Dies ist eine Übersichtsseite mit Metadaten zu dieser wissenschaftlichen Arbeit. Der vollständige Artikel ist beim Verlag verfügbar.
Comparison of AI-generated and human-made animated videos for medical education: experts and students preferred AI over humans
1
Zitationen
4
Autoren
2025
Jahr
Abstract
Objective: This study compared medical students and experts, and evaluated a frames‑to‑video AI‑generated problem‑based learning (PBL) trigger against its scene‑matched human‑made animated counterpart in terms of evaluations and preferences. Study Design: A mixed‑methods study was conducted at a medical school. Two scene‑matched videos were used: an AI‑generated video and an animated (human‑made) video. Students (n210; Years 2–5) viewed both videos in counterbalanced order and rated eight 5‑point Likert items for each; they also indicated their preferred video for engagement, emotional impact, and PBL use. A multidisciplinary expert panel (n=104) evaluated only the AI video on comparable items and provided open‑ended comments. Mann–Whitney-U tests compared experts with students on the AI video; Wilcoxon signed‑rank tests compared students’ ratings across videos. Qualitative data underwent thematic analysis. Results: Students rated the AI‑generated video significantly higher than the animated video on all eight items (all p≤.026) and preferred it for engagement (83.8%), emotional impact (81.0%), and PBL use (79.0%). Experts’ ratings of the AI video were also high and exceeded students’ ratings on visual quality, distraction avoidance, and visual consistency (p≤.001). Qualitative themes highlighted realism, suitability for PBL sessions, and strong engagement, while suggested improvements included micro‑continuity, pronunciation, and body language. Conclusion: Within the PBL context, a frames‑to‑video AI workflow produced a fully synthetic trigger that was preferred by students and endorsed by experts. AI‑generated triggers appear feasible, acceptable, and educationally promising, provided attention is given to fine‑grained audiovisual continuity and communication cues. Objetivo: Este estudio comparó a estudiantes de medicina y expertos, y evaluó un disparador de aprendizaje basado en problemas (ABP) generado por IA de fotogramas a vídeo contra su homólogo animado hecho por humanos con escenas coincidentes en términos de evaluaciones y preferencias. Diseño del estudio: Se realizó un estudio de métodos mixtos en una facultad de medicina. Se utilizaron dos vídeos con escenas coincidentes: un vídeo generado por IA y un vídeo animado (creado por humanos). Los estudiantes (n210; años 2-5) vieron ambos vídeos en orden contrabalanceado y calificaron ocho elementos Likert de 5 puntos para cada uno; también indicaron su vídeo preferido para la participación, el impacto emocional y el uso del ABP. Un panel multidisciplinario de expertos (n=104) evaluó solo el vídeo de IA en elementos comparables y proporcionó comentarios abiertos. Las pruebas U de Mann-Whitney compararon a expertos con estudiantes en el vídeo de IA; las pruebas de rangos con signo de Wilcoxon compararon las calificaciones de los estudiantes en los distintos vídeos. Los datos cualitativos se sometieron a análisis temático. Resultados: Los estudiantes calificaron el video generado por IA significativamente más alto que el video animado en los ocho ítems (todos p≤.026) y lo prefirieron por su engagement (83.8%), impacto emocional (81.0%) y uso de PBL (79.0%). Las calificaciones de los expertos del video de IA también fueron altas y superaron las calificaciones de los estudiantes en calidad visual, evitación de distracciones y consistencia visual (p≤.001). Los temas cualitativos destacaron el realismo, la idoneidad para sesiones de PBL y un fuerte engagement, mientras que las mejoras sugeridas incluyeron microcontinuidad, pronunciación y lenguaje corporal. Conclusión: Dentro del contexto de PBL, un flujo de trabajo de IA de cuadros a video produjo un disparador completamente sintético que fue preferido por los estudiantes y avalado por los expertos. Los disparadores generados por IA parecen factibles, aceptables y educativamente prometedores, siempre que se preste atención a la continuidad audiovisual de grano fino y a las señales de comunicación.
Ähnliche Arbeiten
Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI
2019 · 8.393 Zit.
Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead
2019 · 8.259 Zit.
High-performance medicine: the convergence of human and artificial intelligence
2018 · 7.688 Zit.
Proceedings of the 19th International Joint Conference on Artificial Intelligence
2005 · 5.781 Zit.
Peeking Inside the Black-Box: A Survey on Explainable Artificial Intelligence (XAI)
2018 · 5.502 Zit.