Uso de investigación-acción participativa para desarrollar un currículo aumentado por inteligencia artificial,...

Área de la Ciencia:

• Educación Médica
• Inteligencia Artificial en Medicina
• Formación en Medicina de Emergencia

Sus antecedentes:

• Los métodos tradicionales de educación médica pueden no optimizar completamente la adquisición de conocimientos para campos complejos como la medicina de reanimación.
• Los estudiantes de último año requieren estrategias de aprendizaje avanzadas que integren el conocimiento teórico con la aplicación práctica.
• La integración de la tecnología y la colaboración entre pares ofrece potencial para mejorar el aprendizaje autodirigido.

Objetivo del estudio:

• Desarrollar y evaluar un marco impulsado por pares y aumentado por inteligencia artificial (IA) para estudiantes de medicina de emergencia de último año.
• Mejorar la adquisición y retención de conocimientos en medicina de reanimación a través de un enfoque de aprendizaje estructurado y autodirigido.
• Evaluar el impacto de la incorporación de herramientas de IA generativa y aprendizaje basado en simulación en el rendimiento de los estudiantes.

Principales métodos:

• Se empleó la investigación-acción participativa para desarrollar un marco que integra lecturas seleccionadas por pares, discusiones basadas en casos, simulaciones de alta fidelidad y tarjetas de memoria de repetición espaciada.
• Los estudiantes participaron en ciclos de aprendizaje estructurados de seis meses basados en los principios de 'dificultad deseable' y práctica deliberada.
• Se utilizaron herramientas de IA generativa con ingeniería de indicaciones basada en evidencia para crear preguntas generadas por IA y complementar las actividades de aprendizaje.

Principales resultados:

• El marco impulsado por pares y aumentado por IA facilitó ciclos de aprendizaje estructurados, mejorando la adquisición de conocimientos en medicina de reanimación.
• Las preguntas generadas por IA apoyaron el aprendizaje basado en la recuperación y la integración de tarjetas de memoria mejoró la retención de conocimientos.
• El refuerzo basado en simulación proporcionó 'dificultad deseable' a través de la aplicación clínica, lo que llevó a una mejora en el recuerdo autoinformado con el tiempo.

Conclusiones:

• El marco desarrollado apoya eficazmente el aprendizaje autodirigido en medicina de reanimación para estudiantes de medicina de emergencia de último año.
• La combinación de la mejora de la IA y las estrategias impulsadas por pares mejora significativamente la retención de conocimientos.
• Esta metodología adaptable tiene potencial para su aplicación en diversos entornos de educación médica.