编辑推荐：
传统学生评价方法存在局限，医疗教育需创新评估工具。研究人员开展药学学生对形成性和终结性客观结构化临床考试（OSCE）及 AI 工具使用的感知和体验研究。结果显示学生成绩提升，AI 工具受认可也有挑战。该研究为 OSCE 考核优化提供依据。
在医疗教育领域，一直以来，传统的学生评价方法，像书面考试、测验和作业等，就如同 “老古董” 一样，虽然在结构化环境中评估学生学术技能方面有着长期的应用，但它们的弊端也逐渐显现出来。比如存在标准化偏差问题，就好比用一把刻度不准的尺子去衡量学生的能力；还面临着抄袭和作弊的风险，使得评估结果难以真实反映学生水平；而且，这些方法根本无法有效考查学生的实践和实际应用技能，这对于医疗教育来说，无疑是个巨大的 “短板”，毕竟在医疗领域，实际操作能力至关重要。
在药学领域，社区药房或医院等场所都需要进行合理的药物管理，这就特别强调药剂师的临床能力。仅仅依靠理论知识远远不够，必须要有可靠的评估工具，能综合考量基于表现和解决问题的能力，来评估和提升药剂师的临床能力。而客观结构化临床考试（Objective Structured Clinical Examination，OSCE）自 20 世纪 70 年代中期诞生后，便成为了评估临床技能的重要方法。它能通过模拟真实场景，考查包括问诊、体格检查、职业素养和沟通等多方面的临床技能，帮助毕业生提升能力，也能发现他们的不足之处。
OSCE 分为形成性和终结性两种。形成性 OSCE 主要用于帮助学生熟悉考试形式，提供建设性反馈，对提升学生后续终结性 OSCE 的表现很有帮助，不过要让学生充分理解其教育目的，反馈也要与课程学习目标相契合才行。终结性 OSCE 则是对学生临床知识和技能的正式评估，关系到学生的最终成绩和课程结业。然而，OSCE 的高风险性常常让学生感到压力和焦虑，即便他们做了充分准备也难以避免。于是，人工智能（Artificial Intelligence，AI）在医学教育中的应用成为了新希望，它能提供更多练习机会，但也存在内容准确性和人工监督等问题。
为了深入了解这些情况，来自巴基斯坦拉合尔一所私立大学药学院的研究人员开展了一项为期 8 周（2024 年 6 月 - 8 月）的研究。他们采用混合研究方法，对药学专业第六学期的学生先进行形成性 OSCE，再进行终结性 OSCE，并比较两次考试成绩。考试结束后，通过问卷调查收集定量数据，通过面对面半结构化访谈收集定性数据。
研究人员在研究过程中，主要运用了以下关键技术方法：首先是设置了前后两次不同性质的 OSCE 考核，对学生的临床技能进行直接评估；然后通过在线问卷调查的方式，广泛收集学生对考核的看法和体验等定量数据；还开展了 20 次面对面半结构化访谈，获取更深入的定性数据，并对访谈内容进行录音、逐字转录和主题分析。
研究结果：
- 参与情况：92 名学生中，88 人（96%）参加了形成性 OSCE，所有 92 名学生（100%）都参加了终结性 OSCE。
- 成绩对比：学生的成绩从形成性 OSCE 到终结性 OSCE 有明显提升，平均成绩从 44.2% 提高到了 56.0%。
- 学生对 OSCE 的感知：学生普遍对 OSCE 过程持积极态度，大部分人（65%）将整体体验评为优秀。他们认为形成性 OSCE 对准备终结性 OSCE 特别有帮助。
- AI 工具的使用：58.5% 的学生认为在 OSCE 准备过程中使用 AI 工具是有帮助的，但也指出存在 “缺乏人性化” 和偶尔出现不准确信息等问题。
- 定性分析主题：从定性数据中生成的主题支持了定量研究结果，并分为促进因素（如简报会、形成性 OSCE、角色扮演人员和评估人员的反馈、AI 工具）和障碍因素（如使用 AI 工具遇到的挑战、焦虑、时间管理）。
研究结论和讨论：这项研究为药学学生对形成性和终结性 OSCE 的感知与体验，以及 AI 在考核准备中的作用提供了宝贵的见解。研究结果支持了形成性 OSCE 的使用，表明它确实有助于学生在终结性 OSCE 中取得更好成绩。同时也显示，正确、合理地使用 AI 工具能够影响学生的准备情况，提升他们的学业成绩。然而，研究也强调了在使用 AI 工具时，需要进行结构化培训和提供指导，以克服其存在的问题。该研究对于优化 OSCE 考核设计、提升医疗教育质量有着重要意义，为后续在医疗教育领域更好地应用 AI 技术提供了参考依据，也让教育者更加重视评估设计与学生感知之间的相互关系，推动医疗教育朝着更科学、更有效的方向发展。
