健康职业教育中传统与人工智能支持的建构主义学习：一项混合方法研究

《Sage Open》：Traditional and Artificial Intelligence-Supported Constructivist Learning in Health Professions Education

　　

摘要 建构主义学习理论强调主动的、情境化的和协作性的知识建构。尽管其理论基础坚实，但关于其在健康职业教育（HPE）中全面应用的证据仍然有限，因为大多数研究聚焦于孤立的策略，而非将建构主义作为一个跨学科和跨学术层次的整合框架。与此同时，人工智能（AI）在HPE中的应用日益增多，但其与建构主义原则的教学一致性尚不明确。本研究考察了本科HPE中传统与AI支持的建构主义学习策略及其对学生临床实践准备度的影响。研究采用混合方法。在定量阶段，来自卡塔尔大学HPE项目的466名本科生完成了建构主义学习环境实践问卷（CPLE），评估了七个建构主义领域。在定性阶段，对目的性抽样的学生（n=26）进行了焦点小组访谈。主题分析探讨了主动参与、现实世界相关性、社会互动、自我调节和AI使用的体验。研究发现，“通过现实生活实例建构意义”是评分最高的领域（M = 3.84, SD = 0.89），反映了对情境化学习的重视。“概念冲突与困境”得分最低（M = 2.57, SD = 0.94），表明认知挑战的暴露有限。定性研究结果显示，临床轮转、协作活动和AI工具支持了反思、探究和个性化学习。学生认为AI具有支持性，但强调需要教师指导。将AI整合到建构主义学习环境中可以增强HPE中的主动和个性化学习。然而，需要有意纳入概念挑战和结构化AI使用指导，以加强健康教育专业学生的教育成果和临床准备度。

论文解读

一、研究背景与问题

建构主义学习理论（CLT）将学习视为个体通过经验主动建构知识的过程，而非被动接收信息。该理论包含五个关键要素：主动学习、先前知识整合、社会互动、现实世界应用和自我调节。在健康职业教育（HPE）领域，建构主义原则支撑了问题导向学习（PBL）、案例导向学习、模拟教学、床旁教学和协作项目等教育方法。已有证据表明，建构主义策略能够改善批判性思维、问题解决能力、临床技能、自主学习和学习者满意度。

然而，现有研究存在若干重要缺口。第一，很少有研究考察不同健康专业和不同教育层次的学生如何体验建构主义学习，以及他们对其促进实践准备度的感知。第二，大部分文献聚焦于建构主义的个别组成部分，如主动学习或自我调节，而非将CLT作为一个综合教育框架进行考察。第三，尽管AI在高等教育中日益普及，但关于AI支持的学习体验如何与HPE课程中的建构主义原则保持一致，目前知之甚少。

人工智能（AI）的出现为通过个性化、适应性和数据驱动的教育体验支持学习带来了新机遇。从建构主义视角看，AI有潜力通过提供脚手架、个性化反馈、引导性提问和自我调节学习机会来支持主动知识建构。生成式人工智能（GenAI）也被概念化为一种“更有知识的他者”，可以通过适应性支持和互动对话扩展学习者的最近发展区（ZPD）。然而，将AI与CLT整合于HPE中的研究仍然有限。

二、研究目的与设计

本研究旨在探讨卡塔尔大学（QU）健康职业教育学生（HCPS）在教育体验中对传统和AI支持的建构主义学习策略的运用，并考察学生对这些学习体验如何促进其未来专业实践准备度的感知。研究采用汇聚式混合方法设计，定量阶段使用经过验证的建构主义学习环境实践问卷（CPLE），对466名本科生进行调查；定性阶段对26名学生进行了五组焦点小组访谈。研究以CLT为总体理论框架，提出了一个概念模型，将主动参与、先前知识整合、社会互动、现实世界应用和自我调节视为知识建构的核心机制，传统建构主义教学法和AI支持的学习策略被概念化为激活这些机制的平行且互补的输入。

三、主要技术方法

研究人员采用汇聚式混合方法设计，定量与定性数据并行收集、独立分析，并在解释阶段进行整合。定量阶段使用CPLE问卷，该问卷包含30个项目，采用5点李克特量表，评估七个建构主义学习环境领域。研究采用总体人口法，邀请QU Health下属所有符合条件的本科生（N = 2,012）参与，最终有效样本为466人。数据分析使用SPSS和STATA软件，包括描述性统计、独立样本t检验、单因素方差分析和多元线性回归。定性阶段采用目的性抽样，从五个健康学院选取26名学生，通过Microsoft Teams进行半结构化焦点小组讨论，使用NVivo软件进行主题分析，采用演绎与归纳相结合的方法，并由两名研究人员独立编码以确保可信度。

四、研究结果

定量研究结果

总体而言，学生对建构主义原则在其HPE项目中应用的平均评分为3.55（SD = 0.71）。七个领域中，“建构意义与现实生活实例”得分最高（M = 3.84, SD = 0.89），表明情境化学习得到高度重视；“概念冲突与困境”得分最低（M = 2.57, SD = 0.94），表明学生接触认知挑战的机会有限。

在专业年级方面，专业三年级学生在“概念冲突与困境”领域的评分显著高于专业二年级学生（p = .031）。在“与他人分享想法”领域，高年级学生的评分显著高于低年级学生（p < .001）。在专业方面，物理治疗学生在“论证、讨论与辩论”和“与他人分享想法”领域的评分显著高于生物医学科学学生；药学学生在“概念冲突与困境”领域显著高于生物医学学生；医学学生在“建构意义与现实生活实例”领域显著高于生物医学学生。

在临床轮转方面，有临床轮转经历的学生在所有CPLE领域（除“概念冲突与困境”外）的感知评分均显著高于未参加临床轮转的学生（p < .001）。多元线性回归分析显示，在调整所有协变量后，未参加临床轮转的学生CPLE总分显著较低（B = ?0.30, p = .013）；公共卫生（B = 0.44, p = .002）和人类营养学（B = 0.33, p = .017）学生的评分显著高于生物医学科学学生。

定性研究结果

主题分析揭示了五个主要主题。第一，“先前知识与新知识建构”表明学生利用高中或先前讲座的知识作为理解新材料的基础，AI工具帮助连接新旧内容并支持知识建构。第二，“主动参与”显示学习质量和参与度高度依赖个别教师的教学方法，学生在面对知识冲突时倾向于直接咨询教师或使用AI解决困惑。第三，“现实世界相关性与问题解决”强调体验式学习与理论学习的互补性，临床轮转、社区外展和医院访问帮助学生巩固理论知识，AI生成的临床场景有助于备考和应用知识。第四，“社会互动与协作学习”表明课堂讨论、同伴互动、PBL、TBL和跨专业教育（IPE）促进了知识交换和团队合作能力的培养。第五，“反思、自我调节学习与学习者自主性”显示自我调节学习在课程中广泛实施，AI被用作独立寻求反馈、改善学术沟通、总结信息和克服语言障碍的工具。

五、讨论与结论

本研究表明，学生普遍认为其学习环境支持主动的建构主义学习。真实学习体验，包括临床实习和现实世界应用，被认定为其教育中最强的方面，尤其是在有临床经验的学生中。相比之下，参与挑战性问题、冲突观点和复杂困境的机会较少，尽管这些对促进批判性思维和深度学习至关重要。学生广泛使用AI生成临床案例、创建练习题、简化复杂概念、开发临床场景、获取即时反馈和克服语言障碍。同时，他们对AI生成信息的准确性、过度依赖的可能性以及需要教育者指导以确保适当使用表示担忧。

研究结论指出，当AI被深思熟虑地整合到健康职业教育中时，可以增强建构主义学习。教育项目应以真实的临床经验、结构化批判性反思和认知挑战机会，以及负责任和批判性使用AI的正式指导来补充AI支持的学习。这种方法可能更好地培养未来健康专业人员安全、有效和终身临床实践的能力。研究的概念模型强调了教师指导作为AI支持学习路径的调节条件，因为AI的教育价值取决于其如何被整合到学习过程中。鉴于AI生成的输出可能不准确、捏造或缺乏适当的情境化，人类脚手架被认为是决定AI使用是促进更深层次概念理解和批判性参与，还是鼓励浅层学习和不加批判地依赖AI生成回应的关键因素。