Naukowcy opracowali metodę przekształcania pełnych transkrypcji dialogów między studentami medycyny a wirtualnymi pacjentami wspieranymi AI w interpretowalne przez nauczycieli dowody umiejętności klinicznych. W badaniu analizie poddano 1030 rozmów od 210 studentów drugiego roku podczas pięciotygodniowego kursu dotyczącego przypadków bólu w klatce piersiowej.
Kluczowa trudność polega na tym, że kompletne transkrypcje dialogów zawierają zbyt wiele szczegółów, by nauczyciel mógł je łatwo przejrzeć w rutynowej ocenie, a ostateczne oceny liczbowe ukrywają, czy student faktycznie śledził wskazówki pacjenta, sprawdzał niepewność czy używał podsumowań do kierowania dalszymi pytaniami. Badacze zastosowali trzy warstwy analityczne do zakodowanych danych z dialogów: badanie częstości zachowań, analizę współwystępowania lokalnego za pomocą Epistemic Network Analysis oraz sekwencyjne przejścia metodą Transition Network Analysis.
Wyniki pokazały, że konsultacje wysokooceniane charakteryzowały się nie tylko większą ilością działań związanych z gromadzeniem historii, ale przede wszystkim lepszą jakością nawiązywania powiązań. Takie podejście pozwala nauczycielom zrozumieć, które konkretne umiejętności prowadzenia dialogu wpływają na wydajność studenta, a jednocześnie umożliwia skalowanie praktyki klinicznej za pomocą wirtualnych pacjentów zasilanych generacyjną sztuczną inteligencją.