從成長需求出發，以生成式 AI、持續評量與回饋，連結大學教育與終身專業發展
一位職能治療師取得資格、開始工作之後，誰會持續觀察他的實際表現，協助他發現盲點，陪他練習，再確認他是否真的進步？
這是我最近反覆思考的問題。
在我的教學經驗中，大學教師與學生最密集的互動，多半集中在校內課程。進入實習後，臨床教師承擔更多指導；畢業、進入 PGY 或正式執業後，大學教師與畢業生之間，往往缺少持續、以個別臨床表現為基礎的教學連結。
生成式 AI 讓我開始思考：具備教學研究或臨床技能研究能力的大學教師，能否與臨床夥伴合作，成為治療師整個職業生涯中的專業教練？
一、真正的起點，是治療師想進步，也需要進步
治療師的成長需求，一部分來自內在：希望更有能力幫助個案、突破反覆遇到的困難，也希望知道自己累積的經驗，是否真的轉成更好的專業判斷。
另一部分來自外在：工作要求、服務使用者的期待，以及同儕之間的專業競爭。當部分治療師開始運用 AI 精進，其他人可能更關心：我如何維持並提升自己的專業能力？如果這些做法確實帶來更好的表現，也可能逐步提高周遭對專業服務的期待。
這仍是需要研究的推論。競爭壓力不一定使每個人更願意學習，也可能讓人不敢暴露弱點。因此，好的成長支持需要讓治療師感到可信、可負擔，而且有時間實作。
AI 同時帶來另一種可能：降低取得個別化回饋的門檻。原本想進步、卻找不到人一起檢視臨床表現的治療師，或許可以更容易獲得支持。
當治療師看見自己的進步，持續學習才更容易成為有意義的投入。
圖 1｜需求是起點；可信的支持與可驗證的進步，讓需求有機會轉成持續投入。圖示呈現擬議機制。
二、治療師也可以有自己的專業教練
專業運動員即使已有很高的能力，仍會透過教練觀察、影像回看與針對性練習，持續調整表現。這個比喻也適合用來思考治療師的專業成長。
臨床工作中，有些重要細節很難只靠回憶掌握：個案出現困難時，我是否察覺了？活動難度是否適合？家長說「回家做不來」時，我是否先了解原因？
真實工作錄影讓這些問題有機會被具體檢視。AI 可以協助整理逐字稿、定位關鍵片段、對照評量規準及草擬回饋；教師與臨床夥伴則負責校核證據、理解情境，並與治療師共同決定下一步。
影片能呈現的，是特定情境下可觀察的表現。沒有說出理由，不代表不知道理由；鏡頭沒有拍到，也不代表沒有執行。因此，錄影需要搭配個案目標、治療計畫、自我反思與必要的追問。
三、讓回饋走到下一次的真實表現
我想像的教練流程，包含六個步驟：記錄真實工作、整理證據、共同解讀、聚焦目標、練習實作，以及再次觀察。
例如，一位治療師在個案反覆遇到困難時，持續使用相同的口語提示。回看錄影後，教練先了解他當時的判斷，再釐清問題可能出在哪裡：未察覺訊號、不熟悉調整方式，還是擔心改變活動會偏離目標？
接著，雙方選定一項練習目標。治療師可以先在幾個短片或模擬情境中，練習辨識訊號、提出調整方案並說明理由，再回到真實工作中嘗試。
下一次觀察，要看他是否更能適時調整，以及能否根據個案反應再次修正。之後還要換個案、換情境，確認這份能力是否能保留與遷移。
職能治療的既有研究已提供線索：包含具體改善建議的回饋，與學生後續臨床推理表現有關。不過，這項研究本身並不能證明 AI 教練模式的效果。[1]
回饋的價值，要在下一次表現中看見。
圖 2｜每一輪都把回饋轉成行動，再用後續表現檢查改善。教師與治療師共同解讀，AI 提供協助。
四、治療師在進步，評量與回饋也能一起進步
這個構想還有另一個關鍵：專業能力評量表與回饋方法，本身也應該接受檢驗並持續修訂。
當我們累積多位治療師的完整學習歷程，就可以追問：哪些題項真的反映重要能力？哪些描述容易造成評分歧異？哪些建議能轉成行動？對不同程度的治療師，什麼練習最有幫助？
以居家方案溝通為例，最初可能只評估「是否清楚說明活動」。追蹤後卻發現，說明完整的情況下，家長仍可能難以執行。這就提示我們檢查：評量是否漏掉了了解家庭障礙、共同協商方案，以及確認理解等重要行為？
候選新版評量可以納入這些面向；回饋也相應調整。接著要以新的資料與比較研究，確認這樣的修訂是否更適切，以及是否真的幫助治療師改善後續表現。
AI 可以協助整理大量資料中的共同問題、歧異與成長路徑。但資料變多，不代表方法自然變好；系統透過研究流程改良，也不等於底層模型會因使用次數增加而自動學會。
因此，我期待建立兩個相連的循環：一個支持治療師成長，另一個利用學習歷程改良評量與回饋。這與「學習型健康系統」將實務資料轉成知識，再應用於實務的概念相呼應。[2]
圖 3｜治療師與教育系統共同演進。圖示為擬驗證的機制；新版工具與策略需通過驗證後採用。
五、研究方法，讓我們知道「真的有進步」
要支持這個願景，至少需要回答三個問題。
第一，評量是否可信？重要判斷能否連回原始證據？不同評分者能否合理一致地使用規準？資訊不足時，系統能否保留判斷？
第二，教練模式是否有效？治療師是否真的完成練習，並在新的案例中展現更好的獨立表現？這份改善是否維持，而非只出現在練過的情境？
第三，加入 AI 增加了什麼價值？相較於相同的人類教練流程，是否提高回饋品質、縮短準備時間，或讓更多治療師取得支持？
研究還需要分清楚「人進步了」與「量尺改變了」。工具修訂時，可以讓新舊版本評估共同案例，並以未參與修訂的新資料驗證。若構面已經改變，就不能直接比較兩版總分。
我傾向從一項重要能力、一類治療師及有限的教練循環開始，先確認可行性，再逐步比較成效與跨場域適用性。這種分階段、可返回修訂的做法，也符合複雜介入研究的思路。[3]
六、大學教師的教學，可以延伸到畢業之後
要讓這個模式持續運作，治療師必須願意呈現真實的困難。錄影的同意、存取、保存，以及教育回饋是否涉及考核，都需要事先說清楚。
同時，教師也需要學習如何當教練：傾聽治療師的判斷、共同訂定目標，並追蹤行動。R2C2 回饋研究提供一項值得重視的提醒：建立對話之後，仍需要把改善計畫共同訂出來，並安排後續追蹤。[4]
在這樣的合作中，大學教師提供理論、評量與研究方法，臨床夥伴提供現場經驗與情境判斷，AI 協助處理資料與支持練習，而治療師始終是自己學習歷程的參與者與決策者。
我期待的畫面是：一位治療師遇到困難時，知道可以帶著真實案例尋求協助；獲得回饋後，有機會練習；再次回看時，能說出自己哪裡進步、還需要什麼支持。當這樣的歷程持續累積，大學教育與臨床專業發展之間，就多了一條可以長期同行的路。
延伸閱讀
[1] de Beer 與 Mårtensson（2015）。職能治療實習教育中的臨床推理回饋研究。
[2] A framework for understanding, designing, developing and evaluating learning health systems。
[3] Skivington 等人（2021）。MRC 複雜介入研究架構。
[4] Could the R2C2 Feedback and Coaching Model Enhance Feedback Literacy Behaviors（2025）。
沒有留言:
張貼留言