Applying a Cognitive Diagnostic Model to Assess Clinical Reasoning: Q- Matrix Development and Known-Groups Validity Evidence from a Nationwide Medical Examination

चिकित्सा प्रशिक्षण की उच्च-दांव वाली दुनिया में, डॉक्टर की तरह सोचने की क्षमता तथ्यों को जानने जितनी ही महत्वपूर्ण है। यह कौशल, जिसे क्लिनिकल रीजनिंग (नैदानिक तर्क) कहा जाता है, इसमें रोगी के विवरणों का एक समूह—लक्षण, इतिहास, लैब के परिणाम—लेकर उन्हें एक स्पष्ट निदान और उपचार योजना में पिरोना शामिल है। दशकों से, मेडिकल स्कूल इस क्षमता का परीक्षण करने के लिए बहुविकल्पीय परीक्षाओं पर निर्भर रहे हैं। हालांकि, ये परीक्षण आमतौर पर केवल एक एकल स्कोर प्रदान करते हैं, एक ऐसा अंक जो छात्र को बताता है कि उन्होंने कितने प्रश्न सही किए, लेकिन यह कुछ भी नहीं बताता कि उन्होंने कैसे सोचा। यह यह जानने जैसा है कि एक धावक ने दस मिनट में दौड़ पूरी की, बिना यह जाने कि क्या उसने पहले आधे भाग में स्प्रिंट किया और दूसरे में जॉगिंग की, या क्या वह हर मोड़ पर लड़खड़ाया था। चिकित्सा शिक्षा को वास्तव में सुधारने के लिए, शिक्षकों को छात्र द्वारा उठाए गए विशिष्ट मानसिक चरणों को देखने की आवश्यकता है, जिससे यह पहचाना जा सके कि उनके तर्क के कौन से हिस्से मजबूत हैं और किन पर काम करने की आवश्यकता है।

गैचोन यूनिवर्सिटी कॉलेज ऑफ मेडिसिन के एक शोधकर्ता ने दक्षिण कोरिया में एक विशाल राष्ट्रीय चिकित्सा परीक्षा पर 'कॉग्निटिव डायग्नोस्टिक मॉडल' नामक एक परिष्कृत पद्धति लागू करके इस समस्या को हल करने का प्रयास किया। केवल सही उत्तरों को गिनने के बजाय, इस अध्ययन का उद्देश्य उन विशिष्ट मानसिक कौशलों का मानचित्रण करना था जो प्रत्येक प्रश्न को सही ढंग से हल करने के लिए आवश्यक हैं। टीम ने अपने तीसरे और चौथे वर्ष के छात्रों के लगभग 5,600 मेडिकल छात्रों के उत्तरों का विश्लेषण किया। उन्होंने शुरुआत नौ अलग-अलग सोचने के कौशलों की एक सूची बनाकर की, जिन्हें विशेषज्ञों ने क्लिनिकल रीजनिंग के लिए आवश्यक माना था, जैसे कि लैब परिणामों की व्याख्या करना या उपचार का निर्णय लेना। परीक्षा के प्रश्नों की समीक्षा करने और अनुभवी चिकित्सा शिक्षकों के एक पैनल के साथ परामर्श करने की एक सावधानीपूर्ण प्रक्रिया के माध्यम से, उन्होंने इस सूची को सात विशिष्ट कौशलों तक सीमित कर दिया। फिर उन्होंने यह देखने के लिए एक सांख्यिकीय मॉडल का उपयोग किया कि क्या ये सात कौशल छात्रों के प्रदर्शन की सटीक व्याख्या कर सकते हैं। परिणाम चौंकाने वाले थे: मॉडल ने छात्रों की क्षमताओं को सफलतापूर्वक अलग किया, यह दिखाते हुए कि चौथे वर्ष के छात्र, जिनके पास अधिक नैदानिक अनुभव था, तीसरे वर्ष के छात्रों की तुलना में इन रीजनिंग कौशलों में बहुत उच्च दर पर महारत हासिल करते हैं। इस निष्कर्ष ने मजबूत प्रमाण दिया कि नया ढांचा काम करता है, जो साधारण टेस्ट स्कोर से आगे बढ़कर छात्र के सोचने का एक विस्तृत, कौशल-दर-कौशल निदान करने का तरीका प्रदान करता है।

इस निष्कर्ष तक पहुँचने की यात्रा एक विशाल डेटासेट से शुरू हुई: 2019 की दूसरी क्लिनिकल कॉम्प्रिहेंसिव एग्जामिनेशन, जो दक्षिण कोरिया भर के मेडिकल छात्रों को आयोजित की जाने वाली एक राष्ट्रव्यापी लिखित परीक्षा थी। शोधकर्ताओं ने विशेष रूप से आंतरिक चिकित्सा (इंटरनल मेडिसिन) अनुभाग पर ध्यान केंद्रित किया, जिसमें 144 बहुविकल्पीय प्रश्न थे। उन्होंने 5,586 छात्रों से उत्तर एकत्र किए, जिनमें 2,603 तीसरे वर्ष के छात्र और 2,983 चौथे वर्ष के छात्र शामिल थे। चूंकि डेटा पूरी तरह से गुमनाम था, इसलिए शोधकर्ता व्यक्तिगत छात्र पृष्ठभूमि को नहीं देख सकते थे, लेकिन समूह के विशाल आकार ने उन्हें यह देखने की अनुमति दी कि समय के साथ रीजनिंग कौशल कैसे विकसित होते हैं।

पहला बड़ा कार्य एक मानचित्र बनाना था, जिसे इस क्षेत्र में 'Q-मैट्रिक्स' के रूप में जाना जाता है, जो प्रत्येक परीक्षा प्रश्न को उसे हल करने के लिए आवश्यक विशिष्ट सोचने के कौशल से जोड़ता है। शोधकर्ताओं ने मौजूदा साहित्य की समीक्षा से प्राप्त नौ संभावित कौशलों की सूची से शुरुआत की। इनमें रोगी के इतिहास की व्याख्या करना, शारीरिक परीक्षण के निष्कर्षों का विश्लेषण करना, महत्वपूर्ण जानकारी की स्क्रीनिंग करना और किसी स्थिति की गंभीरता का आकलन करना जैसी चीजें शामिल थीं। उन्होंने इस नौ कौशलों के मानचित्र को 144 प्रश्नों के विरुद्ध मैप किया ताकि एक ड्राफ्ट मैप बनाया जा सके। यह जांचने के लिए कि क्या यह मैप समझ में आता है, उन्होंने देखा कि विभिन्न कौशल एक ही प्रश्न में कितनी बार एक साथ दिखाई देते हैं और कौशल एक-दूसरे से कितने अलग हैं, यह देखने के लिए सांख्यिकीय परीक्षण चलाए। प्रारंभिक डेटा ने दिखाया कि कौशल पर्याप्त रूप से अलग थे, लेकिन सांख्यिकीय परीक्षणों ने अकेले मजबूत प्रमाण प्रदान नहीं किया।

यह पहचानते हुए कि केवल संख्याएं पूरी कहानी नहीं बता सकतीं, शोधकर्ताओं ने चार मेडिकल स्कूल फैकल्टी सदस्यों के एक पैनल को शामिल किया। दशकों के अनुभव वाले इन विशेषज्ञों ने ड्राफ्ट मैप और सांख्यिकीय डेटा की समीक्षा की। उन्होंने निर्णय लिया कि कुछ कौशल अलग रखने के लिए बहुत समान थे। उदाहरण के लिए, उन्होंने रोगी के इतिहास की व्याख्या करने और शारीरिक परीक्षण के निष्कर्षों को समझने के कौशलों को मिला दिया क्योंकि वास्तविक अभ्यास में, डॉक्टर महत्वपूर्ण सुरागों को पहचानने के लिए अक्सर इनका एक साथ उपयोग करते हैं। उन्होंने महत्वपूर्ण जानकारी की स्क्रीनिंग करने के कौशल को भी हटा दिया, यह तर्क देते हुए कि लिखित परीक्षा के प्रश्न आमतौर पर पहले से चुनी गई जानकारी प्रस्तुत करते हैं, जिससे जानकारी खोजने के कौशल का परीक्षण करना असंभव हो जाता है। उन्होंने "गंभीरता मूल्यांकन" कौशल को भी कम किया, आपातकालीन-स्तर के घटक को हटा दिया क्योंकि लिखित परीक्षा में इसे लगातार आंकना बहुत कठिन था। इस विशेषज्ञ समीक्षा के बाद, सूची को सात स्पष्ट, अलग कौशलों में परिष्कृत किया गया: महत्वपूर्ण रोगी जानकारी को अलग करना, प्रयोगशाला निष्कर्षों की व्याख्या करना, रोग के कारणों का विश्लेषण करना, अतिरिक्त परीक्षणों की आवश्यकता का आकलन करना, नैदानिक तर्क (डायग्नोस्टिक रीजनिंग), गंभीरता का आकलन करना, और उपचार के निर्णय लेना।

सात कौशलों के परिभाषित होने के बाद, शोधकर्ताओं ने छात्रों के उत्तरों पर कॉग्निटिव डायग्नोस्टिक मॉडल लागू किया। यह मॉडल एक लॉजिक गेट की तरह काम करता है: यह मानता है कि किसी प्रश्न को सही ढंग से हल करने के लिए, एक छात्र को प्रत्येक उस कौशल में महारत हासिल करनी चाहिए जो प्रश्न के लिए आवश्यक है। यदि कोई छात्र एक भी आवश्यक कौशल में चूक जाता है, तो मॉडल भविष्यवाणी करता है कि वे प्रश्न गलत करने की संभावना रखते हैं, जब तक कि उन्होंने सही अनुमान (गेस) न लगाया हो। मॉडल ने गणना की कि प्रत्येक छात्र के पास प्रत्येक सात कौशलों में से किसमें महारत हासिल करने की कितनी संभावना है। परिणामों ने दिखाया कि मॉडल डेटा के साथ बहुत अच्छी तरह फिट बैठता है, जो हजारों छात्रों के सही और गलत उत्तरों के पैटर्न को सटीक रूप से दर्शाता है।

इस नए ढांचे का असली परीक्षण तब आया जब शोधकर्ताओं ने छात्रों के दो समूहों की तुलना की। चूंकि अस्पताल में अधिक अनुभव प्राप्त करने के साथ क्लिनिकल रीजनिंग में सुधार होने की उम्मीद है, इसलिए शोधकर्ताओं ने भविष्यवाणी की कि चौथे वर्ष के छात्र तीसरे वर्ष के छात्रों की तुलना में सातों कौशलों में उच्च महारत दिखाएंगे। डेटा ने इस भविष्यवाणी की उल्लेखनीय स्पष्टता के साथ पुष्टि की। प्रत्येक सात कौशलों में से प्रत्येक के लिए, चौथे वर्ष के छात्रों ने काफी उच्च महारत प्रदर्शित की। यह अंतर केवल एक छोटा सा सांख्यिकीय उतार-चढ़ाव नहीं था; यह एक बड़ा, सुसंगत अंतराल था। चौथे वर्ष के छात्रों ने कौशलों में लगभग 83% से 91% तक की महारत दर दिखाई, जबकि तीसरे वर्ष के छात्र 50% और 65% के बीच रहे। यह अंतर इतना सुसंगत और बड़ा था कि इसने एक शक्तिशाली प्रमाण के रूप में कार्य किया कि सात कौशल वास्तविक थे और मॉडल सही ढंग से उनकी पहचान कर रहा था।

अध्ययन ने यह देखने के लिए कुल परीक्षा स्कोर को भी देखा कि नया तरीका परीक्षण के पुराने तरीके की तुलना में कैसा है। चौथे वर्ष के छात्र तीसरे वर्ष के छात्रों की तुलना में कुल परीक्षा में बहुत अधिक अंक प्राप्त करते थे, जिसकी उम्मीद थी। हालांकि, नए तरीके ने वह काम किया जो कुल स्कोर नहीं कर सका: इसने उस बड़े अंतर को सात विशिष्ट भागों में तोड़ दिया। इसने दिखाया कि रीजनिंग कौशल में अंतर कुल स्कोर के अंतर जितना ही बड़ा था, जिससे यह सिद्ध हुआ कि मॉडल केवल डेटा में शोर (नॉइज़) नहीं जोड़ रहा था बल्कि वास्तव में बहुत अधिक विस्तृत तरीके से उसी विकासात्मक प्रगति को पकड़ रहा था।

यह शोध इस बात पर प्रकाश डालता है कि चिकित्सा शिक्षा का मूल्यांकन कैसे बदला जा सकता है। वर्षों से, ध्यान इस बात पर रहा है कि छात्र परीक्षा पास करता है या फेल होता है। यह अध्ययन सुझाव देता है कि अब हम परीक्षण के अंदर देख सकते हैं कि छात्र के सोचने के कौन से हिस्से काम कर रहे हैं और कौन से नहीं। इस अध्ययन में पहचाने गए सात कौशल एक ब्लूप्रिंट प्रदान करते हैं कि मेडिकल छात्रों को क्या सीखने की आवश्यकता है। हालांकि अध्ययन की कुछ सीमाएं थीं, जैसे कि ऐसे प्रश्नों पर निर्भर होना जो मूल रूप से इस विशिष्ट प्रकार के विश्लेषण के लिए डिज़ाइन नहीं किए गए थे, फिर भी परिणाम इतने मजबूत थे कि वे दिखाते हैं कि यह दृष्टिकोण व्यवहार्य है। निष्कर्ष बताते हैं कि भविष्य में, मेडिकल परीक्षाओं में छात्रों को उनके रीजनिंग कौशल का एक विस्तृत रिपोर्ट कार्ड मिल सकता है, जिससे उन्हें और उनके शिक्षकों को केवल एक संख्या देने के बजाय सुधार के लिए विशिष्ट क्षेत्रों को लक्षित करने में मदद मिल सकेगी। विवरण का यह स्तर अंततः यह सुनिश्चित करने में मदद कर सकता है कि डॉक्टर केवल तथ्यों को याद नहीं कर रहे हैं, बल्कि रोगियों की सुरक्षित देखभाल के लिए आवश्यक जटिल सोच में वास्तव में महारत हासिल कर रहे हैं।