மருத்துவ மாணவர்களுக்கு செயற்கை நுண்ணறிவைக் கற்பிப்பது குறித்த கனடாவின் கண்ணோட்டம்

Nature.com தளத்திற்கு வருகை தந்ததற்கு நன்றி. நீங்கள் பயன்படுத்தும் உலாவியில் CSS ஆதரவு குறைவாக உள்ளது. சிறந்த முடிவுகளுக்கு, உங்கள் உலாவியின் புதிய பதிப்பைப் பயன்படுத்துமாறு (அல்லது இன்டர்நெட் எக்ஸ்ப்ளோரரில் இணக்கப் பயன்முறையை அணைக்குமாறு) பரிந்துரைக்கிறோம். இதற்கிடையில், தொடர்ச்சியான ஆதரவை உறுதி செய்வதற்காக, நாங்கள் இந்தத் தளத்தை வடிவமைப்பு அல்லது ஜாவாஸ்கிரிப்ட் இல்லாமல் காண்பிக்கிறோம்.
மருத்துவ செயற்கை நுண்ணறிவின் (AI) பயன்பாடுகள் வேகமாக வளர்ந்து வருகின்றன, ஆனால் தற்போதுள்ள மருத்துவப் பள்ளி பாடத்திட்டங்கள் இந்தத் துறையை உள்ளடக்கிய வரையறுக்கப்பட்ட கற்பித்தலையே வழங்குகின்றன. இங்கு, நாங்கள் உருவாக்கி கனடிய மருத்துவ மாணவர்களுக்கு வழங்கிய ஒரு செயற்கை நுண்ணறிவுப் பயிற்சி வகுப்பை விவரித்து, எதிர்காலப் பயிற்சிக்கான பரிந்துரைகளையும் வழங்குகிறோம்.
மருத்துவத்தில் செயற்கை நுண்ணறிவு (AI) பணியிடத் திறனை மேம்படுத்தி, மருத்துவ முடிவெடுப்பதற்கு உதவக்கூடும். செயற்கை நுண்ணறிவின் பயன்பாட்டைப் பாதுகாப்பாக வழிநடத்த, மருத்துவர்களுக்கு அது குறித்த ஓரளவு புரிதல் இருக்க வேண்டும். AI மாதிரிகள் மற்றும் சரிபார்ப்பு செயல்முறைகளை விளக்குவது போன்ற AI கருத்துக்களைக் கற்பிக்க வேண்டும் எனப் பல கருத்துகள் வலியுறுத்துகின்றன. இருப்பினும், குறிப்பாக தேசிய அளவில், சில கட்டமைக்கப்பட்ட திட்டங்களே செயல்படுத்தப்பட்டுள்ளன. பிண்டோ டோஸ் சாண்டோஸ் மற்றும் குழுவினரால் நடத்தப்பட்ட ஆய்வில், 263 மருத்துவ மாணவர்களிடம் நடத்தப்பட்ட கணக்கெடுப்பில், 71% பேர் தங்களுக்குச் செயற்கை நுண்ணறிவில் பயிற்சி தேவை என்று ஒப்புக்கொண்டனர். மருத்துவ மாணவர்களுக்குச் செயற்கை நுண்ணறிவைக் கற்பிக்க, தொழில்நுட்ப மற்றும் தொழில்நுட்பம் அல்லாத கருத்துக்களை இணைத்து, கவனமாக வடிவமைக்க வேண்டும். ஏனெனில், மாணவர்களுக்கு ஏற்கெனவே விரிவான முன் அறிவு இருக்கும். மூன்று மருத்துவ மாணவர் குழுக்களுக்கு நாங்கள் நடத்திய தொடர்ச்சியான AI பயிலரங்குகளின் அனுபவத்தை விவரித்து, AI-இல் எதிர்கால மருத்துவக் கல்விக்கான பரிந்துரைகளையும் வழங்குகிறோம்.
மருத்துவ மாணவர்களுக்கான எங்களின் ஐந்து வார கால 'மருத்துவத்தில் செயற்கை நுண்ணறிவு அறிமுகம்' பயிலரங்கம், பிப்ரவரி 2019 முதல் ஏப்ரல் 2021 வரை மூன்று முறை நடத்தப்பட்டது. ஒவ்வொரு பயிலரங்கிற்குமான கால அட்டவணையும், பாடத்திட்டத்தில் செய்யப்பட்ட மாற்றங்கள் குறித்த சுருக்கமான விளக்கமும் படம் 1-இல் காட்டப்பட்டுள்ளது. எங்கள் பாடத்திட்டத்திற்கு மூன்று முதன்மைக் கற்றல் நோக்கங்கள் உள்ளன: செயற்கை நுண்ணறிவுப் பயன்பாடுகளில் தரவுகள் எவ்வாறு செயலாக்கப்படுகின்றன என்பதை மாணவர்கள் புரிந்துகொள்வது, மருத்துவப் பயன்பாடுகளுக்கான செயற்கை நுண்ணறிவு ஆய்வுகளைப் பகுப்பாய்வு செய்வது, மற்றும் செயற்கை நுண்ணறிவை உருவாக்கும் பொறியாளர்களுடன் இணைந்து பணியாற்றுவதற்கான வாய்ப்புகளைப் பயன்படுத்திக்கொள்வது.
நீலப் பகுதி விரிவுரையின் தலைப்பையும், வெளிர் நீலப் பகுதி கலந்துரையாடல் கேள்வி-பதில் நேரத்தையும் குறிக்கிறது. சாம்பல் நிறப் பகுதி சுருக்கமான இலக்கிய மீளாய்வின் மையமாக உள்ளது. ஆரஞ்சு நிறப் பகுதிகள், செயற்கை நுண்ணறிவு மாதிரிகள் அல்லது நுட்பங்களை விவரிக்கும் தேர்ந்தெடுக்கப்பட்ட நிகழ்வு ஆய்வுகளாகும். பச்சை நிறப் பகுதி, மருத்துவச் சிக்கல்களைத் தீர்க்கவும் மாதிரிகளை மதிப்பீடு செய்யவும் செயற்கை நுண்ணறிவைக் கற்பிப்பதற்காக வடிவமைக்கப்பட்ட ஒரு வழிகாட்டப்பட்ட நிரலாக்கப் பாடநெறியாகும். பயிலரங்குகளின் உள்ளடக்கமும் கால அளவும் மாணவர்களின் தேவைகள் குறித்த மதிப்பீட்டின் அடிப்படையில் மாறுபடும்.
முதல் பயிலரங்கம் 2019 பிப்ரவரி முதல் ஏப்ரல் வரை பிரிட்டிஷ் கொலம்பியா பல்கலைக்கழகத்தில் நடைபெற்றது, மேலும் பங்கேற்ற 8 பேரும் நேர்மறையான கருத்துக்களை வழங்கினர்4. கோவிட்-19 காரணமாக, இரண்டாவது பயிலரங்கம் 2020 அக்டோபர்-நவம்பர் மாதங்களில் இணையவழியில் நடத்தப்பட்டது, இதில் 8 கனடிய மருத்துவப் பள்ளிகளைச் சேர்ந்த 222 மருத்துவ மாணவர்களும் 3 பயிற்சி மருத்துவர்களும் பதிவு செய்தனர். விளக்கக்காட்சி ஸ்லைடுகளும் குறியீடுகளும் ஒரு திறந்த அணுகல் தளத்தில் (http://ubcaimed.github.io) பதிவேற்றப்பட்டுள்ளன. முதல் பதிப்பிலிருந்து கிடைத்த முக்கிய கருத்து என்னவென்றால், விரிவுரைகள் மிகவும் தீவிரமாகவும், பாடப்பொருள் மிகவும் கோட்பாட்டு ரீதியாகவும் இருந்தது. கனடாவின் ஆறு வெவ்வேறு நேர மண்டலங்களுக்கு சேவை செய்வது கூடுதல் சவால்களை ஏற்படுத்துகிறது. எனவே, இரண்டாவது பயிலரங்கில் ஒவ்வொரு அமர்வும் 1 மணி நேரமாகக் குறைக்கப்பட்டது, பாடப்பொருள் எளிமையாக்கப்பட்டது, மேலும் பல நிகழ்வு ஆய்வுகள் சேர்க்கப்பட்டன, மற்றும் பங்கேற்பாளர்கள் குறைந்தபட்ச பிழைதிருத்தத்துடன் குறியீட்டுத் துணுக்குகளை முடிக்க அனுமதிக்கும் வார்ப்புரு நிரல்கள் உருவாக்கப்பட்டன (பெட்டி 1). இரண்டாவது பதிப்பிலிருந்து கிடைத்த முக்கிய கருத்துக்களில், நிரலாக்கப் பயிற்சிகள் மீதான நேர்மறையான கருத்துக்களும், ஒரு இயந்திர கற்றல் திட்டத்திற்கான திட்டமிடலை செய்து காட்டுவதற்கான கோரிக்கையும் அடங்கும். எனவே, பயிலரங்கக் கருத்துக்களைத் திட்டப்பணிகளில் பயன்படுத்துவதன் தாக்கத்தை விளக்கும் வகையில், 2021 மார்ச்-ஏப்ரல் மாதங்களில் 126 மருத்துவ மாணவர்களுக்காக இணையவழியில் நடத்தப்பட்ட எங்களின் மூன்றாவது பயிலரங்கில், நாங்கள் மேலும் ஊடாடும் கணினி நிரலாக்கப் பயிற்சிகளையும் திட்டப்பணி குறித்த பின்னூட்ட அமர்வுகளையும் சேர்த்திருந்தோம்.
தரவுப் பகுப்பாய்வு: தரவு வடிவங்களைப் பகுப்பாய்வு செய்து, செயலாக்கி, மற்றும் தொடர்புகொள்வதன் மூலம் தரவுகளில் உள்ள அர்த்தமுள்ள வடிவங்களைக் கண்டறியும் புள்ளியியலில் உள்ள ஒரு ஆய்வுத் துறை.
தரவு அகழ்வு: தரவை அடையாளம் கண்டு பிரித்தெடுக்கும் செயல்முறை. செயற்கை நுண்ணறிவின் சூழலில், இது பெரும்பாலும் பெரியதாக இருக்கும், மேலும் ஒவ்வொரு மாதிரிக்கும் பல மாறிகள் இருக்கும்.
பரிமாணக் குறைப்பு: அசல் தரவுத் தொகுப்பின் முக்கியப் பண்புகளைப் பாதுகாத்துக்கொண்டே, பல தனிப்பட்ட அம்சங்களைக் கொண்ட தரவைக் குறைவான அம்சங்களாக மாற்றும் செயல்முறை.
சிறப்பியல்புகள் (செயற்கை நுண்ணறிவுச் சூழலில்): ஒரு மாதிரியின் அளவிடக்கூடிய பண்புகள். பெரும்பாலும் “பண்பு” அல்லது “மாறி” ஆகியவற்றுக்கு மாற்றாகப் பயன்படுத்தப்படுகிறது.
கிரேடியன்ட் ஆக்டிவேஷன் மேப்: இது செயற்கை நுண்ணறிவு மாதிரிகளை (குறிப்பாக கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகளை) விளக்குவதற்குப் பயன்படுத்தப்படும் ஒரு நுட்பமாகும். இது, தரவு அல்லது படங்களில் அதிக முன்கணிப்புத் திறன் கொண்ட பகுதிகளைக் கண்டறிவதற்காக, நெட்வொர்க்கின் கடைசிப் பகுதியை மேம்படுத்தும் செயல்முறையைப் பகுப்பாய்வு செய்கிறது.
தரநிலை மாதிரி: ஒத்த பணிகளைச் செய்வதற்காக முன்பயிற்சி அளிக்கப்பட்ட, ஏற்கனவே உள்ள ஒரு செயற்கை நுண்ணறிவு மாதிரி.
சோதனை (செயற்கை நுண்ணறிவுச் சூழலில்): ஒரு மாதிரி, அது இதற்கு முன் எதிர்கொள்ளாத தரவைப் பயன்படுத்தி ஒரு பணியை எவ்வாறு செய்கிறது என்பதைக் கவனித்தல்.
பயிற்சி (செயற்கை நுண்ணறிவு சூழலில்): ஒரு மாதிரிக்குத் தரவுகளையும் முடிவுகளையும் வழங்குவதன் மூலம், அந்த மாதிரி புதிய தரவுகளைப் பயன்படுத்திப் பணிகளைச் செய்யும் திறனை மேம்படுத்திக்கொள்ளும் வகையில் அதன் உள்ளக அளவுருக்களைச் சரிசெய்துகொள்வதாகும்.
வெக்டர்: தரவுகளின் அணி. இயந்திரக் கற்றலில், அணியின் ஒவ்வொரு உறுப்பும் பொதுவாக மாதிரியின் ஒரு தனித்துவமான அம்சமாக இருக்கும்.
அட்டவணை 1, ஏப்ரல் 2021-க்கான சமீபத்திய பாடத்திட்டங்களையும், ஒவ்வொரு தலைப்புக்குமான இலக்குக் கற்றல் நோக்கங்களையும் பட்டியலிடுகிறது. இந்தப் பயிலரங்கம், தொழில்நுட்ப நிலைக்குப் புதியவர்களுக்காக வடிவமைக்கப்பட்டுள்ளது; இதற்கு இளங்கலை மருத்துவப் பட்டப்படிப்பின் முதல் ஆண்டிற்கு அப்பாற்பட்ட எந்தக் கணித அறிவும் தேவையில்லை. இந்தப் பாடத்திட்டமானது, 6 மருத்துவ மாணவர்கள் மற்றும் பொறியியலில் உயர் பட்டங்கள் பெற்ற 3 ஆசிரியர்களால் உருவாக்கப்பட்டது. பொறியாளர்கள் கற்பிப்பதற்காக செயற்கை நுண்ணறிவு கோட்பாட்டை உருவாக்கி வருகின்றனர், மேலும் மருத்துவ மாணவர்கள் மருத்துவ ரீதியாகப் பொருத்தமான பாடப்பொருளைக் கற்றுக்கொள்கின்றனர்.
பயிலரங்குகளில் விரிவுரைகள், நிகழ்வு ஆய்வுகள் மற்றும் வழிகாட்டப்பட்ட நிரலாக்கம் ஆகியவை அடங்கும். முதல் விரிவுரையில், உயிரியல் புள்ளியியலில் தரவுப் பகுப்பாய்வின் தேர்ந்தெடுக்கப்பட்ட கருத்துகளான தரவுக் காட்சிப்படுத்தல், லாஜிஸ்டிக் பின்னடைவு மற்றும் விளக்க மற்றும் தூண்டல் புள்ளிவிவரங்களின் ஒப்பீடு ஆகியவற்றை நாங்கள் மீள்பார்வை செய்கிறோம். தரவுப் பகுப்பாய்வு செயற்கை நுண்ணறிவின் அடித்தளமாக இருந்தாலும், தரவு அகழ்வு, முக்கியத்துவச் சோதனை அல்லது ஊடாடும் காட்சிப்படுத்தல் போன்ற தலைப்புகளை நாங்கள் தவிர்க்கிறோம். இதற்குக் காரணம் நேரக் கட்டுப்பாடுகளும், சில இளங்கலை மாணவர்கள் உயிரியல் புள்ளியியலில் முன் பயிற்சி பெற்றிருந்ததாலும், மேலும் தனித்துவமான இயந்திர கற்றல் தலைப்புகளைக் கற்க விரும்பியதாலும் ஆகும். அடுத்த விரிவுரை நவீன முறைகளை அறிமுகப்படுத்துகிறது மற்றும் செயற்கை நுண்ணறிவு சிக்கல் உருவாக்கம், செயற்கை நுண்ணறிவு மாதிரிகளின் நன்மைகள் மற்றும் வரம்புகள், மற்றும் மாதிரிச் சோதனை ஆகியவற்றை விவாதிக்கிறது. தற்போதுள்ள செயற்கை நுண்ணறிவு சாதனங்கள் குறித்த இலக்கியங்கள் மற்றும் நடைமுறை ஆராய்ச்சிகளால் இந்த விரிவுரைகள் பூர்த்தி செய்யப்படுகின்றன. தற்போதுள்ள செயற்கை நுண்ணறிவு சாதனங்களின் வரம்புகளைப் புரிந்துகொள்வது உட்பட, மருத்துவக் கேள்விகளுக்குத் தீர்வு காண ஒரு மாதிரியின் செயல்திறன் மற்றும் சாத்தியக்கூறுகளை மதிப்பிடுவதற்குத் தேவையான திறன்களை நாங்கள் வலியுறுத்துகிறோம். எடுத்துக்காட்டாக, குப்பர்மேன் மற்றும் குழுவினரால் முன்மொழியப்பட்ட குழந்தை மருத்துவத் தலைக்காய வழிகாட்டுதல்களை விளக்குமாறு மாணவர்களைக் கேட்டோம். அந்த வழிகாட்டுதல்கள், ஒரு மருத்துவரின் பரிசோதனையின் அடிப்படையில் CT ஸ்கேன் பயனுள்ளதாக இருக்குமா என்பதைத் தீர்மானிக்க, ஒரு செயற்கை நுண்ணறிவு முடிவெடுக்கும் மர வழிமுறையைச் செயல்படுத்தின. இது மருத்துவர்களுக்குப் பதிலாகச் செயல்படுவதற்குப் பதிலாக, அவர்கள் புரிந்துகொள்வதற்காக முன்கணிப்புப் பகுப்பாய்வுகளை வழங்கும் செயற்கை நுண்ணறிவின் ஒரு பொதுவான எடுத்துக்காட்டு என்பதை நாங்கள் வலியுறுத்துகிறோம்.
கிடைக்கப்பெறும் திறந்த மூல பூட்ஸ்டிராப் நிரலாக்க எடுத்துக்காட்டுகளில் (https://github.com/ubcaimed/ubcaimed.github.io/tree/master/programming_examples), ஆய்வுசார் தரவுப் பகுப்பாய்வு, பரிமாணக் குறைப்பு, தரநிலை மாதிரி ஏற்றம், மற்றும் பயிற்சி மற்றும் சோதனை ஆகியவற்றை எவ்வாறு செய்வது என்பதை நாங்கள் விளக்குகிறோம். நாங்கள் கூகிள் கோலாபரேட்டரி நோட்புக்குகளை (Google LLC, Mountain View, CA) பயன்படுத்துகிறோம், அவை ஒரு வலை உலாவியிலிருந்து பைதான் குறியீட்டை இயக்க அனுமதிக்கின்றன. படம் 2, ஒரு நிரலாக்கப் பயிற்சியின் எடுத்துக்காட்டை வழங்குகிறது. இந்தப் பயிற்சியானது, விஸ்கான்சின் திறந்த மார்பகப் படமெடுப்புத் தரவுத்தொகுப்பு6 மற்றும் ஒரு முடிவெடுக்கும் மர வழிமுறையைப் பயன்படுத்தி வீரியம் மிக்க கட்டிகளைக் கணிப்பதை உள்ளடக்கியுள்ளது.
வாரம் முழுவதும் தொடர்புடைய தலைப்புகளில் நிகழ்ச்சிகளை வழங்குங்கள் மற்றும் வெளியிடப்பட்ட செயற்கை நுண்ணறிவுப் பயன்பாடுகளிலிருந்து தேர்ந்தெடுக்கப்பட்ட எடுத்துக்காட்டுகளைக் காட்டுங்கள். எதிர்கால மருத்துவப் பயன்பாட்டிற்குப் புரிதலை வழங்குவதற்குப் பொருத்தமானதாகக் கருதப்படும் நிரலாக்கக் கூறுகள் மட்டுமே சேர்க்கப்படும்; எடுத்துக்காட்டாக, மருத்துவப் பரிசோதனைகளில் பயன்படுத்துவதற்கு மாதிரிகள் தயாராக உள்ளதா என்பதைத் தீர்மானிக்க அவற்றை எவ்வாறு மதிப்பீடு செய்வது என்பது போன்ற கேள்விகள் இதில் அடங்கும். இந்த எடுத்துக்காட்டுகள், மருத்துவப் பட அளவுருக்களின் அடிப்படையில் கட்டிகளைத் தீங்கற்றவை அல்லது வீரியம் மிக்கவை என வகைப்படுத்தும் ஒரு முழுமையான, தொடக்கத்திலிருந்து இறுதி வரையிலான பயன்பாடாக நிறைவடைகின்றன.
முன் அறிவின் பன்முகத்தன்மை. எங்கள் பங்கேற்பாளர்கள் கணித அறிவின் அளவில் வேறுபட்டிருந்தனர். உதாரணமாக, மேம்பட்ட பொறியியல் பின்னணி கொண்ட மாணவர்கள், தங்களின் சொந்த ஃபோரியர் உருமாற்றங்களை எவ்வாறு செய்வது என்பது போன்ற மேலும் ஆழமான பாடப்பொருளைத் தேடுகின்றனர். இருப்பினும், ஃபோரியர் நெறிமுறையைப் பற்றி வகுப்பில் விவாதிப்பது சாத்தியமில்லை, ஏனெனில் அதற்கு சமிக்ஞை செயலாக்கத்தில் ஆழ்ந்த அறிவு தேவைப்படுகிறது.
வருகைக் குறைவு. பின்தொடர் கூட்டங்களில், குறிப்பாக இணையவழி வடிவங்களில், வருகை குறைந்துள்ளது. வருகையைக் கண்காணித்து, நிறைவுச் சான்றிதழ் வழங்குவது ஒரு தீர்வாக இருக்கலாம். மருத்துவப் பள்ளிகள் மாணவர்களின் பாடத்திட்டத்திற்கு அப்பாற்பட்ட கல்விச் செயல்பாடுகளின் மதிப்பெண் பட்டியல்களை அங்கீகரிப்பதாக அறியப்படுகிறது, இது மாணவர்களைப் பட்டப்படிப்பைத் தொடர ஊக்குவிக்கும்.
பாடத்திட்ட வடிவமைப்பு: செயற்கை நுண்ணறிவு (AI) பல துணைத் துறைகளை உள்ளடக்கியிருப்பதால், பொருத்தமான ஆழம் மற்றும் அகலம் கொண்ட முக்கியக் கருத்துக்களைத் தேர்ந்தெடுப்பது சவாலாக இருக்கலாம். எடுத்துக்காட்டாக, ஆய்வகத்திலிருந்து மருத்துவமனைக்கு AI கருவிகளின் தொடர்ச்சியான பயன்பாடு ஒரு முக்கியமான தலைப்பாகும். நாங்கள் தரவு முன்செயலாக்கம், மாதிரி உருவாக்கம் மற்றும் சரிபார்ப்பு ஆகியவற்றை உள்ளடக்கியிருந்தாலும், பெருந்தரவுப் பகுப்பாய்வு, ஊடாடும் காட்சிப்படுத்தல் அல்லது AI மருத்துவப் பரிசோதனைகளை நடத்துதல் போன்ற தலைப்புகளை நாங்கள் சேர்க்கவில்லை; மாறாக, மிகவும் தனித்துவமான AI கருத்துக்களில் கவனம் செலுத்துகிறோம். திறன்களை அல்ல, அறிவை மேம்படுத்துவதே எங்கள் வழிகாட்டும் கொள்கையாகும். எடுத்துக்காட்டாக, ஒரு மாதிரி உள்ளீட்டு அம்சங்களை எவ்வாறு செயலாக்குகிறது என்பதைப் புரிந்துகொள்வது, விளக்கத்தன்மைக்கு முக்கியமானது. இதைச் செய்வதற்கான ஒரு வழி, கிரேடியன்ட் ஆக்டிவேஷன் மேப்களைப் பயன்படுத்துவதாகும், இது தரவின் எந்தப் பகுதிகள் கணிக்கக்கூடியவை என்பதைக் காட்சிப்படுத்த முடியும். இருப்பினும், இதற்குப் பன்மாறி நுண்கணிதம் தேவைப்படுகிறது, மேலும் இதை அறிமுகப்படுத்த முடியாது8. கணித முறைமைகள் இல்லாமல், தரவை வெக்டர்களாகக் கையாள்வது எப்படி என்பதை விளக்க முயன்றதால், ஒரு பொதுவான சொற்களஞ்சியத்தை உருவாக்குவது சவாலாக இருந்தது. வெவ்வேறு சொற்கள் ஒரே பொருளைக் கொண்டுள்ளன என்பதைக் கவனிக்கவும்; எடுத்துக்காட்டாக, நோய்ப்பரவலியலில், ஒரு "பண்புக்கூறு" என்பது "மாறி" அல்லது "பண்புக்கூறு" என்று விவரிக்கப்படுகிறது.
அறிவைத் தக்கவைத்தல். செயற்கை நுண்ணறிவின் பயன்பாடு குறைவாக இருப்பதால், பங்கேற்பாளர்கள் எந்த அளவிற்கு அறிவைத் தக்கவைத்துக் கொள்கிறார்கள் என்பது இனிமேல்தான் தெரியவரும். மருத்துவப் பள்ளிப் பாடத்திட்டங்கள், செய்முறைப் பயிற்சிகளின் போது அறிவை வலுப்படுத்த, இடைவெளி விட்டு மீண்டும் மீண்டும் பயிற்சி செய்வதை பெரும்பாலும் சார்ந்துள்ளன,9 இதனை செயற்கை நுண்ணறிவுக் கல்விக்கும் பயன்படுத்தலாம்.
எழுத்தறிவை விட தொழில்முறைத் திறன் முக்கியமானது. செயற்கை நுண்ணறிவில் மருத்துவப் படிப்புகளைத் தொடங்கும் போது ஒரு சிக்கலாக இருந்த கணிதக் கடுமை இல்லாமல், பாடப்பொருளின் ஆழம் வடிவமைக்கப்பட்டுள்ளது. நிரலாக்க எடுத்துக்காட்டுகளில், பங்கேற்பாளர்கள் ஒரு முழுமையான நிரலாக்கச் சூழலை எவ்வாறு அமைப்பது என்பதைக் கண்டறிய வேண்டிய அவசியமின்றி, புலங்களை நிரப்பி மென்பொருளை இயக்க அனுமதிக்கும் ஒரு வார்ப்புரு நிரலை நாங்கள் பயன்படுத்துகிறோம்.
செயற்கை நுண்ணறிவு குறித்த கவலைகளுக்கு தீர்வு: செயற்கை நுண்ணறிவு சில மருத்துவப் பணிகளை மாற்றிவிடக்கூடும் என்ற பரவலான கவலை உள்ளது³. இந்தச் சிக்கலைத் தீர்க்க, ஒழுங்குமுறை அமைப்புகளால் அங்கீகரிக்கப்பட்ட ஏறக்குறைய அனைத்து செயற்கை நுண்ணறிவுத் தொழில்நுட்பங்களுக்கும் மருத்துவரின் மேற்பார்வை தேவைப்படுகிறது¹¹ என்பது உட்பட, செயற்கை நுண்ணறிவின் வரம்புகளை நாங்கள் விளக்குகிறோம். மேலும், சார்புநிலையின் முக்கியத்துவத்தையும் நாங்கள் வலியுறுத்துகிறோம், ஏனெனில் நெறிமுறைகள் சார்புநிலைக்கு ஆளாகக்கூடியவை, குறிப்பாக தரவுத் தொகுப்பு பன்முகத்தன்மை கொண்டதாக இல்லாதபோது¹². இதன் விளைவாக, ஒரு குறிப்பிட்ட துணைக்குழு தவறாக மாதிரியாக்கப்படலாம், இது நியாயமற்ற மருத்துவ முடிவுகளுக்கு வழிவகுக்கும்.
வளங்கள் பொதுவில் கிடைக்கின்றன: விரிவுரை ஸ்லைடுகள் மற்றும் நிரல்கள் உட்பட, பொதுவில் கிடைக்கும் வளங்களை நாங்கள் உருவாக்கியுள்ளோம். நேர மண்டலங்கள் காரணமாக நேரடி உள்ளடக்கத்திற்கான அணுகல் குறைவாக இருந்தாலும், அனைத்து மருத்துவப் பள்ளிகளிலும் செயற்கை நுண்ணறிவு நிபுணத்துவம் இல்லாததால், நேரடி அல்லாத கற்றலுக்குத் திறந்த மூல உள்ளடக்கம் ஒரு வசதியான முறையாகும்.
பல்துறை ஒத்துழைப்பு: இந்தப் பயிலரங்கம், மருத்துவ மாணவர்கள் பொறியாளர்களுடன் இணைந்து பாடத்திட்டங்களைத் திட்டமிடுவதற்காகத் தொடங்கிய ஒரு கூட்டு முயற்சியாகும். இது இரு துறைகளிலும் உள்ள ஒத்துழைப்பு வாய்ப்புகளையும் அறிவு இடைவெளிகளையும் எடுத்துக்காட்டுவதோடு, பங்கேற்பாளர்கள் எதிர்காலத்தில் தாங்கள் ஆற்றக்கூடிய சாத்தியமான பங்கைப் புரிந்துகொள்ளவும் வழிவகுக்கிறது.
செயற்கை நுண்ணறிவின் முக்கியத் திறன்களை வரையறுக்கவும். திறன்களின் பட்டியலை வரையறுப்பது, தற்போதுள்ள திறன் அடிப்படையிலான மருத்துவப் பாடத்திட்டங்களில் ஒருங்கிணைக்கக்கூடிய ஒரு தரப்படுத்தப்பட்ட கட்டமைப்பை வழங்குகிறது. இந்தப் பயிலரங்கம் தற்போது ப்ளூமின் வகைப்பாட்டியலின் கற்றல் குறிக்கோள் நிலைகள் 2 (புரிந்துகொள்ளுதல்), 3 (பயன்பாடு) மற்றும் 4 (பகுப்பாய்வு) ஆகியவற்றைப் பயன்படுத்துகிறது. திட்டப்பணிகளை உருவாக்குவது போன்ற, உயர் வகைப்பாட்டு நிலைகளில் உள்ள வளங்களைக் கொண்டிருப்பது அறிவை மேலும் வலுப்படுத்தும். இதற்கு, செயற்கை நுண்ணறிவுத் தலைப்புகளை மருத்துவப் பணிப்பாய்வுகளில் எவ்வாறு பயன்படுத்தலாம் என்பதைத் தீர்மானிக்க மருத்துவ நிபுணர்களுடன் இணைந்து பணியாற்றுவதும், வழக்கமான மருத்துவப் பாடத்திட்டங்களில் ஏற்கனவே சேர்க்கப்பட்டுள்ள திரும்பத் திரும்ப வரும் தலைப்புகளைக் கற்பிப்பதைத் தடுப்பதும் அவசியமாகும்.
செயற்கை நுண்ணறிவைப் பயன்படுத்தி நிகழ்வு ஆய்வுகளை உருவாக்குங்கள். மருத்துவ எடுத்துக்காட்டுகளைப் போலவே, நிகழ்வு அடிப்படையிலான கற்றலும், மருத்துவக் கேள்விகளுடனான அவற்றின் தொடர்பை எடுத்துக்காட்டுவதன் மூலம் நுண் கருத்துக்களை வலுப்படுத்த முடியும். எடுத்துக்காட்டாக, ஒரு பயிலரங்க ஆய்வானது, ஆய்வகத்திலிருந்து மருத்துவமனைக்குச் செல்லும் பாதையில் உள்ள வெளிப்புற சரிபார்ப்புத் தேவைகள் மற்றும் ஒழுங்குமுறை ஒப்புதல் வழிமுறைகள் போன்ற சவால்களைக் கண்டறிய, கூகிளின் செயற்கை நுண்ணறிவு அடிப்படையிலான நீரிழிவு விழித்திரை நோய் கண்டறியும் அமைப்பு 13-ஐப் பகுப்பாய்வு செய்தது.
அனுபவக் கற்றலைப் பயன்படுத்துங்கள்: மருத்துவப் பயிற்சியாளர்களின் சுழற்சி முறையிலான கற்றல் அனுபவங்களைப் போலவே, தொழில்நுட்பத் திறன்களில் தேர்ச்சி பெறக் கவனமான பயிற்சியும் தொடர்ச்சியான பிரயோகமும் தேவைப்படுகின்றன. இதற்கு ஒரு சாத்தியமான தீர்வு, தலைகீழ் வகுப்பறை மாதிரி (flipped classroom model) ஆகும்; இது பொறியியல் கல்வியில் அறிவுத் தக்கவைப்பை மேம்படுத்துவதாகக் கூறப்படுகிறது¹⁴. இந்த மாதிரியில், மாணவர்கள் கோட்பாட்டுப் பாடங்களைச் சுயமாக மீள்பார்வை செய்கிறார்கள், மேலும் வகுப்பறை நேரம் நிகழ்வு ஆய்வுகள் (case studies) மூலம் சிக்கல்களைத் தீர்ப்பதற்கு ஒதுக்கப்படுகிறது.
பல்துறை பங்கேற்பாளர்களுக்காக விரிவாக்குதல்: பல்வேறு பயிற்சி நிலைகளைக் கொண்ட மருத்துவர்கள் மற்றும் துணை சுகாதார நிபுணர்கள் உட்பட, பல துறைகளின் ஒத்துழைப்புடன் செயற்கை நுண்ணறிவு ஏற்றுக்கொள்ளப்படும் என நாங்கள் கருதுகிறோம். எனவே, சுகாதாரப் பராமரிப்பின் வெவ்வேறு பகுதிகளுக்கு ஏற்ப உள்ளடக்கத்தை வடிவமைக்க, வெவ்வேறு துறைகளைச் சேர்ந்த பேராசிரியர்களுடன் கலந்தாலோசித்து பாடத்திட்டங்களை உருவாக்க வேண்டியிருக்கலாம்.
செயற்கை நுண்ணறிவு என்பது ஒரு உயர் தொழில்நுட்பம், அதன் அடிப்படைக் கருத்துக்கள் கணிதம் மற்றும் கணினி அறிவியலுடன் தொடர்புடையவை. சுகாதாரப் பணியாளர்களுக்கு செயற்கை நுண்ணறிவைப் புரிய வைப்பதில், உள்ளடக்கத் தேர்வு, மருத்துவப் பொருத்தம் மற்றும் கற்பிக்கும் முறைகள் ஆகியவற்றில் தனித்துவமான சவால்கள் உள்ளன. 'கல்வியில் செயற்கை நுண்ணறிவு' பயிலரங்குகளில் இருந்து பெறப்பட்ட புரிதல்கள், எதிர்காலக் கல்வியாளர்கள் மருத்துவக் கல்வியில் செயற்கை நுண்ணறிவை ஒருங்கிணைப்பதற்கான புதுமையான வழிகளைக் கையாள உதவும் என்று நாங்கள் நம்புகிறோம்.
கூகிள் கோலாபரேட்டரி பைதான் ஸ்கிரிப்ட் திறந்த மூல மென்பொருளாகும், இது https://github.com/ubcaimed/ubcaimed.github.io/tree/master/ என்ற முகவரியில் கிடைக்கிறது.
புரோபர், கே.ஜி மற்றும் கான், எஸ். மருத்துவக் கல்வியை மறுபரிசீலனை செய்தல்: ஒரு செயல் அழைப்பு. அக்கா. மெடிசின். 88, 1407–1410 (2013).
மெக்காய், எல்.ஜி. முதலியோர். மருத்துவ மாணவர்கள் செயற்கை நுண்ணறிவு பற்றி உண்மையில் என்ன தெரிந்து கொள்ள வேண்டும்? என்.பி.இசட்.எச். எண்கள். மருத்துவம் 3, 1–3 (2020).
டோஸ் சாண்டோஸ், டிபி, மற்றும் பலர். செயற்கை நுண்ணறிவு குறித்த மருத்துவ மாணவர்களின் மனப்பான்மை: ஒரு பல மைய ஆய்வு. யூரோ. கதிர்வீச்சு. 29, 1640–1646 (2019).
ஃபேன், கே.ஒய்., ஹூ, ஆர்., மற்றும் சிங்லா, ஆர். மருத்துவ மாணவர்களுக்கான இயந்திரக் கற்றலுக்கு ஓர் அறிமுகம்: ஒரு முன்னோடித் திட்டம். ஜே. மெட். டீச். 54, 1042–1043 (2020).
கூப்பர்மேன் என், மற்றும் பலர். தலையில் ஏற்பட்ட காயத்திற்குப் பிறகு, மருத்துவ ரீதியாக குறிப்பிடத்தக்க மூளைக் காயம் ஏற்படுவதற்கான மிகக் குறைந்த ஆபத்தில் உள்ள குழந்தைகளைக் கண்டறிதல்: ஒரு வருங்காலக் கூட்டாய்வு. லான்செட் 374, 1160–1170 (2009).
ஸ்ட்ரீட், டபிள்யூ.என்., வோல்பர்க், டபிள்யூ.எச். மற்றும் மங்கசாரியன், ஓ.எல். மார்பகக் கட்டி நோயறிதலுக்கான அணுக்கருப் பண்புக்கூறு பிரித்தெடுத்தல். உயிர்மருத்துவ அறிவியல். படச் செயலாக்கம். உயிர்மருத்துவ அறிவியல். வெய்ஸ். 1905, 861–870 (1993).
சென், பி.எச்.சி., லியு, ஒய். மற்றும் பெங், எல். சுகாதாரப் பராமரிப்புக்கான இயந்திர கற்றல் மாதிரிகளை எவ்வாறு உருவாக்குவது. நேச்சர் மேட்டர். 18, 410–414 (2019).
செல்வராஜு, ஆர்.ஆர். மற்றும் பலர். கிராட்-கேம்: சாய்வு அடிப்படையிலான இடங்காணல் வழியாக ஆழமான வலையமைப்புகளின் காட்சி விளக்கம். IEEE சர்வதேச கணினிப் பார்வை மாநாட்டின் செயல்முறைகள், 618–626 (2017).
குமரவேல் பி, ஸ்டீவர்ட் கே மற்றும் இலிக் டி. இளங்கலை மருத்துவக் கல்வியில் OSCE-ஐப் பயன்படுத்தி சான்று அடிப்படையிலான மருத்துவத் திறன்களை மதிப்பிடுவதற்கான ஒரு சுழல் மாதிரியின் உருவாக்கம் மற்றும் மதிப்பீடு. BMK மருத்துவம். கற்பித்தல். 21, 1–9 (2021).
கோலச்சலம வி.பி. மற்றும் கார்க் பி.எஸ். இயந்திரக் கற்றல் மற்றும் மருத்துவக் கல்வி. என்.பி.இசட்.எச் இதழ்கள். மருத்துவம். 1, 1–3 (2018).
van Leeuwen, KG, Schalekamp, ​​S., Rutten, MJ, van Ginneken, B. and de Rooy, M. கதிரியக்கத்தில் செயற்கை நுண்ணறிவு: 100 வணிகப் பொருட்கள் மற்றும் அவற்றின் அறிவியல் சான்றுகள். யூரோ. கதிர்வீச்சு. 31, 3797–3804 (2021).
டோபோல், ஈ.ஜே. உயர் செயல்திறன் மருத்துவம்: மனித மற்றும் செயற்கை நுண்ணறிவின் ஒருங்கிணைப்பு. நேச்சர் மெடிசின். 25, 44–56 (2019).
பெடே, இ. மற்றும் பலர். நீரிழிவு விழித்திரை நோயைக் கண்டறிவதற்காக மருத்துவமனையில் பயன்படுத்தப்பட்ட ஒரு ஆழ் கற்றல் அமைப்பின் மனிதனை மையமாகக் கொண்ட மதிப்பீடு. கணினி அமைப்புகளில் மனித காரணிகள் குறித்த 2020 CHI மாநாட்டின் நடவடிக்கைகள் (2020).
கெர், பி. பொறியியல் கல்வியில் தலைகீழ் வகுப்பறை: ஒரு ஆய்வு மதிப்பாய்வு. 2015 ஊடாடும் கூட்டு கற்றல் மீதான சர்வதேச மாநாட்டின் நடவடிக்கைகள் (2015).
பிரிட்டிஷ் கொலம்பியா பல்கலைக்கழகத்தின் உயிர்மருத்துவப் படிமவியல் மற்றும் செயற்கை நுண்ணறிவு ஆராய்ச்சிக் குழுமத்தைச் சேர்ந்த டேனியல் வாக்கர், டிம் சல்குடின் மற்றும் பீட்டர் சாண்ட்ஸ்ட்ரா ஆகியோருக்கு, அவர்களின் ஆதரவு மற்றும் நிதியுதவிக்காக ஆசிரியர்கள் நன்றி தெரிவிக்கின்றனர்.
பயிலரங்க கற்பித்தல் உள்ளடக்கத்தை உருவாக்குவதற்கு RH, PP, ZH, RS மற்றும் MA ஆகியோர் பொறுப்பேற்றிருந்தனர். நிரலாக்க எடுத்துக்காட்டுகளை உருவாக்குவதற்கு RH மற்றும் PP பொறுப்பேற்றிருந்தனர். திட்டத்தின் தளவாட ஏற்பாடுகளுக்கும் பயிலரங்குகளின் பகுப்பாய்விற்கும் KYF, OY, MT மற்றும் PW ஆகியோர் பொறுப்பேற்றிருந்தனர். வரைபடங்களையும் அட்டவணைகளையும் உருவாக்குவதற்கு RH, OY, MT, RS ஆகியோர் பொறுப்பேற்றிருந்தனர். ஆவணத்தை வரைவதற்கும் திருத்துவதற்கும் RH, KYF, PP, ZH, OY, MY, PW, TL, MA, RS ஆகியோர் பொறுப்பேற்றிருந்தனர்.
இந்த ஆய்வின் மதிப்பாய்வுக்குப் பங்களித்த கரோலின் மெக்ரெகர், ஃபாபியோ மோரேஸ் மற்றும் ஆதித்யா போரகதி ஆகியோருக்கு கம்யூனிகேஷன் மெடிசின் நன்றி தெரிவிக்கிறது.