《Journal of Clinical Nursing》：Refining Assessment Design and Practice in Nursing and Midwifery Education in the Era of Generative AI: A Discussion Paper
编辑推荐：
摘要
目的：本文旨在为护理与助产教育工作者提供在生成式人工智能（generative artificial intelligence, GenAI）塑造的教育格局中评估学生能力的策略。研究人员检视了评估设计方法，强调了从依赖不可强制执行规则的任務（话语性变革
摘要
目的：本文旨在为护理与助产教育工作者提供在生成式人工智能（generative artificial intelligence, GenAI）塑造的教育格局中评估学生能力的策略。研究人员检视了评估设计方法，强调了从依赖不可强制执行规则的任務（话语性变革）转向重新设计评估机制（结构性变革）以保持效度的转变。
背景：以ChatGPT为代表的GenAI工具的快速普及正在改变高等教育，对教学、学习及学术诚信的既有假设构成挑战。当人工智能能够复制学生输出时，传统评估日益显得不合时宜。研究机构不应单纯管制人工智能的使用，而应利用其潜力，同时确保评估保持真实性、公平性和效度。
方法：研究人员开展了一项叙述性综述，借鉴了与护理和助产教育中GenAI相关的同行评审文献、专家评论及政策文件，重点关注评估设计和学术诚信。
讨论：研究呈现了两种主要路径。第一路径（Lane One）创建具有GenAI抗性的任务，以促进高阶思维；第二路径（Lane Two）拥抱人机协作，侧重于透明度、过程及评价性判断（evaluative judgement）的培养。混合式第三路径（Lane Three）允许在明确边界内有条件地使用人工智能。有效的重新设计需要结构性的而非仅话语性的变革，采用系统性的课程层面评估，并明确可接受的人工智能使用方式。在不确定性中为教职人员和学生提供支持对于可持续改革至关重要。
结论：在GenAI时代，有效且合乎伦理的评估要求明确的机构政策、清晰的沟通以及促进真实学习的评分量规。将结构性变革嵌入评估设计而非依赖规则执行，将确保护理与助产专业毕业生为在人工智能赋能的世界中茁壮成长做好准备。
对专业及/或患者护理的启示：确保以患者安全原则作为评估的核心，同时要求GenAI的整合符合专业标准，这将使护理与助产专业毕业生为在人工智能赋能的医疗环境中茁壮成长做好准备。
以下为论文解读文章：
**生成式人工智能时代护理与助产教育评估设计的变革：一项讨论性论文的深度解读**
**一、研究背景与问题**
生成式人工智能（generative artificial intelligence, GenAI）的迅猛发展正深刻重塑高等教育格局。自2022年11月ChatGPT 3.5发布以来，其在五天内便吸引超过一百万用户，增长速度远超Facebook（十个月）和Twitter（两年），至2024年6月用户已超过1.8亿。这一“游戏规则改变者”式技术对高等教育的颠覆性影响不容低估。在评估领域，GenAI生成高质量、类似学生作品的能力，使得在无监督条件下的传统评估无法再确保学习成果的达成。学生可以轻易生成论文或其他评估项目并作为自己的作品提交，从而绕过学习过程，这引发了关于大学论文是否“已死”的广泛争论。大型语言模型（large language model, LLM）聊天机器人甚至被戏称为“CheatGPT”，因其助长学术不端的可能性，这一影响也延伸至护理与助产教育、研究及实践领域。
为维护学术诚信，各学术机构迅速开发了人工智能辅助剽窃检测工具，如Turnitin、CopyLeaks和GPTZero。然而，鉴于LLM技术的持续快速进步，这些检测方法可能只是权宜之计。因此，越来越多的人认识到需要将GenAI整合到高等教育的教学与评估中。在护理与助产教育领域，评估设计必须考虑GenAI的影响，同时融入基于胜任力的方法，评估学生将理论知识转化为实践技能的能力。以患者安全原则为核心、有效沟通及恰当的文件记录技能也是这些实践性学科的关键要求。当GenAI被有效利用时，它可以增强评估，例如生成逼真的模拟场景和提高数据处理效率。但必须确保GenAI工具旨在增强而非取代护理和助产中的人性化元素，如同理心照护和伦理决策。此外，GenAI使用的伦理问题，包括数据隐私和偏见，也必须得到解决以保障患者安全。
**二、研究开展的内容与核心方法**
本文是一篇讨论性论文，采用叙述性综述（narrative review）方法，对相关证据进行批判性呈现和综合。该方法符合主观主义与解释主义范式，允许对多种观点进行细致描述、批判性解释和综合，以更深入理解这一现象。文献检索通过PubMed、CINAHL和Google Scholar等数据库进行，使用的关键词包括“generative artificial intelligence”“assessment design”“academic integrity”和“nursing education”。作者承认自身观点可能影响文献选择。该研究提出了评估改革的核心策略：实施结构性评估变革（structural changes）——直接改变任务本身的性质、格式或机制，以区别于仅依赖沟通规则的话语性变革（discursive changes），后者因检测不可靠而无法有效执行规则。文章引入“双车道”概念框架：第一车道（Lane One）为无GenAI环境下的评估，验证学生的独立掌握；第二车道（Lane Two）为GenAI整合的评估，鼓励人机协作。同时讨论了第三车道（Lane Three）——有条件使用GenAI的混合模式。此外，文章还强调了教师培训与专业发展支持的重要性。
**三、主要研究结果**
**4.1 双车道方法的争论：** 双车道方法被认可为缓解评估风险的变革性实践，但“全有或全无”的做法可能不利于教育成果。批评者认为，应允许但限制GenAI使用的“中间车道”方法至关重要。关于可接受与不可接受AI使用界限的划分，给教育者带来了情感和认知负担。
**4.2 无GenAI使用的评估方法（Lane One）：** 这类评估任务通过口试、临床技能评估（如OSCEs）、互动模拟、小组项目、课堂书面评估和自我反思活动等设计，评估学生的高阶思维、批判性思维和元认知能力。这些方法强调评估学习过程而非产出，符合通用学习设计（Universal Design Learning, UDL）原则。表2详细列举了各类型的示例、促进因素和阻碍因素。
**4.3 实施第一车道评估的挑战：** 第一车道评估资源密集，难以扩展到大规模多样化学生群体，在评分一致性、资源需求和学生对协作工作的抵触方面存在挑战。在线学习学生尤为困难。组织文化、政策、缺乏技术专业发展以及学生压力和焦虑都构成实施障碍。
**4.4 用GenAI的评估方法（Lane Two）：** 第二车道评估拥抱人机协作，将评估视为“评估即学习”（assessment as learning）。表3提供了自动评分工具、智能辅导系统、教育预测分析和虚拟技能评估等实例。这些方法包括与AI的迭代写作、AI辅助创意生成等，强调过程的透明度和学生批判性参与。学生需要发展评价性判断（evaluative judgement）能力，以评估GenAI输出的可信度。
**4.5 实施第二车道评估的促进因素：** 无缝的互操作性、强大的IT基础设施、高质量数据管理实践以及跨学科合作是有效实施的关键。为教育者和医疗专业人员提供全面的GenAI使用发展计划至关重要，提示工程（prompt engineering）技能正成为护理和助产课程的必要组成部分。学生还需培养批判性思维和信息评估能力，以判断GenAI信息的价值，识别“幻觉”内容。
**4.6 实施第二车道评估的挑战：** 在GenAI教学法方面，员工专业知识和培训存在显著缺口。许多教育者虽然擅长传统教学方法，但未准备好将GenAI工具有效整合到课程中，这是因为GenAI技术快速演变，超过了员工培训和专业发展更新的速度。
**4.7 关注过程、判断和学术诚信：** 结构性变革通常涉及将评估从产品导向转向过程导向。评估任务应设计为揭示学习者的思维过程。分阶段评估（staged assessment）和提交工作草稿是常见做法。学术不端行为被机构界定为未经授权和/或未声明的GenAI使用。然而，仅将原创性问题框架为学术不端，可能将学生定位为不可信任者，使教师成为“守门人”。
**4.8 GenAI使用的伦理挑战：** 在护理和助产中整合GenAI引发关于偏见、透明度和问责制的伦理关切。有偏见的GenAI可能导致不公平的学习体验和不良的医疗结果。缺乏透明度使得责任归属变得困难。因此需要倡导负责任的GenAI整合，强调透明度、文档记录和人工监督的重要性。
**4.9 教师培训与专业发展支持的重要性：** 通过培训赋予教师能力以确保GenAI素养和教学技能转化为实践至关重要。未来的医疗工作队伍需要具备GenAI素养、数据分析能力等。教师教育需匹配未来劳动力需求，重点关注课程整合和评估设计，同时理解负责任地使用GenAI的潜在问题。
**4.10 克服教师培训与发展的障碍：** 时间限制和工作量管理是主要障碍，可通过将GenAI工作坊整合到现有专业发展计划、同行讨论小组、个性化培训和异步模块化学习来解决。对变革的抵触可通过创建支持性环境、展示GenAI在教学中益处及早期采用者的成功案例来减少。缺乏激励和认可问题可通过证书、徽章、微证书或职业晋升机会等正式认可制度来解决。
**四、研究结论**
GenAI已成为一项变革性的创新技术，其融入医疗体系是复杂的。教育工作者必须合乎伦理地接受其使用，因为完全消除GenAI并非可行方案。支持和培养学生合乎伦理地使用GenAI将使其更好地为真实实践做好准备，但这需要教师培训和理解真实评估学习的最佳方法。通过教师教育和将GenAI整合到教学评估实践中，未来的护士和助产士将准备好在其实践中利用人工智能技术。
**五、讨论与总结**
本文强调，在GenAI时代，有效且合乎伦理的评估需要明确的制度政策、清晰的沟通和促进真实学习的评分量规。结构性变革应嵌入评估设计中，而非依赖规则执行，这将确保护理和助产毕业生能够在人工智能赋能的医疗环境中蓬勃发展。研究还指出，实施可持续改革必须支持教职人员和学生度过不确定性时期。本文的关键贡献在于系统梳理了评估设计的两种路径及其混合模式，为护理与助产教育者在GenAI时代的评估实践提供了具体可行的策略框架，并强调了教师专业发展在推动变革中的核心作用。本文发表于《Journal of Clinical Nursing》。
