用于兽医案例学习的语音识别工具:通过基于智能手机的转录和人工智能增强兽医教育 总结 - 工作流程和可用性的比较研究

科学领域:

• 兽医教育技术 兽医教育技术
• 医疗信息学 医疗信息学
• 语音识别 语音识别 语言识别

背景情况:

• 临床教学的准确记录至关重要,特别是在多语言环境中.
• 智能手机语音识别和大型语言模型 (LLM) 显示了改进转录和总结的潜力.
• 这些技术在兽医教育中的比较性能尚未得到充分证实.

研究的目的:

• 为了评估智能手机本地转录与Whisper的质量,可用性和教育价值.
• 在兽医眼科教育中评估人工智能辅助总结.
• 为了比较临床病例讨论的转录和总结方法.

主要方法:

• 记录了5个临床案例讨论以使用iPhone原生语音识别和Whisper进行转录.
• 处理成绩单成SOAP格式的摘要,有或没有LLM的帮助.
• 由4名兽医学生和3名临床医生使用利克特尺度对可读性,准确性,清晰度和实用性进行评估的成绩单和摘要.

主要成果:

• 在可读性,准确性和临床流量方面,iPhone原生转录优于Whisper (p <0.05).
• 人工智能辅助的总结提高了清晰度和感知学习价值,尽管存在轻微的语义扭曲.
• 临床医生发现人工智能增强的摘要更简洁,在教育上更有用;用户报告认知负载减少和可用性提高.

结论:

• 智能手机原生转录与AI总结为兽医教育提供了实用的工作流.
• 虽然Whisper具有灵活性,但其多语言准确性目前有限.
• 整合智能手机转录和LLM总结可以增强文档,理解和学生参与临床教学.