在护理心理学教育中应用人工智能与人类智能协同的认知学徒制模型：一项解释性顺序混合方法研究

生物通首页 > 今日动态 > 正文

在护理心理学教育中应用人工智能与人类智能协同的认知学徒制模型：一项解释性顺序混合方法研究

时间：2026年2月1日

来源：Nurse Education in Practice

编辑推荐：

本研究旨在评估AI-HI协作认知学徒制模型在提升护理学生心理护理教育效果中的应用，通过随机对照试验和质性分析发现，该模型在理论知识和实践技能方面显著优于传统SPOC平台，其机制包括知识图谱整合与实时反馈优化学习路径。

广州医科大学护理学院，中国广州

摘要

目的

本研究旨在评估一种结合了人工智能（AI）和人类智能（HI）的结构化认知学徒模型的有效性，该模型能够提升护理学生的心理护理教育水平，特别是在知识掌握和实践技能方面，并探索其潜在的机制。

背景

在护理教育中，弥合理论知识与临床实践之间的差距仍然具有挑战性。虽然像MOOCs和SPOCs这样的数字平台提供了可获取的资源，但它们知识的碎片化以及缺乏个性化支持往往限制了学生对知识的整体理解和临床技能的发展。

设计

本研究采用了解释性顺序混合方法设计。

方法

参与者被随机分配到干预组（AI-HI协作平台，n = 33）或对照组（SPOC平台，n = 33）。学习成果通过理论知识测试和客观结构化临床考试（OSCE）进行评估。随后对干预组中的10名参与者进行了深入的现象学焦点小组访谈。

结果

干预组在理论知识评估（p = 0.012）和OSCE（p < 0.001）方面的表现显著优于对照组。定性分析揭示了两个主题：“从被动接受到主动构建：教师与AI合作的认知支架作用”以及“技术摩擦作为参与度的调节因素”。

结论

AI-HI协作结构化认知学徒模型是一种有前景的教学方法，有助于提高护理教育中的知识整合和临床推理能力，为利用数字工具连接理论与实践提供了见解。

引言

心理护理是指医疗专业人员在临床环境中提供的主动心理支持（Cochrane, 2015），这对患者的心理健康、康复和治疗连续性至关重要（Liao et al., 2020）。然而，由于护理学科本身的复杂性和抽象性，护理学生往往难以将理论知识转化为临床实践，这使得概念难以理解和记忆（De Vries & Timmins, 2012）。此外，有限的课堂时间也阻碍了知识的深入内化和迁移（Carless-Kane & Nowell, 2023）。为了解决这些挑战，大规模开放在线课程（MOOCs）和小型私有在线课程（SPOCs）以及自主学习模式已被整合到护理教育中（Zhu, 2019）。学生使用这些平台接触讲座视频和自我评估等资源，并与翻转课堂相结合，形成了混合教学模式（Shen & An, 2022）。然而，这种模式存在固有的局限性：知识往往碎片化且缺乏系统性联系，阻碍了学生构建全面知识框架的能力（Ji & Zhong, 2023）；预设的标准化资源难以根据个人知识水平进行调整，从而限制了个性化学习路径（Zeng et al., 2015）；教师反馈延迟或独立解决问题的困难也降低了学习效率（Jiang & Liang, 2023; Mcandrew & Scanlon, 2013）。作为结构化的语义网络，课程知识图谱可视化了核心概念之间的关系，并相应地组织教学资源（Abu-Salih & Alotaibi, 2024），有效帮助学生理解和记忆复杂知识（Ramazanova, Sambetbayeva, Serikbayeva, Sadirmekova, & Yerimbetova, 2024）。研究表明，基于知识图谱的个性化学习路径可以提高知识掌握率和课程完成率（Ji et al., 2022, Qu et al., 2024, Yang et al., 2023）。同时，人工智能（AI）在专业教育中的应用日益增多。基于专业知识的智能问答系统在准确性和有效性方面优于通用模型（Arun et al., 2024, Shi et al., 2023）。此外，提供实时反馈的AI助手比远程指导更能有效提升临床技能和知识应用（Fazlollahi et al., 2022）。基于这些进展，Yang、Ma和Yi（2025）将知识图谱、AI助手、智能问答和教学模块整合到一个智能教学系统中，生成个性化的学习路径以实现差异化教学。然而，仅仅整合技术组件并不能保证教学的成功。这些发展共同预示了一种新的范式，即超越传统内容传递平台的“人工智能-人类智能协作”（AI-HI协作），旨在促进“共同智能”。这一范式认为，教育技术的真正潜力在于实现人类智能与人工智能之间有目的和结构化的协作（Järvelä, Nguyen, & Hadwin, 2023）。为了实现这一概念，本研究借鉴了经典的认知学徒理论，开发了“基于AI-HI协作的结构化认知学徒模型”（Brown, Collins, & Duguid, 1989）。该理论强调通过建模、辅导和支架作用来外化专家的隐性思维，并培养学习者的高阶认知技能（Cakmakci, Aydeniz, Brown, & Makokha, 2020）。基于这一理论，本研究战略性地运用了两个核心模块——知识图谱和问题图谱——来构建双轨认知支架。具体而言，知识图谱将抽象的心理概念转化为可视化的结构化语义网络，帮助学生构建系统的知识框架；问题图谱则将复杂的临床场景分解为层次化的推理步骤，从核心问题逐步过渡到能力要求，最终指向与质量相关的问题。这种结构化的方法为临床决策训练提供了实用的支架。这种方法将传统的师徒关系提升为一个由教师（主导的HI）、学生（中间的HI）和智能平台（支持的AI）共同设计和引导的三方协作生态系统。这种整合方法通过使用结构化网络减少了知识的碎片化，提供了即时AI反馈以最小化延迟，并实现了数据驱动的个性化学习。尽管整合知识图谱、AI和教学理论具有前景，但目前的研究主要集中在技术可行性和功能描述上（Li et al., 2024），缺乏关于这种整合在教育理论中的有效性和机制的实证证据（Järvelä et al., 2023）。因此，本研究旨在评估结构化AI-HI认知学徒模型在心理护理教育中的有效性，并探索其背后的机制。研究采用了由两个研究问题指导的解释性顺序混合方法设计：（1）该模型是否在提升护理学生的知识和技能方面优于标准的SPOC方法；（2）它如何增强学习过程并弥合理论与实践之间的差距。随机对照试验和定性分析为设计数字学习环境提供了有力的证据和见解。

研究设计

本研究采用了解释性顺序混合方法设计。随机对照试验的报告遵循了CONSORT声明（补充材料2）（Schulz, Altman, & Moher, 2010），定性阶段采用了焦点小组讨论。最初进行了一项双臂平行随机对照试验（RCT），符合条件的参与者被随机分配到干预组（AI-HI协作平台）或对照组（SPOC平台）。

人口统计

表4展示了学生参与者的基本信息。在干预组中，78.80%的学生为女性，平均年龄为19.39岁（标准差0.56岁）；在对照组中，72.70%的学生为女性，平均年龄为19.64岁（标准差0.49岁）。两组在性别上没有统计学差异，但在年龄上存在显著差异（p < 0.05，rᵣ-b = 0.253）。自我学习能力量表的平均得分...

AI-HI协作模型的有效性：初步证据表明效果趋同

定量和定性结果的趋同为结构化AI-HI协作认知学徒模型的有效性提供了初步证据。干预组在理论知识评估和OSCE评估中的得分显著高于对照组，表明AI-HI模型在两个方面超越了标准的SPOC方法：1）通过结构化可视化促进了更深入的知识整合；2）通过...

局限性

本研究存在一些局限性。单中心设计和样本量较小限制了研究结果的普遍性。方法学上，基线年龄差异、缺乏长期随访以及仅依赖于组间比较限制了解释的深度。此外，数字素养和AI素养没有进行客观评估，可能会影响参与度和结果。最后，在实施过程中遇到的“技术摩擦”可能...

结论

本研究开发并验证了一种利用智能学习平台实现AI-HI协作的结构化认知学徒模型，应用于护理心理学教育。随机对照试验的结果表明，该模型可能在提升护理本科生的理论知识和临床实践技能方面优于标准的SPOC平台。混合方法的结果突显了该模型的有效性，这源于一个重新配置的学习生态系统，其中教师（主导的HI）...

CRediT作者贡献声明

Fuyong Yang：可视化、方法论、形式分析、概念化。 Xi Su：验证、方法论、调查、概念化。 Rongrong Guo：可视化、资源、方法论、形式分析、概念化。 Meng Li：可视化、资源、方法论、形式分析、概念化。 Yun Gao：写作——审稿与编辑、监督、方法论、资金获取、概念化。 Jiasi Li：写作——初稿撰写、可视化、方法论、调查。