.edu.cn
研究联系人备份
- 姓名：Jiebing Luo
- 电话号码：8618885639072
- 邮箱：luojiebing2002@163.com
学习地点
-
-
Guangdong
-
Guangzhou、Guangdong、中国、510000
- 招聘中
- North Campus of Sun Yat-sen University
-
接触：
- Wei Xia, PhD
- 电话号码：8618823359471
- 邮箱：xiaw23@mail.sysu.edu.cn
-
接触：
- Jie Bing Luo
- 电话号码：8618885639072
- 邮箱：luojiebing2002@163.com
-
-
参与标准
资格标准
适合学习的年龄
- 孩子
- 成人
- 年长者
接受健康志愿者
描述
纳入标准：
- 来自粤港澳大湾区高校的医学研究生；
- 已修读“机器学习与数据挖掘”课程的研究生；
- 已完成必修先修课程：“医学统计学”与“护理研究”；
- 能够正常操作AI教育代理系统，并愿意在研究期间接受相关教学干预和评估。
排除标准：
- 不愿使用AI教育代理系统，或拒绝研究团队收集其相关数据；
- 无法承诺全程参与课程，或已知存在时间冲突导致无法定期出席的学生；
- 为避免学习效应偏差，既往学年已注册或旁听过本课程的学生。
学习计划
研究是如何设计的？
设计细节
- 主要用途：其他
- 分配：不适用
- 介入模型：单组作业
- 屏蔽：无（打开标签）
武器和干预
参与者组/臂 |
干预/治疗 |
|---|---|
|
实验性的：AI智能体干预组
2025-2026学年期间注册“机器学习与数据挖掘”课程的研究生。
本组参与者将在整个学期使用定制开发的基于KGRAG的人工智能教育代理系统。
该系统包含三个模块：用于概念讲解的教学代理、用于学术写作支持的研究代理，以及用于代码生成与调试的实践创新代理
|
该干预措施涉及一个基于大型语言模型（LLMs）和知识图谱检索增强生成（KGRAG）技术定制开发的人工智能教育系统。
该系统包含三个专门代理以支持自主学习：1. 教学代理：根据课程大纲提供实时概念解释、个性化学习计划和知识巩固。
2. 研究代理：协助文献综述、研究问题细化和学术写作结构构建。
3. 实践创新代理：通过苏格拉底式辅导方法指导学生进行代码生成、算法调试和数据挖掘项目，以培养问题解决能力。
参与者在整个学期可24/7全天候访问此系统。
|
研究衡量的是什么？
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
综合学业表现评分
大体时间：干预后（课程结束时，大约第3周）
|
通过最终累计课程成绩（范围：0-100分）进行评估，该成绩反映了学生对机器学习概念和应用的总体掌握程度。 分数基于三个加权组成部分计算： 课堂作业（20%）：通过课程平台提交的常规作业评估。 研究进展论文（40%）：关于自由探索主题的书面论文，评估理论理解和研究设计能力。 小组期末项目展示（40%）：对实践项目的评估，学生基于给定的医疗案例和数据集展示解决方案和结果。 分数越高表明学业表现越好。 实验组的分数将与历史对照组进行比较 |
干预后（课程结束时，大约第3周）
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
目标知识获取率
大体时间：干预后（课程结束时，大约第3周）
|
通过嵌入课程调查的结构化知识评估进行评价。
该评估包括涵盖核心概念、数据处理方法和伦理考量的多项选择题。
结果以正确答案的百分比形式报告
|
干预后（课程结束时，大约第3周）
|
|
感知有用性与技术接受度
大体时间：干预后（课程结束时，约第3周）
|
采用基于技术接受模型（TAM）的课后调查进行评估。
参与者按照0分（无帮助）到10分（非常有帮助）的等级，对AI助手在其研究和工作中提供的帮助程度进行评分。
|
干预后（课程结束时，约第3周）
|
|
AI代理参与度：互动频率
大体时间：在课程结束时（约第3周）
|
通过定量分析后端系统日志以评估学生参与行为，统计每名学生的总对话次数和对话轮次。
|
在课程结束时（约第3周）
|
|
人工智能代理参与：时间模式
大体时间：在课程结束时（大约第3周）
|
通过后端系统日志的定量分析，评估备考周与常规学习周期间AI代理使用频率的比较。
|
在课程结束时（大约第3周）
|
|
AI 智能体参与：查询主题
大体时间：课程结束时（大约第3周）
|
通过对后端系统日志应用主题建模算法来识别学生查询主题。
|
课程结束时（大约第3周）
|
合作者和调查者
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (估计的)
研究完成 (估计的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
与本研究相关的术语
其他研究编号
- L2025SYSU-HL-032
- 25XJ0215 (其他赠款/资助编号：China Association of Higher Education)
计划个人参与者数据 (IPD)
计划共享个人参与者数据 (IPD)？
IPD 计划说明
IPD 共享时间框架
IPD 共享访问标准
IPD 共享支持信息类型
- 研究方案
- 树液
- 分析代码
药物和器械信息、研究文件
研究美国 FDA 监管的药品
研究美国 FDA 监管的设备产品
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.