Prise en charge du feedback basé sur l’apprentissage automatique pour l’apprentissage mixte dans les études médicales
L’apprentissage hybride est utilisé pour préparer les étudiant·e·s en médecine à des situations de la vie réelle, et pour un apprentissage efficace, étudiant·e·s et enseignant·e·s ont besoin d’un retour détaillé.
Durée : janvier 2025 – décembre 2025
Statut : en cours
Niveau de formation : niveau tertiaire
Thème : artificial intelligence AI, data science for education, digital tools
Mots-clés : apprentissage hybride, patient·e·s virtuel·le·s, analyses d’apprentissage, apprentissage automatique, NLP
Situation initiale
Les outils d’apprentissage en ligne sont courants dans l’enseignement médical, surtout depuis la pandémie de Covid. Un outil populaire est celui des patient·e·s virtuel·le·s (PV). Il s’agit de cas interactifs où les étudiant·e·s prennent des décisions comme le ferait un·e véritable médecin. À la Faculté de médecine de l’Université de Berne, l’ensemble des étudiant·e·s en médecine utilisent des PV, par exemple en médecine d’urgence. La technologie moderne permet d’enregistrer comment les étudiant·e·s interagissent avec ces outils. Pendant les sessions PV, les étudiant·e·s répondent à des questions sur les antécédents du·de la patient·e, les examens cliniques, les diagnostics possibles et les traitements. Leurs réponses peuvent être enregistrées et analysées plus tard à l’aide des analyses d’apprentissage (AA), qui recherchent des motifs dans les comportements d’apprentissage. En dehors de la médecine, les AA sont largement utilisées pour surveiller l’engagement des étudiant·e·s dans les cours en ligne, mais dans l’enseignement de la santé, c’est encore rare. Les résumés en texte libre rédigés par les étudiant·e·s sont également utiles car ils montrent à quel point un·e étudiant·e comprend et organise les problèmes du·de la patient·e – une qualité essentielle pour un bon raisonnement clinique. Bien que les PV soient généralement apprécié·e·s, le retour peut être amélioré. Actuellement, les étudiant·e·s ne reçoivent pas un aperçu clair de leurs performances ni de leur comparaison avec leurs pairs. Lors de la rédaction de résumés de patient·e·s, ils ou elles ne voient que la réponse d’un·e expert·e, mais pas de rétroaction personnalisée.
Objectifs
Les patient·e·s virtuel·le·s (PV) sont largement utilisé·e·s dans l’enseignement médical, mais le retour peut être amélioré. Nous développons deux prototypes pour l’apprentissage hybride : l’un utilise la TNL pour évaluer et visualiser les résumés narratifs des étudiant·e·s, l’autre affiche les analyses d’apprentissage de toutes les interactions et réponses des PV. Étudiant·e·s et enseignant·e·s participeront à des groupes de discussion afin d’évaluer l’utilité de ces outils de rétroaction lorsqu’ils sont intégrés dans les cours de médecine.
Méthode
Nous allons créer un ensemble de données à partir des cas de patient·e·s virtuel·le·s utilisés par les étudiant·e·s en médecine à l’Université de Berne, couvrant différents scénarios d’urgence. Pour l’analyse des résumés narratifs des étudiant·e·s, nous appliquerons des méthodes de TNL et annoterons les textes selon la méthode SBAR (Situation, Background, Assessment, Recommendation). Nous visons à concevoir des modèles d’extraction de caractéristiques et de classification, à les évaluer et à visualiser les résultats pour soutenir les apprenant·e·s et les enseignant·e·s. Un second prototype affichera les analyses d’apprentissage de toutes les interactions PV. Les deux outils seront testés dans des groupes de discussion pour évaluer leur utilité pour le retour.
Translation prévue
Les prototypes développés seront mis en œuvre et évalués au moyen d’un projet pilote dans un cours d’apprentissage hybride régulier pour étudiant·e·s en médecine à la Faculté de médecine de l’Université de Berne. En cas d’évaluation positive, il est prévu d’établir les deux prototypes développés comme standard dans ces cours. Nous envisageons que les étudiant·e·s reçoivent un retour interactif via un tableau de bord contenant la visualisation de toutes les données d’analyses d’apprentissage. De plus, ils ou elles recevront une évaluation individuelle de leur résumé narratif du cas respectif. Cela permettra aux étudiant·e·s de mieux comprendre leurs forces et faiblesses, améliorant l’expérience d’apprentissage globale ainsi que le rythme d’apprentissage. Les enseignant·e·s utiliseront les résultats du tableau de bord avant de modérer une séance synchrone après que les étudiant·e·s ont travaillé sur les PV. Cela permettra aux enseignant·e·s d’obtenir des insights sur la performance des étudiant·e·s dans les PV avant la séance, de se concentrer pendant la séance synchrone sur les faiblesses des étudiant·e·s, et en outre de fournir un retour individuel aux étudiant·e·s en étant mieux informé·e·s.
