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！！