人工智能生成与人类生成实时反馈在护理教育中的应用效果：一项快速系统评价

《International Nursing Review》：A Rapid Systematic Review of AI-Generated and Human-Generated Real-Time Feedback in Nursing Education

　　

目的 探讨人工智能（AI）生成与人类生成的实时反馈对本科护生学习效果与学习体验的影响。 背景 及时、高质量的反馈对于护理教育中支持临床推理、技能发展和学生参与至关重要。尽管人类生成的反馈在教学法中仍处于核心地位，新兴的AI技术能够提供实时反馈，对传统方法形成补充。理解两种干预方式如何影响学生学习，对于指导未来课程设置与临床实践具有重要意义。 方法 我们开展了一项快速系统评价（rapid systematic review），涵盖2018至2025年间主要数据库中定量、定性及混合方法研究。纳入标准涉及接受AI或人类生成实时反馈的本科护生。研究采用样本、研究兴趣现象、设计、评价及研究类型（Sample, Phenomenon of Interest, Design, Evaluation, and Research Type, SPIDER）框架指导文献纳入，并使用混合方法评价工具（Mixed Methods Appraisal Tool, MMAT）评估方法学质量。 结果 共纳入九项研究。AI生成工具能够提供及时、一致且个性化的学习支持，有助于提升学生参与度、自信心和技能发展。教育者介导的反馈，包括技术辅助和传统人类反馈方式，有助于提升学生满意度、促进反思和提供情感支持。一项直接比较AI生成与人类生成反馈的研究发现，AI生成反馈在一致性和客观性方面更具优势，而人类生成反馈则提供情境敏感性和人际联系；然而，该比较结果不应推广至更广泛的证据基础。 讨论 AI为解决反馈交付中的可扩展性和可及性挑战提供了机会，但尚不能完全复制教育者反馈中的人际关系维度。 结论 AI生成与人类生成反馈展现出各自独特且互补的优势。混合反馈模式（hybrid feedback model）被提出作为一种可能优化护理教育效果的方法；然而，纳入的研究尚未直接对其进行评价，在推荐其为最有效方法之前，仍需未来实证检验。 对护理实践的启示 将AI生成与人类生成反馈相结合展现出互补优势，整合两者可能优化学习效果。 对卫生政策的启示 需要投资于数字教育和教师发展，以在全球范围内支持可扩展的反馈策略。 报告方法 本系统评价遵循相关EQUATOR指南及PRISMA指南（见附录3）。

1 引言

反馈是临床护理教育的基石，对于学生在基于表现的临床护理教育中的专业成长至关重要（Nilsson等，2025）。实时反馈是发展临床能力、弥合理论与实践差距的基本组成部分，能够强化临床推理、技术技能、自信心和自我效能感，尤其在模拟学习环境中，即时指导有助于掌握复杂操作和压力下的决策（Masuda等，2024；Yang等，2025）。

及时且有意义的反馈能够增强学生的学习体验和成果，使其识别改进领域、强化安全循证护理并更深入地参与教育过程（Reis等，2024）。此外，有意义的反馈有助于培养反思能力、批判性思维和自主学习习惯，这些均是终身专业发展所需的核心能力（Archer，2010；Clynes和Raftery，2008；Yoong等，2023）。国际护理组织强调有效教育策略对支持临床能力、反思实践和患者安全的重要性（Sharplin等，2025）。例如，国际护士理事会（International Council of Nurses, ICN）强调需要创新教育方法来培养胜任的全球护理队伍，世界卫生组织（World Health Organisation, WHO）则强调加强卫生队伍教育以改善全球护理质量和卫生系统韧性（Mason和Salvage，2021；WHO，2021）。

传统上，护理教育中的反馈由教育者、引导者或临床教师通过直接观察后给予口头或书面回应来提供。虽然这种以人为主导的方法仍是护理教育的核心，但其存在局限性。反馈交付的差异性、时间限制和可扩展性问题，尤其在大型或资源受限的学术环境中，对仅依赖教育者主导模式的可持续性构成挑战（Masuda等，2024）。这些问题在全球护理教育系统中日益受到关注，各机构正在寻求可扩展和创新的方法来支持胜任护理队伍的培养（WHO，2025）。

随着教育数字化转型的推进，人工智能（AI）技术，包括生成式AI（generative AI, Gen-AI），正越来越多地被用于补充或提供高等教育中的实时反馈。全球卫生教育机构正在积极探索利用AI生成反馈来增强学生参与、个性化反馈和支持可扩展教育模式（Holmes和Miao，2023）。这些系统能够提供及时、个性化和客观的反馈，通常在学习表现期间或之后立即交付。有证据表明，AI生成反馈可以增强学生参与度、动机和学业成果（Venter等，2025）。AI融入护理教育正在通过实现动态、以学生为中心的方法重塑教学策略，同时涵盖学习的认知和情感维度。

尽管AI在护理教育中的存在日益增长，但AI生成实时反馈的实施和评价程度，特别是与人类生成反馈的比较，仍未得到充分探索。人类反馈因其关系深度和情境敏感性而广受重视，而AI则提供精确性、即时性和可扩展性（Prakash等，2024）。然而，很少有研究系统地考察两种反馈来源对学生学习成果、满意度和反思实践的相对影响。本快速系统评价通过探索AI生成与人类生成实时反馈对本科护生教育体验和学习成果的影响来填补这一空白。

2 目的

本评价探讨AI生成与人类生成实时反馈对本科护生学习成果和体验的影响。

3 方法

3.1 研究设计

本研究采用快速系统评价设计，以在保持方法学严谨性的同时确保新兴技术研究证据的及时综合（Haby等，2016；Tricco等，2017）。根据WHO快速评价实践指南（WHO，2021），快速系统评价是综合证据以支持卫生政策和系统知情决策的简化方法（Hartling等，2015；Tricco等，2017）。鉴于护理教育中AI生成反馈研究的新兴性质，预先设定的纳入标准专门针对通过AI生成或人类生成来源提供的实时反馈研究。因此，符合条件的研究数量有限，反映了该领域实证研究尚处于早期阶段。

3.2 方案与注册

评价方案已在系统评价前瞻性注册平台（PROSPERO）注册。研究按照预先注册的方案实施，未对注册的纳入标准或综合方法进行实质性偏离。研究遵循PRISMA指南以保证透明和准确的报告（Page等，2021）。

3.3 检索策略

在三个数据库中进行全面文献检索：教育资源信息中心（ERIC）、MEDLINE和Embase，以及护理与联合健康文献累积索引（CINAHL）。检索词采用层级结构组织，并结合布尔运算符（AND、OR）以反映核心概念：反馈模式、AI、本科护生和适当的研究设计。检索限定为2018至2025年间以英文发表的同行评审文章，以反映数字反馈技术的最新发展。符合条件的研包括比较设计、前后测设计、准实验研究、随机对照试验以及涉及焦点小组或访谈的定性研究。此外还采用补充方法，如筛查纳入研究参考文献列表，以确保覆盖全面。

3.4 纳入标准

两名独立评审员根据预设纳入标准筛选标题和摘要。评审员通过讨论解决分歧，必要时咨询第三名评审员达成共识。研究采用SPIDER框架进行选择。本评价中，人类生成反馈定义为教育者、讲师、导师或引导者在学习情境中提供的反馈；AI生成反馈定义为由AI系统或工具基于学生表现数据、书面提交或交互模式自动产生、无需实时人工输入的反馈（Banihashem等，2024）。本评价将"实时"或"即时"反馈操作性地定义为在任务执行期间或同一学习场景内交付的反馈，区别于在较长时间间隔后提供的延迟性或总结性反馈。该定义同等适用于AI生成和人类生成反馈。

3.5 选择过程

从电子数据库检索到的文献导入Covidence系统评价管理平台，自动去除重复项。第一和第二作者独立根据纳入和排除标准筛选标题和摘要。为确保一致性，最后一位作者对随机选择的5%记录进行保真度检查。完成标题和摘要筛选阶段后，第一和第二作者对所选论文进行全文审查。最后一位作者检查随机5%子集以确保保真度，团队通过协作讨论解决分歧。

3.6 数据提取与质量评估

第一和第二作者审查随机10%的记录以确保数据提取一致性，随后独立提取数据并交叉核对。数据提取包括：作者/年份、国家/环境、研究设计、人群特征、样本量、AI生成反馈、人类生成反馈、测量结果和主要发现。方法学质量采用混合方法评价工具（MMAT，2018版）评估。两名评审员独立根据相关MMAT设计特定标准评估每项研究，通过共识解决分歧。按照MMAT指南，未分配总体数值质量评分，而是记录各领域判断。

3.7 数据综合与分析

采用叙述性综合方法系统整合和解释护理教育中反馈干预研究的结果。由于研究设计、干预类型和结果测量的异质性，该方法被认为适当，排除了进行荟萃分析的可能性。两名评审员使用结构化模板独立提取数据，涵盖研究特征、干预和对照细节、结果测量和主要发现。提取数据按主题进行表格化和组织，以实现跨研究的系统比较。主题分组按反馈交付模式（AI生成与人类生成）进行组织。结果按护理教育相关关键领域分类：临床表现、学生信心、满意度、参与和自我调节，以及反馈效用感知。

4 结果

4.1 研究选择

PRISMA流程图详细展示了研究选择过程。系统检索通过数据库和手动检索识别出675条记录，其中82条为重复。标题和摘要筛选后，排除468项无关或无法获取全文的研究。对剩余64篇文章进行全文审查以评估纳入资格，其中55项因不符合研究特征被排除。最终九项研究符合纳入标准并进行方法学质量评价。大多数研究满足大部分质量标准，但存在若干方法学局限，包括样本量小、非随机设计、定性与定量结果整合有限以及对潜在混杂变量考虑不足。

4.2 研究特征

九项研究来自澳大利亚、台湾、巴基斯坦、中国和摩洛哥等不同地理位置，在大学、模拟中心或临床技能实验室环境中开展。研究设计包括随机对照试验2项、混合方法设计1项、准实验研究2项、横断面描述性定量研究3项和横断面定性研究1项。所有研究均聚焦本科护生，样本量从38到1082名参与者不等。两项研究使用AI生成实时反馈，包括ChatGPT、Deepgram、OpenPose和ChatVR-ONCS响应系统。其余研究评价了自动化非AI反馈、技术辅助人类反馈和传统人类反馈。测量结果包括临床表现、信心、满意度、参与、自我调节，部分研究还涉及沟通技能和学生对反馈质量的感知。

4.3 综合结果

纳入研究按反馈来源和交付机制分为四类：AI生成反馈、自动化但非AI生成反馈、技术辅助人类反馈和传统人类反馈。

4.3.1 AI生成反馈

两项研究评价了AI生成反馈干预，其中一项直接比较了AI生成与人类生成反馈。研究探索了ChatGPT、Deepgram、OpenPose和ChatVR-ONCS等集成到模拟训练、在线模块和课堂活动中的多种技术。研究报道，集成Deepgram语音分析和OpenPose动作捕捉的AI生成反馈在临床表现、信心和满意度方面比传统教师主导的复盘产生更显著的改善。ChatVR-ONCS反馈促进了学生的自我纠正和更深层次反思，改善了沟通技能，增强了信心。学生普遍认为AI生成反馈具有建设性、及时性、非评判性和吸引力，尤其欣赏其客观性和即时性，报告动机增强和表现焦虑降低。然而，研究也指出AI生成反馈缺乏情感细微差别和充分处理人类教育者通常提供的人际关系学习维度的能力。

4.3.2 自动化但非AI生成反馈

一项研究考察了基于规则的自动化仅分数反馈，与详细人类反馈进行比较。自动化仅分数反馈促进了学生参与、自我调节和协作，但参与者对详细人类反馈的满意度更高。这表明自动化反馈可以有效支持学习行为，但可能缺乏教育者交付反馈的解释深度和个性化。

4.3.3 技术辅助人类反馈

四项研究探索了技术辅助人类反馈，其中技术支持反馈交付，但教育者仍负责解释、提供反馈或引导。技术包括VAR辅助模拟审查、视频评估平台、课堂响应系统和智能手机支持的视频反馈。这些方法增强了学习者参与、反思和表现，提供及时可及的反馈。学生特别重视与可观察表现和教育者指导相关联的反馈，表明技术可以强化反馈过程，而无需替代人类教育者的情境和人际贡献。

4.3.4 传统人类反馈

两项研究考察了无技术中介、由教育者直接提供的传统人类反馈。一项研究比较了模拟期间的微复盘与传统模拟后复盘，发现知识获取、信心或满意度方面无显著差异。另一项研究报告学生重视清晰及时的反馈，但当反馈被认为不清晰或情感不敏感时存在挑战。超过半数参与者报告因负面反馈体验而感到气馁，凸显有效教育者反馈实践的重要性。

5 讨论

证据综合强调了AI生成反馈在本科护理教育中带来的教学策略范式转变。AI工具从ChatGPT等对话代理到OpenPose和Deepgram等基于传感器的系统，在模拟、在线模块和课堂环境中的应用，展示了AI提供即时、个性化和情境相关反馈的潜力。这些工具支持护理教育的认知和精神运动领域。在全球背景下，卫生系统面临日益增长的工作力压力、扩大的学生群体和有限的师资资源，为向学习者提供及时个性化反馈带来挑战。ICN等国际专业组织强调加强护理教育技术的重要性。

AI生成反馈带来的表现改善反映了其通过实时形成性评价支持主动学习的能力，同时促进自我调节学习和临床能力的精炼，从而显著增强信心。然而，显著局限依然存在。AI工具目前缺乏医疗教育中重视的情感细微差别和关系适应性。其标准化输出可能缺乏同理心或情境敏感性，而这些是护理专业身份和人际交往技能发展的重要元素。

相比之下，人类生成反馈的综合结果强调了其在发展反思实践和专业身份方面的持久重要性。教师主导的复盘、结构化形成性评价和视频反馈与离散临床技能的改善相关。学生通常将人类生成反馈描述为更具适应性和情感支持性，在建设性交付时有助于增强动机、信任和自我意识。然而，交付的变异性仍是反复出现的挑战。

从护理实践角度看，整合AI生成和人类生成反馈为加强临床准备和支持从学生到专业从业者的过渡提供了机会。OpenPose等系统可支持心肺复苏和安全药物处理等程序性技能的掌握，ChatGPT驱动的对话代理可支持模拟真实患者互动的反思思维、临床推理和决策。

尽管高等教育中对AI的兴趣日益增长，本评价中识别的研究数量有限，凸显了本科护理教育中AI生成反馈研究尚处于早期阶段。大多数研究在特定机构背景下进行，可能限制研究结果在不同国际教育系统中的可转移性。

5.1 对护理和卫生政策的启示

本评价结果为护理教育者、课程开发者和卫生政策制定者提供了循证见解。AI提供一致性和可扩展性，但需要保留人类生成反馈在培养同理心、专业身份和情境敏感沟通方面的不可替代作用。混合反馈模式是未来实践的可能方向，但由于纳入研究未直接评价混合模式，应将其视为未来研究和谨慎试点评估的假设而非广泛实施建议。AI辅助反馈工具的采用应伴随教育者监督、员工数字素养培训、数据保护和隐私保障、对公平性和文化或语言偏见的关注，以及在更广泛推广前进行更强有力的比较研究。政策层面，机构领导者和治理机构应优先开发教学上稳健、文化包容和伦理合理的AI工具。国家护理委员会、认证委员会和高等教育机构应合作制定将AI融入课程设计、反馈交付和学生评价的指南和标准。

6 局限性

本评价为快速系统评价，与完整系统评价相比涉及方法学简化。纳入研究数量较少，关于AI生成反馈的结论仅基于两项研究，其中仅一项在相同样本中直接比较了AI生成和人类生成反馈。证据基础在地理上也有限，来自少数国家，进一步限制可转移性。研究设计、干预类型、结果测量和反馈模式的异质性限制了荟萃分析的可行性。此外，各研究对"实时反馈"和"AI生成反馈"的定义存在差异，使综合复杂化。

7 结论

本快速系统评价表明，AI生成反馈可以增强本科护生的临床技能、信心和决策能力。相比之下，人类生成反馈对于培养同理心、反思实践和专业身份仍然至关重要。AI在程序准确性、自主学习和可扩展性方面具有优势，而人类输入提供护理所必需的关系和情境要素。整合两者的混合方法可能为专业准备提供有前景的方向。然而，纳入研究尚未直接检验该方法，应将其视为需要未来比较评价的假设而非既定建议。未来研究应探索AI生成反馈在更广泛国际教育环境中的有效性，以加强全球证据基础并支持全球护理教育可扩展反馈策略的发展。