Text

Problembeschreibung/Zielsetzung: Clinical Reasoning (CR) stellt eine ärztliche Kernkompetenz dar.

Fallbasierte Lehrformate gelten grundsätzlich als geeignet, um klinisches Denken zu fördern. In der praktischen Umsetzung zeigen sich jedoch häufig strukturelle, budgetäre, personelle und curriculare Limitationen Tutor-basierter Lehrveranstaltungen.

Große Sprachmodelle (Large Language Models, LLMs) eröffnen neue Möglichkeiten zur individuellen Unterstützung fallbasierten Lernens. Aufgrund ihrer Fähigkeit dialogisch zu interagieren können Sie die Rolle eines CR-Tutors übernehmen ohne zusätzliche personelle Ressourcen zu beanspruchen. Gleichzeitig ist bislang unklar, ob LLM-gestützte Lehrinterventionen zu messbaren Verbesserungen des CR führen.

Projektbeschreibung/Evaluationsmethoden: Das CLARA-Projekt untersucht den Einfluss des Einsatzes eines LLM-gestützten virtuellen Tutors auf den Erwerb von CR- Kompetenzen Humanmedizin-Studierender. In einer explorativen Interventionsstudie werden Key Feature Questions (KFQ) eingesetzt, um Unterschiede zwischen der Lernunterstützung durch einen realen Tutor und einem LLM-Tutor auf Item-Ebene zu erfassen. Zusätzlich werden an einer Untergruppe der Studienpopulation innovative psychobiologische Messungen durchgeführt um das Stresserleben der Studierenden während der Interaktion mit dem LLM zu explorieren.

Ergebnisse: Ziel der Studie ist es, erste empirische Hinweise darauf zu liefern, ob LLM-gestützte Ansätze zur strukturierten Förderung von Clinical Reasoning beitragen können und wie Studierende psychobiologisch auf deren Einsatz reagieren.

Da die Studie zwischen April und Juli 2026 durchgeführt wird, werden die Ergebnisse zum Kongress vorliegen.

Diskussion: Studierende, die von einer gezielten 1:1-Betreuung mit individuellem Feedback profitierten, verbessern ihre Lernergebnisse um zwei Standardabweichungen [1]. Da eine durchgehende Einzelbetreuung im Medizinstudium nicht realisierbar ist, könnten LLMs einen Schlüssel zur Lösung dieses Problems darstellen.

VanLehn widerlegte die Annahme, dass Lernergebnisse durch die Intervention menschlicher Tutor*innen verbessert würden, und stellte deren vermeintliche Überlegenheit gegenüber intelligenten Tutorensystemen infrage [2]. Die Metaanalyse von Kulik und Fletcher bestätigte diese Ergebnisse [3].

Außerhalb der medizinischen Ausbildung wurde bereits belegt, dass dieses Konzept des verbesserten Lernens durch persönliche Tutor*innen auch auf LLMs übertragbar ist [4], [5].

Take-Home-Messages:

• LLMs bieten die Möglichkeit, den Erwerb von Clinical Reasoning Kompetenzen Humanmedizin-Studierender individuell angepasst zu unterstützen.
• Der Einsatz von LLMs beeinflusst sowohl die subjektiv wahrgenommene Aktivierung beim Lernen, als auch das Selbstwirksamkeitserleben.
• Die Ergebnisse des Projektes zeigen auf wie LLMs zur Ergänzung von Lehrangeboten zu Clinical Reasoning genutzt werden können.

References

[1] Bloom BS. The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring. Educ Res. 1984;13(6):4-16. DOI: 10.3102/0013189X013006004
[2] VanLehn K. The Relative Effectiveness of Human Tutoring, Intelligent Tutoring Systems, and Other Tutoring Systems. Educ Psychol. 2011;46(4):197-221. DOI: 10.1080/00461520.2011.611369
[3] Kulik JA, Fletcher JD. Effectiveness of Intelligent Tutoring Systems: A Meta-Analytic Review. Rev Educ Res. 2016;86(1):42-78. DOI: 10.3102/0034654315581420
[4] Lehmann M, Cornelius PB, Sting FJ. AI meets the classroom: When does ChatGPT harm learning. arXiv preprint arXiv .2024:2409.09047. DOI: 10.2139/ssrn.4941259
[5] Yan L, Martinez-Maldonado R, Jin Y, Echeverria V, Milesi M, Fan J, Zhao L, Alfredo R, Li X, Dragan Gaševi? D. The effects of generative AI agents and scaffolding on enhancing students' comprehension of visual learning analytics. Comput Educ. 2025;234:105322. DOI: 10.1016/j.compedu.2025.105322