Hinweis: Die Inhalte auf dieser Seite wurden teilweise von KI generiert und können Fehler enthalten.
📚 Student Voices Die Studierenden stehen im Zentrum der Anwendung, indem sie durch die Carina-App die psychologischen Hürden des „Kaltstarts in der Klinik“ überwinden und in einem risikofreien Raum diagnostische Fehler ohne soziale Hemmungen trainieren. In der anstehenden Evaluation mit 300 Studierenden wird ihr direktes Feedback genutzt, um die Balance zwischen motivierender Begleitung und prägnanter Fehlerkorrektur im KI-Feedback zu optimieren.
Der Vortrag thematisiert die Herausforderungen von Medizinstudierenden beim Übergang von theoretischem Wissen in die klinische Praxis. Insbesondere der „Kaltstart in der Klinik“ – der plötzliche Wechsel vom Hörsaal ans Patientenbett – führt zu Unsicherheiten und psychologischem Druck. Fehlende geschützte Übungsräume und Zeitmangel im Klinikalltag erschweren das Training klinischer Entscheidungen. Die vorgestellte Carina-App nutzt Large Language Models (LLMs), um einen digitalen „Safe Space“ zu schaffen, in dem Studierende risikofrei diagnostische Fähigkeiten trainieren und individuelles Feedback erhalten können.
Die Carina-App bietet einen innovativen Ansatz, um Medizinstudierende durch KI-gestützte Simulationen auf den Klinikalltag vorzubereiten. Durch Leitplanken und dynamische Rollenwechsel der KI wird ein geschützter Lernraum geschaffen, der Fehler erlaubt und individuelles Feedback ermöglicht. Handlungsempfehlungen:
Ausblick: Die App hat das Potenzial, die medizinische Ausbildung nachhaltig zu verbessern, sofern sie kontinuierlich evaluiert und an die Bedürfnisse von Studierenden und Lehrenden angepasst wird.
Aktuell ist die App als risikofreier 'Safe Space' ohne Zeitdruck konzipiert, um Fehler ohne Konsequenzen zu erlauben. Die Implementierung eines Timers als zusätzliches Level für fortgeschrittene Nutzer ist jedoch als zukünftige Erweiterung geplant.
Dies wird als interessante Möglichkeit zur Steigerung der Realitätsnähe betrachtet. Die technische Umsetzung müsste über ein Speech-to-Text-Modul erfolgen.
Es geht um eine höhere Prägnanz und Eindeutigkeit bei offensichtlichen Fehlern, wie etwa unnötiger Strahlenbelastung durch ein CT. Ziel ist es, die Leitplanken so zu definieren, dass Fehler klar als solche gekennzeichnet werden, ohne dabei demotivierend zu wirken.
Geplant ist eine Evaluation durch etwa 300 Studierende im 6. und 8. Semester sowie eine didaktische Bewertung durch Fachärzte. Zudem wird ein 'S-Wert-Tool' entwickelt, um die Konsistenz des KI-Feedbacks zu messen.
mindmap
root)KI im geschützten Lernraum für klinische Entscheidungen(
["Problemstellung: Kaltstart in der Klinik"]
["Theorie vs. Praxis: Überforderung"]
["Ressourcenmangel: Zeit für Feedback"]
["Psychologische Barrieren: Angst vor Fehlern"]
["Lösungsansatz: Carina-App"]
["Klinischer Workflow: Anamnese bis Therapie"]
["Dynamischer Rollenwechsel: Patient & Mentor"]
["Labormodul: Aktive Parameterauswahl"]
["Technische Umsetzung: LLMs mit Leitplanken"]
["System-Prompting: Strikte Vorgaben"]
["Modellauswahl: GPT-4o mini & GPT-4.1"]
["Datenbank: Supabase für Feedback"]
["Herausforderungen & Weiterentwicklung"]
["Feedback-Feinabstimmung: Motivierend vs. prägnant"]
["Evaluation: Testphase mit 300 Studierenden"]
["Erweiterungen: Zeitdruck & Spracherkennung"]
["Grenzen & Diskussion"]
["Ethische Fragen: Feedback-Härte"]
["Technische Limitationen: Inkonsistenz der KI"]
["Datenschutz: Anonymisierung"]
["Fazit & Handlungsempfehlungen"]
["Integration in Lehrplan"]
["Weiterentwicklung Feedback-Algorithmus"]
["Nutzung als ergänzendes Training"]