Understanding the Role of Large Language Model Virtual Patients in Developing Communication and Clinical Skills in Undergraduate Medical Education
Notice bibliographique
Résumé
Access to practice opportunities for history-taking in undergraduate medical education can be resource-limited. Large language models are a potential avenue to address this. This study sought to characterize changes in learner self-reported confidence with history-taking before and after a simulation with an LLM-based patient and understand learner experience with and the acceptability of virtual LLM-based patients. This was a multi-method study conducted at McMaster University. Simulations were facilitated with the OSCEai tool. Data was collected through surveys with a Likert scale and open-ended questions and semi-structured interviews. A total of 24 participants generated 93 survey responses and 17 interviews. Overall, participants reported a 14.6% increase in comfort with history-taking. Strengths included its flexibility, accessibility, detailed feedback, and ability to provide a judgement-free space to practice. Limitations included its lower fidelity compared to standardized patients and at times repetitive and less clinically relevant feedback as compared to preceptors. It was overall viewed best as a supplement rather than a replacement for standardized patients. In conclusion, LLM-based virtual patients were feasible and valued as an adjunct tool. They can support scalable, personalized practice. Future work is needed to understand objective metrics of improvement and to design curricular strategies for integration.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».