Proactive Push versus Reactive Response Artificial Intelligence for Thyroid Cancer Guideline Learning Among Resident Physicians: A Nationwide Online Randomized Controlled Trial
在一项针对住院医师进行的全国性随机对照试验中，主动推送式人工智能辅导在即时总知识得分方面较之反应式聊天机器人并未表现出显著提升，但在延迟保留、特定模块表现、参与度以及自我效能感方面展现出了更优越的益处。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在医学培训领域，学习往往是一场与时间及记忆的赛跑。被称为“住院医师”的受训医生必须吸收大量关于疾病、治疗方案和指南的复杂信息，且通常还要在不同的医院科室之间轮转。挑战不仅在于知识刚学完时是否熟知，更在于数周或数月后在真实的紧急情况下能否想起这些知识。几十年来，教育工作者一直依赖一个简单的原则：要让知识扎根，你必须在一段时间内有间隔地反复从大脑中提取它，而不是一次性死记硬背。这就是读一遍地图与反复导航同一条路线直到转弯变得成为本能之间的区别。随着人工智能进入课堂，一个新的问题出现了：AI如何提供帮助是否重要？如果AI等待学生提问，还是如果AI主动提醒学生定期进行练习，这是否会有所不同？
中国的一个研究小组致力于通过测试两种不同的使用人工智能教授甲状腺癌指南的方法来回答这个问题。甲状腺癌是中国一种常见的疾病，其治疗指南更新频繁，要求医生必须紧跟最新的证据。研究人员从全国各地的医院招募了120名住院医师，并将他们分为两组。两组使用的都是同一个人工智能系统，该系统基于一个强大的语言模型，并包含相同的医学知识和测验。唯一的区别在于系统与学生互动的方式。一组使用的是“反应型”系统，它表现得像传统的聊天机器人：静静地等待学生输入问题或请求测验。另一组使用的是“主动型”系统，它表现得像一位勤勉的导师：每天都会向学生发送两次简短且个性化的测验，无论学生是否主动要求。
这项研究持续了三周，在此期间，主动型组每天都会收到这些主动提醒，而反应型组则必须发起所有的学习环节。研究人员希望观察主动型方法是否能带来更高的即时训练后测试成绩，更重要的是，它是否能帮助学生在几周后记住这些信息。训练结束后，研究人员对学生关于甲状腺癌指南及药物副作用管理的知识进行了测试。结果呈现出一个细微的景象。接受每日主动提醒的小组在即时期末测试中的得分并不显著高于必须主动寻求帮助的小组。两组总分的差异非常小，以至于可能是由偶然因素造成的。然而，当研究人员观察学生在几周后的表现时，情况发生了变化。
当学生在训练结束四周后再次接受测试时，主动型组记住的信息明显多于反应型组。他们在关于药物副作用的具体问题上也表现得更好，而这是一个错误可能导致危险的关键领域。除了测试成绩之外，学生的行为也讲述了一个清晰的故事。主动型组登录系统的天数几乎是反应型组的两倍，完成的测验次数是后者的三倍。他们提问更多，并表示在将指南应用于实际临床情况的能力方面感到更加自信。主动型组的学生还对他们的学习体验给出了更高的评价，认为该工具更有帮助且更具个性化。
研究人员得出结论，虽然主动型AI并没有立即提升训练结束时的总测试成绩，但它成功地改变了学习的节奏。通过发送定期的、低强度的提示，该系统将碎片化的时刻转化为了结构化的学习机会。这种持续的、分布式练习帮助学生更持久地保留了信息，并让他们感到更有能力去运用这些知识。这项研究表明，对于医学教育而言，AI导师的价值可能不在于它有多聪明或知道多少，而在于它如何鼓励学生不断练习。主动型方法并没有强迫学生在单次学习中掌握更多内容；相反，它帮助他们在一段时间内学习得更加连贯，从而将一个被动工具变成了一个积极的学习伙伴。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。