《Journal of Professional Nursing》：A tech-driven approach to curriculum mapping the new essentials
编辑推荐：
通过整合Qualtrics调查、Microsoft Excel和Gemini AI技术，本研究构建了高效且可视化的护理课程映射框架，有效降低教师工作量并提升课程修订效率，为基于能力的护理教育转型提供新方法。
梅丽莎·麦克雷（Melissa McRae）| 莱伊·哈特（Leigh Hart）| 林赛·沃尔夫（Lindsay Wolf）
美国佛罗里达州杰克逊维尔市杰克逊维尔大学凯格温护理学院（Keigwin School of Nursing, Jacksonville University, Jacksonville, FL, USA）
摘要
本项目的目的是通过清晰且直观的格式，开发一种高效的方法，将现有的护理课程与2021年美国护理学院协会（AACN）发布的《新核心标准》（The New Essentials）进行对接。本文描述了如何利用质量改进设计（quality improvement design）将技术应用于课程映射过程中。我们使用了Qualtrics调查问卷和Microsoft Excel工具来简化领域、能力范围（spheres）及子能力（sub-competencies）的映射工作。此外，还借助Gemini AI技术创建了各课程中《新核心标准》相关内容的可视化展示。这种做法不仅提高了教师的参与度，还显著减少了他们在课程映射上的时间和精力投入，使他们能够将精力集中在高层次的课程验证和实质性修订上。最终生成的可视化结果能够清晰、易懂地展示课程内容与《新核心标准》的一致性。
引言
美国护理学院协会（AACN）发布的《新核心标准：专业护理教育的核心能力》（The Essentials: Core Competencies for Professional Nursing Education, 2021a）要求护理教育向基于能力（competency-based education, CBE）的模式转型。这一转型旨在弥合传统课堂教学方式与现代医疗环境日益复杂需求之间的差距。同时，《新核心标准》也解决了护理毕业生在知识、技能和临床能力方面存在的不一致性问题（AACN, 2021b）。这些标准基于十个核心领域构建，涵盖了45项能力，分为两个层级：一级（入门级实践，Level 1）和二级（高级实践，Level 2）。将现有护理课程过渡到《新核心标准》是一项艰巨的任务，可能需要三年或更长时间才能全面完成（AACN, 2021b）。
过渡到《新核心标准》的关键第一步是对现有课程内容进行系统性的映射，以确定其与各领域、概念和能力之间的对应关系。这些映射结果对于识别课程和项目层面的不一致性、缺口及重复内容至关重要。因此，课程映射所获得的数据为课程修订提供了重要依据，有助于判断课程是否需要小幅调整或进行全面重构。尽管这一过程非常重要，但教师们常常觉得它既繁琐又难以应对。本项目的目标就是开发一种协作式的课程映射方法，让所有教师都能全面评估当前课程与《新核心标准》的一致性。
该项目在项目完成大学护理教育委员会（Commission on Collegiate Nursing Education, CCNE）的重新认证流程一年后启动，此时所有课程均已根据之前的AACN《核心标准》系列完成了映射工作。之前的映射工作使用了Microsoft Excel（2021版本），由护理学院行政部门完成，随后由教师进行审核和验证。这一过程颇具挑战性，需要将复杂的课程内容整合成一个整体框架，这既费时又需要大量的格式化工作，整个过程耗时约九个月，并经历了多轮教师验证。这次经验凸显了采用更高效、基于技术的课程映射方法的重要性。
由于该项目涉及三个入门级护理项目以及多个MSN（Master of Science in Nursing）和DNP（Doctor of Nursing Practice）高级专业方向，因此任务十分艰巨。为此成立了一个由认证协调员、现任副院长及研究生项目主任组成的过渡团队。该团队成员在认证、课程映射和课程设计方面具备丰富经验，其中团队负责人曾担任过副院长职务。
下一步的重点是将现有课程内容与《新核心标准》进行比对。为了有效实现这一目标，我们开始寻找一种基于证据的课程映射方法。以往的手动映射工作表明这一过程耗时且复杂，因此决定引入技术和人工智能（AI）来提升效率。我们没有依赖昂贵的软件或咨询服务，而是通过文献调研寻找利用技术实现高效、教师参与式的课程映射方法。
长期以来，课程地图一直被用作质量改进工具（Harden, 2001）。课程地图能够直观展示课程内容，并为课程评估和优化提供依据（Harden, 2001; Mueller-Burke, Bindon, Akintade, & Idzik, 2024）。尤其是人工智能技术的进步，使得原本的手动流程得以转变为基于技术的协作式活动。这种方法从课程层面入手，利用教师专家将每门课程的内容与《新核心标准》中的概念、能力和护理领域进行对应（Lucey, Sipe, & Hoyt, 2024; Stephens, 2022）。通过让教师专家完成关于课程内容和能力的调查，可以让他们更加主动地参与课程修订工作（Lucey et al., 2024）。许多大学和护理项目常使用RedCap、SurveyMonkey、Microsoft Forms和Qualtrics等调查平台进行数据收集。利用教师熟悉的相关许可和调查平台，可以简化课程映射的工作流程。
应用程序和人工智能（AI）能够简化数据管理和分析。Casey、Joseph和Michael（2023）研究了如何利用Google Bard和OpenAI ChatGPT-4等AI工具进行DNP项目的课程映射。虽然这些工具的结果通常较为准确，但人工审核仍然必不可少。在使用AI时，清晰、可复制的提示对于保证结果质量至关重要（Gaudino-Goering, 2021）。热图（heatmaps）是可视化课程一致性的强大工具，尤其有助于识别标准执行过严或不足的区域（Lucey et al., 2024）。近年来，人工智能驱动的软件平台在自然语言处理领域的进步使得查询和数据可视化变得更加便捷。
团队确定了以教师为主导、结合教师验证的课程映射方法作为下一步的重点。随着团队对相关技术的熟悉度不断提高，逐步形成了相应的框架（见表1）。虽然AI用于创建高效的工作流程和可视化结果，但课程改革的最终决策权仍属于教师。
部分内容摘录
教师培训与社区合作伙伴的参与
过渡团队认为，对教师进行《新核心标准》和基于能力的教育模式的培训是一个持续的质量改进过程。培训工作首先包括向所有教师介绍《新核心标准》，确保他们全面理解新标准和CBE框架。初步的教师讨论显示，许多课程目标、学习活动和评估方式已经符合新标准的要求。
结果
利用这种基于技术的方法将现有课程内容与AACN《新核心标准》进行比对，成功实现了其主要目标：生成了高效、易于理解的课程可视化结果，同时最大化了教师时间的利用效率。从教师反馈来看，整个过程在合理的时间内完成，且效率远高于以往依赖手动比对的方法。
讨论与启示
这种方法改变了护理教育中基于能力的课程分析方式。通过热图和堆叠条形图的分析，揭示了传统教学大纲审查难以发现的模式。反复强调某些能力内容却缺乏实际应用的情况，进一步凸显了课程结构上的低效问题，这与基于能力的教育文献中提到的问题一致。
CRediT作者贡献声明
梅丽莎·麦克雷（Melissa McRae）：负责撰写、审阅与编辑、撰写初稿、方法论设计、数据分析及概念框架构建。莱伊·哈特（Leigh Hart）：负责撰写、审阅与编辑、撰写初稿、方法论设计、数据分析及概念框架构建。林赛·沃尔夫（Lindsay Wolf）：负责撰写、审阅与编辑、资源整理及概念框架构建。
未引用的参考文献
Google DeepMind, 2024
Qualtrics, 2025
梅丽莎·麦克雷（Melissa McRae）现任杰克逊维尔大学布鲁克斯康复健康科学学院（Brooks Rehabilitation College of Healthcare Sciences）凯格温护理学院（Keigwin School of Nursing）的助理教授。她毕业于北佛罗里达大学（University of North Florida），最初在沃尔夫森儿童医院（Wolfson Children's Hospital）从事儿科护理工作，后来担任内穆尔斯儿童诊所（Nemours Children's Clinic）的高级研究协调员，专注于儿科哮喘研究。她出生于佛罗里达州杰克逊维尔的阿灵顿（Arlington）社区。
