基于多智能體的PBL模擬教學系統的構建

AbstractObjective：Toexplore theconstructiontechnologyandadvantagesofaproblem-basedleaing （PBL）simulationteachingsystem basedonmulgtlboraeds：Fst，asigtacgsdabaseaablisdtoghseloto writing，andreview.Then，theCozeplatform wasutilizedtoedittheknowledgebase，database，globalvariables，andworkflows，while designingteachingprogesscontrolmethodsandevaluatioaproaches，ultimatelyonstructing tePBLsimulationteachingsystemesults： Amulti-agentcolboativeBLsimulationtacigsysemasscessfullyeveloed，emostratingitsfeasibilitforBaching. Conclusions：Themulti-agentcollborativePBLsimulationteachngsystemexhibitssignificantpotentialforopenendedaplicatiosand holds promise for achieving personalized education.

Keywordsmulti-agentsystems;problem-based learing（PBL）;simulationteaching;artificial intellgence;nursingeducation摘要目的：探討基于多智能體協作的基于問題學習（PBL）模擬教學系統的構建及其優勢。方法：首先，建立PBL護理教學案例庫，進行案例收集、整理、編寫和評審；然后，借助扣子平臺編輯知識庫、數據庫、全局變量和工作流、設計教學進度控制方式和評價方法，最終構建PBL模擬教學系統。結果：構建了多智能體協作的PBL模擬教學系統，證明了其用于PBL教學的可能性。結論：多智能體協作的PBL模擬教學系統有較大的開放價值和空間，有助于實現個性化教學。

關鍵詞多智能體系統；基于問題學習；模擬教學；人工智能；護理教育 doi：10.12102/j.issn.1009-6493.2025.13.008

1969年，加拿大麥克馬斯特大學開創了基于問題學習（problem-based learning，PBL）課程模式[1]。由于其獨特的教學方法，很快在世界范圍內引起關注，至今已被世界上500多所大學采用，包括亞洲、非洲和中東[2。在醫學PBL教學中，學生常圍繞一個或多個精心設計的醫學問題作為小組討論的焦點，從而驅動整個學習過程，這不僅極大地激發了學生的主觀能動性，還賦予了其創造性思維的廣闊空間，使學生的思維模式在解決醫學問題的過程中得到了深刻的鍛煉與拓展[3。相較于傳統講座類教學方法，PBL在提高學生社交與溝通技能、解決問題和自學能力等方面更加有效；盡管如此，PBL教學尚未得到普遍使用，可能是因為它需要更多人力資源和持續培訓[4。另外，它還存在學習目標欠明確、教學成本高、學生接受度不一以及不能滿足學生個性化需求等問題[5]。國內學者也指出PBL教學只適合于小群體的教學，教學成本高且耗時耗力，不適合國內普遍存在的大班教學現狀[。因此，如何解決這些痛點問題，一直是醫學教師努力的方向。

近年來，生成式人工智能（generativeartificialintelligence，GenAI開始應用于醫學教學中，并展現其巨大潛力，如使用ChatGPT輔助開發真實案例元素、提供框架性學習目標、快速生成正式評估問題和引導學生自我識別學習差距，這些為解決傳統PBL教學的不足提供了新思路。然而，當前教育領域使用的GenAI主要采用學習者與單智能體對話的方式解決預設問題交互模式[8。這種模式為單個人工智能系統獨立完成特定任務，如病例生成、學生表現評估或資源推薦等，其功能單一，容易發生遺忘、幻覺、更新滯后等情況，難以應對復雜的教學需求。雖然它能夠生產文本，提供高品質反饋，改善學習者情緒和提高學習效果[9]，但在復雜問題求解、推理深度和數據源更新等方面存在困難[10]。因此，單智能體的大語言模型在實現深度個性化學習、解決復雜學習問題和培養師生創新能力方面的應用仍舊有限[11]

多智能體系統（multi-agentsystems，MAS）作為分布式人工智能的新方向，有望進一步解決上述問題。理論分析表明，如果在一個合作的多智能體系統，每個智能體都可以通過協調自己的行為而有效地實現共同的學習目標[12]。因此，與單智能體一對一解決問題模式不同，多智能體系統可以通過多個自治的智能體互動和協同完成復雜任務[13]。相關研究也表明，多智能體系統作為人工智能助手可模擬課堂師生互動，解決教學過程中的復雜學科問題，促進個性化學習[14]。有鑒于此，本研究嘗試構建基于多智能體的PBL模擬教學系統，探索其構建技術和方法，并分析多智能體在PBL教學中的優勢、局限性和應用潛力。

1 PBL案例庫的建立

1.1組建案例庫編寫團隊

邀請、桂林醫科大學附屬醫院中從事內科護理、外科護理、婦產科護理及兒科護理、護理教學、護理管理領域的專家和相關護理方向的碩士研究生共29人，負責案例收集、整理和撰寫并組織專家評審和論證。

1.2擬定案例編寫框架與編寫要求

編寫組采用進展式情景案例框架設計病例，此框架根據不同系統疾病病情動態變化的遞進式邏輯關系及特點，將每個案例按照疾病發生發展不同階段以分幕式展現。每幕均設有主要學習自標，并在案例中融入人文關懷元素及醫患溝通情景。編寫要求：要求案例既能縱向貫穿描述清楚同一疾病發生發展的過程，又能橫向貫通相關疾病之間的影響和關聯，能體現對知識運用的融會貫通能力，能突出評判性思維的訓練目的。

1.3確定案例納入與排除標準

納入標準：案例類型能覆蓋內科、外科、婦產科、兒科常見疾病及臨床護理問題;案例設計，以培養護理專業學生臨床護理評判性思維為導向，適合小組討論、主題匯報和情景模擬等教學。排除標準：案例信息缺失或存在爭議；案例過于疑難，與教學大綱重點和難點不匹配。

1.4建立案例庫

1.4.1 案例收集

收集途徑包括臨床真實案例、文獻調研、網絡平臺等公共資源，以及學術會議交流、講座等典型案例。收集內容主要有病人基本信息、主訴、現病史、既往史、體格檢查、輔助檢查、診療經過、護理診斷與措施等。

1.4.2 擬定編寫模板

參考《護理學問題導向學習實例與指導》[15]、《中國專業學位教學案例中心護理》16設計案例框架，分為教師版和學生版。學生版主要包括案例摘要、教學目標、教學安排、案例正文（含關鍵詞）和學習資源5個部分；教師版的案例正文還編寫了使用說明、學習目標、提示問題、問題分析等。

1.4.3 案例評審

根據中國專業學位教學案例中心評審標準、楊琳[17編寫的《護理專業案例資源評審指標》和本研究目的自設評審表，包含案例病情進展（10分）檢查結果（15分）核心問題（10分）問題分析（30分）專科診療發展前沿（10分）、專科護理前沿（10分）護理溝通與關懷（10分）案例說明（5分）。評審標準如下。優秀：90～100 分；良好： 80～lt;90 分；合格： 60～lt;80 分；不合格： lt;60 分。所有案例須經初審、評審通過后才能入庫，對評審中存在爭議的案例，由負責人組織專家會審，決定是否人庫。最終共20個案例通過審核。

2 PBL模擬教學系統的設計思路

項目關鍵元素的角色功能和相互關系見圖1。整個項目先從案例庫開始搭建，根據原創PBL教案設計知識庫，根據進度控制等實際運行中的需求搭建數據庫與全局變量。這些智能體動態存儲、管理和調用的信息屬于智能體記憶；接著搭建智能體的思維方式。教師的簡單行為通過大語言模型提示詞直接實現，教師的復雜行為則通過工作流模仿實現，兩者互相包含。多智能體協作人工智能目前以微信方式呈現，通過一個對接扣子（COZE）API的Python腳本控制微信電腦端，就可以將扣子智能體接入微信群聊，讓學生直接在微信群聊交流與學習。

3 PBL模擬教學系統的構建

3.1選擇多智能體協作模式

在編輯多智能體之前，需要選擇一個合適的多智能體協作模式。目前扣子平臺上有3種多智能體協作模式可供選擇：多代理模式、單代理工作流模式、單代理大語言模型模式。多代理模式是較為復雜模式，用戶一次和一個模型對話，這個大語言模型會自行判斷是直接回答用戶問題還是切換到下一個模型進行回答。單代理工作流模式是直接與工作流對話的模式，用戶的輸入被直接傳入工作流。這種模式下用戶的每句話都是直接與工作流對話，這對于工作流編程的要求很高。單代理大語言模型模式是最均衡的模式，用戶和一個固定的大語言模型對話。這個大語言模型理解用戶意圖，并按照預設或需求調用工作流來完成任務，同時也可以通過問詢直接查找各種數據。在系統中設置教師角色時，除了回答問題、展示材料、控制課程進度等這些固有角色功能外，還需考慮教師要靈活多變地應對各種提問，以及基于已有知識與學生進行討論。因此，本研究選擇了單代理大語言模型模式構建多智能體協作的PBL模擬教學系統。

3.2編輯知識庫、數據庫和全局變量

在目前的扣子平臺上，知識庫分為文本、圖集和表格，這些信息都是分片儲存，以方便查詢。文本知識庫是最常用的知識庫類型，可以手動輸入和直接導入各種文檔。它支持用戶自定義內容分片規則，例如通過分段標識符、字符長度等方式進行內容分割。在查詢時返回給大語言模型的最小單位是片，1片內可以包含幾句話或者幾個自然段，甚至一兩張圖片。圖集知識庫在系統中尚未使用。表格知識庫中數據以表的方式儲存，它支持基于索引列的匹配（表格按行劃分），同時也支持使用結構化查詢語言（structured query language，SQL）查詢和計算。表格內容默認按行分片，一行就是一個內容片段，不能進行分段設置。目前系統主要創建了2個文本知識庫，一個是PBL病例，采取手動輸入；另一個是相關信息長文本數據，通過直接導入各種相關書籍來實現。PBL案例庫知識庫選擇了每個片都是完整一幕的方式構建，在片的開頭加上了第幾例幾幕作為標識，然后通過工作流查詢案例內容，樣例如下。

第1例第2幕：小王收集了病歷，劉先生自述2周前出現胸骨中下段燒灼痛，常于晨起輕微活動時發作，白天快速行走時或晚上飽餐后上述癥狀可發作，每次持續 3～5min ，休息 10min 后可緩解，進食減少時癥狀可減輕，未曾系統診治。當晚飽餐后出現持續性心前區悶痛，位于胸骨后中下部及左心前區，可向左肩背部放射，癥狀持續存在，有惡心嘔吐，伴有瀕死感。隨后^1h 出現心悸、氣促、煩躁不安、大汗、喘息、平臥受限，故來院治療。

數據庫以表格形式存儲數據，不同智能體可通過數據庫共享數據。本研究還使用數據庫制作計分板，用于記錄學習進度和評價學習成果。數據庫和知識庫最大的區別是：數據庫可以被大語言模型或工作流修改，知識庫只是作為背景提供知識，不能修改已儲存的內容。全局變量通常存儲全系統范圍內的公共信息，是多智能體實現協作與狀態共享的有效工具。在本系統中多用于記住當前主要狀態，例如目前課程進度到第幾章。長期記憶指智能體在與用戶交互過程中，可持久化存儲和動態調用的關鍵數據。在長期記憶中，文字按條儲存，且帶有時間和日期，智能體會利用它記住學生的學習特征。

3.3編輯智能體思維

大語言模型需要給予引導才能按照期望方式思考，從而更大概率得到預期的結果。在理解提示詞與工作流時，需要具備清晰明確的流程思維，充分理解每個環節輸人和輸出內容的性質和構成方式。

3.3.1 設置主要大語言模型的人設

在PBL教學中，教師大部分的對話是與學生的討論，以及解答學生的疑問。因此，本研究用簡短的一段話賦予人工智能角色，描述人工智能的任務，強調人工智能的部分特征。如“你是1名學習小組組長，你將使用一份被分成很多幕材料來引導你的組員進行學習和討論，同時你也具備一定的知識，能回答大家的部分問題”。

3.3.2 編輯工作流

工作流是單代理大語言模型實現多智能體協作的核心方法。它是一系列可執行指令的集合，用于實現業務邏輯或完成特定任務。在模擬系統中，工作流的設計思路是通過各種插件組合，為主要的大語言模型提供功能支持。本研究設計了多個工作流來協助主要大語言模型完成查詢與讀取數據、用戶回答評分，以及總體進程控制等功能。工作流is_topic_reasonable的工作原理見圖2，工作流在編輯界面的截圖見圖3。該工作流主要是為了協助主要大語言模型準確判斷探索目標和教學目標的相關性。首先，主要大語言模型會確定是否需要進行判斷，如果需要則會啟用工作流，并向工作流輸人學生的探索目標。工作流會先查詢全局變量來確認學生探索到哪種疾病的第幾例第幾幕，然后會根據結果再次在知識庫中查詢相關目標。這些內容被輸入到大語言模型中并與用戶的探索目標進行比較。比較結果就是工作流的輸出，主要大語言模型會根據工作流的輸出結果給予用戶回答。由此可見，工作流會先讀取在表格知識庫中的每幕教學目標，再由一個大語言模型判斷兩者相關程度并輸出比較結果，如相關、可能相關和不相關，主要大語言模型便會根據比較結果進行下一步行動。工作流還極大地縮短了提示詞的長度，從原本的長篇大論縮減為調用某個工作流并原樣輸出結果。

3.3.3設置工作流中調用的大語言模型

工作流中的大語言模型有系統提示詞與用戶提示詞的區別。系統提示詞主要是提供總體性的指導，用戶提示詞是向大模型提供用戶指令。在系統提示詞和用戶提示詞矛盾時，大語言模型會遵從系統提示詞的指令。例如在圖3所示工作流中，大模型節點上的系統提示詞是：“請比較一下兩個命題是否相關，完全不相關請輸出1，完全相符輸出ture，其他情況輸出maybe。”用戶提示詞是2個字符串變量，{topic}}{{goal}，這兩個變量來自于節點的輸入，分別代表知識庫中對應的內容與用戶制定的探索目標。

3.4進度控制

本系統采取積分制控制PBL的教學進度。結合案例分幕式的結構，每幕學習目標與關鍵詞作為得分點設有既定分值，當學生踩到關鍵詞或者表達出相同的意思時，工作流會修改數據庫中對應的分數。只有在學生完成主要學習目標、達到既定分值時，人工智能才會詢問用戶是否進人下一幕的學習。需注意的是，在設計PBL模擬教學系統時，既要確保學生完成預定的主要學習目標，同時也允許學生探索更多其他學習目標，從而激發學生學習興趣。

3.5學習評價

模擬系統主要根據主要學習自標、其他學習目標和總體學習表現評價學生學業成績。主要學習目標根據學生回答問題的關鍵詞進行評分，關鍵詞源自教師提供的內置答案；其他學習目標來自學生自由探索，系統進行評判時常常沒有預設的答案可以參考，但是可以基于現有知識庫從答案的合理性上進行評價。具體過程為：系統首先會判斷學生的探索結果是否和知識庫內的知識有沖突；接著會判斷探索目標與探索結果的關聯性，當兩個條件都滿足時，系統會判定這是一次有效探索，并將探索結果計人學生總成績；最后是總體學習表現的評價，這一環節只會在課程結束后按照助教的要求手動開啟，多智能體人工智能會結合聊天記錄填寫一張PBL學習記錄與評分表。

4討論

4.1多智能體PBL模擬教學系統的主要優勢

多智能體PBL模擬教學系統的核心是多個智能體的協同工作。相較于單智能體的人工智能，多智能體結構復雜、功能多樣，更適合復雜的任務場景，學生的體驗感和沉浸感也更強，具體表現為：

4.1.1有助于實現深度個性化學習

單個大語言模型通過一對一的對話模式，生成個性化內容并能提供反饋，但生成內容容易出現健忘或錯誤，所以只適用于簡單的問答和基礎輔導。而多智能體可以實現多角色協作，每個模型都有特定的角色和功能，不僅可以減少遺忘或錯漏的發生，也可以根據學生的反應動態調節學習進度和反饋內容，從而提高系統的交互性和協同性。如PBL模擬系統會針對每幕的學習目標分析學生在討論中的語言表達，提供個性化反饋；或當學生問題過多或過于零散時，系統會及時給予引導性提示，從而保障學生在自由探索案例的同時不影響學習進度或偏離學習的主要目標。

4.1.2有利于解決復雜的學習問題

單智能體邏輯推理能力有限，一個人工智能系統專注于某一特定任務，難以支持PBL教學的全流程。多智能體協同工作，不僅細分了每個智能體的職責，而且提高了大語言模型處理各種材料時的準確性，增強了大語言模型的記憶能力。同時，多智能體的協作性使得每部分又可以被即時調整和替換，故系統具有更強的適應性和靈活性，能夠適應不同規模和需求的教學場景。

4.1.3有助于提升學生高階能力

單智能體的大語言模型雖具備一定的推理能力，但其在教育場景主要用于內容生成，難以支持學習者的高階能力培養[11]。多智能體模擬系統允許學生通過共同探討、人機協作方式尋求解決問題的答案。這種互動促使學生從多角度審視問題，突破單一思維模式，提升創新能力[18]。如模擬系統可以幫助學生比較不同學習資源，生成更具啟發性的輔助決策信息，這樣不僅能培養學生評判性思維，還可以使學生擺脫資料整理和歸納等煩瑣工作，留給學生更多時間專注于創新。另外，由于多智能體的多元性和動態交互性，可以促進學習者不斷調整、總結和優化，提高其反思能力。

4.2關鍵問題

4.2.1 PBL病例的編寫問題

高質量的PBL臨床病例至關重要。本項目組建了多學科的編寫團隊，選擇臨床真實案例組織編寫，并進行案例評審、論證和專家會審，以確保案例的科學性和專業性。在前期線下教學實踐中，已經對案例進行多次修訂和完善。后期還有待收集更多學生可能提出的常見問題，對其進行整理，以增強系統在實際應用中的適應性。同時，教師要及時監督，確保多智能體的學習目標和生成內容，以及角色設定與真實教學的預期目標相符合。

4.2.2 變量的設計

在設計多智能體協作人工智能時，無論是數據庫里面的某個值或者長期記憶里的文本，隨著對話進行會改變的內容全部稱為變量。在設計本系統變量時，由于平臺的限制，只能有3個數據庫，一定長度的長期記憶和有限個數的全局變量。未來可能會放松這種限制到大語言模型可承受的最高水平，但是現在這些寶貴的可變動部分必須充分利用，不容浪費。目前，只要合理地利用有限的可改動部分尚能夠滿足對多智能體的制作需求，關鍵在于變量名的設計、變量的取值范圍和取值的含義。

4.2.3進度控制的合理性問題

相比真人教學的PBL課堂，合理且有容錯性的教學進度控制方式在多智能體協作人工智能設計中是一個難點。因為多智能體協作這種方式的局限性，不能依靠人工智能直接記住這些重要的信息，必須得使用數據庫來跟蹤記錄才能保證在對話時人工智能時刻知道\"我在哪，我在干什么”。另外，在使用積分控制進度的過程中，如何正確給分是一個需要仔細斟酌的問題。除了關鍵詞積分外，是否需要增加其他形式的積分方式，也需要進一步探索。

4.3多智能體PBL模擬教學系統的局限性

GenAI（如ChatGPT）應用于教育中一個重要的擔憂是可能會破壞小組討論氛圍和影響學生互動[]。學生互動和小組討論的環境被認為是推動PBL教學核心[19]，在使用了人工智能PBL教學中，這個核心可能會變成與教學智能體互動。PBL教學中的互動包括共享探索性問題，增加累積推理、處理知識沖突、開展討論、闡釋問題、與其他成員有效溝通和合作、利用輔導時間以及培養小組學習氛圍等[20]。盡管已有文獻支持基于大規模線上課程[21]、智能設備[22]和微信教學平臺[23]等方式能夠獲得滿意教學效果，多智能體協作的模擬教學系統功能上也具有更強的互動性，但目前還缺乏試驗數據進一步證實。其次，模擬系統高度依賴于PBL案例，評判學生對于非預設問題的討論時，系統表現欠佳，判斷的準確度和公平性仍然需要更多的測試。另外，由于多智能體模擬系統目前仍處于不斷優化階段，系統提供的答案可能不夠全面，缺乏文字、圖片和視頻的多模態信息。如果將模擬系統單獨制作成應用程序，可以提供更多的學習功能，比如設定智能體交互的時間，后臺記錄交互情況并評價，用于可以了解與記錄每位學生的真實學習情況和體驗。總之，PBL模擬系統技術復雜度高，跨學科合作需求大，還缺乏大規模實驗數據，需要進一步研究智能體之間的協作機制，以優化整體教學效果。

4.4 應用前景

在“扣子\"等平臺努力下，編輯多智能體協作人工智能使得大多數人能夠直接接觸到便捷、透明和技術門檻較低的人工智能制作技術。這為多智能體在教育領域的開發和應用提供了更多可能性，讓更多的非計算機專業人士有機會直接參與人工智能教育技術的開發與應用。借助多智能體協作的人工智能，不僅能迅速判斷大量數據中的情緒傾向，還可以通過設計提示詞和工作流快速提取材料中體現的其他信息。這種人機交互方式促使學習者在更具活力的學習環境中擴展學習廣度和深度。隨著后續研究技術的成熟和數據的積累，多智能體系統的模擬PBL教學可以更全面地模擬教師的言行，實現互動性更強的個性化教學。未來多智能體系統還可能與虛擬現實、增強現實等技術進一步融合，提供更便捷化和沉浸式的PBL教學體驗。

參考文獻：

[1]NEVILLE A J.Problem-based learning and medical education forty years on.A review of its effects on knowledge and clinical performance[J].Med Princ Pract，2009，18（1）：1-9.

[2]DEANDRADEGOMESJ，BRAGALAM，CABRALBP，et al. Problem-based learning in medical education：a global research landscape of the last ten years（2Ol3—2O22）[J].Medical Science Educator，2024，34（3）：551-560.

[3]吳劍飛，周元龍，田晰晰.PBL教學法在醫學教學改革中的應用價 值[J].中國繼續醫學教育，2024，16（20）：32-35.

[4]TRULLaSJC，BLAYC，SARRIE，et al.Effectivenessof problem-based learning methodology in undergraduate medical education：a scoping review[J].BMC Medical Education，2O22，22 （1）：104.

[5]PAPAFJ，HARASYMPH.Medical curriculumreformin North America，1765 to the present：a cognitive science perspective [J]. Acad Med，1999，74（2）：154-164.

[6]吳惠芳，吳金菊，覃愛芳.PBL教學法在臨床護理帶教中的應用研 究進展[J].中國繼續醫學教育，2021，13（13）：98-101.

[7]DIVITOCB，KATCHIKIANB M，GRUENWALDJE，et al. The tools of the future are the challenges of today：the use of ChatGPT in problem-based learning medical education[J].Medical Teacher，2023，46（3）：320-322.

[8]邱燕楠，李政濤.挑戰·融合·變革：\"ChatGPT與未來教育\"會議 綜述[J].現代遠程教育研究，2023，35（3）：3-12；21.

[9]王雪，喬玉飛，王崟羽，等.教育智能體如何影響學習者情緒與學習 效果？——基于國內外39篇實驗或準實驗研究文獻的元分析[J]. 現代教育技術，2022，32（8）：59-66.

[10]LI G，HAMMOUD H，ITANI H，et al.CAMEL： communicative agents for \"Mind\" exploration of large language model society [C].[s.1.]： Proceedings of the Neural Information Processing Systems，2023：1.

[11]翟雪松，季爽，焦麗珍，等.基于多智能體的人機協同解決復雜學 習問題實證研究[J].開放教育研究，2024，30（3）：63-73.

[12]INTELLIGENC E，NEUROSCIENCE C.Retracted：multi-agentbased film editing collaboration system[J].Comput Intell Neurosci， 2023，2023：9756513.

[13]JANBI N，KATIBI，MEHMOOD R.Distributed artificial intelligence： taxonomy，review，framework，andreferencearchitecture[J].Intelligent Systemswith Applications，2023，18：200231.

[14]SWAN M，KIDO T，ROLAND E，et al.Math agents：computational infrastructure，mathematical embedding，and genomics[EB/OL]. [2025-01-15].htps：//arxiv.org/abs/2307.02502.

[15]李莎莎，梁韶春.護理學問題導向學習實例與指導[M].上海：上海 交通大學出版社，2015：1.

[16]教育部學位與研究生教育發展中心.中國專業學位案例中心：學 科分類-護理[EB/OL].[2025-01-10].https：//case.cdgdc.edu.cn/ case-resources？ time =8 categoryId 1054amp;caseFrom °eq amp;case Type =8 content = amp;.type = qkamp;search=1.

[17]楊琳.醫教協同下護理專業案例資源庫的建設與研究[D].太原： 山西醫科大學，2019.

[18]XIER，JIANG J，YUE L，et al.Under psychological safety climate： thebeneficial effects of teacher-student conflict[J]. International Journal of Environmental Research and Public Health，2022，19：15.

[19]SCHMIDT H G，ROTGANS JI， YEW E H J.The process of problem-based learning：what works and why[J].Medical Education， 2011，45（8）：792-806.

[20] AZER S.Group interaction in problem-based learming tutorials： a systematic review[M].[s.1.]： Association for Medical Education in Europe（AMEE），2015：1.

[21]DING R，CHENG H. Improving undergraduate education of occupational health and occupational medicine appling massive open online coursesamp;problem-based learning[J].BMC Medical Education，2024，24（1）：188.

[22]HONG K J.Effects of a problem-based learning education program foroccupational healthnursing using smart learningon occupational health knowledge and nursing professionalism[J]. Healthcare，2024，12：7-12.

[23]ZHAIY，ZHANGY，HUIZ，etal.Problem-based learning on the wechat public platform in radiation oncology residency training programs[J]. International Journal of Radiation Oncology Biology Physics，2024，120（Supplement）：e726-e727. （收稿日期：2025-02-25;修回日期：2025-05-25） （本文編輯 崔曉芳）