摘要
引言
生成式人工智能（GenAI）在护理教育模拟场景开发中的应用正在逐步推进，这凸显了其作为变革性工具的潜力。下一步是探索如何更有效地利用GenAI。
研究目标
本研究旨在开发并验证结构化提示，使护理教育者能够利用GenAI生成真实且具有教学意义的模拟场景。
研究方法
本研究采用了计划-执行-检查-行动（PDCA）模型来指导提示的迭代优化过程。
研究过程
在提示开发过程中进行了四个迭代周期，每个周期都应用了PDCA模型。基于三项初步研究的结果，通过三轮提示改进、一轮专家咨询和两轮内容有效性评估，最终得到了四轮提示优化。
研究结果
在第四个周期中，为以下三个核心护理案例开发了模拟场景：生命体征不稳定、心肺复苏术和术后护理。专家对场景的教育适用性和临床代表性的评估表明，大多数条目的内容有效性得分在0.80或以上。有两个例外：其中一个关于包含关键患者信息的条目在所有案例中的得分仅为0.60，另一个关于案例2中真实临床情况反映的条目得分也为0.60。教育适用性的k*值为0.67，临床代表性的k*值为0.94。最终共开发了48个提示。
结论
研究结果表明，结构化提示可以提高模拟场景的教育适用性和临床代表性。需要进一步研究以评估这些场景在教育环境中的实际效果。
意义
经过验证的提示使护理教育者能够高效生成真实且具有教学意义的模拟场景草稿。本研究提出了一种利用GenAI开发完整模拟场景组件的综合方法。
引言
基于模拟的教育被广泛认为是弥合护理教育中理论教学与临床实践之间差距的关键教学策略（Mulyadi等人，2021年）。当设计得当时，模拟环境能够让护理学生在受控且真实的环境中培养批判性思维和临床决策能力（Alshehri等人，2023年）。然而，模拟的有效性在很大程度上取决于其真实性和情境相关性（INACSL标准委员会等人，2021年；世界卫生组织，2018年）。同时，开发高质量的模拟场景需要护理教育者投入大量时间，并具备丰富的临床知识和教学经验（美国国家护理联盟，2016年）。此外，对于那些在模拟场景设计方面经验有限的教育者来说，这项任务尤其具有挑战性（Thomas & Kellgren，2017年）。
因此，生成式人工智能（GenAI）最近受到了越来越多的关注，被视为简化并提升医疗教育模拟场景开发的有效手段（Almazyad等人，2023年；Lower等人，2023年；Scherr等人，2023年）。GenAI是一类能够根据自然语言提示生成类似人类输出（如文本、图像或数据可视化）的人工智能模型（剑桥大学出版社，2023年）。用户通过输入提示与GenAI交互，从而传达指令和相关背景信息，以完成特定任务（Marvin等人，2024年）。用户不断输入提示以获得GenAI的响应，这一过程被称为“提示引导”（Arora等人，2022年）。文献显示，教育者可以利用GenAI让学生生成预学习材料或开发模拟场景所需的具体患者信息（Reed & Dodson，2024年；Vaughn等人，2024年）。这些应用凸显了GenAI作为生成模拟场景基础工具的潜力。在初步验证了其可行性之后，有必要进一步探讨如何在教育环境中更有效地利用GenAI。
为了引导GenAI生成符合用户意图的最佳内容，设计具体且定义明确的提示至关重要，这样才能有效控制GenAI的输出（Henrickson & Meroño-Peñuela，2025年）。在设计提示时，明确提示的目的和背景非常重要，以限制模型的推理范围和方向，确保提示表述清晰简洁，以便准确解读用户的自然语言输入（Marvin等人，2024年）。具体来说，具体、清晰且简洁的提示能够提高模型准确解读用户意图的能力，从而提高其响应的准确性——这一过程称为提示工程（Kumar，2024年）。提示工程包括通过迭代改进用户输入来开发理想提示的过程（Lo，2023年）；它涵盖了提示的设计、制定和优化，被认为是利用GenAI时有效传达用户意图的关键技术（Ekin，2023年）。提示工程已在商业、艺术、科学和教育等多个领域显示出潜力（Korzynski等人，2023年）。当有效应用时，提示工程可以提高GenAI理解用户教学意图的能力（Liu等人，2023年）。
在护理教育背景下，关于提示工程在模拟场景开发中实际应用的研究仍然较少。因此，本研究通过使用优化设计的提示生成模拟场景，并通过专家评审评估其内容有效性，填补了这一空白。本研究的主要目标是设计和验证用于护理教育模拟场景开发的最佳提示。通过这种方式，本研究旨在帮助护理教育者实施创新、高效且具有教学意义的模拟场景设计实践。
本研究系统地采用了计划-执行-检查-行动（PDCA）模型（Deming，1950年）来指导提示设计。该模型由质量管理领域的领军人物Edwards Deming在20世纪50年代提出，因其能有效促进持续、渐进和快速的质量改进而得到广泛应用（Vargas等人，2023年）。PDCA模型指导了用于设计模拟场景的GenAI提示的系统和递归开发过程，强调了需要持续修订和验证的迭代设计过程。
研究设计
本研究采用了一种方法论设计，以开发用于生成真实模拟场景的GenAI提示，并评估这些场景的内容有效性。基于PDCA模型的提示开发过程经过四个迭代周期的优化，以提高场景质量并确保其与护理教育者的教学目标一致。
参与者和研究环境
进行了两轮专家评估，以评估使用所开发提示生成的模拟场景的有效性。
结果
根据三项初步研究的结果，最初开发了26个提示；这些提示通过四个迭代周期的PDCA模型进行了改进，最终得到了48个用于生成模拟场景的提示（图2）。
讨论
本研究强调了将GenAI应用于护理教育模拟场景开发的教育意义。除了验证了这些场景的可行性外，还表明结构化提示工程能够更有效地生成具有临床相关性和教学一致性的场景。这些发现表明，GenAI在扩展基于模拟的学习机会、减轻教育者工作负担方面具有潜力。
局限性
首先，由于模拟场景是使用ChatGPT-4生成的，其质量及输出的一致性在其他GenAI模型上可能有所不同，这限制了本研究结果的普遍性。其次，由于相关研究的缺乏，本研究中使用的工具是由研究者根据研究目标和初步结果自行开发的，因此其有效性和可靠性尚未经过验证。因此，未来的研究应采用更严谨的方法。
结论
本研究利用GenAI开发并验证了用于护理教育模拟场景的结构化提示。研究结果强调了结构化提示在确保教育适用性和临床代表性方面的重要性。对于护理教育者而言，这项研究具有重要意义，因为它展示了GenAI在促进真实且教学一致的模拟场景设计方面的潜力，从而提高教学效率。未来的研究应重点关注这方面的内容。
CRediT作者贡献声明
Miji Lee：概念构思、数据整理、数据分析、方法论研究、初稿撰写、审稿与编辑。
Sujin Shin：概念构思、方法论设计、监督、验证、审稿与编辑。
