論文の概要: MedGame: Storytelling Gamification Empowered by Large Language Models for Medical Education

• arxiv url: http://arxiv.org/abs/2607.21570v1
• Date: Thu, 23 Jul 2026 17:50:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.510632
• Title: MedGame: Storytelling Gamification Empowered by Large Language Models for Medical Education
• Title（参考訳）: MedGame:医学教育のための大規模言語モデルを活用したストーリーテリングゲーミフィケーション
• Authors: Qian Wu, Xinrong Zhou, Zizhan Ma, Kai Chen, Zheyao Gao, Xun Lin, Hongqiu Wu, Longfei Gou, Yixiao Liu, Ann Sin Nga Lau, Qi Dou,
• Abstract要約: 静的な臨床ケースを構造化し,実行可能なストーリーテリングゲームに変換するフレームワークであるtextitMedGameを紹介した。 5000ケースのベンチマークと評価プロトコルであるMedGame Benchを構築した。 パイロット学生の研究では、学習者はテキストのみの代替手段よりも、MedGameを魅力的で有用なものと認識している。
• 参考スコア（独自算出の注目度）: 33.9645908140273
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) show promise for medical education, but most existing systems focus on localized interactions such as question answering or single-turn feedback, rather than organizing an entire clinical case into a decision-centered learning trajectory. We introduce \textit{MedGame}, a framework that transforms static clinical cases into structured, executable storytelling games. MedGame uses a dual-engine design: a Medical Narrative Designer synthesizes case-grounded clinical storylines with states and decision nodes, while a Story Director converts them into dependency-aware multimodal orchestration plans rendered by our released interactive platform. We construct MedGame Bench, a 5,000-case benchmark and evaluation protocol for Medical Narrative Generation and Story Direction. Experiments show that task-specific fine-tuning substantially improves open-source LLMs on MedGame Bench and narrows the gap with commercial models. A pilot student study further shows that learners perceive MedGame as more engaging and useful than text-only alternatives.
• Abstract（参考訳）: 大規模言語モデル(LLM)は医学教育に有望であるが、既存のほとんどのシステムは、臨床ケース全体を意思決定中心の学習軌道に編成するのではなく、質問応答やシングルターンフィードバックのような局所的な相互作用に焦点を当てている。 静的な臨床ケースを構造化したストーリーテリングゲームに変換するフレームワークである「textit{MedGame}」を紹介した。 メディカルナラティブ・デザイナは、ケースグラウンド化された臨床ストーリーラインを状態と決定ノードで合成し、ストーリーディレクターはそれらを、当社がリリースしたインタラクティブプラットフォームによって記述された依存性を意識したマルチモーダルオーケストレーション計画に変換する。 5000ケースのベンチマークと評価プロトコルであるMedGame Benchを構築した。 実験により、タスク固有の微調整はMedGame Bench上のオープンソースのLCMを大幅に改善し、商用モデルとのギャップを狭めることが示された。 パイロット学生の研究では、学習者はテキストのみの代替よりも、MedGameを魅力的で有用なものと認識している。

関連論文リスト

• Hulu-Med: A Transparent Generalist Model towards Holistic Medical Vision-Language Understanding [112.46150793476603]
  透明で汎用的な医用ビジョンランゲージモデル(VLM)であるHulu-Medを紹介する。 Hulu-Medは1670万サンプルのキュレートされたコーパスで訓練されており、12の解剖学的システムと14の医用画像モダリティにまたがっている。 Hulu-Medは、30ベンチマーク中27ベンチマークで既存のオープンソースモデルを上回っ、16ベンチマークでGPT-4oなどのプロプライエタリシステムを上回っている。
  論文  参考訳（メタデータ） (2025-10-09T17:06:42Z)
• Medical Vision-Language Pre-Training for Brain Abnormalities [96.1408455065347]
  本稿では,PubMedなどの公共リソースから,医用画像・テキスト・アライメントデータを自動的に収集する方法を示す。 特に,まず大きな脳画像テキストデータセットを収集することにより,事前学習プロセスの合理化を図るパイプラインを提案する。 また,医療領域におけるサブフィギュアをサブキャプションにマッピングするというユニークな課題についても検討した。
  論文  参考訳（メタデータ） (2024-04-27T05:03:42Z)
• Design as Desired: Utilizing Visual Question Answering for Multimodal Pre-training [11.129868018236445]
  VQA(Visual Question Answering)をマルチモーダル・プレトレーニングに利用して,対象とする病態の特徴に着目したフレームワークのガイドを行う。 また,視覚的特徴をテキスト領域に近い準テキスト空間に変換するためのモジュールである準テキスト特徴変換器を用いた新しい事前学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-30T02:56:54Z)
• DISC-MedLLM: Bridging General Large Language Models and Real-World Medical Consultation [37.08249140671163]
  我々は、エンドツーエンドの医療サービスにおいて、正確で真正な医療応答を提供するために、disC-MedLLMを提案する。 我々は,医用知識グラフの利用,現実世界の対話の再構築,人手による嗜好表現の導入という3つの戦略を採用している。
  論文  参考訳（メタデータ） (2023-08-28T06:41:49Z)
• Med-Flamingo: a Multimodal Medical Few-shot Learner [58.85676013818811]
  医療領域に適応したマルチモーダル・数ショット学習者であるMed-Flamingoを提案する。 OpenFlamingo-9Bに基づいて、出版物や教科書からの医療画像テキストデータのペア化とインターリーブ化を継続する。 本研究は,医療用VQA(ジェネレーティブ医療用VQA)の最初の人間評価である。
  論文  参考訳（メタデータ） (2023-07-27T20:36:02Z)
• Customizing General-Purpose Foundation Models for Medical Report Generation [64.31265734687182]
  ラベル付き医用画像-レポートペアの不足は、ディープニューラルネットワークや大規模ニューラルネットワークの開発において大きな課題となっている。 本稿では,コンピュータビジョンと自然言語処理の基盤モデル (FM) として,市販の汎用大規模事前学習モデルのカスタマイズを提案する。
  論文  参考訳（メタデータ） (2023-06-09T03:02:36Z)
• MEDCOD: A Medically-Accurate, Emotive, Diverse, and Controllable Dialog System [6.902975908146047]
  本稿では,医学的精度,動機,ディバース,制御可能な対話システムであるMEDCODについて述べる。 医学領域の知識を現代のディープラーニング技術と統合し、柔軟で人間らしい自然言語表現を生成する。
  論文  参考訳（メタデータ） (2021-11-17T20:31:16Z)
• MedDG: An Entity-Centric Medical Consultation Dataset for Entity-Aware Medical Dialogue Generation [86.38736781043109]
  MedDGという12種類の消化器疾患に関連する大規模医用対話データセットを構築し,公開する。 MedDGデータセットに基づく2種類の医療対話タスクを提案する。1つは次のエンティティ予測であり、もう1つは医師の反応生成である。 実験結果から,プレトレイン言語モデルと他のベースラインは,両方のタスクに苦戦し,データセットの性能が劣ることがわかった。
  論文  参考訳（メタデータ） (2020-10-15T03:34:33Z)

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。