בחינת השימוש במודל שפה גדול בסימולציה… : סימולציה בבריאות

מבוא הנחיית תחקירים בסימולציה היא משימה מורכבת עם עומס משימות גבוה. הזמינות הגוברת של בינה מלאכותית (AI) מעניקה הזדמנות לתמוך במנחים. חקרנו אסטרטגיות הנחיית סימולציה ותחקיר באמצעות מודל שפה גדול (LLM) כדי להפחית את עומס המשימות של המנחים ולאפשר תחקיר מקיף יותר. שיטות מחקר פיילוט פרוספקטיבי, תצפיתי, מבוסס סימולציה נערך בבית הספר לרפואה של אוניברסיטת ייל. עבור כל סימולציה, נוצר תסריט תחקיר על ידי העברת תמלול בזמן אמת של מקרה הסימולציה כקלט ל-GPT-4o LLM. לאחר מכן, המנחים והלומדים השלימו סקרים והערכות עומס העבודה. התוצאה העיקרית הייתה עומס העבודה במשימה כפי שנמדד על ידי סולם NASA-TLX. התוצאה המשנית הייתה תפיסת טכנולוגיות הבינה המלאכותית בסימולציה, שנמדדה באמצעות שאלות מבוססות סקר. תוצאות במחקר זה השתתפו ארבעה מנחים ו-25 לומדים, כאשר כל הנתונים דווחו בעצמם. כולם הראו התלהבות חזקה לאינטגרציה של AI, עם ציוני Likert ממוצעים של 4.75/5 ו-4.0/5, בהתאמה. ציוני NASA-TLX חשפו ביקוש מנטלי בינוני עד גבוה למנחים (M = .8/21; SD = 6.4) וללומדים (M = 9.9/21; SD = 4.5). בינה מלאכותית נתפסה כמסייעת לשמור על מיקוד (M = 4.8/5), לתמוך ביעדי למידה (M = 4.2/5), ולמזער הסחות דעת הן למנחים (M = 4.6/5) והן לצוותים (M = 4.5/5). מסקנות מחקר זה מדגיש שילוב של LLM בסיוע לתחקיר על ידי ארגון מידע מורכב. למרות שהמנחים דיווחו על עומס משימות ניכר, ממצאים מצביעים על כך ש-LLM יכול לשפר את איכות התחקיר המבוססת על סימולציה, בעוד שקיים צורך מתמשך בפיקוח אנושי.



קישור לכתבת המקור – 2025-05-06 03:00:00