Интеллектуальная кросс-платформенная система «DocAI» для оптимизации образовательного процесса в медицинских вузах

ВВЕДЕНИЕ

Технологический прогресс и достижения в области искусственного интеллекта (ИИ) за последние годы поспособствовали возникновению решений, которые соответствуют ключевым трендам в глобальном образовании: увеличению гибкости и адаптивности, персонализации учебного процесса.

Ведущие эксперты в области информационных технологий рассматривают сферу образования как наиболее перспективную для использования таких решений, наряду с здравоохранением и государственным регулированием. Внедрение решений на основе ИИ особенно актуально в медицинском образовании, так как подготовка высококвалифицированных специалистов в медицинском университете является одной из самых сложных задач в области высшего образования ввиду многогранности медицинской отрасли и динамично изменяющихся требований в системе здравоохранения.

Ключевой вызов медицинского образования – экспоненциальный рост информации и накопление стремительно увеличивающихся в объеме баз данных современных и прошлых исследований. Так, увеличение количества публикаций в медицинской базе данных PubMed Национального центра биотехнологической информации (США), в которой новые статьи появляются со скоростью не менее одной в минуту, а количество опубликованных научных работ по медицине за последние 10 лет ежегодно увеличивается на 8-9%, свидетельствует о возможном повышении когнитивной нагрузки в процессе обучения. Современные медицинские вузы нуждаются в инструментах оптимизации учебного процесса, способных адаптировать обучение под индивидуальные потребности студентов и эффективно работать с обширными массивами данных.

Решением может быть разработка интеллектуальной системы на основе технологий ИИ и хранения данных, способной автоматизировать поиск, анализ и обработку информации.

Целью данного исследования является проектирование и создание ключевых модулей интеллектуальной кросс-платформенной системы «DocAI» с использованием технологий обработки естественного языка и графовой базы данных для оптимизации образовательного процесса в медицинских вузах.

МАТЕРИАЛЫ И МЕТОДЫ

Проведен комплексный анализ ключевых трендов в глобальном и медицинском образовании, изучена научная литература и методологические подходы к цифровой трансформации и персонализации образовательной среды, проведено исследование по методологии Customer Development (CustDev) и выполнен конкурентный анализ современных решений на основе технологий искусственного интеллекта. Были выявлены актуальные проблемы акторов образовательного процесса в медицинских вузах: отсутствие быстрого и легкого доступа к актуальной информации и трудоемкий процесс поиска, обработки и анализа данных; недостаточная адаптация учебных программ к индивидуальным особенностям студентов; информационная перегрузка вследствие роста цифровых ресурсов.

Результаты CustDev показали, что 88,6% респондентов (64,9% студентов, 23,7% ординаторов, 11,5% преподавателей) используют ИИ-сервисы в учебной или профессиональной деятельности, при этом 23% уже оплачивают подписку, 77% предпочитают бесплатные решения, а 63% готовы платить за качественные инструменты, что подтверждает высокую заинтересованность целевой аудитории в интеграции ИИ-инструментов в образовательную среду и их ожидания по удобству, персонализации и адаптивности к медицинскому контексту.

Сравнительный анализ существующих решений на основе ИИ позволяет выделить две основные группы конкурентов: зарубежные интеллектуальные платформы, ориентированные на англоязычную аудиторию, и отечественные разработки, ограниченные функциональностью чат-ботов на основе предобученных языковых моделей.

Проанализировав современные технологические решения, было решено использовать большие языковые модели (БЯМ) и методы обработки естественного языка, архитектуру графовой базы данных, а также методы извлечения информации, ввиду гибкой и масштабируемой технологии хранения знаний, для повышения достоверности и снижения галлюцинаций генерируемых ответов.

РЕЗУЛЬТАТЫ

В данном исследовании нами был реализован прототип интеллектуальной крос-сплатформенной системы для решения ключевых проблем оптимизации образовательного процесса: автоматизация поиска, анализа и обработки информации с адаптацией под индивидуальные потребности и уровень знаний студентов и эффективно управлять большими массивами данных.

Для этого был спроектирован прототип интеллектуальной системы с модульной организацией, где каждому модулю отводится своя задача: модуль БЯМ отвечает за формирование ответа пользователю, модуль графовой базы данных обеспечивает гибкое и масштабируемое хранение знаний; модуль методов извлечения информации отвечает за поиск и извлечение релевантных данных.

В качестве источника данных для наполнения графовой базы выбраны клинические рекомендации (КР) Минздрава РФ, которые остаются нормативной основой оказания медицинской помощи (N 323-ФЗ, Минздрава России от 20.05.2021 N 17-4/И/1-7530 – п. 2.1 ч. 1 ст. 79) и могут способствовать согласованию учебных программ с современными медицинскими стандартами и решениями. После реализации архитектуры прототипа с интеграцией модулей графовой базы данных, большой языковой модели (GigaChat 2.0) и методов извлечения информации проведено тестирование системы. Результаты валидационной проверки с использованием автоматизированных метрик: BLEU – 93%, ROUGE-L (среднее значение) – 96%, Precision – 0,91, Recall – 0,95, F1-score -0,923. Кроме того, сравнение с эталонными ответами показало, что система обеспечивает высокую степень совпадения и достоверности ответов по содержанию и структуре. Таким образом, в отличие от существующих решений, в разрабатываемой системе «DocAI» будет использоваться комбинированное применение технологий обработки естественного языка, методов извлечения информации из графовой базы данных и итеративную генерацию – инновационную методологию, разработанную для решения проблемы галлюцинаций при обработке данных с помощью больших языковых моделей, что обеспечит быстрый доступ к релевантным данным, их структурированное хранение и обоснованность ответов, адаптивную подачу материала в соответствии с уровнем подготовки и запросом пользователя.

ВЫВОДЫ

В ходе работы с участием Цифровой кафедры Сеченовского университета выполнено архитектурное проектирование и создание ключевых модулей интеллектуальной кроссплатформенной системы «DocAI» с использованием технологий обработки естественного языка и графовой базы данных для оптимизации образовательного процесса в медицинских вузах. В отличие от существующих решений, в разрабатываемой системе «DocAI» будет использоваться комбинированное применение технологий обработки естественного языка, методов извлечения информации из постоянно обновляемой графовой базы данных и итеративная генерация – инновационная методология, разработанная для решения проблемы галлюцинаций при обработке данных с помощью больших языковых моделей, что обеспечит быстрый доступ к релевантным данным, их структурированное хранение и обоснованность ответов, адаптивную подачу материала в соответствии с уровнем подготовки и запросом пользователя. Основываясь на стратегии «Еvidence-based educational policy», поставлена задача реализации пилотного тестирования данной интеллектуальной системы в условиях реальной образовательной среды с проведением предварительной этико-правовой и педагогической экспертизы. Также изучены условия для образовательного эксперимента, временно освобожденного от жестких регламентов и требований, но обладающего понятным исследовательским дизайном. Разработка интеллектуальной кросс-платформенной системы «DocAI» с использованием технологий обработки естественного языка и графовой базы данных рассматривается нами как актуальное решение задачи оптимизации образовательного процесса и «мягкого» внедрения AI-enabled education (AIEd) в учебную среду.

ЛИТЕРАТУРА

1. Cheng Yin Cheong. New Paradigm for Re-engineering Education: Globalization, Localizationand Individualization. Springer, 2005. Р. 26-28.
2. Esin, Mukul., GџlЌin, Bџyџkљzkan. Digital transformation in education: A systematic review of education 4.0. Technological Forecasting and Social Change 2023;194:122664-122664. https://doi.org/10.1016/j.techfore.2023.122664
3. Mohamed Hashim MA, Tlemsani I, Matthews R. Higher education strategy in digital transformation. Educ Inf Technol (Dordr) 2022;27(3):3171-3195. https://doi.org/10.1007/s10639-021-10739-1
4. Pedro F., Subosa M., Rivas A., Valverde P. Artificial intelligence in education: challenges and opportunities for sustainable development, UNESCO. 2019. Р. 48.
5. Shahriari, K., Shahriari, M. Ethically Aligned Design. First Edition. A Vision for Prioritizing Human Well-being with Autonomous and Intelligent Systems. Institute of Electrical and Electronics Engineers (IEEE) 2017. IEEE Canada International Humanitarian Technology Conference (IHTC). https://doi.org/10.1109/IHTC.2017.8058187
6. WIPO Technology Trends 2019: Artificial Intelligence. World Intellectual Property Organization 2019. Р. 154.
7. Sapira JD. Why is medical school difficult? Or, if it isn't difficult, why it should be. South Med J 1979;72(11):1453-5. https://doi.org/10.1097/00007611-197911000-00030.
8. Wartman, Steven A. MD, PhD. The Empirical Challenge of 21st-Century Medical Education. Academic Medicine 2019;94(10):1412-1415. https://doi.org/10.1097/ACM.0000000000002866
9. Tolkacheva I.V. Modern challenges of medical education and their reflection in the curriculum. Vestnik of Kostroma State University. Series: Pedagogy. Psychology. Sociokinetics 2022;28(3)143–150. https://doi.org/10.34216/20731426-2022-28-3-143-150
10. Bornmann, L., Haunschild, R. & Mutz, R. Growth rates of modern sci-ence: a latent piecewise growth curve approach to model publication numbers from established and new literature databases. Humanit Soc Sci Commun 2021;8:224. https://doi.org/10.1057/s41599-021-00903-w.
11. Landhuis, E. Scientific literature: Information overload. Nature 2016;535:457–458. https://doi.org/10.1038/nj7612-457a.
12. Bryzgalina E.V. Artificial Intelligence in Education. Analysis of Implementation Goals. Chelovek 2021;32(2)9–29. https://doi.org/10.31857/S023620070014856-8
13. Montebello, M., Montebello, M. Personal learning networks, portfolios and environments. AI Injected e-Learning: The Future of Online Education, Studies in Computational Intelligence 2018;39-50. https://doi.org/10.1007/978-3-319-67928-0
14. Букеева А.С., Риклефс В.П. Когнитивная нагрузка, мотивация и академический стресс: десятикомпонентная модель успешности образовательной программы медицинского ВУЗа. Виртуальные технологии в медицине 2017;(1):44-45. [Bukeeva A.S., Ricklefs V.P. Cognitive load, motivation, and academic stress: a ten-component model of success in the educational program of a medical university. Virtual'nyye tekhnologii v meditsine = Virtual technologies in medicine 2017;(1):44-45 (In Russian)].
15. Bailey J, Driver K, Wasson EJ, Hughes M. Cognitive overload-A medical student's perspective. Med Educ 2021;55(2):276. https://doi.org/10.1111/medu.14359.
16. Khmelnytska, O., Tkachenko, L., Liashchenko, Y., Zlenko, Y. Modern information and library technologies in the organization of scientific educational environment in higher education institution. Society. Doc.Com. https://doi.org/10.69587/sdc/1.2024.92
17. Vicknair, Chad, et al. A comparison of a graph database and a relational database: a data provenance perspective. Proceedings of the 48th annual ACM Southeast Conference. 2010.
18. Kresevic S, GiuffrЏ M, Ajcevic M, Accardo A, CrocЏ LS, Shung DL. Optimization of hepatological clinical guidelines interpretation by large language models: a retrieval augmented generation-based framework. NPJ Digit Med 2024;23:7(1):102. https://doi.org/10.1038/s41746-024-01091-y
19. Андрейченко А.Е., Гусев А.В. Перспективы применения больших языковых моделей в здравоохранении. Национальное здравоохранение 2023;4(4):48-55. [Andreychenko A.E., Gusev A.V. Perspectives on the application of large language models in healthcare. Natsional'noye zdravookhraneniye = National Health Care 2023;4(4):48-55 (In Russian)]. https://doi.org/10.47093/2713-069X.2023.4.4.48-55
20. Lucas HC, Upperman JS, Robinson JR. A systematic review of large language models and their implications in medical education. Medical Education 2024.https://doi.org/10.1111/medu.15402