DOI: https://doi.org/10.1186/s12909-025-06785-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39920711
تاريخ النشر: 2025-02-07
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في تفاعلات الخدمة
نظرة عامة
تقدم ورقة البحث تطوير وتقييم تطبيق دردشة من الجيل الثاني، بيني والدردشات، المعزز بـ ChatGPT، والذي يهدف إلى تحسين مهارات أخذ التاريخ السريري في التعليم الطبي. تم تقديم الدردشة لأول مرة خلال جائحة COVID-19، وتعمل كبديل لأساليب التعليم التقليدية. تبحث الدراسة في تأثير هذه الأداة المبتكرة على فعالية التعلم والتجارب في التعليم بجانب السرير، فضلاً عن إمكانياتها في تعزيز التعاون التعليمي الدولي.
باستخدام تصميم مختلط، تشمل الدراسة استبيانًا كميًا تم إجراؤه بين جامعة هونغ كونغ (HKU) والجامعة الوطنية في سنغافورة (NUS)، بمشاركة 45 طالبًا. تشير النتائج إلى أن أكثر من 75% من المستجيبين شعروا أن التعليم المعزز بالدردشة قد حسن من فعالية تعلمهم، و82.2% اعترفوا بقيمة تبادل حالات المرضى للحصول على تعرض لأمراض أقل شيوعًا. تكشف التحليلات النوعية أيضًا أن الدردشة الجديدة تقدم قابلية استخدام ومرونة أفضل مقارنة بسابقتها. تشير النتائج إلى أن التعليم الافتراضي بجانب السرير باستخدام الدردشات يمكن أن يعزز بشكل كبير الأساليب التعليمية التقليدية ويسهل التعاون الدولي، مما يضع تدريب الدردشة كأداة تكاملية قابلة للاستخدام لتطوير المهارات السريرية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الإمكانات التحويلية للذكاء الاصطناعي (AI) في التعليم الطبي، وخاصة في تعزيز مهارات التفكير السريري بين المهنيين الصحيين. غالبًا ما تفتقر الأساليب التعليمية التقليدية، مثل المحاضرات ومناقشات الحالات، إلى العناصر التفاعلية اللازمة للتعلم الفعال. لقد تسارعت جائحة COVID-19 بشكل أكبر نحو التعليم عبر الإنترنت، مما قدم تحديات وفرصًا لتدريب الأطباء. يشير المؤلفون إلى الدردشة الأولية، بيني والدردشات، التي واجهت قيودًا في المرونة ودعم اللغة وإدارة التعقيد، مما حفز تطوير نسخة محسنة باستخدام ChatGPT.
تهدف الدراسة إلى استكشاف فعالية هذه الدردشة المحسنة في التعليم السريري ودورها في تعزيز التعاون الدولي بين كليات الطب. من خلال الاستفادة من نماذج اللغة الكبيرة (LLMs) مثل ChatGPT، تسعى الدراسة إلى تقييم فعالية التعلم وتجارب الطلاب من خلال التحليلات الكمية والنوعية. تضع المقدمة الأساس لمناقشة حول دمج الذكاء الاصطناعي في التدريب السريري، مع التأكيد على الحاجة إلى حلول مبتكرة لمعالجة المشهد المتطور للصحة العالمية والتعليم الطبي.
النتائج
في هذا القسم، يقدم المؤلفون نتائج استبيان يقيم بروتوكول دردشة جديد مصمم للتعليم الافتراضي بجانب السرير، مقارنةً بالإصدار السابق. يتم تصنيف النتائج إلى نتائج كمية ونوعية. شملت التحليلات الكمية 70 طالبًا، أكمل 45 منهم الاستبيان، مما يكشف عن توزيع ديموغرافي للمشاركين من سنوات أكاديمية ومؤسسات مختلفة. تم استخدام إحصاءات وصفية وارتباط سبيرمان لتحليل البيانات، والتي تم تلخيصها في الجداول والأشكال المرفقة.
تركز النتائج النوعية على تحسينات النسخة الجديدة من الدردشة، وخاصة قدرتها على إدارة الاستفسارات غير ذات الصلة والمعقدة، مما يحسن من صلة وفعالية حوارات أخذ التاريخ الطبي. تقدم ميزات الدردشة المتقدمة، مثل محاكاة الشخصية والدعم متعدد اللغات، تلبية لاحتياجات الطلاب المتنوعة وتعزز تجربة تعلم أكثر غمرًا. تسمح هذه القابلية للتكيف بتفاعلات مخصصة تعكس السيناريوهات الواقعية، مما يعزز النتائج التعليمية. بشكل عام، تسلط الدراسة الضوء على دور الدردشة في توفير فرص تعلم مرنة ومتاحة وفعالة للطلاب في التدريب الطبي.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على المشهد المتطور للتعليم عبر الإنترنت، وخاصة في سياق التدريب الطبي خلال جائحة COVID-19. يؤكد على التحديات المرتبطة بالانتقال من التعلم التقليدي الشخصي إلى المنصات عبر الإنترنت، والتي غالبًا ما تعزز سلوكيات التعلم السلبية، خاصة في الثقافات التي تعطي الأولوية لمثل هذه الأساليب. لقد أظهرت إدخال التعليم التفاعلي عبر الإنترنت، بما في ذلك استخدام أدوات الذكاء الاصطناعي (AI) مثل الدردشات، أنه يعزز من تفاعل الطلاب ونتائج التعلم. من الجدير بالذكر أن الورقة تناقش قيود التعلم عبر الإنترنت في تكرار التدريب على المهارات السريرية الأساسية، مثل أخذ تاريخ المرضى، الذي يعتمد تقليديًا على التفاعل المباشر مع المرضى.
تستكشف الدراسة أيضًا تنفيذ الذكاء الاصطناعي في البيئات التعليمية، وخاصة في التعليم الطبي. تم استخدام تقنيات الذكاء الاصطناعي، بما في ذلك الذاكرة طويلة وقصيرة المدى (LSTM) والشبكات العصبية التلافيفية (CNN)، لتحليل تفاعلات الطلاب وتحسين تجارب التعلم. تقدم الدراسة تطبيق دردشة جديد مصمم لمحاكاة التفاعلات السريرية، مما يسمح لطلاب الطب بممارسة مهارات أخذ التاريخ مع مرضى افتراضيين. تشير تعليقات الطلاب إلى استقبال إيجابي لهذا النهج المبتكر، مع درجات متوسطة عالية تعكس الرضا عن فعالية الدردشة وتجربة التعلم العامة. تؤكد النتائج على إمكانات أدوات الذكاء الاصطناعي في تعزيز التعليم الطبي وأهمية الاعتبارات الأخلاقية في نشرها.
القيود
تناقش قسم القيود عدة تحديات مرتبطة بالدردشة المقترحة للتعليم الطبي، خاصة في سياق التعاون الدولي والتفكير السريري. بينما تسهل الدردشة تبادل حالات المرضى الافتراضية النادرة والمتنوعة عبر دول مختلفة، مما يعزز تعرض الطلاب لمختلف السيناريوهات السريرية، تواجه عقبات مثل تباين توفر الحالات والقيود المؤسسية التي قد تعيق الوصول العادل. بالإضافة إلى ذلك، توضح التعاون بين مؤسسات مثل HKU وNUS الإمكانات لتوسيع قاعدة بيانات المرضى الافتراضيين، لكنها تؤكد على الحاجة إلى تحسين التعاون بين كليات الطب على مستوى العالم لإثراء التجارب التعليمية.
علاوة على ذلك، يتم فحص موثوقية ChatGPT في التفكير السريري الدقيق بشكل نقدي. تعتمد دقة ردوده على جودة المطالبات التي يتلقاها، والتي يجب أن تشمل معرفة طبية شاملة لضمان مخرجات دقيقة. تنشأ القيود من احتمال سوء تفسير ChatGPT للسياقات المعقدة للمرضى، حيث قد ينتج ردودًا بناءً على أنماط إحصائية بدلاً من فهم عميق للمفاهيم الطبية. يتطلب ذلك إشرافًا بشريًا للتحقق من مخرجات الدردشة، خاصة في السيناريوهات الطبية ذات المخاطر العالية. أخيرًا، يتم تسليط الضوء على القضايا الأخلاقية والخصوصية، مما يبرز أهمية تدابير حماية البيانات القوية، والموافقة المستنيرة، والمراقبة المستمرة للحفاظ على ثقة المرضى والامتثال للوائح مثل HIPAA وGDPR.
DOI: https://doi.org/10.1186/s12909-025-06785-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39920711
Publication Date: 2025-02-07
Author(s): Zhenyun Du et al.
Primary Topic: AI in Service Interactions
Overview
The research paper presents the development and evaluation of a second-generation chatbot application, Bennie and the Chats, enhanced by ChatGPT, aimed at improving clinical history-taking skills in medical education. Originally introduced during the COVID-19 pandemic, the chatbot serves as a substitute for traditional teaching methods. The study investigates the impact of this innovative tool on learning efficacy and experiences in bedside teaching, as well as its potential for fostering international educational collaboration.
Utilizing a mixed-method design, the research includes a quantitative survey conducted between the University of Hong Kong (HKU) and the National University of Singapore (NUS), with 45 students participating. Results indicate that over 75% of respondents felt the chatbot-enhanced teaching improved their learning effectiveness, and 82.2% acknowledged the value of exchanging patient cases for gaining exposure to less common diseases. Qualitative analysis further reveals that the new chatbot offers superior usability and flexibility compared to its predecessor. The findings suggest that virtual bedside teaching with chatbots can significantly enhance conventional teaching methods and facilitate international collaboration, positioning chatbot training as a viable supplementary tool for developing clinical skills.
Introduction
The introduction of the research paper highlights the transformative potential of artificial intelligence (AI) in medical education, particularly in enhancing clinical reasoning skills among healthcare professionals. Traditional educational methods, such as lectures and case discussions, often lack the interactive elements necessary for effective learning. The COVID-19 pandemic has further accelerated the shift towards online education, presenting both challenges and opportunities for medical training. The authors reference the initial chatbot, Bennie and the Chats, which faced limitations in flexibility, language support, and complexity management, motivating the development of an improved version utilizing ChatGPT.
The study aims to explore the efficacy of this enhanced chatbot in clinical education and its role in fostering international collaboration among medical schools. By leveraging large language models (LLMs) like ChatGPT, the research seeks to assess the learning effectiveness and experiences of students through quantitative and qualitative analyses. The introduction sets the stage for a discussion on the integration of AI in clinical training, emphasizing the need for innovative solutions to address the evolving landscape of global health and medical education.
Results
In this section, the authors present the results of a survey evaluating a new chatbot protocol designed for virtual bedside teaching, comparing it to a previous version. The findings are categorized into quantitative and qualitative results. The quantitative analysis involved 70 students, with 45 completing the questionnaire, revealing a demographic breakdown of participants from different academic years and institutions. Descriptive statistics and Spearman’s correlation were utilized to analyze the data, which is summarized in accompanying tables and figures.
The qualitative results focus on the enhancements of the new chatbot version, particularly its ability to manage irrelevant and complex inquiries, thereby improving the relevance and efficacy of medical history-taking dialogues. The chatbot’s advanced features, such as personality simulation and multilingual support, cater to diverse student needs and promote a more immersive learning experience. This adaptability allows for tailored interactions that reflect real-world scenarios, enhancing educational outcomes. Overall, the study highlights the chatbot’s role in providing flexible, accessible, and effective learning opportunities for students in medical training.
Discussion
The discussion section of the research paper highlights the evolving landscape of online education, particularly in the context of medical training during the COVID-19 pandemic. It emphasizes the challenges of transitioning from traditional in-person learning to online platforms, which often foster passive learning behaviors, especially in cultures that prioritize such approaches. The introduction of interactive online tutoring, including the use of artificial intelligence (AI) tools like chatbots, has been shown to enhance student engagement and learning outcomes. Notably, the paper discusses the limitations of online learning in replicating essential clinical skills training, such as patient history taking, which traditionally relies on direct patient interaction.
The research also explores the implementation of AI in educational settings, particularly in medical education. AI techniques, including Long Short-Term Memory (LSTM) and Convolutional Neural Networks (CNN), have been utilized to analyze student interactions and improve learning experiences. The study presents a novel chatbot application designed to simulate clinical interactions, allowing medical students to practice history-taking skills with virtual patients. Feedback from students indicates a positive reception of this innovative approach, with high median scores reflecting satisfaction with the chatbot’s efficacy and overall learning experience. The findings underscore the potential of AI-driven tools in enhancing medical education and the importance of ethical considerations in their deployment.
Limitations
The section on limitations discusses several challenges associated with the proposed chatbot for medical education, particularly in the context of international collaboration and clinical reasoning. While the chatbot facilitates the sharing of rare and diverse virtual patient cases across different countries, enhancing students’ exposure to various clinical scenarios, it faces obstacles such as varying availability of cases and institutional restrictions that may hinder equitable access. Additionally, the collaboration between institutions like HKU and NUS demonstrates the potential for expanding the database of virtual patients, but it underscores the need for improved cooperation among medical schools globally to enrich educational experiences.
Furthermore, the reliability of ChatGPT in nuanced clinical reasoning is critically examined. The accuracy of its responses is contingent upon the quality of the prompts it receives, which must encompass comprehensive medical knowledge to ensure precise outputs. Limitations arise from ChatGPT’s potential misinterpretation of complex patient contexts, as it may generate responses based on statistical patterns rather than a deep understanding of medical concepts. This necessitates human oversight to validate the chatbot’s outputs, particularly in high-stakes medical scenarios. Lastly, ethical and privacy concerns are highlighted, emphasizing the importance of robust data protection measures, informed consent, and ongoing monitoring to maintain patient trust and comply with regulations such as HIPAA and GDPR.