2026年國際衛生專業教育學會年會暨整合渥太華會議（AMEE 2026 Featuring the Integrated Ottawa Event）於8月23日至26日在奧地利維也納舉行，吸引全球數千位醫學教育專家學者共襄盛舉。今年首次 AMEE 年會與渥太華會議整合主辦，AMEE 大會主題為「以教育者引領變革：共築健康未來」，渥太華會議主題則為「運用真實性評量改善醫療與學習成果」。約有 400 位國內各醫療專業領域的先進與會，更有 5 位臨床心理師參與，開展臨床心理師醫學教育的國際交流。感謝全聯會健康台灣深耕計畫的支持，能跟孟璋理事長前往參加。本文分享與會見聞與心得，期能激發臨床心理教師們對教學更多的思考。
醫學教育的評量演進
有兩場主題演講探討在 AI 科技快速發展下，評量在教學上的反思與未來發展。加拿大多倫多大學 Brian David Hodges 教授於開幕演講指出，評量／考試本質上是社會與哲學議題，其次才是技術問題。他警惕評量過度工業化與官僚化所導致的「人類自動化」現象，強調人工智慧時代，評量應從單純的知識門檻轉型為促進學員「後設認知」（Metacognition）、適度挫折成長（Productive Struggle）與批判性反思的工具，並透過與學員對話和同理心展現，確保教師處於全人取向教學、及其科技應用與評量的主導地位。
荷蘭馬斯垂克大學 Pim Teunissen 教授在他的主題演講中，回顧能力導向醫學教育（CBME）演進歷史，指出早期 CBME 受特定政治背景與行為主義影響，過度強調標準化評量與學習成果。他呼籲教育從「成果導向（Outcome-oriented）」演進至「成長導向（Growth-oriented）」，兼顧統一標準門檻與個人成長軌跡。並打造具備心理安全感與接納多元身份認同（Diversity）的學習環境，支持學習者的個人發展應於專業生涯延續，進而促進整體社會福祉。
發表、交流與學習
除了 8 月 24 日早上進行專題發表《模擬訓練用於臨床心理實習學生在多重精神科情境之教學成效》之外，亦聆聽多場專題發表、座談會與工作坊，並參加台灣之夜（Taiwan Night）活動。
8 月 24 日晚間的「AMEE 台灣之夜」，有來自國內各醫院與醫學教育機構的專家學者齊聚一堂。現場邀請到 AMEE 現任會長 Ayelet Kuper、執行長 Anne Lloyd，以及推動可信任專業活動（EPAs）的國際權威 Olle ten Cate 教授等人共襄盛舉，與大家近距離交流。
8 月 25 日在 Olle ten Cate 教授主持的「醫學系課程實行 EPAs 的成功關鍵要素」研討會，他重新釐清：Competency 是「人」的內在屬性，而 EPA 是「臨床工作任務」，信賴授權應針對 EPA 進行前瞻性（Forward-looking）判斷。國際四校（荷蘭 Utrecht、奧地利 SFU、瑞士 Fribourg、美國 EPAC）的實作經驗證實，系統化 EPA 評量能有效促進學員成長，並大幅消除評量中的種族與性別偏誤。
AI 導入醫學教育的應用與反思
於多場生成式 AI 應用於當前醫學教育的研討會與工作坊，見聞 AI 在安全控管與教育場域帶來的變革。學者強調當前 AI 呈現「學生先大量使用，政策與制度追趕」的逆向趨勢。成員包含 AMEE 的國際諮詢委員會（IACAI）提倡「實證導向治理（Evidence-based Governance）」，主張採「小規模試行（Pilot Study）→ 數據收集 → 逐步擴大」模式，並持續監測臨床結果（Outcomes）、效益（Efficiency）、存取權（Access）與核心能力消退（Skills）四大面向。
在評量與回饋應用方面，多項研究結合臨床教師與 AI 協作，提升評量準確度與回饋完整性。以下分享幾則相關研討會的成果發表：
1. 認知與語言自動分析：輔仁大學團隊以耳鼻喉科 EPA 臨床反思文本進行認知標記，發現 Fine-tuned BERT 模型進行低階認知分類，準確率達 87.8%，而 Gemini+RAG 則能精確地分析高階語意。
2. 多模態與同理心評估：美國 Toledo 大學 PREPARE 平台結合生理訊號（HR/GSR）與影音分析，評量臨床學員的認知負荷。台北醫學大學團隊開發情緒語意評分模型 E-OSCAR「同理心溫度計」，對問診過程的同理心表現進行客觀量化評量。
3. 門診溝通與病歷反饋：英國 Anwar Tappuni 教授發展 CliniTalk 平台，分析逾 1.3 萬場家醫科門診的對話影音，有效縮短教師回饋時間，並幫助醫師發話比調降至 48.9%。Charité 與智利團隊則驗證了 LLM 提供結構化回饋的「人機協作模式（Hybrid Approach）」：由 AI 提供結構化分析，教師補充高階情境脈絡與核心臨床判斷，能優化「強化表現優點」、「指出達成途徑」及「給予具體行動計畫（Action Plan）」三個面向的回饋。
由多位國際醫學教育與臨床輔導專家共同主持的「超充能臨床能力委員會：利用生成式 AI 驅動、MAL1 導向的個別化學習計畫進行精準輔導」工作坊，展示如何將臨床能力委員會（CCC）的數據資料，結合適應性大師級學習者（MAL）理論，運用 R2C22 與 ADAPT3 對話模型，與學員共擬符合 ISMART4 原則的個別化學習計畫（ILPs5）。回饋方式運用同理心技巧與教學原則，協助學生制定並達成學習目標。工作坊尚建議利用生成式 AI 建立「師培沙盒（Faculty Development Sandbox）」，自動產出在地化困難學員案例，讓教師在無風險環境中鍛鍊回饋技巧。
結語與展望
「評量影響課程制定與教學」，古今皆然。臨床心理師正發展專業 EPAs，適逢 AI 科技大量導入教育的時代。臨床教學落實 EPAs 時，如何應用 AI 科技提升教學與評量的效率，並促進專業生涯持續發展，是值得思考的議題。全聯會執行健康台灣深耕計畫「CBME 導向臨床心理師數位培訓計畫：結合 AI 技術的實證導向學習模式」，正是對此議題的探討，亦跟上國際醫學教育發展潮流。期盼臨床教師們積極參與臨床心理師醫學教育發展與國內外學術交流，除了將成果分享，也獲益於全球醫學教育的最新理論與方法。
註1: MAL：Master Adaptive Learner
註2: R2C2：Relationship（建立關係）、Reactions（探索反應）、Content（確認內容）、Coaching（指導改變）
註3: ADAPT：Ask（詢問）、Discuss（討論）、Ask（再詢問）、與 Plan together（共同計劃）
註4: ISMART：I (Important)、S (Specific)、M (Measurable)、A (Achievable)、R (Realistic)、T (Timeline)
註5: ILPs：Individual Learning Plans
 |
| 與開幕式主題演講者Brian David Hodges合照 |
 |
專題發表 |
 |
台灣之夜與EPA創始大師Olle ten Cate合照 |
 |
2026AMEE台灣與會醫學教育先進合影 |
沒有留言:
張貼留言