Beyond the Checklist: How Different Prebriefing Tools Influence Simulation Outcomes—A Systematic Review and Meta-Analysis

技术摘要：超越清单：不同预教导工具如何影响模拟教学效果

问题陈述
基于模拟的教育（SBE）高度依赖于预教导（Prebriefing）阶段，以使学习者与目标达成一致、减轻焦虑并建立心理安全感。尽管其重要性已得到公认，但预教导的实施仍存在显著的变异性、概念模糊性以及缺乏标准化的循证框架。以往的系统评价虽然探讨了预教导的存在性，但未能通过所采用工具的类型或创新水平来对干预措施进行区分。此外，现有文献在很大程度上忽视了新兴技术（如人工智能、虚拟现实）的具体影响，并且未能将心理安全感作为一个独立的结局指标进行定量合成。这一差距限制了教育者在当代实践中优化预教导设计的能力，尤其是在高科技工具日益普及的背景下。

研究方法
本研究是一项根据 PRISMA 2020 指南进行的系统评价和元分析。

• 检索策略： 对四个数据库（ScienceDirect, Embase, Medline, Web of Science）进行了检索，检索时限从建库至 2025 年 8 月 6 日。
• 纳入标准： 本次评价纳入了比较结构化预教导干预与标准或无预教导的医疗 SBE 中的随机对照试验（RCTs）和准实验研究。结局指标限于模拟表现、心理安全感和模拟体验。
• 分类框架： 干预措施使用 SAMR 模型（替代、增强、修改和重定义）进行分类，以分层工具的创新水平：
  • 第 1 组（替代）： 标准的结构化大纲或清单，不含额外的互动组件。
  • 第 2 组（增强）： 由交互元素（如引导式同伴讨论或导师对话）补充的清单。
  • 第 3 组（修改）： 实现新形式参与的创新数字工具（如虚拟现实、AI 聊天机器人）。
• 统计分析： 使用随机效应模型计算合并标准化均数差（SMD）及 95% 置信区间（CI）。使用 $I^2$ 和 $\tau^2$ 评估异质性。通过 Egger 检验和 Duval 及 Tweedie 的剪切填充法（trim-and-fill）评估发表偏倚。使用留一法（leave-one-out）进行敏感性分析。

关键结果
共纳入 15 项研究（6 项 RCTs，9 项准实验研究），包含 16 个模拟表现研究臂、15 个心理安全感研究臂和 6 个体验研究臂。

• 模拟表现： 创新型预教导显著提高了整体模拟表现（SMD = 1.04, 95% CI [0.73, 1.36]）。该结果在经过剪切填充调整后依然稳健（SMD = 0.98）。亚组分析显示，所有 SAMR 组均呈现一致的正向效应，但第 2 组（增强）的异质性最低（$I^2$ = 58.2%）。
• 心理安全感： 初始合并分析表明存在显著获益（SMD = 0.84）。然而，Egger 检验显示存在显著的发表偏倚（$P < 0.0001$）。经过剪切填充调整后，效应减弱至不显著（调整后 SMD = 0.47, 95% CI [-0.49, 1.43]）。第 2 组在安全性方面表现出统计学上可靠的效应，而第 3 组（修改）未能展示显著获益（SMD = 0.51, 95% CI [-3.53, 4.55]）。
• 模拟体验： 未发现显著的整体改善（SMD = 0.22, $P$ = 0.32），且该无效发现（null finding）在偏差校正后依然存在。
• 异质性： 所有领域均观察到高异质性（$I^2$ 范围为 71.6% 至 82.0%）。第 3 组干预措施表现出极高的异质性（表现领域的 $I^2$ = 88.0%），这可能是由于不受控的机构因素（如硬件基础设施和引导者熟练程度）所致。

核心贡献

1. 细粒度分层： 这是首次通过 SAMR 框架按工具创新水平系统分类预教导干预的元分析，超越了“有无”预教导的二元比较。
2. 差异化结局： 研究提供了明确的定量证据，表明虽然结构化预教导能持续提升客观表现，但其对心理安全感的影响对发表偏倚和工具类型高度敏感。
3. “增强型”证据： 分析指出，第 2 组干预措施（结构化工作表结合引导式互动）是最可靠的策略，在有效性、一致性和较低异质性之间达到了最佳平衡。
4. 对高科技工具的警示： 研究结果挑战了“技术新颖性越高则结果越优”的假设，指出此类工具会引入极大的变异性，并且在缺乏额外支架（scaffolding）的情况下可能无法改善心理安全感。

意义与主张
本文主张，不同类型的预教导工具的应用与不同的 SBE 结局显著相关，但这些效应具有结局特异性。作者断言，较高的技术新颖性并不一定会产生更优的结果，并可能引入阻碍心理安全感的额外认知负荷。

核心结论是，包含引导式互动元素的适度创新方法（第 2 组） 代表了最可靠、有证据支持的预教导设计策略。研究认为，预教导应优先考虑教学稳定性与情境可行性，而非仅仅追求新颖性。虽然 VR 和 AI 等数字工具展现了潜力，但目前的证据过于异质，尚不足以支持其在常规实践中优于简单的、由人类引导的互动模式。作者强调，预教导应被视为一个情境敏感的准备过程，而非固定的内容包，其核心要素应根据学习者水平和机构设置进行调整。