SP11.14 Evaluating the Efficacy and Cognitive Load of a Real-Time Intelligent Coaching System versus Human Expert Instruction in Surgical Technical Skills Training: A Randomized Controlled Study
Notice bibliographique
Résumé
Abstract Aims An artificial intelligence-driven tutoring system provides risk-free training on realistic simulated procedures and objective assessment to improve surgical technical skills. This study compared its teaching efficacy to human instructor training. Methods Ninety-eight medical students completed 5 simulated brain tumor resections, scored by the intelligent system. Participants were randomly sorted into 3 feedback groups: (1) no real-time feedback, (2) real-time intelligent instruction, (3) real-time human instruction. Each participant completed a base-line repetition without feedback. Group 1 received visual feedback based on expert benchmarks following each repetition. Group 2 was tutored by the intelligent system in real-time. After each repetition, the system provided the student’s error clips and correlating expert-level demonstrations. Group 3 was tutored by human instructors in real-time. After each repetition, instructors provided critiques and demonstrated correction techniques. Following the final repetition, each participant completed a questionnaire of Leppink’s Cognitive Load Index on a 5-point Likert scale. Performance scores were compared from the first to the last repetition of the task within and between-groups to assess learning. Results Compared with baseline, groups 2 and 3 significantly improved in performance by the third and second repetition, respectively (p<0.01 and p=0.01). Between-groups comparison revealed significantly higher scores and extrinsic load for group 2 than group 3 in the fifth repetition, respectively (p<0.01 and p<0.01). No between-group differences existed for intrinsic and germane load. Conclusion The intelligent system provided more efficient learning than human instruction. Such systems may enhance trainees’ learning and facilitate the shift towards standardized, competency-based 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 | 0,006 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».