論文の概要: MedTutor-R1: Socratic Personalized Medical Teaching with Multi-Agent Simulation

• arxiv url: http://arxiv.org/abs/2512.05671v1
• Date: Fri, 05 Dec 2025 12:28:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:57.021061
• Title: MedTutor-R1: Socratic Personalized Medical Teaching with Multi-Agent Simulation
• Title（参考訳）: MedTutor-R1:マルチエージェントシミュレーションによるソクラティックパーソナライズド医療教育
• Authors: Zhitao He, Haolin Yang, Zeyu Qin, Yi R Fung,
• Abstract要約: パーソナリティ駆動型患者と多様な学生コホートを用いたマルチエージェント教育シミュレータであるClinEduを開発した。 ClinEduに基づいて,大規模なソクラテス教育対話データセットであるClinTeachを構築した。 MedTutor-R1は、医学教育における一対多の教育のために設計された最初のマルチモーダル・ソクラティック・チューターである。
• 参考スコア（独自算出の注目度）: 11.191605627038795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The significant gap between rising demands for clinical training and the scarcity of expert instruction poses a major challenge to medical education. With powerful capabilities in personalized guidance, Large Language Models (LLMs) offer a promising solution to bridge this gap. However, current research focuses mainly on one-on-one knowledge instruction, overlooking collaborative reasoning, a key skill for students developed in teamwork like ward rounds. To this end, we develop ClinEdu, a multi-agent pedagogical simulator with personality-driven patients and diverse student cohorts, enabling controlled testing of complex pedagogical processes and scalable generation of teaching data. Based on ClinEdu, we construct ClinTeach, a large Socratic teaching dialogue dataset that captures the complexities of group instruction. We then train MedTutor-R1, the first multimodal Socratic tutor designed for one-to-many instruction in clinical medical education. MedTutor-R1 is first instruction-tuned on our ClinTeach dataset and then optimized with reinforcement learning, using rewards derived from a three-axis rubric, covering structural fidelity, analytical quality, and clinical safety, to refine its adaptive Socratic strategies. For authentic in-situ assessment, we use simulation-based interactive evaluation that redeploys the tutor back into ClinEdu. Experimental results demonstrate that our MedTutor-R1 outperforms the base model by over 20% in average pedagogical score and is comparable to o3, while also exhibiting high adaptability in handling a varying number of students. This promising performance underscores the effectiveness of our pedagogical simulator, ClinEdu.
• Abstract（参考訳）: 臨床研修の需要の増大と専門家の指導不足の間に大きなギャップがあることは、医学教育にとって大きな課題である。 パーソナライズされたガイダンスの強力な機能によって、LLM(Large Language Models)はこのギャップを埋めるための有望なソリューションを提供する。 しかし、現在の研究は、主に1対1の知識教育、共同推論、ウォードラウンドのようなチームワークで開発された学生にとって重要なスキルを見渡すことに焦点を当てている。 この目的のために,パーソナリティ駆動型患者と多様な学生コホートを備えたマルチエージェント教育シミュレータであるClinEduを開発し,複雑な教育プロセスの制御テストと,スケーラブルな教育データの生成を可能にした。 ClinEduをベースとして,グループ指導の複雑さを捉えるソクラテス教育対話データセットであるClinTeachを構築した。 MedTutor-R1は、臨床医学教育における一対多の指導のために設計された最初のマルチモーダル・ソクラティック・チューターである。 MedTutor-R1は、私たちのClinTeachデータセットで最初にトレーニングされ、次に強化学習で最適化され、3軸のルーブリックから得られる報酬を使用して、構造的忠実さ、分析的品質、臨床安全性をカバーし、適応的なソクラテス戦略を洗練します。 そこで本研究では,教師をClinEduに再配置するシミュレーションに基づく対話的評価手法を提案する。 実験の結果,我々のMedTutor-R1は,平均教育成績が20%以上向上し,o3に匹敵する結果が得られた。 この有望なパフォーマンスは、私たちの教育シミュレータであるClinEduの有効性を裏付けるものです。

関連論文リスト

• DischargeSim: A Simulation Benchmark for Educational Doctor-Patient Communication at Discharge [11.081999875352025]
  退院コミュニケーションは、患者のケアにおいて重要だが未発見の要素である。 モデルがパーソナライズされた放電教育者として機能する能力を評価する新しいベンチマークであるDesignSimを紹介する。
  論文  参考訳（メタデータ） (2025-09-08T20:07:30Z)
• PSAT: Pediatric Segmentation Approaches via Adult Augmentations and Transfer Learning [0.18641315013048293]
  成人データに基づいて訓練されたセグメンテーションモデルの直接適用は、しばしば準最適性能をもたらす。 PSAT (Pediatric Approaches via adult Augmentations and Transfer Learning) は,これらの軸がパフォーマンスに与える影響を調べる体系的な研究である。 実験の結果,成人の指紋データに基づくトレーニング計画が,小児解剖学的解析と誤一致していることが判明した。
  論文  参考訳（メタデータ） (2025-07-08T08:07:36Z)
• MedSimAI: Simulation and Formative Feedback Generation to Enhance Deliberate Practice in Medical Education [0.5068418799871723]
  MedSimAIはAIを利用したシミュレーションプラットフォームで、故意の実践、自己統制型学習、対話型患者出会いによる自動評価を可能にする。 初等医学生104名を対象にしたパイロットスタディでは,エンゲージメント,会話パターン,ユーザ認知について検討した。 学生たちは、MedSimAIが反復的で現実的な患者史の実践に有用であると考えた。
  論文  参考訳（メタデータ） (2025-03-01T00:51:55Z)
• Dr-LLaVA: Visual Instruction Tuning with Symbolic Clinical Grounding [53.629132242389716]
  VLM(Vision-Language Models)は、医用画像を分析し、自然言語の相互作用に関与することによって、臨床医を支援する。 VLMはしばしば「幻覚的」な振る舞いを示し、文脈的マルチモーダル情報に基づかないテキスト出力を生成する。 本稿では,臨床推論の象徴的表現を用いて医療知識にVLMを基盤とする新たなアライメントアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-29T23:19:28Z)
• EHRTutor: Enhancing Patient Understanding of Discharge Instructions [11.343429138567572]
  本稿では,Large Language Model(LLM)を利用した,対話型質問応答による患者教育のための革新的なマルチコンポーネントフレームワークであるEHRTutorを提案する。 まず、電子健康記録排出指示に関する質問を定式化する。 そして、各質問をテストとして実施することにより、会話を通じて患者を教育する。最後に、会話の最後に要約を生成する。
  論文  参考訳（メタデータ） (2023-10-30T00:46:03Z)
• Learning Through Guidance: Knowledge Distillation for Endoscopic Image Classification [40.366659911178964]
  内視鏡は消化管(GI)の根底にある異常を同定する上で重要な役割を担っている。 ディープラーニング、特にCNN(Convolution Neural Networks)は、従来の機能エンジニアリングを使わずに自動機能学習を実行するように設計されている。 KDに基づく3つの学習フレームワーク、応答ベース、特徴ベース、関係ベースメカニズムについて検討し、関係ベース学習を支援するために、新しい多面的注意型特徴融合機構を導入する。
  論文  参考訳（メタデータ） (2023-08-17T02:02:11Z)
• A Transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics [63.106382317917344]
  本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。 統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
  論文  参考訳（メタデータ） (2023-06-01T16:23:47Z)
• Distantly-Supervised Named Entity Recognition with Adaptive Teacher Learning and Fine-grained Student Ensemble [56.705249154629264]
  NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。 本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。 微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
  論文  参考訳（メタデータ） (2022-12-13T12:14:09Z)
• Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
  本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。 生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。 今回,最も多い患者,すなわち30日間の寛解率について検討した。
  論文  参考訳（メタデータ） (2022-11-13T01:07:23Z)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。