Loading
Medizinische Universität Graz    

Meine Abschlussarbeiten - Publikationen

Diplomarbeit - Detailansicht
Wichtigste Meldungen anzeigenMeldungsfenster schließen
Bibliografische Informationen
 Anwendbarkeit von verschiedenen Large Language Models (LLMs) für die Beantwortung zahnmedizinischer Fragestellungen mit Fokus auf die Verwendung als Lernunterstützung für Studierende – eine Querschnittsuntersuchung  
 Hintergrund: Large Language Models (LLMs) erfreuen sich in der medizinischen und zahnmedizinischen Ausbildung und Lehre zunehmender Beliebtheit. Im Fachbereich der Oralchirurgie können deren Antworten Studierende bei der Wissensaneignung unterstützen. Folglich ist die Einschätzung der Antworten von LLMs durch Studierende der Zahnmedizin relevant, um das didaktische Potential und den möglichen Nutzen solcher Systeme als Lernhilfe beurteilen zu können. Ziel dieser Arbeit ist es, die Anwendbarkeit vier verschiedener frei verfügbarer LLMs zur Beantwortung von zahnmedizinischen Fragestellungen und deren Verwendung als Lernunterstützung für Studierende zu analysieren.

Methode: In der vorliegenden Querschnittsuntersuchung wurden vier LLMs (ChatGPT-3.5, Perplexity, Google Gemini, Venice) anhand 30 oralchirurgischen Fragestellungen verglichen. Der Fragenkatalog wurde von erfahrenen Zahnärzt:innen erstellt und beinhaltet Themen aus oraler Medizin, oraler Radiologie, chirurgischer Zahnentfernung, Wurzelspitzenresektion und Implantologie. Sämtliche durch die vier LLMs generierten Antworten wurden Zahnmedizinstudierenden der Medizinischen Universität Graz in einer anonymisierten Onlineumfrage via Limesurvey zur Bewertung vorgelegt. Diese Beurteilung erfolgte anhand des in dieser Studie als Hauptzielgröße definierten „S-Score“. Dieser Bewertungsschlüssel umfasste vier Dimensionen Verständlichkeit, Strukturiertheit, Umfang und hilfreiche Lernunterlage, die jeweils anhand einer numerischen Skala von Null (sehr schlecht) bis Fünf (sehr gut) bewertet wurden, um eine Aussage über die wahrgenommene didaktische Qualität zu treffen.

Ergebnisse: Nach Ausschluss nicht verwertbarer Datensätze umfasste die bereinigte Stichprobe 38 Teilnehmende. Davon identifizieren sich 23 Personen weiblich, 14 männlich und eine Person divers. Das Durchschnittsalter betrug 25,20 +/- 3,11 Jahre (Min. 19 a - Max. 30 a). Es war eine Streuung über alle Studiensemester beobachtbar. Durch diese flossen insgesamt 3823 Einzelbewertungen in die Statistik ein. Über alle Bewertungskriterien hinweg erzielte ChatGPT mit einem Mittelwert von M = 4,23 +/- 0,97 die höchste durchschnittliche Bewertung. Darauffolgend Perplexity M = 4,10 +/- 0,91, Venice M = 3,99 +/- 0,90 und Gemini M = 3,88 +/- 1,57. In der inferenzstatistischen Analyse zeigten sich signifikante Unterschiede zwischen den Systemen in der Gesamtbewertung (p < ,001). Kriterienspezifisch bestanden signifikante Diskrepanzen insbesondere bei der Strukturiertheit (p < ,001) sowie bei der Einschätzung als hilfreiche Lernunterlage (p = ,004). Verständlichkeit (p = ,271) und Umfang (p = ,094) wiesen keine signifikanten Abweichungen auf.

Schlussfolgerung: Die Studienergebnisse deuten darauf hin, dass LLMs grundsätzlich als ergänzende Lernressource in der zahnmedizinischen Ausbildung geeignet sein können. Eine reflektierte Verwendung und curriculare Integration könnte dazu beitragen, Studierende bei der Anwendung von LLMs als Lernhilfe und somit beim Verständnis komplexer oralchirurgischer Inhalte zu unterstützen.  
 Large Language Models; Künstliche Intelligenz; Zahnmedizinische Ausbildung; Oralchirurgie; Lernunterstützung; Zahnmedizinstudierende; Didaktische Qualität; Querschnittsuntersuchung  
 
 –  
Autorinnen*Autoren / Co-Autorinnen*Co-Autoren
  Schmid, Sebastian Georg
Betreuende Einrichtung / Studium
  Universitätsklinik für Zahnmedizin und Mundgesundheit
 UO 203 Zahnmedizin  
Betreuung / Beurteilung
  Kirnbauer, Barbara; Univ. OÄ Priv.-Doz. Dr.scient.med. Dr.med.dent.
  Holter, Magdalena; Sen.Scientist Dr.scient.med. BSc MSc