Browsing by Author "Schuit, Gregory"

Now showing 1 - 3 of 3
  • No Thumbnail Available
    Item
    Implementing Artificial Intelligence in Physiotherapy Education: A Case Study on the Use of Large Language Models (LLM) to Enhance Feedback
    (2024) Villagran, Ignacio; Hernandez, Rocio; Schuit, Gregory; Neyem, Andres; Fuentes-Cimma, Javiera; Miranda, Constanza; Hilliger, Isabel; Duran, Valentina; Escalona, Gabriel; Varas, Julian
    This article presents a controlled case study focused on implementing and using generative artificial intelligence, specifically large language models (LLMs), in physiotherapy education to assist instructors with formulating effective technology-mediated feedback for students. It outlines how these advanced technologies have been integrated into an existing feedback-oriented platform to guide instructors in providing feedback inputs and establish a reference framework for future innovations in practical skills training for health professions education. Specifically, the proposed solution uses LLMs to automatically evaluate feedback inputs made by instructors based on predefined and literature-based quality criteria and generates actionable textual explanations for reformulation. In addition, if the instructor requires, the tool supports summary generation for large sets of text inputs to achieve better student reception and understanding. The case study describes how these features were integrated into the feedback-oriented platform, how their effectiveness was evaluated in a controlled setting with documented feedback inputs, and the results of its implementation with real users through cognitive walkthroughs. Initial results indicate that this innovative implementation holds great potential to enhance learning and performance in physiotherapy education and has the potential to expand to other health disciplines where the development of procedural skills is critical, offering a valuable tool to assess and improve feedback based on quality standards for effective feedback processes. The cognitive walkthroughs allowed us to determine participants' usability decisions in the face of these new features and to evaluate the perceived usefulness, how this would integrate into their workload, and their opinion regarding the potential for the future within this teaching strategy. This article concludes with a discussion of the implications of these findings for practice and future research directions in this developing field.
  • No Thumbnail Available
    Item
    Perceptual evaluation of radiologists on conditional generation of chest x-rays with adversarial and diffusion models
    (2025) Schuit, Gregory; Parra Santander, Denis; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    Recientemente, los modelos de redes neuronales generativas han demostrado una creciente capacidad para sintetizar imágenes de alta calidad, gracias a los Modelos de Difusión. Esto ofrece un potencial significativo para la IA en radiología para abordar problemas como la escasez de datos y la privacidad. Asegurar la correctitud médica es crucial para la generación confiable de imágenes médicas sintéticas. Aunque varios estudios han evaluado la calidad de estas imágenes con métricas offline, los atributos clave desde la perspectiva de los radiólogos no han sido estudiados a fondo. Nuestro objetivo es abordar esta brecha cuantificando el realismo y la correctitud condicional en la generación de radiografías de tórax y comprendiendo el razonamiento de los radiólogos sobre atributos específicos de las imágenes en cuatro anomalías. Generamos un conjunto de datos con imágenes reales, generadas por GAN y por difusión. Pedimos a los radiólogos que realizaran dos tareas usando una interfaz web para evaluar estas imágenes. La primera tarea consistía en identificar la imagen sintética entre dos imágenes, siendo la otra real. Se pidió a los radiólogos que explicaran sus respuestas seleccionando una de las cuatro posibles anomalías o usando un campo de texto libre. La segunda tarea se refería a la correctitud condicional, juzgando si una anomalía estaba correctamente asignada a una imagen. Los resultados fueron analizados estadísticamente, y las respuestas de texto libre se discutieron con los participantes. Nuestro estudio reveló que, aunque los Modelos de Difusión son superiores a los GAN en el dominio general, aún no aseguran la correctitud médica al generar radiografías de tórax en ciertas condiciones. Aunque la mayoría de las imágenes sintéticas eran indistinguibles de las reales, ciertas características podían revelar su naturaleza artificial, especialmente al usar el Modelo de Difusión. Nuestros hallazgos sugieren que se necesita más trabajo para asegurar el realismo y la correctitud médica en la generación de imágenes médicas.
  • Thumbnail Image
    Item
    Self-tracking Time-On-Task: Web-Based Weekly Timesheets for Higher Education Students
    (2021) Hilliger Carrasco, Isabel; Miranda, Constanza; Schuit, Gregory; Perez-Sanagustin, Mar