25gma030 10.3205/25gma030 urn:nbn:de:0183-25gma0302 Meeting Abstract Ludwig Ludwig Christiane C

Martin-Luther-Universität Halle-Wittenberg, Medizinische Fakultät, Dorothea Erxleben Lernzentrum Halle, Halle (Saale), Deutschland Universitätsmedizin Halle, Halle (Saale), Deutschland

author Stoevesandt Stoevesandt Dietrich D

Martin-Luther-Universität Halle-Wittenberg, Medizinische Fakultät, Dorothea Erxleben Lernzentrum Halle, Halle (Saale), Deutschland Universitätsmedizin Halle, Halle (Saale), Deutschland

author Franze Franze Marcus M

Martin-Luther-Universität Halle-Wittenberg, Medizinische Fakultät, TPG – Innovationsregion für digitale Transformation der Pflege und Gesundheitsversorgung, Halle (Saale), Deutschland

author Bosch Bosch Josefin J

Martin-Luther-Universität Halle-Wittenberg, Medizinische Fakultät, Dorothea Erxleben Lernzentrum Halle, Halle (Saale), Deutschland

author German Medical Science GMS Publishing House

Düsseldorf

610 20250908 germ This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). M0626 030 Jahrestagung der Gesellschaft für Medizinische Ausbildung (GMA) V-04 Digitalisierung – eLearning – Perspektive Studierender Düsseldorf 20250908 20250910 V-04-06 TextFragestellung: Wissen über Künstliche Intelligenz (KI) und deren Anwendung sind Kompetenzen, die in der heutigen Zeit grundlegend sind („KI literacy“, ). Insbesondere in der Medizin findet KI ein breites Einsatzfeld. Um zukünftige Ärzt*innen auf diese Entwicklungen vorzubereiten, ist es essenziell, KI-Kompetenzen frühzeitig im Curriculum zu verankern . Nach konstruktivistischen Lernprinzipien findet effektives Lernen statt, wenn neues Wissen an bestehende mentale Modelle und Vorerfahrungen der Lernenden anknüpft . Um Kurse über KI angemessen gestalten zu können, ist es daher essenziell, zu wissen, welchen Wissensstand Lehrende voraussetzen können. Daher stellen wir die Frage, über welche Vorerfahrungen zu Künstlicher Intelligenz Studierende der Human- und der Zahnmedizin verfügen. Weiterhin möchten wir untersuchen, in welchen Bereichen sie diese Vorerfahrungen gesammelt haben und ob es Geschlechtsunterschiede gibt.Methoden: Studierende der Humanmedizin (Fachsemester 2 und 5) und der Zahnmedizin (Fachsemester 1) wurden im Wintersemester 2024/2025 sowie im Sommersemester 2025 im Rahmen des Pflichtpraktikums „Digitalisierung in der Medizin“ befragt. Zur Erfassung der Vorerfahrungen im Bereich KI beantworteten die Teilnehmenden ein Item auf einer 5-stufigen Likert-Skala. Ergänzend gaben sie anhand einer Multiple-Choice-Auswahl an, in welchem Bereich sie diese Vorerfahrungen gesammelt hatten. Zusätzlich wurden weitere Variablen zur Einstellung gegenüber der Digitalisierung erhoben. Zur Analyse wurden Chi-Quadrat-Tests und nicht-parametrische Verfahren eingesetzt.Ergebnisse: Die Datenerhebung ist noch nicht vollständig abgeschlossen; die endgültigen Ergebnisse werden jedoch zur Präsentation vorliegen. Die vorläufige Stichprobe umfasst n=156 Studierende (Rücklaufquote 62%). Die Studierenden des 5. Semesters berichten höhere Werte in den Vorerfahrungen als die Studierenden des 1. Semesters (Chi-Quadrat=25.54; p<.0001). Zu Beginn des Studiums geben männliche Studierende höhere Vorerfahrungen an als weibliche Studierende (Chi-Quadrat=12,77; p=.042). Die Vorerfahrungen stammen vorrangig aus vorherigen Lehrveranstaltungen (35%) und privater Nutzung (62%), seltener aus klinischen Tätigkeiten (5%) oder aus Erfahrungen als Patient*in (2%).Diskussion: Die Ergebnisse zeigen Unterschiede in den Vorerfahrungen, je nach Fachsemester und Geschlecht. Ähnlich wie in anderen Studien, sind die Geschlechtsunterschiede in den KI-Vorerfahrungen zu Beginn des Studiums ausgeprägter . Aktuell erscheint die klinische Praxis nicht als Impulsgeber für KI-Kenntnisse von Studierenden. Daher kommt den Lehrveranstaltungen im Rahmen des Curriculums eine bedeutende Rolle zu, die KI Literacy der Studierenden zu schulen. Diese Erkenntnisse bieten wichtige Anhaltspunkte für die zielgruppengerechte Gestaltung von Lehrveranstaltungen und werfen Fragen zur Anpassung curricularer Inhalte auf, um Vorerfahrungen gezielt zu nutzen und effektives Lernen zu ermöglichen. Laupichler MC Aster A Meyerheim M Raupach T Mergen M Medical students’ AI literacy and attitudes towards AI: a cross-sectional two-center study using pre-validated assessment instruments 2024 BMC Med Educ 401 Laupichler MC, Aster A, Meyerheim M, Raupach T, Mergen M. Medical students’ AI literacy and attitudes towards AI: a cross-sectional two-center study using pre-validated assessment instruments. BMC Med Educ. 2024;24(1):401. DOI: 10.1186/s12909-024-05400-7 http://dx.doi.org/10.1186/s12909-024-05400-7 van Kesteren MT Krabbendam L Meeter M Integrating educational knowledge: reactivation of prior knowledge during educational learning enhances memory integration 2018 NPJ Sci Learn 11 van Kesteren MT, Krabbendam L, Meeter M. Integrating educational knowledge: reactivation of prior knowledge during educational learning enhances memory integration. NPJ Sci Learn. 2018;3:11. DOI: 10.1038/s41539-018-0027-8 http://dx.doi.org/10.1038/s41539-018-0027-8 Faihs V Figalist C Bossert E Weimann K Berberat PO Wijnen-Meijer M Medical Students and Their Perceptions of Digital Medicine: a Question of Gender? 2022 Med Sci Educ 941-946 Faihs V, Figalist C, Bossert E, Weimann K, Berberat PO, Wijnen-Meijer M. Medical Students and Their Perceptions of Digital Medicine: a Question of Gender? Med Sci Educ. 2022;32(5):941-946. DOI: 10.1007/s40670-022-01594-x https://doi.org/10.1007/s40670-022-01594-x 0 0 0 0