114 年 國立臺灣大學醫學教育暨生醫倫理研究所碩士班《醫學教育》

本題主要考驗考生對醫學人文重要性的理解，以及如何運用 ADDIE 教學設計模式將醫學人文素養融入臨床技能訓練。

核心觀念：

1. 醫學人文的重要性： 醫學人文關注人的價值、尊嚴、倫理、社會文化等面向，對於培養具備全人關懷、同理心、倫理判斷能力的醫事人員至關重要。
2. ADDIE 教學設計模式： 該模式包含五個階段：分析 (Analysis)、設計 (Design)、發展 (Development)、實施 (Implementation)、評估 (Evaluation)。
3. 跨領域融入： 如何將人文素養與臨床技能訓練結合，使之相輔相成。

詳解：

醫學人文在醫學教育中的重要性：

醫學人文的融入對於醫學教育具有多重重要性，主要體現在以下幾個方面：

• 提升全人關懷能力： 醫學不僅是科學，更是關懷人的藝術。醫學人文教育使醫學生理解疾病對個人、家庭及社會的影響，培養同理心，能從病人的整體角度出發，提供更具人文關懷的醫療服務。
• 強化倫理判斷與決策： 在面對複雜的醫療情境時，如生命末期照護、基因倫理、醫療資源分配等，醫學人文能提供倫理學、哲學、法律等視角，幫助醫學生建立批判性思維，做出符合倫理原則的決策。
• 促進醫病溝通與信任： 學習醫學人文有助於醫學生理解不同文化背景、價值觀的病人，提升溝通技巧，建立更良好的醫病關係，減少誤解與衝突。
• 培養專業反思與自我成長： 透過文學、藝術、哲學等媒介，醫學生得以反思自身的專業角色、價值觀，以及作為醫療專業人員所面臨的挑戰與意義，促進個人專業成長與心理健康。
• 應對社會與文化變遷： 醫學發展不斷受到社會結構、科技進步、文化觀念的影響，醫學人文能幫助醫學生理解這些外在因素，並適應不斷變遷的醫療環境。

運用 ADDIE 教學設計模式將醫學人文素養融入臨床技能訓練課程的舉例說明：

假設我們要將「同理心與同情心」的醫學人文素養融入「與病人溝通生命徵象資訊」的臨床技能訓練課程。

1. 分析 (Analysis)：
* 學習者分析： 醫學生的同理心程度、對病人的態度、臨床溝通技巧的現況、對醫學人文的認知程度。了解學生在哪些情境下容易缺乏同理心，或在傳達壞消息時感到困難。
* 任務分析： 臨床上，醫護人員需要將生命徵象（如心跳、血壓、呼吸頻率）及其異常變化，以清晰、同理、具支持性的方式傳達給病人及其家屬，尤其是在預後不佳的情況下。這需要結合醫學知識與人文關懷。
* 情境分析： 臨床實習場所（如病房、門診）的環境、病人族群的特性（年齡、疾病類型、文化背景）、現有的溝通工具與資源。
* 目標設定： 學生能夠在模擬情境中，以同理心的態度，準確且具支持性地向病人溝通其生命徵象的異常及可能的預後。

2. 設計 (Design)：
* 教學目標：
* 學生能夠辨識傳達生命徵象資訊時，展現同理心的重要性。
* 學生能夠運用至少三種同理心的溝通技巧（如積極傾聽、情感回應、非語言支持）與病人溝通。
* 學生能夠在模擬情境中，成功地向預後不佳的病人傳達其生命徵象的異常，並提供適當的情感支持。
* 課程架構與內容：
* 引導式討論：探討「同理心」的定義及其在醫病關係中的角色，結合醫學人文的經典案例（如文學作品中的醫病互動）。
* 知識傳授：生命徵象的醫學意義，常見異常情況的預後，以及「壞消息溝通」的原則 (SPIKES, BREAKS 等)。
* 技能訓練：角色扮演（模擬病人與醫護人員），重點演練同理心表達。
* 反思活動：觀看溝通影片，小組討論，個人反思日誌。

本題主要考驗考生對生成式AI在教育領域的應用現況、潛在挑戰，以及如何透過教學設計來培養學生的獨立思考與人機協作能力。

核心觀念：

1. 生成式AI的特性與影響： AI能快速生成文本、圖像等內容，為學習提供便利，但也可能導致學生過度依賴，失去獨立思考與解決問題的能力。
2. 「代入問題，給出答案」模式的風險： 這種模式忽視了學習過程中的探究、分析、批判、整合等重要環節，不利於深層次的理解和知識內化。
3. 獨立思考與人機協作： 培養學生在AI輔助下，仍能主動質疑、批判AI產生的資訊，並將AI作為工具，而非答案的提供者，進而完成更複雜的任務。

詳解：

生成式AI（Generative AI）如 ChatGPT、Bard 等，在當代學習場域的普及，確實為教育帶來了前所未有的機遇與挑戰。其中最令人擔憂的便是學生可能過度依賴AI，陷入「代入問題，給出答案」（prompt-and-answer）的模式，進而削弱獨立思考與批判性思維的能力。要培養學生「人機協作但不被AI駕馭」的能力，教學活動的設計需要進行結構性的調整。

教學活動設計策略：

1. 重新定義學習目標與評量方式：

   • 目標調整： 將學習目標從「知識記憶與再現」轉向「知識的理解、應用、分析、評估與創造」。鼓勵學生運用AI來輔助研究、激發靈感，但最終的產出必須經過學生的篩選、整合與批判。
   • 評量多元化： 減少純粹仰賴AI即可完成的申論題或報告。增加如：
     • 過程性評量： 要求學生提交AI輔助學習的歷程記錄（如：使用了哪些提示詞、AI給出了哪些不同答案、學生如何篩選與修改）。
     • 批判性報告： 要求學生對AI生成的內容進行事實查核、邏輯分析、觀點評估，並提出自己的見解。
     • 口頭報告與辯論： 強調學生對知識的掌握與口語表達能力，AI的介入痕跡較難掩飾。
     • 實作與專案導向學習 (PBL)： 讓學生在解決真實世界問題的過程中，運用AI作為工具，但最終解決方案的設計與執行仍需學生主導。

2. 引導學生進行「反向思考」與「批判性質疑」：

   • 「AI 偵探」活動： 設計任務，讓學生故意向AI輸入錯誤資訊或提出帶有偏見的問題，觀察AI如何回應，並分析其回應的準確性與 bias。

本題主要考驗考生對 ADDIE 教學設計模式的理解與應用能力，要求考生能以一個具體的科目或單元為例，說明如何運用 ADDIE 的五個階段進行教學設計。

核心觀念：

1. ADDIE 模型： 熟悉 Analysis, Design, Development, Implementation, Evaluation 這五個階段的定義與目的。
2. 教學設計思維： 能將抽象的教學理論與實務結合，設計出具有系統性、有效性、可評估性的教學方案。
3. 舉例說明能力： 能選擇一個具體、可行的教學案例，並在每個階段進行詳細闡述。

詳解：

ADDIE 模型是一個廣泛應用於教學設計的系統性框架，它包含五個連續但又相互關聯的階段：分析 (Analysis)、設計 (Design)、發展 (Development)、實施 (Implementation) 和評估 (Evaluation)。以下將以「大學部醫學生『基礎心電圖判讀』單元」為例，說明如何運用 ADDIE 模型進行教學設計。

教學單元範例：大學部醫學生「基礎心電圖判讀」

1. 分析 (Analysis)：
* 學習者分析：
* 現有知識： 大部分醫學生在進入基礎臨床課程前，應已具備基礎生理學知識，了解心臟電生理學的原理。但對實際心電圖 (ECG) 的判讀能力可能參差不齊，部分學生可能僅有初步概念。
* 學習需求： 需要學習如何系統性地判讀 ECG，識別常見的心律不整、心肌梗塞、電解質異常等。這是未來臨床診斷的重要基礎。
* 學習動機： 學生可能認為 ECG 判讀是必備技能，但若缺乏實際應用情境，學習動機可能不高。
* 先備技能： 基礎醫學知識，對數位化圖形的辨識能力。
* 任務分析：
* 學習者需要學會識別 ECG 的基本組成元素（P波、QRS 波群、T波、ST段、PR間期、QT間期等）及其正常值。
* 學習者需要掌握系統性的判讀步驟（例如：心率、心律、電軸、形態學異常）。
* 學習者需要能夠識別並診斷至少 5-8 種常見的 ECG 異常（如：心房顫動、心室上頻脈、ST段抬高/壓低、左/右心室肥大等）。
* 情境分析：
* 教學場域：大學醫學院教室、實驗室（配備 ECG 模擬軟體或實際 ECG 機）。
* 可用資源：教科書、線上 ECG 資料庫、ECG 模擬軟體、教師（具 ECG 判讀經驗的醫師）。
* 時間限制：假設此單元安排在一個下午，約 3-4 小時。

2. 設計 (Design)：
* 教學目標 (Learning Objectives)：
* 認知目標 (Cognitive)：
* 學生能說出 ECG 的基本組成元素及其生理意義。
* 學生能描述系統性的 ECG 判讀步驟。
* 學生能正確識別至少 5 種常見的 ECG 異常。
* 技能目標 (Psychomotor)：
* 學生能使用 ECG 模擬軟體，正確標記出 P波、QRS波群、T波等。
* 學生能根據軟體提供的 ECG 圖，完成系統性判讀並寫出初步結論。
* 情意目標 (Affective)：
* 學生能體認 ECG 判讀在臨床診斷中的重要性。
* 學生能對學習 ECG 判讀產生興趣。
* 課程大綱與內容結構：
* 引言 (15分鐘)：ECG 的歷史、原理與臨床價值，激發學習動機。
* ECG 基本元素介紹 (30分鐘)：P波、QRS、T波、PR間期、ST段、QT間期及其正常形態與生理意義。

本題旨在探討科技（特別是 AI）進展對醫學教育帶來的衝擊，要求考生從改變與挑戰、場域實踐、及研究層面進行闡述。

核心觀念：

1. 科技與 AI 在醫學教育的應用： 了解虛擬實境 (VR)、擴增實境 (AR)、AI 輔助診斷、個人化學習平台等技術的發展。
2. 教育的變革與挑戰： 科技的引入如何改變傳統的教學模式、學習者角色、教師角色，以及可能面臨的倫理、公平性、成本等挑戰。
3. 實踐與研究的影響： 探討這些改變對醫學教育現場（如課程設計、臨床培訓）及學術研究（如研究方法、成果產出）的具體衝擊。

詳解：

隨著科技的飛速發展，特別是人工智慧（AI）的演進，醫學教育正經歷一場前所未有的變革。科技輔助已不再是選項，而是必然的趨勢，這將深刻影響醫學教育的各個層面，從學習內容、教學方式、評量方法，到醫學教育的研究與實踐。

一、 科技與 AI 演進為醫學教育帶來的可能改變與挑戰：

可能的改變：

1. 個人化與適性化學習 (Personalized and Adaptive Learning)：
   • AI 可分析學生的學習行為、進度與弱點，提供量身訂製的學習路徑、教材推薦與練習。
   • VR/AR 技術可提供高度擬真的模擬訓練，讓學生在安全環境中反覆練習複雜手術或診斷流程。
2. 擴展學習範疇與資源：
   • AI 驅動的知識庫與搜尋引擎，能讓學生快速獲取最新的醫學資訊與研究文獻。
   • 遠距醫療與線上學習平台，打破時空限制，使優質教育資源得以普及。
3. 提升臨床技能訓練的效率與精準度：
   • VR/AR 模擬手術、解剖學習，能提供比傳統模型更逼真的體驗，並可量化評估學生的操作表現。
   • AI 輔助的診斷工具，可幫助學生學習如何與 AI 協作，識別影像中的病灶，或預測疾病風險。
4. 改變教師角色：
   • 教師將從知識傳遞者轉變為學習促進者、引導者、教練（coach），協助學生釐清 AI 提供的資訊，培養批判性思維與解決問題的能力。
5. 創新的評量方式：
   • 利用 AI 進行自動化評閱，例如程式碼、論文初稿的評估。
   • 透過 VR/AR 模擬情境，評估學生的臨床決策與操作能力。

挑戰：

1. 數位落差與公平性： 設備、網路、軟體的可及性不均，可能加劇教育資源分配不公的問題，弱勢學生可能更難受益。
2. 數據隱私與倫理問題： 學生學習數據的收集、儲存與使用，涉及嚴格的隱私保護與倫理考量。AI 診斷的責任歸屬問題也需釐清。
3. 技術導入的成本與培訓： 購置先進設備、開發或購買軟體、教師與學生的數位素養培訓，都需要龐大資源。
4. 過度依賴與獨立思考的削弱： 如前題所述，學生可能過度依賴 AI，導致批判性思維、解決複雜問題能力下降。
5. 人際互動與同理心培養的挑戰： 線上學習與模擬訓練若缺乏適當設計，可能減少人與人之間的真實互動，影響同理心、團隊合作等重要軟技能的培養。
6. 技術更新迭代快： 科技發展迅速，課程內容與教學方法需要不斷更新，否則可能很快過時。

二、 對醫學教育場域實踐的衝擊與看法：

• 課程設計與內容更新：
  • 衝擊： 傳統以教科書為主的知識傳授模式將被打破。課程需納入「AI 輔助診斷」、「數位病歷」、「遠距醫療溝通」等新興議題。