庾德荣

公开学术笔记本

笔记与联系。

记录物理治疗教育、评估、教与学、人工智能、虚拟现实、模拟教学及临床科技的工作构思。

研究路径

沿路探索构思

通过四条相互联系的路径探索笔记。每个站点均可打开笔记;多色站点代表内容连接多个主题。

打开连接多个主题

学术笔记

浏览笔记库

评估与模拟客观结构式临床考试

OSCE 应评估可观察的临床能力,而不是把笔试转化为实践形式。

核心原则

  • 每个考站均须对应学习成果及明确的临床技能或推理过程。
  • 统一考官提示、模拟患者回应、设备、时间及场地设置。
  • 采用足够数量的考站与观察,以支持有依据的判断。
  • 确保考生指示、考官指南、患者脚本及评分标准相互一致。
  • 正式实施前先试行考站,并培训考官与模拟患者。

良好的考站能清楚呈现学习者的表现,同时保障效度、信度、真实性、安全及公平。

课程功能解剖学课程发展

功能解剖学应把解剖知识、观察及临床应用联系起来。

  • 重视表面解剖触诊、步态、坐站转移、深蹲、提踵及踏步评估。
  • 帮助学生把动作质量与可能的功能障碍联系起来。
  • 明确教授同意、适当暴露、遮盖及尊重患者的触诊方式。
  • 把功能动作与针对性测试结合,作为快速临床筛查。
  • 平衡直接教授的内容与有结构的自主学习。
课程动作科学课程发展

动作科学教学应从可见的功能出发,进而解释生物力学,最后联系至临床决策。

  • 区分骨运动学与关节运动学。
  • 解释关节的松弛位、紧密位,以及滚动、滑动与旋转。
  • 联系肌肉协同、稳定、负荷分配及动作效率。
  • 要求学习者预测活动限制、代偿及其对运动处方的影响。
会议综合AMEE 2023 医学教育笔记

主要议题包括微学习、学习者参与、体验式教育、学生福祉、人工智能及方案化评估。

  • 微学习应聚焦单一目标,避免内容过度拥挤。
  • 把学习者视为课程及反馈设计的利益相关者。
  • 运用社区及体验式学习,挑战以医院为中心的假设。
  • 把归属感、信任、同伴支持及工作量管理能力纳入课程。
  • 运用一段时间内的多项评估数据,而不是只依赖一次高风险考核。
教与学健康专业教育中的学生参与

学生参与受课堂结构、临床相关性、教师投入、反馈及互动机会影响。

  • 把长课堂分成有明确目的的环节,并适时转换活动。
  • 运用临床案例、短片、互动提问、模拟教学及经审核的人工智能生成案例。
  • 在课堂开始时清楚说明主题与预期学习。
  • 有意识地运用走动、声线、适当幽默及即时回应。
  • 处理内容抽象、互动不足、时间表过密及出席率低等障碍。
学习设计运用科技促进教与学

采用科技应为了解决明确的教育问题,而不是因为科技新颖。

  1. 界定学习需要及预期成果。
  2. 选择最简单而合适的科技。
  3. 使学习活动与评估相互配合。
  4. 保障无障碍使用、隐私及公平。
  5. 进行试行、事前简介、引导、复盘及评估。
  6. 根据证据改进或停止干预措施。
人工智能人工智能基础与教育应用

人工智能包括机器学习、神经网络、自然语言处理及计算机视觉。评估教育效益时也须考虑其限制。

负责任使用

  • 先建立人工智能素养,才期望使用者有效运用。
  • 要求透明度及适当披露。
  • 保护个人、敏感、机密及受版权保护的信息。
  • 检查输出是否存在错误、虚构、偏见或缺少语境。
  • 学生与研究人员仍须为最终作品负责。
  • 谨慎使用人工智能内容检测,且不可把结果视为单一确证。
生成式人工智能生成式人工智能在教与学中的应用

生成式人工智能最具教育价值之处,是增强人的思考,而不是取代思考。

  • 投掷式:只给予少量指示并要求快速答案。
  • 反转式:要求人工智能向学习者提问并激发思考。
  • 指导式:清楚说明任务、语境、标准及预期成果。

学习者应规划、反复改进、评估、披露实质的人工智能使用,并为准确性、推理及个人声音负责。首次输出是待检查的材料,而不是完成品。

研究诚信生成式人工智能时代的研究诚信

人工智能可担任初步审阅者,帮助识别论点不清、语境不足及可能的弱点。

  • 披露具有实质影响的人工智能贡献。
  • 核实每项信息来源、分析及生成的主张。
  • 不可把机密稿件或数据交给未获授权的系统。
  • 把人工智能反馈视为建议,并在需要时提出质疑。
  • 不可把创新性、方法、解释或研究责任交由人工智能承担。
教与学有效挣扎与安全泡泡

具支持性的学习环境不应移除所有挑战。教育者需要区分不必要的障碍,以及能帮助学生建立判断、韧性与专业独立性的困难。

  • 要求学生先自行尝试,再使用人工智能。
  • 把人工智能输出当作批判材料,而不是完成答案。
  • 要求学生说明自己接受、拒绝和修改了什么。
  • 保留部分必须在没有人工智能协助下展示记忆、推理、沟通及实践表现的任务。
  • 区分具同理心的支持与过度保护。
虚拟现实虚拟现实教育设计工具

虚拟现实应回应真实的学习需要,并提供较简单教学方法无法带来的价值。

  1. 识别教育问题及目标学习者。
  2. 使活动与学习成果及评估相互配合。
  3. 界定治理安排及利益相关者责任。
  4. 规划技术、空间及运行准备。
  5. 向学习者作事前简介并管理认知负荷。
  6. 保障舒适、安全、退出权、无障碍使用、平等及公平。
  7. 进行复盘、收集反馈并反复改进。
临床科技儿童外骨骼:教育用途筛查概览

本公开笔记只记录教育主题,并非临床流程,也不能取代最新制造商指南、临床评估或医疗许可。

  • 确认设备所需的身体测量及适配情况。
  • 检查关节活动范围、排列、髋关节状况、肌张力、行为、骨骼健康、近期手术及负重限制。
  • 确认儿童能以语言或非语言信号表达疼痛或不适。
  • 把不确定的发现转介给具适当资格的临床及医疗专业人员。
运动与研究残疾人运动的反应与认知测试

反应测试可评估简单反应、反应选择,或处理相互竞争信息的复杂过程。

可考虑的工具包括侧抑制任务、Corsi 方块任务、伦敦塔、积木设计及矩阵推理。测试选择应以研究问题为依据,并考虑运动员分级、沟通、感官使用及动作要求。不应把一般认知测试简化为运动智力的测量。

研究摘要人工智能在物理治疗教育中的应用

有关生成式人工智能在物理治疗教育中的直接证据仍然有限。较稳妥的做法,是把人工智能用作受监督的思考伙伴,同时保留观察、沟通、实践检查及可问责的临床判断。

可能的教学应用

  • 要求学生批判有缺陷的人工智能生成评估或治疗计划。
  • 先作初步判断,再咨询人工智能,然后进行比较与反思。
  • 检查并重写人工智能生成的患者教育内容,以确保准确、安全及以人为本的沟通。
  • 在教师控制的范围内,运用人工智能改变模拟案例。
  • 要求披露所用工具、目的、核实过程及学生贡献。

核心顺序是:推理、咨询、质疑、决定及反思。

人工智能治理人工智能政策与学术诚信压力

大学的人工智能政策很重要,但政策本身并不足够。学生往往在成绩、期限、同伴规范及网上错误信息的压力下决定如何使用人工智能。

  • 为每项评估清楚说明人工智能是否可用。
  • 在允许使用人工智能时,要求交代过程、核实、来源及学生贡献。
  • 把有缺陷的人工智能输出用作教学材料。
  • 直接讨论同伴压力与错误信息。
  • 评估推理、辩护与过程,而不只看最终成品。
学术工作人工智能与学术工作的加速

人工智能并不只是节省时间。在学术环境中,效率提升往往会被更高的产出期望吸收,真正的瓶颈反而转向判断、方向与问责。

  • 关键问题不只是是否允许使用人工智能,而是使用者能否为每个决定负责。
  • 专家能更有批判性地引导人工智能输出;初学者则可能绕过建立专业能力所需的挣扎。
  • 评估与督导应更重视推理、取舍与可辩护的选择。
  • 人工智能使用反思应说明判断,而不只是提示词。
← 返回文章总览