登入/註冊
Taiwan Society of Emergency Medicine
Taiwan Society of Emergency Medicine
|
本會期刊
台灣急診醫學通訊
 第八卷第五期 點閱次數：1062 PDF下載次數：8 利用大型語言模型輔助培養教師回饋能力
侯勝文 財團法人新光吳火獅紀念醫院急診醫學科 近年來醫學教育界盛行各種運用大語言模型（Large Language Model, LLM）來輔助醫學院或臨床醫學教育。但其實LLM也可以幫忙對於臨床回饋尚不熟練的教師複習各種常見的回饋技巧。 常見的提示語寫法結構上可以分為： Persona (角色/人設)：指定 AI 應扮演的角色，例如：你是一位經驗豐富的醫學教育家、你是一位資深有效率的急診醫師。 Task (任務/指令)：具體說明 AI 應執行的任務，例如："根據我上傳的檔案整理出十個重點"，或是"虛擬一段臨床醫學教師對學生回饋的腳本"。 Context (情境/背景資訊)：提供必要的背景資訊，讓 AI 應對更精準，例如：情境是在急診做臨床教學時，或是要求AI寫給剛接觸醫學教育的臨床教師讀者看的，或是告訴AI根據這份會議紀錄來總結。 Format (格式/輸出格式)：明確要求 AI 輸出的格式，例如：請以條列式清單呈現、請寫個200字的短文。1 以急診床邊教學最常用的回饋為例，由於有各式各樣的結構式框架（framework），有些的描述其實過於抽象，因此如果我們不常特意練習，其實久了以後可能就忘記相關重點。因此，臨床教師可以利用LLM來寫出虛擬的對話來提示自己應該如何利用這些framework來進行回饋。 例如，在一個中年病人最近接受了口服與針劑的NSAID之後臉與雙腳腫，住院醫師只想到過敏的可能性，卻沒注意到急性腎衰竭的可能。你想要嘗試用ADAPT方法2來回饋，可以利用以下的prompt來產生師生對話範例來使用： 『你是資深急診醫師與臨床醫學教育專家，我跟學生看了一個病人，他只有執著於A診斷，卻沒有想到B診斷的可能，請利用ADAPT framework來產生我應該如何回饋他的對話範本』。 當然，如果時間多的話，可以給AI更多的資訊，會產生更符合你現有情境的對話範本： 『你是資深急診醫師與臨床醫學教育專家。我跟一個醫學系五年級的學生在急診看診，我們剛看了一個最近接受NSAID口服與針劑的病人主訴臉與雙腿腫。這名學生只想到藥物過敏。但他似乎沒有注意到病人不會發癢的水腫其實更有可能是急性腎衰竭。請利用ACGME的ADAPT framework（Aks, Discussion, Ask again, Plan Together，為我產生一個對話範本，教我如何回饋這位學生，引導他去思考急性腎衰竭的可能性。』 又或是你想要瞭解臺灣在地製造且流行的ERCP框架4，你可以簡單地使用第一個範例，但是改成： 『你是資深急診醫師與臨床醫學教育專家，我跟學生看了一個病人，他只有執著於A診斷，卻沒有想到B診斷的可能，請利用Kolb’s Experiential Learning Cycle衍生的ERCP framework（Experience → Reflection → Conceptualization → Plan）來產生我應該如何回饋他的對話範本』 語言模型應用程式幾乎都會把對話過程保存下來，所以臨床教師可以很方便地重複複製以上的對話，更改臨床情境與回饋重點後產生範例對話。當然，多次練習後，大概就能夠掌握這些框架的重點，不需要每次跟都AI核對了。又或者你可以試試看筆者製作的GPTs，只要輸入『臨床情境』『回饋重點』與『框架三選一』（ADAPT, R2C2, ERCP）就可以產生一個對話範例讓您現學現賣啦！ 聲明：本文僅有少數英文翻譯為中文部分經AI輔助，其餘為作者本人撰寫。
參考文獻
|
