An Artificial Intelligence Training Workshop for Diagnostic Radiology Residents
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose To develop, implement, and evaluate feedback for an artificial intelligence (AI) workshop for radiology residents that has been designed as a condensed introduction of AI fundamentals suitable for integration into an existing residency curriculum. Materials and Methods A 3-week AI workshop was designed by radiology faculty, residents, and AI engineers. The workshop was integrated into curricular academic half-days of a competency-based medical education radiology training program. The workshop consisted of live didactic lectures, literature case studies, and programming examples for consolidation. Learning objectives and content were developed for foundational literacy rather than technical proficiency. Identical prospective surveys were conducted before and after the workshop to gauge the participants’ confidence in understanding AI concepts on a five-point Likert scale. Results were analyzed with descriptive statistics and Wilcoxon rank sum tests to evaluate differences. Results Twelve residents participated in the workshop, with 11 completing the survey. An average score of 4.0 ± 0.7 (SD), indicating agreement, was observed when asking residents if the workshop improved AI knowledge. Confidence in understanding AI concepts increased following the workshop for 16 of 18 (89%) comprehension questions (P value range: .001 to .04 for questions with increased confidence). Conclusion An introductory AI workshop was developed and delivered to radiology residents. The workshop provided a condensed introduction to foundational AI concepts, developed positive perception, and improved confidence in AI topics. Keywords: Medical Education, Machine Learning, Postgraduate Training, Competency-based Medical Education, Medical Informatics Supplemental material is available for this article. © RSNA, 2023
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle