基于云计算的参考架构与前瞻性评估协议：在健康数据科学教育中集成商业智能、扩展现实和学习分析

《Computers》：A Cloud-Based Reference Architecture and Prospective Evaluation Protocol for Integrating Business Intelligence, Extended Reality, and Learning Analytics in Health Data Science Education

　　

医疗健康数据生态系统日益增长的复杂性，要求教育技术能够通过高级分析、沉浸式界面和学习分析来支持数据密集型学习。该论文提出了一种基于云计算的参考架构和前瞻性评估协议，用于在健康数据科学教育中集成商业智能（BI）、扩展现实（XR）和学习分析（LA）。该架构基于一项按照PRISMA 2020指南进行的系统文献综述，该综述筛选了从四个数据库中检索到的613条记录，并保留了56项研究进行定性综合。综述表明，尽管BI和XR技术已分别与教育益处相关联，但支持BI、XR和学习分析相结合的综合教育架构的实证证据仍然有限，尤其是在健康数据科学教育领域。基于这些发现，该论文详细说明了一个分层参考架构，包括一个云分析引擎、一个沉浸式可视化引擎、一个互操作性层和一个学习分析管道（LA pipeline），旨在支持后续实施阶段中的自适应和AI辅助教育服务。该参考架构已在波尔图理工大学数字健康项目（Digital Health programme）的课程单元“健康数据分析与可视化（Health Data Analysis and Visualization）”中部分实例化，其中BI和XR组件目前已在课程中部署和使用，而互操作性中间件、学习分析基础设施和AI辅助服务仍在开发中，或作为架构能力被指定。为支持未来的实证验证，该论文还定义了一个全面的前瞻性评估协议，包括预定义的结果、具有已发表心理测量学特性的既定工具，以及一个正在经历内容验证的专家开发的健康数据素养评估（health data literacy assessment）、研究假设、功效分析、统计分析计划，以及伦理和数据治理规定。该手稿做出了四项主要研究贡献：(i) 一个用于BI-XR集成的基于云计算的参考架构，(ii) 一个计算学习分析管道规范，(iii) 一个用于健康数据科学教育的可互操作系统设计，以及 (iv) 一个前瞻性评估协议，以指导所提出的参考架构的未来验证。

**论文解读：基于云计算的参考架构与前瞻性评估协议：在健康数据科学教育中集成商业智能（BI）、扩展现实（XR）和学习分析（LA）**

**研究背景、问题与动机**
随着医疗健康数据生态系统的复杂性持续增加，电子健康记录、流行病学监测数据、患者生成数据及管理数据集并存，使得健康专业人员不仅需要经典生物统计学能力，还需掌握数据科学、预测分析及数据驱动决策等技能。然而，传统健康信息学教育多依赖静态、二维的数据表示和被动教学方法，难以帮助学生理解疾病传播、资源分配等动态多维现象。同时，商业智能（BI）平台和扩展现实（XR）技术虽各自在教育中展现出潜力（如BI提升数据素养，XR增强参与度和技能习得），但二者在健康数据科学教育中的系统集成仍缺乏实证证据，尤其是结合学习分析（LA）的综合性教育架构。针对这一空白，研究人员提出了一项基于云计算的参考架构和前瞻性评估协议，旨在为健康数据科学教育提供可复制的设计蓝图，并支持后续实证验证。该论文发表在《Computers》期刊。

**主要关键技术与方法**
研究采用了两阶段方法：首先，依据PRISMA 2020指南进行系统文献综述，检索Scopus、Web of Science、IEEE Xplore和PubMed四个数据库，共筛选613条记录，最终纳入56项研究进行定性综合，以识别技术能力、教育设计原则和研究空白。其次，通过迭代设计过程，将综述发现与建构主义学习理论、体验式学习理论、沉浸式学习认知情感模型（CAMIL）及认知负荷理论相结合，转化为功能需求，并经过三轮迭代（由波尔图理工大学数字健康项目教学团队参与）完善架构。该参考架构包含四个主要层：云分析引擎（SAP Analytics Cloud）、沉浸式可视化引擎（Meta Quest 3头显）、互操作性中间件（REST/OData接口、JSON/CSV格式）以及学习分析管道（七阶段流程：原始事件捕获、特征提取、学习指标计算、预测、推荐、适应、报告）。该架构当前在波尔图理工大学数字健康项目的“健康数据分析与可视化”课程单元中部分实例化（BI和XR组件已部署）。

**研究结果**
**4.1 纳入研究概述**：56项研究覆盖2010-2026年，80%发表于2021年后，表明该领域增长迅速。其中43项研究使用XR技术，10项使用BI/分析平台，3项明确涉及沉浸式分析。健康领域以解剖学、外科/手术培训、护理教育及急重症培训为主，健康信息学课程较少。

**4.2 BI平台通过真实分析工作促进数据素养**：涉及BI和分析平台的研究一致表明，当学生使用真实健康数据集完成端到端分析（从原始数据到可视化洞察）时，数据素养和分析能力显著提升。BI平台主要作为教学支架，支持数据质量推理、聚合策略、解释及仪表板设计，但具体平台（如SAP Analytics Cloud）的同行评审教育研究仍有限。

**4.3 XR增强健康教育中的参与度并支持知识技能习得**：XR研究（最大组，共43项）报告沉浸式干预与提高参与度、动机、知识获取及程序技能显著相关，尤其是在解剖学和外科培训领域。然而，这些研究绝大多数针对临床和程序能力，而非数据科学能力。

**4.4 沉浸式分析仍以技术驱动，教学指导不足**：沉浸式分析研究（仅3项）主要集中于系统可用性，缺乏学习目标、评估和理论依据，且未明确如何教授沉浸式数据分析。

**4.5 调节因素：认知负荷、可用性与基础设施**：多项研究警告，当环境感知丰富但教学结构不足时，沉浸感可能适得其反。因此，架构需纳入认知负荷管理和可用性监控。

**5. 提出的基于云计算的参考架构**
- **5.1 云分析引擎（层1）**：当前已部署，使用SAP Analytics Cloud，学生从事数据获取与清洗、探索性分析与聚合、预测建模及仪表板开发四类活动。
- **5.2 沉浸式可视化引擎（层2）**：当前已部署（Meta Quest 3），包括3D空间数据探索、场景模拟及协作沉浸式分析，会话控制在15-25分钟以减少认知负荷。
- **5.3 系统架构、数据流与互操作性**：通过中间件实现BI层与XR层的数据双向交换（如模型输出以JSON/CSV格式传输，XR客户端回传交互遥测数据），并实现认证、授权和事件解耦。
- **5.4 学习分析管道与AI辅助服务**：未来将实现，指定为四类模型：贝叶斯知识追踪（BKT）用于学习建模，正则化逻辑回归和梯度提升树用于风险预测，内容与协同过滤用于推荐，大语言模型结合检索增强生成（RAG）用于生成式辅导。
- **5.5 课程实例化**：架构在15周课程单元中分三阶段实施：第1-5周数据获取与预处理（使用SAP Analytics Cloud），第6-10周预测建模与仪表板开发，第11-15周沉浸式可视化与探索（使用XR）。评估采用持续形成性评价和最终综合项目。

**6. 前瞻性评估协议与数据治理**
研究人员定义了一个单组前后测设计（预计n≈30-40），辅以功效分析（n=34达80%功率）。主要结局为健康数据素养与分析推理能力的变化（使用自编并正进行内容验证的评估工具）；次要结局包括内在动机（IMI）、学生参与度（UES-SF）、存在感（IPQ）、可用性（SUS）、技术接受度（UTAUT）等。统计分析计划区分确认性分析（配对t检验或Wilcoxon检验）和探索性分析（相关性、描述性统计）。伦理上遵循GDPR，数据假名化，自愿参与且不影响学业评分。学习分析管道中的AI功能仅作为架构能力，需经实证验证后方可部署。

**结论与讨论**
**7. 讨论**：该架构通过整合BI、XR与学习分析，弥补了传统二维表示法的局限，为疾病传播、资源流动等复杂现象提供了空间沉浸式表示。研究的创新性在于通过可互操作的BI-XR架构和前瞻性评估协议实现了技术连贯集成，而非单一技术突破。该架构以技术类型而非具体供应商为规范，提高了可迁移性（如可用Power BI或Tableau替代）。同时，明确区分了已部署组件、开发中组件和未来架构能力，增强了透明度和可重复性。

**8. 局限性**：包括(i) 架构未完全实施且缺乏实证评估，(ii) 系统综述未前瞻性注册且限于英文文献，(iii) 当前实施依赖商业平台可能限制可访问性，(iv) 单组前-后测设计限制因果推断。

**9. 结论与未来工作**：该研究提出了一种基于云计算的参考架构，用于在健康数据科学教育中集成商业智能、扩展现实和学习分析，并附带一个前瞻性评估协议以支持其未来实证验证。该架构源于一项基于PRISMA指南的系统文献综述（56项研究）并建立在教育理论基础上，包括一个云分析引擎、一个沉浸式可视化引擎、一个互操作性层和一个学习分析管道，旨在支持未来自适应和AI辅助教育服务。该架构在波尔图理工大学一个15周课程单元中部分实例化，其中BI和XR组件已运行，其余组件指定为未来实施和评估。配套的前瞻性评估协议提供了严谨的方法学基础。未来工作方向包括：(i) 实施评估协议并发布实证证据；(ii) 通过比较队列和跨机构研究评估可推广性；(iii) 逐步实现并验证学习分析和AI辅助能力；(iv) 开发沉浸式分析和智能教育技术的标准化评估指标；(v) 探索与欧洲健康数据空间基础设施的互操作性。