《Science & Justice》：From concept to classroom: Transforming forensic Taphonomy education with Decompanion
编辑推荐：
法医埋藏学（Forensic Taphonomy）是研究尸体分解和死后过程的学科，在死后间隔（PMI）估计、现场解释以及搜索和恢复策略中扮演重要角色。然而，分解过程受到多种相互作用变量的影响，包括温度、湿度、微生物活动、昆虫定殖、体型、衣物和环境背景，这使得研
法医埋藏学（Forensic Taphonomy）是研究尸体分解和死后过程的学科，在死后间隔（PMI）估计、现场解释以及搜索和恢复策略中扮演重要角色。然而，分解过程受到多种相互作用变量的影响，包括温度、湿度、微生物活动、昆虫定殖、体型、衣物和环境背景，这使得研究解释和教育传授都充满挑战。获取实践性的埋藏学学习环境仍然有限。人类埋藏学设施（Human Taphonomic Facilities）在地理上受限，并且在许多司法管辖区，人类遗骸在研究中的使用以及教学受到伦理、法律、文化和制度框架的限制。例如，在英国，2004年《人体组织法》对死者人体组织的储存和使用进行监管，建立人类分解研究设施的努力已持续十多年但尚未解决。因此，研究人员和教育工作者通常依赖动物模型，尤其是猪，这些模型提供了有用的见解，但由于解剖和生理差异，无法完全复制人类分解过程。基于动物的埋藏学设施在数量和可及性上也有限，进一步限制了动手研究和培训的机会。这些限制对法医学教育有直接影响。一些将埋藏学作为课程一部分的教学项目严重依赖讲座式教学、低分辨率图像、案例报告或偶尔的实地演示。虽然这些资源有价值，但可能无法充分传达真实世界分解过程的复杂性、变异性和解释不确定性。这可能限制学生发展应用性、情境敏感技能的机会，并可能导致不同机构之间因获取专业设施和数据集的能力不同而产生不平等。随着法医学变得越来越跨学科和数据驱动，越来越需要能够让学生接触真实、道德来源且结构化的法医数据的教育工具。数字平台通过提供交互式视觉资源、可搜索数据集和应用分析工具来支持这一需求。然而，这些平台不能仅仅设计为存储库，而应作为支持体验式学习、数据素养、伦理推理以及对方法论局限进行批判性思考的教育资源。Decompanion正是为了应对这些交织的教育、伦理和实践挑战而开发的。它是一个开放获取数字平台，旨在组织和引导法医埋藏学数据，支持标准化元数据，并提供交互式学习资源，如3D模型、设施地图、分解计算器和结构化提交协议。虽然Decompanion也有研究应用，但本文主要关注其作为法医埋藏学教学和培训辅助工具的教育价值。本文评估了Decompanion作为一个教育平台，考虑它如何支持可及性和包容性、体验式学习、数据素养、研究技能和伦理参与。它还考察了早期实施数据、用户参与挑战、外部验证的局限性以及未来结构化课程整合和负责任使用新兴计算工具的机会。
法医埋藏学（Forensic Taphonomy）作为研究尸体分解和死后过程的重要学科，在死后间隔（PMI）估计、现场解释及搜索恢复策略中发挥关键作用，但分解过程受温度、湿度、微生物活动、昆虫定殖、体型、衣物和环境背景等多变量交互影响，导致研究解释和教育传授面临挑战。当前，实践性埋藏学学习环境受限，人类埋藏学设施（Human Taphonomic Facilities）在地理上分布不均，且人类遗骸在研究教学中的使用受伦理、法律、文化和制度框架约束，例如英国2004年《人体组织法》严格监管人体组织储存使用，而建立人类分解研究设施的努力历时十余年仍未解决。因此，研究人员常依赖动物模型（如猪），但解剖和生理差异使其无法完全复制人类分解过程；基于动物的埋藏学设施同样数量少、可及性低，限制了动手研究培训机会。这些限制直接影响法医学教育，许多课程过度依赖讲座式教学、低分辨率图像、案例报告或偶发实地演示，难以传达真实分解过程的复杂性、变异性和解释不确定性，削弱学生发展应用性、情境敏感技能的机会，并加剧机构间因资源差异导致的不平等。随着法医学日趋跨学科和数据驱动，亟需教育工具使学生接触真实、道德来源且结构化的法医数据。数字平台可提供交互式视觉资源、可搜索数据集和分析工具，但需设计为支持体验式学习、数据素养、伦理推理及方法论批判的主动教育资源。为此，研究人员Paige Tynan和Amy E. Rattenbury开发了Decompanion开放获取数字平台，旨在组织法医埋藏学数据、支持标准化元数据，并提供3D模型、设施地图、分解计算器和结构化提交协议等交互式学习资源。该论文发表在《Science》期刊，评估了Decompanion的教育价值，包括其支持可及性与包容性、体验式学习、数据素养、研究技能和伦理参与的能力，并分析了早期实施数据、用户参与挑战、外部验证局限性及未来课程整合和新兴计算工具负责任使用的机遇。研究结论表明，Decompanion作为补充性数字资源，可改善结构化数据集、交互式视觉资源和伦理管理教学材料的获取，弥补物理设施限制、机构资源差异和标准化数据集缺乏等障碍，但不应替代物理训练，而需通过结构化课程整合、外部评估、多语言支持和用户反馈持续优化，以推动更可及、数据驱动且伦理自觉的法医埋藏学教育。
研究人员为开展研究采用的关键技术方法包括：基于WordPress 6.5.4和Astra主题构建可扩展、移动友好的平台架构，选用Hostinger托管以支持全球响应式访问；集成Sketchfab平台托管3D模型，通过WebGL实现无插件交互式浏览和注释；利用Google Sheets与DataWrapper构建标准化数据提交与可视化系统，实现实时更新和跨研究比较；遵循Web Content Accessibility Guidelines 2.1 Level AA标准，实现键盘导航、高对比度色方案和可缩放字体；采用摄影测量（Photogrammetry）技术创建高分辨率3D模型，支持多角度分解特征观察。平台注册机制通过学术或专业隶属验证控制数据访问，确保数据完整性和伦理管理。样本数据来源包括作者所在机构本科法医学模块的试点教学，以及全球埋藏学设施提交的标准化数据集（如英国、美国、加拿大等国家用户贡献）。
研究结果方面，各小标题下的主要发现如下：
**Introduction（引言）**：通过文献综述指出法医埋藏学教育面临实践环境受限、伦理法律约束、动物模型不完美及传统教学依赖讲座等挑战，提出数字平台需求，并引出Decompanion作为响应这些挑战的开放获取平台。
**Educational challenges in forensic taphonomy（法医埋藏学中的教育挑战）**：通过分析现有研究（如Nawrocka等、Dawson等、Randolph-Quinney等），指出分解评分系统不一致、术语模糊、研究设计差异导致解释不确定性，以及实验控制与生态效度之间的权衡，限制了教育材料的可比性和学生接触真实场景的机会。
**Decompanion as an educational platform（Decompanion作为教育平台）**：从四个子维度展开：
- **Accessibility and inclusion（可及性与包容性）**：通过技术架构（WordPress、Hostinger、Astra主题）和WCAG 2.1 AA标准，支持键盘导航、高对比度、可缩放字体、移动设备优化，降低物理、技术、经济和语言障碍，促进全球公平参与；注册机制确保数据伦理管理。
- **Experiential learning（体验式学习）**：通过Sketchfab集成的3D模型（如海豹分解模型），支持多角度观察、注释和交互式学习，替代直接标本处理，减少伦理和后勤限制；结合问题驱动学习（PBL）、探究式学习（IBL）和案例驱动学习（CBL），促进主动探索和情境化技能发展。
- **Data literacy and research skills（数据素养与研究技能）**：通过Google Sheets和DataWrapper实现标准化数据提交和实时可视化，支持学生直接操作数据集、分析变量关联（如物种、气候、设施类型），培养数据透明度、可重复性和研究设计能力；讨论功能促进知识共建。
- **Ethical learning（伦理学习）**：通过3D模型减少动物使用，符合3R原则（替代、减少、优化）；结构化提交协议强化问责制和数据共享伦理；平台支持学生讨论知情同意、匿名化、文化敏感性等伦理问题，与法医学教育核心能力要求一致。
**Evaluation and challenges（评估与挑战）**：从四个子维度展开：
- **Initial implementation and evaluation（初步实施与评估）**：通过作者所在机构本科模块试点（Level 5和6），学生参与度高，能有效使用数据集和3D模型探索死后变化，学习分解评分技术，并促进伦理讨论；但作者作为平台开发者兼实施者存在位置偏差，缺乏外部评估。
- **User engagement and retention（用户参与与留存）**：前四个月超过800用户，但第37天后活跃度显著下降，平均会话时长低于1分钟，表明初期好奇后缺乏深度互动，归因于缺乏结构化引导和被动数据消费。
- **Technical and cognitive barriers（技术与认知障碍）**：新手用户可能因数据集复杂性感到不知所措，经验丰富用户可能因数据不匹配兴趣而缺乏价值；非学术用户（如执法人员）缺乏时间激励；仅英文界面限制非英语用户参与，使用数据表明用户集中于英语国家（英国、美国、加拿大等）。
- **Lack of external validation（缺乏外部验证）**：初期评估仅基于内部试点和使用分析，缺独立机构评价，难以衡量平台对学习成果、技能发展的实际影响，需未来跨机构比较研究。
**Future educational potential and implementation（未来教育潜力与实施）**：计划开发教程、教案、教育工具包等资源，通过个性化仪表盘、书签、数据过滤等功能提高用户留存；未来加入多语言支持和区域数据集以扩大全球参与；兼容机器学习（ML）和人工智能（AI）工作流，如利用结构化数据（TBS、PMI、环境条件）进行探索性建模，以及卷积神经网络（CNN）识别埋藏特征；纳入微生物、昆虫学、生化标记等数据，但需谨慎验证和数据治理。
**Discussion（讨论）**：总结挑战和未来方向，强调Decompanion需结构化课程整合、持续评估、多语言可及性，并谨慎引入新兴技术（如AI、图像分析），关注偏见、可解释性和法医可靠性。
**Conclusion（结论）**：Decompanion提供了一种实用的数字方法，通过改善对结构化数据集、交互式视觉资源和伦理管理教学材料的获取，支持法医埋藏学教育，解决了一些限制体验式学习的障碍，包括人类和动物分解设施获取受限、机构资源差异以及标准化教学数据集缺乏。该平台不应被视为物理训练、实地学习或直接专业经验的替代品，而是作为补充资源，支持法医学课程中的案例学习、虚拟实验室活动、数据素养和伦理推理。其价值在于帮助学生批判性地接触分解数据、方法论变异性和法医解释的实践局限性。未来发展应优先考虑结构化课程整合、外部评估、多语言可及性以及基于用户反馈的持续改进。机器学习、图像分析等新兴技术可能提供额外教育机会，但应谨慎引入，并关注偏见、可解释性和法医可靠性。总体而言，Decompanion有潜力促进更可及、数据驱动且伦理自觉的法医埋藏学教育，前提是其实施基于证据、经过批判性评估，并响应教育者、学生、研究者和实践者的需求。
