《Clinical Simulation in Nursing》:Using learning analytics to identify engagement trajectories associated with clinical performance gains in virtual simulation
编辑推荐:
学习分析(learning analytics)识别出三种不同的参与轨迹(engagement trajectories)。
高参与度(high engagement)与最大的临床操作表现增益(clinical performance gains)相关。
重复
学习分析(learning analytics)识别出三种不同的参与轨迹(engagement trajectories)。
高参与度(high engagement)与最大的临床操作表现增益(clinical performance gains)相关。
重复练习(repeated practice)与克服较低的初始表现(lower initial performance)相关。
行为分析(behavioural analytics)可能有助于在虚拟仿真(virtual simulation)中提供针对性支持。
研究背景:虚拟仿真(virtual simulation)已广泛用于急诊护理教育,尤其训练创伤、心搏骤停和产科急症等高风险、低频能力,可提供安全、标准化、可重复的刻意练习。证据显示其能改善知识、精神运动技能和自我报告信心,但评价多聚焦总体结果,如前测-后测、清单和满意度,将学习过程视为“黑箱”;学生行为模式、决策序列、纠错和适应策略未被充分观察,教育者难以实时诊断和个性化反馈。核心问题是:不同参与轨迹(engagement trajectories,指学生在重复练习中跨四个行为指标呈现的相似纵向模式)是否与临床操作表现增益(clinical performance gain,末次与首次仿真表现评分之差)相关?研究人员以自我调节学习(self-regulated learning, SRL)、认知负荷理论(cognitive load theory, CLT)和沉浸学习认知-情感模型(Cognitive-Affective Model of Immersive Learning, CAMIL)为框架,利用时间戳日志,在严重肢体创伤急诊虚拟仿真中识别轨迹并检验其与增益的关联。
方法概括:采用回顾性观察设计,提取中国某大型高校急诊护理课程虚拟仿真平台去标识化日志;队列主要来自中西部两所大型护理学院,共330名三/四年级护理本科生,最终对完成≥2次完整尝试的148名学生做主分析。平台基于Unity3D,含现场急救、救护车院前、长途航空转运和院间交接四阶段。关键方法为:计算尝试次数、错误节点减少、完成时间变化和总学习时间四个行为指标;用K均值聚类(k-means clustering)识别参与轨迹;以仿真表现评分(0-116)计算增益;采用Mann-Whitney U检验、方差分析(ANOVA)、Games-Howell事后检验和χ
2检验。
研究结果:
全队列中的参与轨迹:330名学生中182名(55.2%)仅完成1次尝试,148名(44.8%)重复练习。单次尝试组初始评分显著高于重复尝试组(均值98.15 vs 73.42,p < .001),但重复尝试组最终评分显著更高(111.63 vs 98.15,p < .001),重复尝试组首次至末次平均增益38.21分(SD=39.21)。
参与轨迹的识别:对148名重复练习者以四个标准化行为指标进行K均值聚类,选择三聚类解。三个聚类在所有行为指标上差异显著(p < .001):高参与组平均6.28次尝试、错误减少25.08个节点;低参与组仅2.35次、减少1.13个节点;中等参与组介于二者之间。
不同轨迹的表现增益:单因素方差分析显示三组增益差异显著,F(2,145)=414.83,p < .001;Games-Howell事后检验所有两两比较显著(p < .001)。
参与轨迹与表现增益类别的关联:按增益百分位分为低(≤33rd)、中(34th-66th)、高(≥67th)三组。聚类与增益类别显著关联,χ
2(4,N=148)=151.94,p < .001,Cramer’s V=.72。高参与组全部为高增益;低参与组无人高增益,76.7%为低增益;中等参与组63.3%为中增益。
参与轨迹可视化:雷达图显示高参与组在尝试次数、错误减少和总学习时间上较高,完成时间下降最大(Z=–0.82);低参与组完成时间增加(Z=0.92);中等组居中。
表现增益分布:参与轨迹对增益主效应显著,F(2,145)=414.83,p < .001,η
2=0.85,即轨迹成员解释85%增益变异。高参与组增益显著高于中等组(均差67.93,95% CI [59.04,76.82])和低参与组(均差88.66,95% CI [81.45,95.87]);中等组高于低参与组(均差20.73,95% CI [13.61,27.86])。
讨论总结:学习分析使仿真评价从结果导向转向过程导向。高参与轨迹体现SRL的目标设定、监控与策略适应;即时反馈提供元认知支架,CAMIL中的沉浸感与能动性可能促进学习;低参与轨迹可能反映高外在认知负荷导致SRL循环未启动,但认知负荷未直接测量,需谨慎解释。重复练习可克服初始表现不足,但观察设计不能完全区分重复暴露与主动参与效应。行为指标具有诊断和预测价值,可识别风险学生。实践上,应将虚拟仿真设计为“练习-反馈-改进”的迭代循环,激励应奖励增量纠错和反思实践;行为指标可用于自适应反馈和差异化教学;55.2%仅单次尝试提示需关注教学设计、评价导向和课程文化。局限包括观察设计不能推断因果、重复暴露影响、单一场景和两所中国高校限制外推、未测动机/自我效能/认知负荷、仿真评分向真实临床迁移性待验证等。
结论翻译:本研究通过将分析视角从总体结果转向个体参与轨迹,推进了基于虚拟仿真的护理教育。应用学习分析于参与行为指标,研究人员识别出三种不同参与轨迹,其与虚拟环境中的临床表现强相关。以重复和反思性练习为特征的高参与轨迹,成为大幅临床操作表现增益的近充分条件。关键在于,初始能力较低但采取高参与行为的学生不仅缩小了初始差距,还超过了参与较少但初始更熟练同伴的最终表现。这强调:在虚拟仿真学习中,参与过程质量可超过初始起点。除验证练习重要性外,本研究提供数据驱动框架,帮助教育者早期诊断学习过程、识别风险学生并个性化支持。普遍的单次尝试模式凸显技术可及性与有意义学习影响之间的关键差距,需要优先迭代改进的教学与文化转变。随着虚拟仿真融入课程,采用过程导向分析对促进更刻意、反思和有效的临床训练至关重要,最终培养适应性强、能自我改进的医疗从业者。