生成式 AI 輔助 PubMed 文獻檢索與綜整

以下內容適於對於 PubMed 檢索與NotebookLM有基本概念/使用經驗者。若不熟悉，可先跟生成式AI諮詢並試用後，再應用下列內容。

1. 確認文獻檢索主題：

如查詢綜合以下主題：「評估對話機器人表現的評量表」、「以生成式AI發展的對話機器人或虛擬病人」、「醫學教育」，且為2022年迄今 PubMed 收錄的文獻。

2. 與生成式 AI 協作生成檢索策略：

Prompt 如: 請提供以下主題的 PubMed 策略，以利我直接於 PubMed 檢索。策略越完整越好：「評估對話機器人表現的評量表」、「以生成式AI發展的對話機器人或虛擬病人」、「醫學教育」，且為2022年迄今 PubMed 收錄的文獻。

3. 確認檢索策略合適性：

自行確認完整性與合適性後，再於 PubMed 檢索。最後再確認檢索結果的合適性/正確性。必要時再至生成式 AI修改檢索策略。

4. 將檢索結果匯出至 NotebookLM

以網址形式匯出於NotebookLM的筆記本：確認 Display options 設定後（含 Format: Abstract; Per page: 100），並確認網址內容是否完整。

確認網址可於 NotebookLM 執行："https://pubmed.ncbi.nlm.nih.gov/?term=CHatgpt%5Bti%5D%20OR%20%22language%20model%22%5Btw%5D%20OR%20GPT%5Btw%5D%20OR%20%22language%20models%22%5Btw%5D%20AND%202020%3A2030%5Bdp%5D%20NOT%20%22Protein%20Language%22%5Btw%5D%20NOT%20Genomic*%5Btw%5D%20NOT%20gene%5Btw%5D%20NOT%20biomarker*%5Btw%5D%20NOT%20drug*%5Btw%5D&sort=date&format=abstract&size=100&page=2" 前面的網址（含 OR/AND/NOT）是檢索策略；最後format=abstract&size=100&page=2是設定。有上述資訊之網址，即可於 NotebookLM 順利連結。且我們可修改設定，如page=2，可修改成 任一 page。即可包含所有想要的 pages。

例如"https://pubmed.ncbi.nlm.nih.gov/?term=CHatgpt%5Bti%5D%20OR%20%22language%20model%22%5Btw%5D%20OR%20GPT%5Btw%5D%20OR%20%22language%20models%22%5Btw%5D%20AND%202020%3A2030%5Bdp%5D%20NOT%20%22Protein%20Language%22%5Btw%5D%20NOT%20Genomic*%5Btw%5D%20NOT%20gene%5Btw%5D%20NOT%20biomarker*%5Btw%5D%20NOT%20drug*%5Btw%5D&sort=date&format=abstract&size=100&page=3" 我修改成 page=3, 即可將第3頁檢索結果100篇摘要匯至 NotebookLM作為來源。
 

以檔案形式匯出：如下圖，即可存檔後，再匯至NotebookLM作為來源。

 

5. 彙整檢索摘要之內容：

確認匯至NotebookLM來源皆正確後，即可請 NotebookLM 彙整來源（摘要）之資訊。也就是可使用NotebookLM工作室的所有功能！！

臨床人員於"breaking bad news" 表現總分

某年度  醫師於 "breaking bad news" 表現總分

mean (SD) = 9.1 (1.2) 分數非常集中

評分項目4項（每項各0～4分），可能分數為 0~16：

1 溝通重點之完整性（content completeness）

•   是否涵蓋必要醫療資訊（診斷/預後/風險/替代方案/可能結果/後續計畫）。

•   是否適當處理不確定性、是否避免過度保證或模糊帶過關鍵風險。

2 可理解程度（comprehensibility）與訊息負荷

•   用語是否符合一般人理解（避免過度 medical jargon）、是否有分段與摘要、是否提供「可帶走」的重點。

•   是否有確認對方理解（例如 Ask-Tell-Ask、Teach-back），並依理解程度調整說明。

3 溝通策略合宜性（strategy appropriateness）

•   情緒處理：是否及時回應情緒線索、同理回應是否具體且不流於形式（例如 NURSE）。

•   決策支持：是否探索價值觀/目標、呈現選項與利弊、促進 SDM，並處理衝突或不信任（例如透明度疑慮）。

•   對話節奏與互動：是否給予提問空間、是否傾聽與澄清、是否避免單向宣告式溝通。

4 以特定評估工具 (SPIKES) 進行評量整體表現

•   預設以 SPIKES-based checklist（分項行為是否出現與品質）搭配 Global Rating Scale (GRS)（整體表現）進行評量；情緒回應可用 NURSE 作為輔助標記。

產出分項結果（例如：Setting/Perception/Invitation/Knowledge/Empathy/Strategy-Summary 等）與整體評語

-----------------------------------------------------------------------

後續可能論文寫作題材：

1. 改良逐字稿，以作為後續教學與研究之素材

2. 發展"breaking bad news"相關評量工具（含任務執行與溝通技巧/同理心評估工具）

3. 驗證 GKCSAF-GPT 評分之信度與效度

學術之路的貴人

以下是初稿... 將持續修改

導師：

薛漪平教授

王榮德教授

王文中教授

姚開屏教授：確認心理計量研究之價值（研究方向的定海神針）

許清芳教授

陳定信院士

-------------

夥伴

王淳厚教授

林昭宏教授

呂文賢主任

----------------------

狀元學生

呂文賢博士

古佳苓博士

林恭宏博士

黃怡靜博士

李士捷博士

王怡晴博士

邱恩琦博士

李雅珍博士

吳姿誼博士

尤菀薈博士

-----------------

博後

林柏翰

朱玉正

-------------------------------------

**「邀請學生分享的主題架構」以及「運用 AI 工具進行內容生產的數位工作流」**。

以下為您彙整後的重點摘要：

---

一、 學生分享重點 (以古博士為例)

教授希望邀請畢業學生回校分享，重點在於傳承與影響，具體方向包括：

• 學思歷程： 在謝老師實驗室/課堂中學習到的核心知識或態度。

• 領域影響： 這些學習如何轉化並應用在目前的專業領域，產生了哪些具體的影響或貢獻。

• 心得傳承： 值得與學弟妹分享的寶貴經驗。

---

二、 AI 輔助內容產製工作流

為了高效生成分享影片或簡報內容，教授建議採用以下四個步驟的 AI 工具組合：

1. 知識萃取 (NotebookLM)

• 動作： 將師生合寫的「原始論文」上傳至 NotebookLM。

• 目的： 先針對學術成果進行初步的內容彙整與核心重點提取。

2. 靈感捕捉 (Typeless AI)

• 動作： 使用 Typeless AI 的語音轉文字功能，以自然口說方式講述想法。

• 優勢： 支援快速鍵啟動，語音辨識正確率高，適合捕捉碎片化的靈感與口語經驗。

3. 內容優化 (Gemini)

• 動作： 將 Typeless AI 生成的大量原始逐字稿丟給 Gemini。

• 目的： 請 Gemini 進行總結 (Summarize) 與架構化，將口語資訊轉化為精鍊的重點。

4. 最終彙整與產出 (NotebookLM + 影片生成)

• 動作： 將 Gemini 產出的總結再次丟回 NotebookLM，結合第一步的論文背景。

• 目的： 設定出最終影片的腳本重點，並以此為基礎製作分享影片。

新構想： 發展虛擬訪員

 

專案計畫：FIFE 訪談虛擬訪員開發與優化

一、 核心目標 (Core Objectives)

本專案旨在開發一位精通「FIFE 訪談法」精神的虛擬訪員（AI 代理人），與虛擬病人進行深度對話實驗，達成以下目的：

1. 專業訪員養成：透過 AI 模擬，學習如何有效引導病患表達其病患經驗（Illness Experience）的四個維度：Feelings, Ideas, Function, Expectations。

2. 虛擬病人優化：透過虛擬訪員的專業引導，測試虛擬病人是否能自然、完整地回饋其內心的感受與想法，進而改善病人模型的反應品質。

3. 循環迭代發展：藉由不斷的訪談測試與評量，同步優化「虛擬訪員的提問技巧」與「虛擬病人的回饋深度」。

---

二、 角色設計與參考資料 (Model Design)

為了打造具備高度同理心與專業引導能力的虛擬訪員，需準備以下資料：

• FIFE 專業文獻：蒐集以病人為中心（Patient-Centered）的臨床溝通技巧與 FIFE 訪談指引。

• 模型定位：設計為具備高度共感力、能精準捕捉病患敘事關鍵點的「FIFE 訪談精靈」。

• 視覺呈現：設計對話界面，可採左側病人、右側訪員的並列佈局，或統一於單一視窗，呈現專業訪談的流暢感。

---

三、 執行流程：手動模擬階段 (Manual Simulation)

在完成 API 自動串接前，採用人工剪貼方式進行流程熟悉與測試：

操作步驟：

1. 開啟雙視窗：同時開啟「虛擬訪員」與「虛擬病人」的對話視窗。

2. 手動轉貼：

   • 將「訪員端」產生的 FIFE 引導問題，剪貼至「病人端」。

   • 將「病人端」針對感受或功能的描述回饋，剪貼回「訪員端」。

3. 流程觀察：模擬經驗豐富的專業訪員，觀察其如何根據病人的回應來決定下一個 FIFE 探詢重點。

---

四、 評量與優化機制 (Evaluation & Iteration)

利用科學化的評分工具，建立虛擬訪員與病人的「共同進化循環」：

階段	動作描述	優化重點
1. FIFE 訪談執行	虛擬訪員對虛擬病人執行以病人為中心的訪談。	探詢的深度與覆蓋率。
2. 訪員表現評量	使用**「FIFE 訪談表現評量表」**進行打分。	提問的精準度與同理心。
3. 病人反應檢驗	檢核虛擬病人是否能適當回應 FIFE 的四個維度。	病人回饋的真實感與資訊量。
4. 雙向參數優化	根據評量結果調整訪員的提問邏輯與病人的性格設定。	整體對話的流暢度與專業性。

---

五、 結論 (Summary)

透過「訪談、評量、優化」的循環（Iteration），我們不僅能訓練出具備專業水平的 FIFE 虛擬訪員，同時也能確保虛擬病人的反應更貼近真實臨床情境，達成雙贏的優化效果。

van der Vleuten 的評估工具 utility評量效用公式

 當您提出一套評量工具（例如要評量學員的溝通表達），同儕一定會挑戰這個方法的科學性。您可以納入這個經典的醫學教育utility公式，證明您的評量工具是經過全面考量的。或是你想評論一項評量工具，都可以套用之。以確認「工具的科學性」。

效用（Utility）：評量工具的整體價值。

Utility = Reliability * Validity * Educational impact * Acceptability * Feasibility

• 信度（Reliability）：不同考官評分是否一致？評分是否穩定？

• 效度（Validity）：是否真的測量到我們想測的「標的/概念/能力」？

• 教育影響（Educational impact）：這個評量是否能驅動學員朝正確的方向學習？

• 接受度（Acceptability）：學員與臨床教師是否認同/接受這個評量方式？

• 可行性（Feasibility）：在繁忙的臨床工作中，這個評量是否花費太多時間與成本？

Cees P M van der Vleuten 1, Lambert W T Schuwirth. Assessing professional competence: from methods to programmes. Med Educ. 2005;39(3):309-17. doi: 10.1111/j.1365-2929.2005.02094.x.

AI 時代的專業價值重塑：推升「知識天花板」的關鍵戰役

以下是我最近的構想，再跟AI討論/潤飾的觀點！！

• 主標題： AI 時代的專業價值重塑：推升「知識天花板」的關鍵戰役

• 副標題： 為何醫學教育的評估與實證研究，將成為下一個藍海？

---

第一部分：引言（Hook & Thesis Statement）

核心論述：AI 帶來的不是學習的終結，而是「標準化能力」的貶值。真正的專業價值，正在向上轉移。

• 破除迷思： 點出目前社會的普遍現象——人們驚嘆於 AI 在幾個月內就能讓人掌握過去需要數年累積的知識與技能（包含透過虛擬演練加速勝任能力的養成）。

• 提出危機： 當所有人都能藉由 AI 輕易達到專業的「基準線」或「知識天花板」時，基礎技能將被高度商品化，導致薪資與價值的扁平化。

• 破局立論： 宣告未來的核心競爭力不在於「誰學得快」，而在於「誰能突破現狀，將知識的天花板往上推升」。而這項任務，最終將回歸到具備研發能力與洞見的研究人員身上。

第二部分：從經驗主義到實證科學的必然轉向

核心論述：複雜的臨床應用不能單靠個人經驗，必須仰賴嚴謹的「測量工具」與「實證研究」。

• 經驗的侷限： 探討在臨床應用中，將標準化知識應用於複雜個體時所面臨的挑戰。許多人誤以為這只能依靠「個人經驗」或「人際藝術」。

• 工具的必要性： 犀利指出，沒有客觀、精準的評估工具與訪談框架，所謂的「深入了解個體」往往只是受限於樣本數與觀察視角的偏見。

• 研究的價值： 要突破個人經驗的限制，唯一途徑是透過研發，創造出能精準捕捉個體特質的新工具以及臨床實證研究。這確立了「研究開發」與「實證醫學」在臨床實務中的最高指導地位。

第三部分：醫學教育的藍海——「評估與驗證」的巨大缺口

核心論述：相較於基礎或臨床醫學，醫學教育領域存在著極需填補的實證與評估缺口，這是 AI 介入的最佳切入點。

• CBME 的痛點： 點出在勝任能力導向醫學教育（CBME）中，有大量的臨床知識、溝通技能、態度與執行流程需要被評估。

• 資源的不對等： 相比於其他醫學領域，醫學教育的實證研究相對匱乏，且目前極度缺乏大量、優質、且能應對複雜情境的評估工具。

• 虛擬考官的崛起： 帶入 AI 的應用潛力，例如利用生成式 AI 構建虛擬標準病人或虛擬考官，以解決評估人力與標準化不足的問題。

第四部分：不可取代的護城河——心理計量與「硬核驗證」

核心論述：生成 AI 工具很容易，但證明它有效卻極度困難。這份「困難」正是研究者的絕對壁壘。

• 黑盒子危機： 批判目前的亂象——任何人都會寫提示詞生成一份評分表，但這些 AI 產出的結果在面對高風險的臨床考核時，往往缺乏公信力。

• 驗證的地獄即是護城河： 強調要證明這些 AI 工具具備真正的信度、效度與反應性（Responsiveness），需要極其嚴謹的心理計量模型分析。

• 人機協作的新範式： 總結未來的研究模式：將 AI 視為提升效能的引擎（處理繁瑣運算與初步生成），而研究者則全心投入於高階的「研究設計」、「假設驗證」與「實打實的苦工」中。

第五部分：結語（Call to Action）

核心論述：重申研究人員在 AI 時代的時代使命。

• 總結全文脈絡：AI 加速了知識的普及，但也讓「評估與驗證」的價值，尤其在醫學教育領域，空前突顯。

• 呼籲學界與實務界：不應只停留在「使用 AI」的表層，而應積極投入資源，研發並驗證新一代的醫學教育評估工具，共同推升這塊領域的知識天花板。

愛上 Typeless AI 了

我應用 Typeless AI 的主要功能/優點有四：

邏輯彙整： 自動將口語轉化為組織嚴密、重點明確的條列文字。

抗噪辨識： 在公車、戶外等高分貝環境下，依然維持極高辨識率。

多人應用： 支援遠距離收音，適用於多人會議討論與紀錄。

即時靈感捕捉： 隨時隨地透過語音產出想法，系統將自動完成內容整合。

*以上是我口頭講講之後，再由 Gemini 彙整。

我最喜歡：「邏輯彙整： 自動將口語轉化為組織嚴密、重點明確的條列文字。」，基本上適用於任何人...

----------------------------------

*以下是 Gemini 的補充：

除了您提到的會議記錄與靈感捕捉，這類具備**高抗噪、遠距收音與邏輯重組**功能的工具，在學術研究與教學實務上還有許多極具價值的應用場景：

---

### 1. 訪談逐字稿與研究編碼 (Qualitative Research)

在進行**質性研究訪談**時，這類工具能節省大量人工聽寫時間。

* **優勢：** 即使在收音環境不完美的咖啡廳或研究室，也能精準捕捉受訪者的語句，並初步將瑣碎的口語轉化為書面語，方便後續進行主題編碼（Coding）。

### 2. 行動式教學與田野筆記 (Field Notes)

對於需要邊走邊觀察的場景（如**臨床實習指導**或**田野調查**），它能擔任「數位助理」。

* **應用：** 老師或研究者可以一邊觀察、一邊對著手機描述看到的現象或個案反應，工具會即時將這些碎片化的觀察彙整成具結構性的日誌，避免回辦公室後遺忘細節。

### 3. 個案紀錄與病歷草稿 (Clinical Documentation)

在醫療或職業治療環境中，臨床人員常面臨大量文書工作。

* **應用：** 在治療結束後的空檔，直接口述治療過程與患者表現（如 SOAP 紀錄的架構），讓 AI 預先生成**初稿**，再由人工進行最後核對與修改，大幅降低文書負擔。

### 4. 論文初稿的「口述寫作」 (Dictating First Drafts)

面對空白螢幕常有寫作障礙（Writer's Block）時，「講」比「寫」通常更快、更自然。

* **應用：** 您可以先對著工具講出論文某個章節的大致邏輯或論點，利用它「強化組織」的功能，將散亂的口語轉化為**學術初稿的雛形**，再進行精修。

### 5. 即時翻譯與跨語言交流 (Cross-lingual Support)

其強大的抗噪與遠距收音可轉化為「隨身翻譯機」。

* **應用：** 在國際研討會的 Q&A 時間，或是與外籍同仁交流時，即時將對方的發音轉化為您熟悉的語言文字，確保溝通細節不漏失。

---

### 6. 輔助溝通工具 (AAC)

針對口語表達較吃力，但邏輯思考正常的個案。

* **應用：** 幫助個案將模糊、斷續的發音，轉化為旁人易懂、有組織的文字，提升個案在社交或臨床情境中的溝通信心。

發展機器人--這是我的研究主題/主軸嗎？

 我最近幾年，運用生成式 AI 做醫學教育的研究，我覺得好像都在做發展機器人的研究。發展這類機器人大概可以分成幾個主要面向：

 1. 提升學生或臨床人員的學習能力與效能

   (a) 包含基礎知識的建構。

   (b) 臨床執業所需的必要知識。

 2. 在應用端提升臨床技能與效能

   (a) 透過生成式 AI 提供教學回饋並讓他們練習。

   (b) 讓使用者可以跟 ChatGPT 或 Gemini 學習基本知識與臨床技能。

   (c) 甚至進一步優化臨床流程，讓機器人能實質協助他們處理臨床事務。

發展虛擬病人/虛擬考官//AI輔助教學等主題...皆然！！

（研究/教學）構想/創意生成器

於生成式AI提出想法，請她修飾。

可請她補充相關文獻/想法後，再修飾。

彙整/確認後再輸出/分享。

以「醫病溝通之告知壞消息」之研究與教學計畫為例：

1. 與AI互動/腦力激盪

2. NotebookLM彙整與輸出（PPT與video）

3. Nano banana 繪圖

。

以 NotebookLM 建立評估工具評析：應用COSMIN checklist

相關內容詳 NotebookLM： https://reurl.cc/dq6Lpq 

以「反應性」之評析為例，上傳COSMIN checklist以及反應性相關資訊（如圖示打勾）與擬評論之論文(Comparison of responsiveness…)，提示詞已建置於上傳來源（反應性論文彙整(任務1)與評析(2)）。完整提示詞如下：

任務1:請彙整論文中有關[反應性/responsiveness]之概念說明、研究設計、資料分析、結果與討論章節之解釋(含結論)。

任務2:請依據 COSMIN [反應性/responsiveness]之checklist評析論文，請列出評析項目、評析結果、舉證說明、最後依據COSMIN相關共識，以提出改善建議。

故使用者只需於「對話視窗」輸入：請執行任務1 （或請執行任務2）即可！！

後續應用：

可再上傳其它擬評析之論文，即可繼續執行任務1與2。

（已評析完成之論文可「刪除」或「不勾選」）

如何使用生成式AI 輔助 評論 & 發展工具

以評論言，先評論「內容效度」、再評論「信度」、「效度」、與「反應性」。

若應用 COSMIN，則已有相關檢核表！可自行應用/評論現有工具。也就可以應用生成式AI協助評論，甚至彙整！！

以發展言，先建立「內容效度」、再建立「信度」、「效度」、與「反應性」，必要時改版！！

若應用 COSMIN，則已有相關研究設計檢核表！可自行應用/發展工具。也就可以應用生成式AI協助「應用COSMIN研究設計」發展工具，甚至測試一部份心理計量特性（如內容效度）！！

Note: 建立詞彙與定義 (glossary/definition)，含中英文。

An ultimate case study for why AI won’t replace human workers

CNN  "This job has become the ultimate case study for why AI won’t replace human workers"

Gemini 的彙整:

從「被取代」到「更被需要」

十年前，人工智慧教父 Geoffrey Hinton 曾驚言「現在應該停止培訓放射科醫生」，預言 AI 將在 5 到 10 年內全面接管。然而到了 2026 年，現狀卻恰恰相反：

預測失準： Hinton 承認當時的看法過於寬泛。放射科醫生不但沒失業，需求反而與日俱增。

數據支持： 根據美國勞工統計局（BLS）預測，2024 年至 2034 年放射科就業增長率為 5%，高於所有職業平均水平的 3%。

數位優勢： 放射科是醫學界數位化最徹底的領域（X光、CT、MRI 均為二進位數據），這使其成為 AI 訓練的最佳溫床。

 AI 目前在放射科扮演的角色

與其說是取代醫生，AI 目前更像是醫生的「第二雙眼睛」或「效率增強器」：

功能類別	具體應用說明
工作流優化	自動識別急需關注的異常掃描影像，協助醫生進行優先級排序（Triage）。
影像強化	在 MRI 掃描中使用更少的測量數據生成高畫質影像，縮短病人受檢時間。
數據處理	協助總結報告、測量腫瘤體積，並從海量歷史數據中分析模式。
法規核准	目前 FDA 核准的 1,357 件人工智慧醫療設備中，放射科佔了 1,041 件。

潛在風險與警訊

儘管前景樂觀，專家仍提醒不可過度依賴 AI，並指出幾個關鍵問題：

• 種族偏見： 2022 年麻省理工學院（MIT）的一項研究發現，AI 能精確地從 X 光片中預測病人的種族，而人類醫生卻做不到。這引發了診斷過程中可能出現自動化偏見的擔憂。

• 過度依賴： 醫生擔心醫療機構為了節省成本，可能嘗試用非專科醫生配合 AI 來取代昂貴的放射科專科醫生，這在處理癌症或致命感染時極具風險。

• 專家的必要性： 演算法的優異表現，建立在「輸出結果由專家審核」的基礎上。

---

核心總結： 放射科證明了 AI 的強項在於處理規律、大量且重複的數據分析，但診斷決策、物理檢查與病患溝通仍需人類專家的溫度與判斷。

2025 年年度報告之三--以生成式AI建置虛擬病人資料庫

虛擬病人資料庫之建置方法，皆以 ChatGPT 之 My GPTs 發展，已開放試用。 

＊已發展虛擬病人之診斷類型--中風、思覺失調。

另有自閉症兒童家長以及一般人（簽署DNR說明）

＊臨床任務包含巴氏量表評估（已發展約6位虛擬病人，以訓練學員/釐清評估概念為主）、FIFE訪談（約12位虛擬病人；訪談逐字稿已具備超過30份；以訓練學員 FIFE訪談為主）；思覺失調診斷性會談逐字稿15份；以訓練住院醫師診斷性會談為主）

＊發展方法--以模擬真實病人/一般人為主（訪談後，以學員訪談逐字稿與資本資料為模擬變項依據）。後續輔之以專家＋生成AI產生更多逐字稿與虛擬病人，以補足病人/訪談之多樣性與完整性（補充病人特質與對話/任務內容）。

＊後續任務：驗證虛擬病人表現、發展更多更完整的虛擬病人（以症狀完整度為主）。發展驗證/修改SOP以確保虛擬病人之基本表現

＊應用價值：教學與研究使用；含教學示範、學員練習、提供形成型與總結型評量。

2025 年年度報告之二--主要代表著作

溝通技巧介入與評估：

Chen TT, Huang YJ, Chen CR, Hsu CW, Huang SL, Hsieh CL. Effects of Feedback and Reflection on Communication Skills Training for Occupational Therapy Students. Am J Occup Ther. 2025;79(4):7904205060. （這是臨床技能介入的主要研究成果之一；在2024年完成稿件）

Ju YJ, Wang YC, Lee SC, Liu CH, Lee ML, Hou CY, Yang CW, Hsieh CL. Development and validation of a GPT-based rater for assessing communication skills using the Gap-Kalamazoo Communication Skills Assessment Form. Med Teach. 2026;48(1):93-104. （這是 ChatGPT應用於臨床技能的主要研究成果之一；在2024年完成稿件）

開始學習「翻轉教學」

Gemini Pro: 

翻轉教學（Flipped Classroom）的核心理念是將「知識傳授」與「知識內化」的順序對調。傳統教學在課堂上講課、回家做作業；翻轉教學則是讓學生課前先自主學習基礎知識，課堂時間則用來進行高階的討論與互動。

以下是翻轉教學的主要原則與核心架構：

1. 翻轉教學的四大支柱 (F-L-I-P)

根據翻轉學習網絡（Flipped Learning Network）的定義，成功的翻轉教學應具備以下四大要素：

• F：彈性環境 (Flexible Environment) 教學者需彈性調整學習空間（如小組併桌）與時間安排，容許學生以不同的步調學習，並接受課堂中因討論而產生的「秩序感混亂」。

• L：學習文化 (Learning Culture) 從「教師中心」轉向「學生中心」。課堂時間不再是老師一個人的表演，而是學生透過與同儕討論、解決問題來建構知識。

• I：有意圖的內容 (Intentional Content) 教師需精挑細選適合自學的內容（如製作 10-15 分鐘的精簡影片），將寶貴的課堂時間留給最需要老師引導、最困難的核心概念。

• P：專業教育者 (Professional Educator) 老師的角色從「講台上的聖賢」轉變為「身旁的引導者」。教師需具備高度專業，能即時觀察學生的困難並給予回饋，而非只是放影片給學生看。

---

2. 實施流程與學習階段

翻轉教學通常分為三個階段，將布魯姆教育目標分類（Bloom's Taxonomy）重新配置：

階段	學習活動	認知層次 (Bloom)
課前 (Pre-class)	觀看影片、閱讀教材、完成基礎線上測驗。	記憶 (Remembering)、理解 (Understanding)
課中 (In-class)	進行個案討論、專題實作、小組辯論或解題。	應用 (Applying)、分析 (Analyzing)、評鑑 (Evaluating)
課後 (Post-class)	針對弱點補強、完成進階延伸任務或反思筆記。	創造 (Creating)

---

3. 教學設計的核心原則

• 自學必須發生： 翻轉成功的關鍵在於學生是否落實課前自學。教師需設計誘因（如課前小考、加分機制）來確保進度。

• 以終為始： 先決定課堂活動（如想解決什麼臨床問題），再回頭設計課前教材。

• 即時回饋： 利用資訊工具（如 Google 表單、Slido）收集學生課前的問題，讓老師在課堂一開始就能針對多數人的盲點進行說明。

重要觀念： 翻轉教學並不只是「拍影片」，也不等於「老師不用教」，而是將老師的專業價值發揮在最需要引導的「知識應用」與「思維對話」上。

---