Tekoäly vai perinteinen case-opetus? : kyselyn laatiminen Käden ja kyynärvarren rasitussairauksien Käypä hoito -suosituksen oppimisympäristöjen vertailututkimukseen

Abstract

Kliininen päättely on yksi vaativimmista ja vaikeimmista terveydenhuoltoalan opiskelijoille opetettavista taidoista. Kliinisen päättelyn opettamiseen on viime aikoina käytetty enenevissä määrin myös oppimispelejä. Suomessa on kehitetty uusi tekoälyn kielimalliin ja RAG (Retrieval-Augmented Generation) pohjautuva oppimispeli, joka on tarkoitettu kliinisen päättelyn oppimisen tukemiseen sekä potilaskohtaamisten harjoitteluun. Pelin ensimmäisessä versiossa pilotoidaan Käden ja kyynärvarren rasitussairauksien Käypä hoito –suosituksen mukaista potilaan arviointia ja hoitoa.

Opinnäytetyön tarkoituksena oli luoda sähköiset kyselylomakkeet Oulun yliopiston ja LessonLab Oy:n tutkimusprojektiin, jossa verrattiin kahden eri oppimisympäristön vaikutusta opiskelijoiden Käden ja kyynärvarren rasitussairauksien Käypä hoito -suosituksen mukaiseen osaamiseen. Projektissa verrattavat oppimisympäristöt olivat oppimispeli ja perinteinen case based -oppiminen. Kyselyllä pyrittiin tuottamaan tietoa myös opiskelijoiden kokemuksesta oppimisympäristön vaikutuksesta opiskeluun motivoitumisesta. Opinnäytetyön tavoitteena oli, että laaditun kyselyn avulla saadaan kerättyä tietoa, jota voidaan hyödyntää oppimispelin kehittämisessä.

Kyselylomakkeet sisälsivät alkukyselyn, johon osallistujat vastasivat ennen interventiota sekä loppukyselyn, johon vastattiin välittömästi intervention jälkeen. Kyselyt koostuivat esitiedoista, kliinisen päättelyn -kysymyksistä, Toiminnan muutosta ohjaavat tekijät -kyselyistä sekä oppimisympäristön ja pelin arviointi-kysymyksistä. Kyselyn reliabiliteetista voidaan sanoa, että kysely tehtiin luotettavasti, mutta varsinaista kyselyn reliabiliteettia ei voida valitettavasti arvioida.

Clinical reasoning is one of the most demanding and difficult skills taught to healthcare students. In Finland, researchers have developed a new serious game leveraging Generative Artificial Intelligence Large Language Model with RAG (Retrieval-Augmented Generation) to aid clinical reasoning during patient encounters. The first version of the game pilots the assessment and treatment of hand and forearm strain injuries according to the Current Care Guidelines.

The thesis aimed to develop electronic questionnaires for University of Oulu and LessonLab Ltd. project. This project compared two learning environments, the new serious game and traditional case-based learning, and examined how they influenced students' knowledge of Current Care Guidelines for hand and forearm strain injuries. The questionnaire also aimed to provide insights into students' experiences regarding how the learning environment influenced their motivation to study. The objective of the thesis was to use the questionnaire to collect data that could be utilized to develop the learning game.

The questionnaires comprised a preliminary survey and a final survey. The surveys included background information, clinical reasoning questions, the multiprofessional version of Determinants of Implementation Behavior Questionnaire (DIBQ-mp), and questions evaluating the learning environment and the game. The questionnaire was designed for use in this specific research project, but it may potentially be utilized again in future pilot phases of the project.