基于多智能體的PBL模擬教學(xué)系統(tǒng)的構(gòu)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(xié)作的基于問題學(xué)習(xí)（PBL）模擬教學(xué)系統(tǒng)的構(gòu)建及其優(yōu)勢(shì)。方法：首先，建立PBL護(hù)理教學(xué)案例庫，進(jìn)行案例收集、整理、編寫和評(píng)審；然后，借助扣子平臺(tái)編輯知識(shí)庫、數(shù)據(jù)庫、全局變量和工作流、設(shè)計(jì)教學(xué)進(jìn)度控制方式和評(píng)價(jià)方法，最終構(gòu)建PBL模擬教學(xué)系統(tǒng)。結(jié)果：構(gòu)建了多智能體協(xié)作的PBL模擬教學(xué)系統(tǒng)，證明了其用于PBL教學(xué)的可能性。結(jié)論：多智能體協(xié)作的PBL模擬教學(xué)系統(tǒng)有較大的開放價(jià)值和空間，有助于實(shí)現(xiàn)個(gè)性化教學(xué)。

關(guān)鍵詞多智能體系統(tǒng)；基于問題學(xué)習(xí)；模擬教學(xué)；人工智能；護(hù)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(xué)開創(chuàng)了基于問題學(xué)習(xí)（problem-based learning，PBL）課程模式[1]。由于其獨(dú)特的教學(xué)方法，很快在世界范圍內(nèi)引起關(guān)注，至今已被世界上500多所大學(xué)采用，包括亞洲、非洲和中東[2。在醫(yī)學(xué)PBL教學(xué)中，學(xué)生常圍繞一個(gè)或多個(gè)精心設(shè)計(jì)的醫(yī)學(xué)問題作為小組討論的焦點(diǎn)，從而驅(qū)動(dòng)整個(gè)學(xué)習(xí)過程，這不僅極大地激發(fā)了學(xué)生的主觀能動(dòng)性，還賦予了其創(chuàng)造性思維的廣闊空間，使學(xué)生的思維模式在解決醫(yī)學(xué)問題的過程中得到了深刻的鍛煉與拓展[3。相較于傳統(tǒng)講座類教學(xué)方法，PBL在提高學(xué)生社交與溝通技能、解決問題和自學(xué)能力等方面更加有效；盡管如此，PBL教學(xué)尚未得到普遍使用，可能是因?yàn)樗枰嗳肆Y源和持續(xù)培訓(xùn)[4。另外，它還存在學(xué)習(xí)目標(biāo)欠明確、教學(xué)成本高、學(xué)生接受度不一以及不能滿足學(xué)生個(gè)性化需求等問題[5]。國(guó)內(nèi)學(xué)者也指出PBL教學(xué)只適合于小群體的教學(xué)，教學(xué)成本高且耗時(shí)耗力，不適合國(guó)內(nèi)普遍存在的大班教學(xué)現(xiàn)狀[。因此，如何解決這些痛點(diǎn)問題，一直是醫(yī)學(xué)教師努力的方向。

近年來，生成式人工智能（generativeartificialintelligence，GenAI開始應(yīng)用于醫(yī)學(xué)教學(xué)中，并展現(xiàn)其巨大潛力，如使用ChatGPT輔助開發(fā)真實(shí)案例元素、提供框架性學(xué)習(xí)目標(biāo)、快速生成正式評(píng)估問題和引導(dǎo)學(xué)生自我識(shí)別學(xué)習(xí)差距，這些為解決傳統(tǒng)PBL教學(xué)的不足提供了新思路。然而，當(dāng)前教育領(lǐng)域使用的GenAI主要采用學(xué)習(xí)者與單智能體對(duì)話的方式解決預(yù)設(shè)問題交互模式[8。這種模式為單個(gè)人工智能系統(tǒng)獨(dú)立完成特定任務(wù)，如病例生成、學(xué)生表現(xiàn)評(píng)估或資源推薦等，其功能單一，容易發(fā)生遺忘、幻覺、更新滯后等情況，難以應(yīng)對(duì)復(fù)雜的教學(xué)需求。雖然它能夠生產(chǎn)文本，提供高品質(zhì)反饋，改善學(xué)習(xí)者情緒和提高學(xué)習(xí)效果[9]，但在復(fù)雜問題求解、推理深度和數(shù)據(jù)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(shí)現(xiàn)深度個(gè)性化學(xué)習(xí)、解決復(fù)雜學(xué)習(xí)問題和培養(yǎng)師生創(chuàng)新能力方面的應(yīng)用仍舊有限[11]

多智能體系統(tǒng)（multi-agentsystems，MAS）作為分布式人工智能的新方向，有望進(jìn)一步解決上述問題。理論分析表明，如果在一個(gè)合作的多智能體系統(tǒng)，每個(gè)智能體都可以通過協(xié)調(diào)自己的行為而有效地實(shí)現(xiàn)共同的學(xué)習(xí)目標(biāo)[12]。因此，與單智能體一對(duì)一解決問題模式不同，多智能體系統(tǒng)可以通過多個(gè)自治的智能體互動(dòng)和協(xié)同完成復(fù)雜任務(wù)[13]。相關(guān)研究也表明，多智能體系統(tǒng)作為人工智能助手可模擬課堂師生互動(dòng)，解決教學(xué)過程中的復(fù)雜學(xué)科問題，促進(jìn)個(gè)性化學(xué)習(xí)[14]。有鑒于此，本研究嘗試構(gòu)建基于多智能體的PBL模擬教學(xué)系統(tǒng)，探索其構(gòu)建技術(shù)和方法，并分析多智能體在PBL教學(xué)中的優(yōu)勢(shì)、局限性和應(yīng)用潛力。

1 PBL案例庫的建立

1.1組建案例庫編寫團(tuán)隊(duì)

邀請(qǐng)、桂林醫(yī)科大學(xué)附屬醫(yī)院中從事內(nèi)科護(hù)理、外科護(hù)理、婦產(chǎn)科護(hù)理及兒科護(hù)理、護(hù)理教學(xué)、護(hù)理管理領(lǐng)域的專家和相關(guān)護(hù)理方向的碩士研究生共29人，負(fù)責(zé)案例收集、整理和撰寫并組織專家評(píng)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(jìn)展式情景案例框架設(shè)計(jì)病例，此框架根據(jù)不同系統(tǒng)疾病病情動(dòng)態(tài)變化的遞進(jìn)式邏輯關(guān)系及特點(diǎn)，將每個(gè)案例按照疾病發(fā)生發(fā)展不同階段以分幕式展現(xiàn)。每幕均設(shè)有主要學(xué)習(xí)自標(biāo)，并在案例中融入人文關(guān)懷元素及醫(yī)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(fā)生發(fā)展的過程，又能橫向貫通相關(guān)疾病之間的影響和關(guān)聯(lián)，能體現(xiàn)對(duì)知識(shí)運(yùn)用的融會(huì)貫通能力，能突出評(píng)判性思維的訓(xùn)練目的。

1.3確定案例納入與排除標(biāo)準(zhǔn)

納入標(biāo)準(zhǔn)：案例類型能覆蓋內(nèi)科、外科、婦產(chǎn)科、兒科常見疾病及臨床護(hù)理問題;案例設(shè)計(jì)，以培養(yǎng)護(hù)理專業(yè)學(xué)生臨床護(hù)理評(píng)判性思維為導(dǎo)向，適合小組討論、主題匯報(bào)和情景模擬等教學(xué)。排除標(biāo)準(zhǔn)：案例信息缺失或存在爭(zhēng)議；案例過于疑難，與教學(xué)大綱重點(diǎn)和難點(diǎn)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(shí)案例、文獻(xiàn)調(diào)研、網(wǎng)絡(luò)平臺(tái)等公共資源，以及學(xué)術(shù)會(huì)議交流、講座等典型案例。收集內(nèi)容主要有病人基本信息、主訴、現(xiàn)病史、既往史、體格檢查、輔助檢查、診療經(jīng)過、護(hù)理診斷與措施等。

1.4.2 擬定編寫模板

參考《護(hù)理學(xué)問題導(dǎo)向?qū)W習(xí)實(shí)例與指導(dǎo)》[15]、《中國(guó)專業(yè)學(xué)位教學(xué)案例中心護(hù)理》16設(shè)計(jì)案例框架，分為教師版和學(xué)生版。學(xué)生版主要包括案例摘要、教學(xué)目標(biāo)、教學(xué)安排、案例正文（含關(guān)鍵詞）和學(xué)習(xí)資源5個(gè)部分；教師版的案例正文還編寫了使用說明、學(xué)習(xí)目標(biāo)、提示問題、問題分析等。

1.4.3 案例評(píng)審

根據(jù)中國(guó)專業(yè)學(xué)位教學(xué)案例中心評(píng)審標(biāo)準(zhǔn)、楊琳[17編寫的《護(hù)理專業(yè)案例資源評(píng)審指標(biāo)》和本研究目的自設(shè)評(píng)審表，包含案例病情進(jìn)展（10分）檢查結(jié)果（15分）核心問題（10分）問題分析（30分）專科診療發(fā)展前沿（10分）、?？谱o(hù)理前沿（10分）護(hù)理溝通與關(guān)懷（10分）案例說明（5分）。評(píng)審標(biāo)準(zhǔn)如下。優(yōu)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(jīng)初審、評(píng)審?fù)ㄟ^后才能入庫，對(duì)評(píng)審中存在爭(zhēng)議的案例，由負(fù)責(zé)人組織專家會(huì)審，決定是否人庫。最終共20個(gè)案例通過審核。

2 PBL模擬教學(xué)系統(tǒng)的設(shè)計(jì)思路

項(xiàng)目關(guān)鍵元素的角色功能和相互關(guān)系見圖1。整個(gè)項(xiàng)目先從案例庫開始搭建，根據(jù)原創(chuàng)PBL教案設(shè)計(jì)知識(shí)庫，根據(jù)進(jìn)度控制等實(shí)際運(yùn)行中的需求搭建數(shù)據(jù)庫與全局變量。這些智能體動(dòng)態(tài)存儲(chǔ)、管理和調(diào)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(jiǎn)單行為通過大語言模型提示詞直接實(shí)現(xiàn)，教師的復(fù)雜行為則通過工作流模仿實(shí)現(xiàn)，兩者互相包含。多智能體協(xié)作人工智能目前以微信方式呈現(xiàn)，通過一個(gè)對(duì)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(xué)生直接在微信群聊交流與學(xué)習(xí)。

3 PBL模擬教學(xué)系統(tǒng)的構(gòu)建

3.1選擇多智能體協(xié)作模式

在編輯多智能體之前，需要選擇一個(gè)合適的多智能體協(xié)作模式。目前扣子平臺(tái)上有3種多智能體協(xié)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(fù)雜模式，用戶一次和一個(gè)模型對(duì)話，這個(gè)大語言模型會(huì)自行判斷是直接回答用戶問題還是切換到下一個(gè)模型進(jìn)行回答。單代理工作流模式是直接與工作流對(duì)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(duì)話，這對(duì)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(gè)固定的大語言模型對(duì)話。這個(gè)大語言模型理解用戶意圖，并按照預(yù)設(shè)或需求調(diào)用工作流來完成任務(wù)，同時(shí)也可以通過問詢直接查找各種數(shù)據(jù)。在系統(tǒng)中設(shè)置教師角色時(shí)，除了回答問題、展示材料、控制課程進(jìn)度等這些固有角色功能外，還需考慮教師要靈活多變地應(yīng)對(duì)各種提問，以及基于已有知識(shí)與學(xué)生進(jìn)行討論。因此，本研究選擇了單代理大語言模型模式構(gòu)建多智能體協(xié)作的PBL模擬教學(xué)系統(tǒng)。

3.2編輯知識(shí)庫、數(shù)據(jù)庫和全局變量

在目前的扣子平臺(tái)上，知識(shí)庫分為文本、圖集和表格，這些信息都是分片儲(chǔ)存，以方便查詢。文本知識(shí)庫是最常用的知識(shí)庫類型，可以手動(dòng)輸入和直接導(dǎo)入各種文檔。它支持用戶自定義內(nèi)容分片規(guī)則，例如通過分段標(biāo)識(shí)符、字符長(zhǎng)度等方式進(jìn)行內(nèi)容分割。在查詢時(shí)返回給大語言模型的最小單位是片，1片內(nèi)可以包含幾句話或者幾個(gè)自然段，甚至一兩張圖片。圖集知識(shí)庫在系統(tǒng)中尚未使用。表格知識(shí)庫中數(shù)據(jù)以表的方式儲(chǔ)存，它支持基于索引列的匹配（表格按行劃分），同時(shí)也支持使用結(jié)構(gòu)化查詢語言（structured query language，SQL）查詢和計(jì)算。表格內(nèi)容默認(rèn)按行分片，一行就是一個(gè)內(nèi)容片段，不能進(jìn)行分段設(shè)置。目前系統(tǒng)主要?jiǎng)?chuàng)建了2個(gè)文本知識(shí)庫，一個(gè)是PBL病例，采取手動(dòng)輸入；另一個(gè)是相關(guān)信息長(zhǎng)文本數(shù)據(jù)，通過直接導(dǎo)入各種相關(guān)書籍來實(shí)現(xiàn)。PBL案例庫知識(shí)庫選擇了每個(gè)片都是完整一幕的方式構(gòu)建，在片的開頭加上了第幾例幾幕作為標(biāo)識(shí)，然后通過工作流查詢案例內(nèi)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(xiàn)胸骨中下段燒灼痛，常于晨起輕微活動(dòng)時(shí)發(fā)作，白天快速行走時(shí)或晚上飽餐后上述癥狀可發(fā)作，每次持續(xù) 3～5min ，休息 10min 后可緩解，進(jìn)食減少時(shí)癥狀可減輕，未曾系統(tǒng)診治。當(dāng)晚飽餐后出現(xiàn)持續(xù)性心前區(qū)悶痛，位于胸骨后中下部及左心前區(qū)，可向左肩背部放射，癥狀持續(xù)存在，有惡心嘔吐，伴有瀕死感。隨后^1h 出現(xiàn)心悸、氣促、煩躁不安、大汗、喘息、平臥受限，故來院治療。

數(shù)據(jù)庫以表格形式存儲(chǔ)數(shù)據(jù)，不同智能體可通過數(shù)據(jù)庫共享數(shù)據(jù)。本研究還使用數(shù)據(jù)庫制作計(jì)分板，用于記錄學(xué)習(xí)進(jìn)度和評(píng)價(jià)學(xué)習(xí)成果。數(shù)據(jù)庫和知識(shí)庫最大的區(qū)別是：數(shù)據(jù)庫可以被大語言模型或工作流修改，知識(shí)庫只是作為背景提供知識(shí)，不能修改已儲(chǔ)存的內(nèi)容。全局變量通常存儲(chǔ)全系統(tǒng)范圍內(nèi)的公共信息，是多智能體實(shí)現(xiàn)協(xié)作與狀態(tài)共享的有效工具。在本系統(tǒng)中多用于記住當(dāng)前主要狀態(tài)，例如目前課程進(jìn)度到第幾章。長(zhǎng)期記憶指智能體在與用戶交互過程中，可持久化存儲(chǔ)和動(dòng)態(tài)調(diào)用的關(guān)鍵數(shù)據(jù)。在長(zhǎng)期記憶中，文字按條儲(chǔ)存，且?guī)в袝r(shí)間和日期，智能體會(huì)利用它記住學(xué)生的學(xué)習(xí)特征。

3.3編輯智能體思維

大語言模型需要給予引導(dǎo)才能按照期望方式思考，從而更大概率得到預(yù)期的結(jié)果。在理解提示詞與工作流時(shí)，需要具備清晰明確的流程思維，充分理解每個(gè)環(huán)節(jié)輸人和輸出內(nèi)容的性質(zhì)和構(gòu)成方式。

3.3.1 設(shè)置主要大語言模型的人設(shè)

在PBL教學(xué)中，教師大部分的對(duì)話是與學(xué)生的討論，以及解答學(xué)生的疑問。因此，本研究用簡(jiǎn)短的一段話賦予人工智能角色，描述人工智能的任務(wù)，強(qiáng)調(diào)人工智能的部分特征。如“你是1名學(xué)習(xí)小組組長(zhǎng)，你將使用一份被分成很多幕材料來引導(dǎo)你的組員進(jìn)行學(xué)習(xí)和討論，同時(shí)你也具備一定的知識(shí)，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(shí)現(xiàn)多智能體協(xié)作的核心方法。它是一系列可執(zhí)行指令的集合，用于實(shí)現(xiàn)業(yè)務(wù)邏輯或完成特定任務(wù)。在模擬系統(tǒng)中，工作流的設(shè)計(jì)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(shè)計(jì)了多個(gè)工作流來協(xié)助主要大語言模型完成查詢與讀取數(shù)據(jù)、用戶回答評(píng)分，以及總體進(jìn)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(xié)助主要大語言模型準(zhǔn)確判斷探索目標(biāo)和教學(xué)目標(biāo)的相關(guān)性。首先，主要大語言模型會(huì)確定是否需要進(jìn)行判斷，如果需要?jiǎng)t會(huì)啟用工作流，并向工作流輸人學(xué)生的探索目標(biāo)。工作流會(huì)先查詢?nèi)肿兞縼泶_認(rèn)學(xué)生探索到哪種疾病的第幾例第幾幕，然后會(huì)根據(jù)結(jié)果再次在知識(shí)庫中查詢相關(guān)目標(biāo)。這些內(nèi)容被輸入到大語言模型中并與用戶的探索目標(biāo)進(jìn)行比較。比較結(jié)果就是工作流的輸出，主要大語言模型會(huì)根據(jù)工作流的輸出結(jié)果給予用戶回答。由此可見，工作流會(huì)先讀取在表格知識(shí)庫中的每幕教學(xué)目標(biāo)，再由一個(gè)大語言模型判斷兩者相關(guān)程度并輸出比較結(jié)果，如相關(guān)、可能相關(guān)和不相關(guān)，主要大語言模型便會(huì)根據(jù)比較結(jié)果進(jìn)行下一步行動(dòng)。工作流還極大地縮短了提示詞的長(zhǎng)度，從原本的長(zhǎng)篇大論縮減為調(diào)用某個(gè)工作流并原樣輸出結(jié)果。

3.3.3設(shè)置工作流中調(diào)用的大語言模型

工作流中的大語言模型有系統(tǒng)提示詞與用戶提示詞的區(qū)別。系統(tǒng)提示詞主要是提供總體性的指導(dǎo)，用戶提示詞是向大模型提供用戶指令。在系統(tǒng)提示詞和用戶提示詞矛盾時(shí)，大語言模型會(huì)遵從系統(tǒng)提示詞的指令。例如在圖3所示工作流中，大模型節(jié)點(diǎn)上的系統(tǒng)提示詞是：“請(qǐng)比較一下兩個(gè)命題是否相關(guān)，完全不相關(guān)請(qǐng)輸出1，完全相符輸出ture，其他情況輸出maybe?！庇脩籼崾驹~是2個(gè)字符串變量，{topic}}{{goal}，這兩個(gè)變量來自于節(jié)點(diǎn)的輸入，分別代表知識(shí)庫中對(duì)應(yīng)的內(nèi)容與用戶制定的探索目標(biāo)。

3.4進(jìn)度控制

本系統(tǒng)采取積分制控制PBL的教學(xué)進(jìn)度。結(jié)合案例分幕式的結(jié)構(gòu)，每幕學(xué)習(xí)目標(biāo)與關(guān)鍵詞作為得分點(diǎn)設(shè)有既定分值，當(dāng)學(xué)生踩到關(guān)鍵詞或者表達(dá)出相同的意思時(shí)，工作流會(huì)修改數(shù)據(jù)庫中對(duì)應(yīng)的分?jǐn)?shù)。只有在學(xué)生完成主要學(xué)習(xí)目標(biāo)、達(dá)到既定分值時(shí)，人工智能才會(huì)詢問用戶是否進(jìn)人下一幕的學(xué)習(xí)。需注意的是，在設(shè)計(jì)PBL模擬教學(xué)系統(tǒng)時(shí)，既要確保學(xué)生完成預(yù)定的主要學(xué)習(xí)目標(biāo)，同時(shí)也允許學(xué)生探索更多其他學(xué)習(xí)目標(biāo)，從而激發(fā)學(xué)生學(xué)習(xí)興趣。

3.5學(xué)習(xí)評(píng)價(jià)

模擬系統(tǒng)主要根據(jù)主要學(xué)習(xí)自標(biāo)、其他學(xué)習(xí)目標(biāo)和總體學(xué)習(xí)表現(xiàn)評(píng)價(jià)學(xué)生學(xué)業(yè)成績(jī)。主要學(xué)習(xí)目標(biāo)根據(jù)學(xué)生回答問題的關(guān)鍵詞進(jìn)行評(píng)分，關(guān)鍵詞源自教師提供的內(nèi)置答案；其他學(xué)習(xí)目標(biāo)來自學(xué)生自由探索，系統(tǒng)進(jìn)行評(píng)判時(shí)常常沒有預(yù)設(shè)的答案可以參考，但是可以基于現(xiàn)有知識(shí)庫從答案的合理性上進(jìn)行評(píng)價(jià)。具體過程為：系統(tǒng)首先會(huì)判斷學(xué)生的探索結(jié)果是否和知識(shí)庫內(nèi)的知識(shí)有沖突；接著會(huì)判斷探索目標(biāo)與探索結(jié)果的關(guān)聯(lián)性，當(dāng)兩個(gè)條件都滿足時(shí)，系統(tǒng)會(huì)判定這是一次有效探索，并將探索結(jié)果計(jì)人學(xué)生總成績(jī)；最后是總體學(xué)習(xí)表現(xiàn)的評(píng)價(jià)，這一環(huán)節(jié)只會(huì)在課程結(jié)束后按照助教的要求手動(dòng)開啟，多智能體人工智能會(huì)結(jié)合聊天記錄填寫一張PBL學(xué)習(xí)記錄與評(píng)分表。

4討論

4.1多智能體PBL模擬教學(xué)系統(tǒng)的主要優(yōu)勢(shì)

多智能體PBL模擬教學(xué)系統(tǒng)的核心是多個(gè)智能體的協(xié)同工作。相較于單智能體的人工智能，多智能體結(jié)構(gòu)復(fù)雜、功能多樣，更適合復(fù)雜的任務(wù)場(chǎng)景，學(xué)生的體驗(yàn)感和沉浸感也更強(qiáng)，具體表現(xiàn)為：

4.1.1有助于實(shí)現(xiàn)深度個(gè)性化學(xué)習(xí)

單個(gè)大語言模型通過一對(duì)一的對(duì)話模式，生成個(gè)性化內(nèi)容并能提供反饋，但生成內(nèi)容容易出現(xiàn)健忘或錯(cuò)誤，所以只適用于簡(jiǎn)單的問答和基礎(chǔ)輔導(dǎo)。而多智能體可以實(shí)現(xiàn)多角色協(xié)作，每個(gè)模型都有特定的角色和功能，不僅可以減少遺忘或錯(cuò)漏的發(fā)生，也可以根據(jù)學(xué)生的反應(yīng)動(dòng)態(tài)調(diào)節(jié)學(xué)習(xí)進(jìn)度和反饋內(nèi)容，從而提高系統(tǒng)的交互性和協(xié)同性。如PBL模擬系統(tǒng)會(huì)針對(duì)每幕的學(xué)習(xí)目標(biāo)分析學(xué)生在討論中的語言表達(dá)，提供個(gè)性化反饋；或當(dāng)學(xué)生問題過多或過于零散時(shí)，系統(tǒng)會(huì)及時(shí)給予引導(dǎo)性提示，從而保障學(xué)生在自由探索案例的同時(shí)不影響學(xué)習(xí)進(jìn)度或偏離學(xué)習(xí)的主要目標(biāo)。

4.1.2有利于解決復(fù)雜的學(xué)習(xí)問題

單智能體邏輯推理能力有限，一個(gè)人工智能系統(tǒng)專注于某一特定任務(wù)，難以支持PBL教學(xué)的全流程。多智能體協(xié)同工作，不僅細(xì)分了每個(gè)智能體的職責(zé)，而且提高了大語言模型處理各種材料時(shí)的準(zhǔn)確性，增強(qiáng)了大語言模型的記憶能力。同時(shí)，多智能體的協(xié)作性使得每部分又可以被即時(shí)調(diào)整和替換，故系統(tǒng)具有更強(qiáng)的適應(yīng)性和靈活性，能夠適應(yīng)不同規(guī)模和需求的教學(xué)場(chǎng)景。

4.1.3有助于提升學(xué)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(chǎng)景主要用于內(nèi)容生成，難以支持學(xué)習(xí)者的高階能力培養(yǎng)[11]。多智能體模擬系統(tǒng)允許學(xué)生通過共同探討、人機(jī)協(xié)作方式尋求解決問題的答案。這種互動(dòng)促使學(xué)生從多角度審視問題，突破單一思維模式，提升創(chuàng)新能力[18]。如模擬系統(tǒng)可以幫助學(xué)生比較不同學(xué)習(xí)資源，生成更具啟發(fā)性的輔助決策信息，這樣不僅能培養(yǎng)學(xué)生評(píng)判性思維，還可以使學(xué)生擺脫資料整理和歸納等煩瑣工作，留給學(xué)生更多時(shí)間專注于創(chuàng)新。另外，由于多智能體的多元性和動(dòng)態(tài)交互性，可以促進(jìn)學(xué)習(xí)者不斷調(diào)整、總結(jié)和優(yōu)化，提高其反思能力。

4.2關(guān)鍵問題

4.2.1 PBL病例的編寫問題

高質(zhì)量的PBL臨床病例至關(guān)重要。本項(xiàng)目組建了多學(xué)科的編寫團(tuán)隊(duì)，選擇臨床真實(shí)案例組織編寫，并進(jìn)行案例評(píng)審、論證和專家會(huì)審，以確保案例的科學(xué)性和專業(yè)性。在前期線下教學(xué)實(shí)踐中，已經(jīng)對(duì)案例進(jìn)行多次修訂和完善。后期還有待收集更多學(xué)生可能提出的常見問題，對(duì)其進(jìn)行整理，以增強(qiáng)系統(tǒng)在實(shí)際應(yīng)用中的適應(yīng)性。同時(shí)，教師要及時(shí)監(jiān)督，確保多智能體的學(xué)習(xí)目標(biāo)和生成內(nèi)容，以及角色設(shè)定與真實(shí)教學(xué)的預(yù)期目標(biāo)相符合。

4.2.2 變量的設(shè)計(jì)

在設(shè)計(jì)多智能體協(xié)作人工智能時(shí)，無論是數(shù)據(jù)庫里面的某個(gè)值或者長(zhǎng)期記憶里的文本，隨著對(duì)話進(jìn)行會(huì)改變的內(nèi)容全部稱為變量。在設(shè)計(jì)本系統(tǒng)變量時(shí)，由于平臺(tái)的限制，只能有3個(gè)數(shù)據(jù)庫，一定長(zhǎng)度的長(zhǎng)期記憶和有限個(gè)數(shù)的全局變量。未來可能會(huì)放松這種限制到大語言模型可承受的最高水平，但是現(xiàn)在這些寶貴的可變動(dòng)部分必須充分利用，不容浪費(fèi)。目前，只要合理地利用有限的可改動(dòng)部分尚能夠滿足對(duì)多智能體的制作需求，關(guān)鍵在于變量名的設(shè)計(jì)、變量的取值范圍和取值的含義。

4.2.3進(jìn)度控制的合理性問題

相比真人教學(xué)的PBL課堂，合理且有容錯(cuò)性的教學(xué)進(jìn)度控制方式在多智能體協(xié)作人工智能設(shè)計(jì)中是一個(gè)難點(diǎn)。因?yàn)槎嘀悄荏w協(xié)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(shù)據(jù)庫來跟蹤記錄才能保證在對(duì)話時(shí)人工智能時(shí)刻知道\"我在哪，我在干什么”。另外，在使用積分控制進(jìn)度的過程中，如何正確給分是一個(gè)需要仔細(xì)斟酌的問題。除了關(guān)鍵詞積分外，是否需要增加其他形式的積分方式，也需要進(jìn)一步探索。

4.3多智能體PBL模擬教學(xué)系統(tǒng)的局限性

GenAI（如ChatGPT）應(yīng)用于教育中一個(gè)重要的擔(dān)憂是可能會(huì)破壞小組討論氛圍和影響學(xué)生互動(dòng)[]。學(xué)生互動(dòng)和小組討論的環(huán)境被認(rèn)為是推動(dòng)PBL教學(xué)核心[19]，在使用了人工智能PBL教學(xué)中，這個(gè)核心可能會(huì)變成與教學(xué)智能體互動(dòng)。PBL教學(xué)中的互動(dòng)包括共享探索性問題，增加累積推理、處理知識(shí)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(dǎo)時(shí)間以及培養(yǎng)小組學(xué)習(xí)氛圍等[20]。盡管已有文獻(xiàn)支持基于大規(guī)模線上課程[21]、智能設(shè)備[22]和微信教學(xué)平臺(tái)[23]等方式能夠獲得滿意教學(xué)效果，多智能體協(xié)作的模擬教學(xué)系統(tǒng)功能上也具有更強(qiáng)的互動(dòng)性，但目前還缺乏試驗(yàn)數(shù)據(jù)進(jìn)一步證實(shí)。其次，模擬系統(tǒng)高度依賴于PBL案例，評(píng)判學(xué)生對(duì)于非預(yù)設(shè)問題的討論時(shí)，系統(tǒng)表現(xiàn)欠佳，判斷的準(zhǔn)確度和公平性仍然需要更多的測(cè)試。另外，由于多智能體模擬系統(tǒng)目前仍處于不斷優(yōu)化階段，系統(tǒng)提供的答案可能不夠全面，缺乏文字、圖片和視頻的多模態(tài)信息。如果將模擬系統(tǒng)單獨(dú)制作成應(yīng)用程序，可以提供更多的學(xué)習(xí)功能，比如設(shè)定智能體交互的時(shí)間，后臺(tái)記錄交互情況并評(píng)價(jià)，用于可以了解與記錄每位學(xué)生的真實(shí)學(xué)習(xí)情況和體驗(yàn)?？傊?，PBL模擬系統(tǒng)技術(shù)復(fù)雜度高，跨學(xué)科合作需求大，還缺乏大規(guī)模實(shí)驗(yàn)數(shù)據(jù)，需要進(jìn)一步研究智能體之間的協(xié)作機(jī)制，以優(yōu)化整體教學(xué)效果。

4.4 應(yīng)用前景

在“扣子\"等平臺(tái)努力下，編輯多智能體協(xié)作人工智能使得大多數(shù)人能夠直接接觸到便捷、透明和技術(shù)門檻較低的人工智能制作技術(shù)。這為多智能體在教育領(lǐng)域的開發(fā)和應(yīng)用提供了更多可能性，讓更多的非計(jì)算機(jī)專業(yè)人士有機(jī)會(huì)直接參與人工智能教育技術(shù)的開發(fā)與應(yīng)用。借助多智能體協(xié)作的人工智能，不僅能迅速判斷大量數(shù)據(jù)中的情緒傾向，還可以通過設(shè)計(jì)提示詞和工作流快速提取材料中體現(xiàn)的其他信息。這種人機(jī)交互方式促使學(xué)習(xí)者在更具活力的學(xué)習(xí)環(huán)境中擴(kuò)展學(xué)習(xí)廣度和深度。隨著后續(xù)研究技術(shù)的成熟和數(shù)據(jù)的積累，多智能體系統(tǒng)的模擬PBL教學(xué)可以更全面地模擬教師的言行，實(shí)現(xiàn)互動(dòng)性更強(qiáng)的個(gè)性化教學(xué)。未來多智能體系統(tǒng)還可能與虛擬現(xiàn)實(shí)、增強(qiáng)現(xiàn)實(shí)等技術(shù)進(jìn)一步融合，提供更便捷化和沉浸式的PBL教學(xué)體驗(yàn)。

參考文獻(xiàn)：

[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(xué)法在醫(yī)學(xué)教學(xué)改革中的應(yīng)用價(jià) 值[J].中國(guó)繼續(xù)醫(yī)學(xué)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(xué)法在臨床護(hù)理帶教中的應(yīng)用研 究進(jìn)展[J].中國(guó)繼續(xù)醫(yī)學(xué)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(zhàn)·融合·變革：\"ChatGPT與未來教育\"會(huì)議 綜述[J].現(xiàn)代遠(yuǎn)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(xué)習(xí)者情緒與學(xué)習(xí) 效果？——基于國(guó)內(nèi)外39篇實(shí)驗(yàn)或準(zhǔn)實(shí)驗(yàn)研究文獻(xiàn)的元分析[J]. 現(xiàn)代教育技術(shù)，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(jī)協(xié)同解決復(fù)雜學(xué) 習(xí)問題實(shí)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(hù)理學(xué)問題導(dǎo)向?qū)W習(xí)實(shí)例與指導(dǎo)[M].上海：上海 交通大學(xué)出版社，2015：1.

[16]教育部學(xué)位與研究生教育發(fā)展中心.中國(guó)專業(yè)學(xué)位案例中心：學(xué) 科分類-護(hù)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(yī)教協(xié)同下護(hù)理專業(yè)案例資源庫的建設(shè)與研究[D].太原： 山西醫(yī)科大學(xué)，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）