O022 Real-time artificial intelligence instructor vs expert instruction in teaching of expert level tumour resection skills – a randomized controlled trial
Notice bibliographique
Résumé
Abstract Introduction Competency-based approach in surgical training still lacks objective quantifiable methodologies to assess surgical technical skills and train residents, a limitation that can be addressed with the adaptation of artificial intelligence (AI). In this randomized controlled, the efficacy of learning by a real-time intelligent instruction system was compared to learning with in-person human instructor-mediated training. Methods The study was ethics approved. Ninety-eight medical students performed five virtually simulated brain tumour resections, randomly allocated into three feedback groups: (1) no-real-time feedback, (2) real-time intelligent instruction, and (3) in-person human instruction. The first task was considered as baseline performance, done with no feedback. Group-1 received expert benchmark feedback only after each procedure. Group-2 was instructed in real-time by the AI system. After each task, the students were shown their error-video clips generated by this system alongside the expert-level demonstrations relating to each error. Group-3 was instructed by human instructors during the tasks. After each task, instructors summarized the areas of improvement and demonstrated how to expertly perform the tumour resections. Participant data in all tasks were scored by the AI system to assess learning. Results Students in Group-2 and Group-3 significantly improved their performance score by the third and second task, respectively (p<0.01, p=0.01), compared to the baseline performance. Group-2 achieved significantly higher scores than Group-3 in the final/fifth task (p<0.01). Conclusion AI-powered systems may increase efficiency in learning by providing objective, and action-oriented real-time feedback. Such systems may aid the shift towards competency-based surgical curricula.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».