COMPARING THE EFFICIENCY OF A REAL-TIME ARTIFICIAL INTELLIGENCE INSTRUCTOR TO HUMAN EXPERT INSTRUCTORS IN SIMULATED SURGICAL TECHNICAL SKILLS TRAINING– A RANDOMIZED CONTROLLED TRIAL
Notice bibliographique
Résumé
Abstract BTFC travel award recipient Artificial intelligence systems provide risk-free training on realistically simulated patient cases and objective assessment of surgical technical skills. This randomized controlled study compared a real-time intelligent tutoring system in technical skills learning with human expert instructor-mediated training. METHODS: Ninety-eight medical students performed six simulated brain tumor resections. Participants were randomly allocated into (1)no-real-time feedback, (2)real-time intelligent instruction, and (3)in- person human instruction. All students performed the first repetition without receiving feedback (baseline). Group-1 received visual feedback only after each procedure based on expert benchmarks. Group-2 was instructed by the intelligent system in real-time. After each task, the students were shown their error-video clips generated by this system alongside expert-level demonstrations on how to improve. Group-3 was instructed by human instructors during the tasks. After each task, instructors summarized the areas of improvement and demonstrated correction techniques. Participant performance was scored by the intelligent system and also by blinded experts using OSATS scores. The performance score was compared within groups and between groups to compare learning. RESULTS: Compared to baseline performance, Group-2 and Group-3 significantly improved in the performance score by the third and second repetition, respectively (p<0.01, p=0.01). The between-groups comparison demonstrated that Group-2 scored significantly higher than Group-3 in the fifth repetition (p<0.01). Group-2 achieved significantly higher OSATS scores than Group-1 in the sixth task. CONCLUSIONS: Artificial intelligence may facilitate trainee learning by providing equally or more efficient learning when compared to human instruction. These systems may aid in developing competency-based standardized curricula in surgical training.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 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 | 0,003 | 0,001 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».