大规模教学：基于混合方法的研究——利用团队式学习分析实现医学教育中的早期支持

《BMC Medical Education》：Teaching at scale: a mixed-methods study of team-based learning analytics to enable early support in medical education

　　

摘要

背景

医学院面临着在扩大招生规模的同时保持优质教学体验的日益巨大压力。为应对日益增长的医学教育需求，曼彻斯特大学于2023年将基于问题的学习方式替换为基于团队的学习方式。尽管基于团队的学习方式的教育效果已得到充分验证，但本研究旨在探讨如何利用大规模应用该教学方式所产生的常规数据，来支持早期干预、监控课程质量以及确保同伴评估的准确性。

方法

我们在英国一所大型医学院对两个连续年度的一年级医学生群体进行了前瞻性混合方法评估（2023–24学年，n?=?435人；2024–25学年，n?=?426人）。收集的数据包括基于团队的学习方式个人准备度测试分数、学生体验调查结果、运营相关数据以及学期末考试成绩。在第二学年，根据个人准备度测试数据，找出在四个教学主题方面表现最差的50名学生，并通过学术顾问为他们提供个性化的学业和心理健康支持。

结果

基于团队的学习方式不仅保持了较高的学生满意度（74%的学生认为课程“非常出色”），还使教师每周的授课时间减少了63%（从160小时降至59小时），教室使用时间则减少了84%（从80小时的预订时间降至13小时）。通过个人准备度测试分数所反映的学生的每周学习表现，能够很好地预测其最终考核成绩（R2≈0.38–0.41），且这一结论在连续几年中都得到了验证。不同教学主题下的个人准备度测试成绩差异，也反映出课程内容的难度和匹配度存在差异，从而为评估课程整体质量及教学薄弱环节提供了依据。通过对表现不佳的学生及早识别并采取干预措施，使得排名靠后的50名学生的学期成绩提升了20%（p?<?0.0001），最终考核成绩提高了5%，考试不及格率降低了41%，同时并未提升整个学生群体的整体成绩。

结论

本研究表明，基于团队的学习方式所产生的常规数据可以作为一种可扩展的分析系统，用于支持早期干预、持续监控课程质量以及确保同伴评估的准确性，同时还能够降低运营成本。这些研究结果为那些希望在扩大办学规模的同时保持教育质量和公平性的机构提供了可借鉴的模型。