828 Real-Time Artificial Intelligence Instruction in Comparison to Human Expert Instruction in Surgical Technical Skills Teaching – a Randomized Controlled Trial
Notice bibliographique
Résumé
Abstract Aim Surgical simulators equipped with artificial intelligence (AI) systems provide risk-free training on realistically simulated complex patient cases, objective performance assessment, and tailored error avoidance feedback. This study compared the efficacy of real-time AI instruction with human instructor-mediated training in surgical technical skills teaching. Method Medical students (n = 98) were randomly allocated into three feedback groups. Everyone repeated a virtual brain tumour resection five times. The first repetition was done without receiving feedback to assess their baseline performance. Students in Group 1 did not receive real-time feedback, and they were shown visual feedback only after each procedure based on expert benchmarks. Students in Group 2 were 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. Students in Group 3 were instructed by human instructors during the tasks. After each task, instructors summarized the areas of improvement and demonstrated correction techniques. All participant data was scored using a composite-score. Statistical analysis was conducted to compare learning from the first to the last task repetition. Results Students in Group 2 and Group 3 significantly improved in the performance score by the third and second repetition, respectively (p<0.01, p = 0.01) compared to their baseline performance. Students in Group 2 achieved significantly higher scores than those in Group 3 in the fifth repetition (p<0.01). Conclusions Artificial intelligence systems may provide competency-based curricula in surgical training with efficient surgical technical skills teaching methodologies.
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 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 | 0,008 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».