行为医学大规模在线开放课程(MOOC)中的虚拟患者:基于案例的技术能力和用户导航路径分析

介绍

背景

人们对大规模在线开放课程(MOOC)兴趣的上升令人瞩目。一开始作为连接主义学习理论的一个实验，在短短几年内，变成了一个涉及数百万参与者和最负盛名的大学的现象[1，2]。尽管这种趋势遭到了批评[3.已经出现了热情消退的迹象[4，5]，在教育向大规模参与开放方面所见证的变化不太可能逆转。

传统上对教育新趋势适应较慢的保健科学也受到这些变化的启发[6，7]。最近的一项系统审查确定了2013年开展的近100个与健康相关的mooc [8]。医科大学参与这类倡议的动机各不相同，但可能涉及到接触适当但不太有特权的学习群体，可能是为了弥合患者与其保健提供者之间的语言差距，或增加大学在某一特定领域的影响和知名度[6-8]。mooc也被视为“翻转课堂”课程改革的一个工具，这要求学生在面对面学习活动之前进行自主的在线准备。这样可以腾出时间进行实践培训、小组作业以及与校园教师进行个别咨询[7，9]。

目前占主导地位的大规模在线开放课程被称为xMOOCs，它被批评为建立在很小的视频讲座剪辑、教科书和多项选择题上——被认为是一种相当过时的学习形式。3.]。这种发展可以部分地解释为通用MOOC环境中提供的非上下文化技术限制。然而，有一些特定学科的信息技术工具可以使学习活动充满活力，而不需要教师的太多关注。其中一个可用于健康培训的工具是虚拟病人[10]。

虚拟病人对学习有积极的影响[11，12]并越来越多地用于医学院[13，14]。尽管定义各不相同，但虚拟病人最常被理解为用于医学培训、教育或评估的真实临床场景的交互式计算机模拟[15]。根据应用技术和目标能力的不同，可以构建多种类型的虚拟患者;这些包括虚拟病人游戏、高保真软件模拟和虚拟标准化病人[16，17]。为了教授临床推理和决策，最常见的类型包括使用简单的基于web的技术的交互式患者场景[17]。

我们首先从教育的角度，对在mooc中嵌入虚拟病人的想法进行了先前的理论分析[18]并继续讨论集成的技术机制[19]。考虑到学生的数量，我们认为标准工具之外的平台功能扩展是一个主要风险。因此，准备MOOC需要招募一个支持团队来清除教学和技术障碍[9]。从另一个角度来看，大量的参与者也可以提供一个机会来识别虚拟患者使用的模式，由于传统课堂中学生的样本量小，这通常在很大程度上是不引人注意的。最近对mooc领域的文献进行了系统回顾，得出的结论是:“虽然有对学习者视角的研究，但创建者/促进者视角和技术方面的研究都没有得到广泛研究”[20.]。我们的目标是通过报告我们在组织我们所知的第一个包括虚拟患者的健康相关MOOC方面的技术经验来满足这些需求。

目标

本文的主要目的是对将虚拟患者纳入MOOC所需的技术准备进行深入分析。这将为今后的准备测试提供参数，并为处理信息技术基础设施资源的密集使用提出解决方案，同时为广大受众提供服务器端教育组件。第二个目标是确定强调虚拟患者交互使用的不同导航路径的方法。我们希望本研究能够减少与此类扩展相关的技术不确定性，指出可以优化的方面以获得更好的学习者体验，并通过描述大规模虚拟患者使用的指标提出前瞻性研究问题。

我们特别有兴趣回答以下两个研究问题:(1)在MOOC中提供虚拟患者的信息技术挑战和技术解决方案是什么?(2)如何为整合在MOOC中的虚拟患者呈现用户导航路径?

方法

设置

本报告是2014年下半年在瑞典医科大学卡罗林斯卡学院(KI)进行的一项案例研究。KI是第一个加入由麻省理工学院和哈佛大学发起的edX联盟来创建和传播mooc的斯堪的纳维亚大学[21]。2013年夏天，与edX达成协议后，KI通过内部电话选定了两门课程作为第一波mooc课程。其中之一是“KIBEHMEDx:行为医学——改善健康的关键”，展示了改变行为以改善健康和生活质量的科学[22]。这门课程之所以被选为介绍虚拟病人的对象，是因为它具有临床的、基于病例的特点。

作为edX联盟的一员，需要使用edX MOOC平台来举办课程[23]。该平台支持呈现视频、选择题和促进在线讨论;然而，它没有直接支持呈现交互式患者场景。我们之前的研究表明，这种集成挑战可以通过使用IMS lti接口来解决[19]。对于虚拟患者平台，我们选择了一个开源解决方案:OpenLabyrinth [24]。这个平台是最先进的，免费提供的交互式病人情景系统，在教育活动和研究项目中有着悠久的使用历史[25-28]。该平台支持分支路径导航模型，这意味着学习者可以看到一个临床病例，在这个病例中，他们可以从许多导致个人学习轨迹的替代选项中进行选择[29]。3.1版本是根据开发人员的推荐选择的，因为在准备课程时，它是最稳定的版本。系统的标准图形布局被改变，以适应使用内置皮肤机制的edX设计。

行为医学课程设计为5周。为了增加主动学习的机会，我们决定第2周和第3周将以交互式患者场景的形式由虚拟患者进行说明。第2周情景处理与压力有关的症状的治疗;第三周治疗睡眠问题。这两种情况都是独立的，但都与约翰·尼尔森的故事联系在一起。约翰·尼尔森是一名饱受压力和睡眠问题困扰的高中教师。图1）.

虚拟病人场景分别由80张和61张屏幕卡片或节点组成，其中包含文本描述、决策要素、自由文本作业、多项选择题和视频(表1）.这些视频是为本课程而制作的，涉及一位专业演员，两位临床医生和一个电影团队。视频长度从16秒到6分39秒不等。所有视频都托管在YouTube上，并使用内部框架嵌入到虚拟患者场景中。第一周(课程的第二周)的一些视频在第三周的场景中重复，形成复习节点。决策节点表示允许用户根据至少两个选项选择如何继续的屏幕卡片。在VUE (v3.2.2)编辑器中设计虚拟患者的分支导航结构[30.]，然后导出到OpenLabyrinth。阻止了两次执行相同分支选项的可能性，以防止循环。在两周的课程中，每周的虚拟患者活动计划为大约一小时。学生们被要求按照edX的荣誉准则自我报告，表明他们每周至少花30分钟与虚拟病人互动。

行为医学MOOC于2014年9月9日开课，为期5周，10月14日结束。第2周的虚拟患者于9月16日首次可用，第3周的虚拟患者于9月23日可用。所有服务都活跃了两个多星期(直到10月28日)，这是一个逐渐减少的时期。

‎ 查看此图

技术基础设施

OpenLabyrinth系统已成功应用于全球多所医科大学。然而，据我们所知，它还没有被用作大型课程的一部分。最近的一项系统综述显示，MOOC平均有4.3万人注册，有报道称课程注册用户超过20万[4]。典型的辍学率非常高，平均只有6.5%的参与者完成了课程[4]。众所周知，用户活动分布并不均匀，在作业评分截止日期前会出现较大的高峰[2]。由于mooc的特点是需要大量的计算能力，我们决定使用云基础设施作为满足预期需求的解决方案。

云计算是一种将计算资源作为可按需创建的服务提供的方式，通常以虚拟服务器(机器)的形式提供。业界已将云应用于动态扩展Web应用程序，以响应工作负载的不同峰值。它们还成功地用于科学和医疗保健应用，在这些应用中，它们允许快速获得计算资源，以计算密集的模拟或数据分析任务[31，32]。在医学研究中，一个很好的例子是虚拟生理人(VPH)共享项目，该项目提供了一个云平台，用于托管和共享VPH研究界的计算模型，提供按需访问计算服务[33，34]。

为了评估OpenLabyrinth的性能和可扩展性，我们使用了Gatling (v1.5.5) [35]，在8CPU/16GB RAM的服务器上对系统进行压力测试，使用由10个节点组成的简单虚拟患者测试用例，其内容与案例最终版本的预期内容相似。我们模拟了50、100、150和300个用户遍历三条随机路径，以平均每秒一个请求的速度更改节点。在300个用户的测试中，在持续17分钟的压力测试时间内，这导致每秒14个请求的峰值。300个并发用户的数量被认为足以满足最大负载，因为之前的6.002x课程的报告显示，该课程的注册率为15.4万，每天报告的活动峰值为5000个唯一的证书获得者;按24个时区划分，估计每小时有200多名活跃用户。2]。为了反映用户在时区中的不均匀分布，我们将上限增加到300个用户。

压力测试显示，在所有情况下的响应时间都非常好(大约100毫秒)，RAM(最大460MB)和处理器使用(最大1.3CPU)都很低，但是300个并发用户的请求中大约有1%(0.66%)会导致404页错误。这可以追溯到数据库死锁问题。50个用户的错误率显著降低(0.02%)。由于我们无法在给定的时间范围内找到死锁的来源，因此我们决定通过使用云技术减少并发用户的数量来降低此错误的风险。其想法是使用更多但功能较弱的虚拟服务器以均衡的方式共享用户请求，从而减少数据库问题的可能性。

在实施过程中，我们接触了专门为生物医学应用提供云服务的VPH-Share项目[34]。他们的云管理解决方案- atmosphere [36-允许灵活地设计虚拟服务器模板(映像)，并将其作为原子服务在多个软件和硬件配置(CPU和RAM)中执行[37]。我们基于Ubuntu (v13.10) Linux发行版(Apache v2.4.6;MySql v5.5.37;PHP v5.5.3)和OpenLabyrinth (v3.1)预安装(图2）.一个负载均衡器(nginx)被实例化，在模板实例之间均匀地分配用户请求。对于启动阶段，我们决定使用4个虚拟服务器的微实例(1个cpu;512MB RAM)，并且在工作负载高于预期的情况下可以增加这个数字。云基础设施由位于Kraków(波兰)的学术计算机中心Cyfronet AGH托管，运行OpenStack云软件[38] （图3）.不应将使用vsphere - share平台视为限制因素，因为它在功能上与Amazon EC2等商业提供商有许多相似之处，而且虚拟服务器模板实际上可以在解决方案之间完全转移。

作为发生意外技术问题时的紧急备份解决方案，我们准备了一个替代虚拟服务器模板，该模板仅由Web服务器和预安装的虚拟患者的HTML版本组成，不需要数据库系统。这个版本是通过编写脚本将OpenLabyrinth案例导出到一组静态HTML网页来设计的。显然，这个版本的计算需求更少;然而，它在限制功能方面也有局限性，因为无法跟踪用户会话或记录学生的答案。最终发现在MOOC过程中没有必要使用这个模板，但它为项目团队提供了安全保障。

‎ 查看此图

‎ 查看此图

数据收集与分析

Web服务器和数据库日志以及用户会话记录在OpenLabyrinth系统中。数据在缩减期结束后从四个虚拟服务器进行归档和汇总。不需要添加新的并行服务器。Web服务器日志使用简单的Java语言脚本进行解析，并在Excel (Microsoft)中进行后处理。Spearman相关系数在Statistica v10 (2010) (Statsoft)中计算，显著性水平为5%。

用户路径由本文的一位作者(AAK)用Java开发的专用项目设计的分析工具进行分析。开发的工具通过将结果显示为导航图中的数值和灰度值来可视化结果。图的结构是从以前设计虚拟患者时使用的VUE文件中读取的。接下来，根据OpenLabyrinth的用户会话统计数据复制和修改VUE文件中的XML内容，并再次在VUE中打开以显示结果。生成了四种不同类型的可视化分析:(1)虚拟患者每张屏幕卡上的访客人数;(2)路径出口点:在给定节点上结束会话的访客百分比;(3)每张屏幕卡上平均花费的时间(秒);(4)选择单个决策选项的访客百分比和决策节点的分支能力。

为了评估参与者对课程的总体满意度以及对虚拟患者体验的满意度，并确认MOOC提供的技术能力的质量，我们通过匿名问卷调查了参与者对使用虚拟患者的意见，并在课程结束后立即发出邀请。李克特量表问题使用Excel进行描述性统计分析。自由文本评论详细描述了课程参与者遇到的技术问题，并对反复出现的主题进行了定性分析。

从edX平台统计数据(edX insights)中获取用户注册和宣布完成的数据。在这项研究中，我们没有追踪会话与用户人口统计或学习成果之间的联系，并完全匿名处理用户数据。根据瑞典法律(法令2003:460)，这类研究不需要伦理审查委员会的明确许可。

结果

一般的统计数据

注册人数达到19,236人，但在课程的第一周，只有4586人(23.84%)登录。在课程正式结束日期(10月14日)，2317名(占总入组率的12.05%)和1640名(8.53%)参与者分别宣布他们完成了第2周和第3周的虚拟患者。这一数字在逐渐减少期间球场正式关闭后继续增长。740名学员获得全程荣誉代码证书，占原学员总数的3.85%。最常见的参与者居住国是:美国(27.61%)、印度(8.97%)和英国(4.84%)。看到多媒体附录1关于参与的地理分布。

服务器负载

图4表示在课程生命周期和逐渐减少期间每天的服务器请求数。按照计划，虚拟病人服务在课程的第二周开始。课程教师的重点是在第二周和第三周的虚拟病人。虚拟患者系统的活动高峰出现在9月23日(第二个虚拟患者场景的发布日期)，每天有7768个页面请求，对应359个唯一用户会话。在当天最活跃的时段(CET时间17:00-18:00)，该服务有875个页面请求(24个唯一的用户会话)。

一般来说，一天中最活跃的时间是18:00-18:59 CET，平均有181个服务器请求。最不活跃的时间是CET 07:00-07:59，平均有84个服务器请求(图5）.

我们还分析了Web服务器日志中报告的错误数量。在131,303个服务器请求中，只有35个可以被跟踪为由数据库问题引起的(0.03%)。

‎ 查看此图

‎ 查看此图

用户通道

对虚拟患者场景的访问人数的分析显示，启动会话的数量相对较高:第2周为3467次，第3周为2201次(图6）.与此同时，跳出率(在打开虚拟患者的开始页面后离开的用户数量)也很高:第2周3467人中有1994人(57.51%)，第3周2201人中有1486人(67.51%)。在这两名虚拟患者中，大约75%的疗程在访问屏幕卡片总数的10%之前结束。通过第2周场景的最受欢迎的路径(同时也是最短的路径)通过可视化中最密集的阴影线节点可见图6。这一途径是由病例作者根据课程内容设计的，从临床角度来看包含最佳选择。它由30个屏幕卡组成。420名参与者(n=420)到达了病例的最终节点。在第3周，最短和最佳路径也是最受欢迎的路径。345名(n=345)参与者到达了第三周病例的最终节点。

在一个会话中访问的屏幕卡片数量的频率分布在关键路径(连接开始和结束节点的最短路径中的屏幕卡片数量)的长度附近有一个局部峰值。第二周的频率分布在51个节点附近有一个额外的峰值，对应于选择有16个节点的分支进行额外解释的学生群体。大于关键路径长度的用户路径的频率分布稳步下降，在场景中节点总数的79%(第2周)和90%(第3周)达到零水平。

表1显示用户在不同屏幕卡类型上平均花费的时间。参与者花了最多的时间(大约2分钟)在屏幕卡片上，卡片要求输入一个问题的免费文本答案。尽管每个免费文本问题都显示了一个澄清，说明不会对学生的输入提供个性化的反馈，但这种情况还是发生了。有趣的是，我们观察到观看视频时间的平均百分比与屏幕卡片到开始节点的最短距离之间存在中等强度的相关性(R=0.55;P<措施)。当视频节点更接近与虚拟患者互动的开始而不是结束时，在视频节点上花费的平均时间比视频的实际长度短，而在视频节点更接近与虚拟患者互动的结束时，视频的平均时间比实际长度长。

‎ 查看此图

在第2周的场景中，从开始到结束节点的最短可能路径需要37分钟，但完成案例的平均会话(包含一个结束节点)持续了48分钟。有121次(n=121)的虚拟病人疗程超过1小时。对于第3周的场景，最短路径由节点组成，平均耗时27分钟，其中平均案例完成时间为39分钟，其中56个会话超过1小时。

图7显示第二周虚拟患者退出点的可视化，显示访问给定屏幕卡后离开虚拟患者的访问者百分比。该百分比与进入该节点的用户总数有关。我们突出显示了一个高辍学率的节点，可能是由于该屏幕卡中的任务具有挑战性。对特定节点的回顾表明，它包含一个耗时的自由文本问题，涉及到之前的视频，这可能会使参与者不愿继续他们在虚拟病人场景中的工作。

图8显示课程参与者在第2周虚拟患者所做的选择的可视化。离开决策节点的链接(边)由遵循此选项的访问百分比相对于出站连接总数进行索引。决策节点被一个启发式值标记，该值计算为所选选项百分比的信息熵，除以给定分支数量的最大信息熵。我们使用这个值作为分支质量的基准，因为对于完全均匀分布的用户选择，它有最大值1。突出显示的节点一个在图8是一个分支不佳的例子，因为只有4.6%的访问选择了替代选项，这可能表明这是一个没有挑战性的选择。相应的，分支值较低(0.27)。相比之下，突出显示的节点是b在图8具有更均匀分布的用户数量，表明有趣和不明显的选择(启发式值0.79)。

‎ 查看此图

‎ 查看此图

调查结果

我们收到了479份参与者调查的回复(2.49%的参与者和20.67%的参与者声称他们已经完成了至少一个虚拟患者)。多媒体附录2包含回答的详细摘要。对于绝大多数人来说，使用虚拟病人是一种新的体验(87.3%的人声称他们以前没有使用过虚拟病人，11.5%的人在课程之前使用过虚拟病人)。绝大多数人强烈同意(58.5%)或同意(24.6%)虚拟病人在课程中是一个有益的练习。只有1%的参与者不同意或强烈不同意。大多数受访者认为虚拟患者的难度水平刚刚好(既不太容易也不太难:62.8%)。21.1%的人从困难到非常困难12.1%的人从容易到非常容易。

81%(479人中有389人;81.2%)的调查参与者在使用虚拟病人时没有遇到任何技术问题。然而，令人惊讶的是，相对较高的百分比(479人中有77人;16.1%)报告遇到了技术问题。技术问题的自由文本描述的主要主题是(1)视频问题，(2)互联网连接问题，(3)会话中断问题，以及(4)不相关问题。每个主题包含大约15条评论。视频问题涉及在某些国家无法访问YouTube视频或无法离线下载视频。有时视频似乎不能正常启动，卡住了，或者只能播放音轨——这些问题可以用网速慢或某些平台上的Web浏览器的兼容性问题来解释。被明确归类为互联网问题的问题一般是指在印度或加拿大农村等世界某些地区无法获得宽带连接。被归类为会话中断的问题很可能与虚拟患者平台有关，并表现为未保存的用户回答、页面显示错误、意外的会话重置或(在两个报告的案例中)节点之间意外的重定向。 Some of the problems could be explained by session timeout or browser issues but they could just as likely be due to previously identified software problems in the platform. Luckily, these difficulties were not reported often and did not influence the general positive picture of the learning experience. Lastly, the technical complaints also contained issues not directly related to the technical side of virtual patient scenarios, like language issues, difficulties in posting comments on the discussion board, or complaints about videos that were not part of the virtual patient scenarios.

讨论

主要研究结果

本案例研究展示了在组织可能是第一个包括虚拟病人的MOOC时收集的经验。该报告的范围是以所需的技术能力和用户导航路径来表示的虚拟患者使用情况，以便为进一步类似课程的准备工作提供信息。将虚拟患者场景引入行为医学MOOC后，总体印象是积极的。绝大多数参与者将虚拟患者视为课程中的有益练习，并且与课程总完成率(3.85%)相比，虚拟患者活动的申报完成率(第1周和第2周，19236人中分别为12.05%和8.53%)相对较高。我们在论坛上收到了许多免费的文本评论，称赞这个学习资源(Berman等人，手稿正在准备中)。课程组织者将保留这一活动，以继续开展这一MOOC，并开始在传统的校园教学活动中使用虚拟病人。

从组织者的角度来看，从技术角度来看，初创公司令人生畏的参与者数量并不像预期的那样具有挑战性。一个促成因素是mooc的高辍学率，以及由于学习活动的真正全球影响，请求的分布频率比预期的更均匀。最后，就并发用户而言，技术基础设施的负载强度比预期的最坏情况低20倍。一个虚拟机的服务器容量很可能已经足够承载课程，即使考虑到课程实时运行中注意到的数据库问题。

考虑到获得的虚拟患者统计数据，使用云基础设施的必要性可能会受到质疑。然而，这项研究证实了这种解决方案的几个好处。平台即服务节省了成本，因为无需为MOOC购买任何新的硬件来保证虚拟患者平台的专用服务器。横向(CPU和RAM数量)和纵向(实例数量)扩展解决方案的可能性为我们提供了安全性，以防课程的受欢迎程度高于预期。mooc的开放性表明，采取此类预防措施的确有必要。准备不同类型的虚拟服务器模板的解决方案非常有帮助。这为课程组织者在MOOC平台之外的不同服务之间切换提供了灵活性，这取决于课程的实时发展情况。它还节省了在其他场合重用这些服务的时间(例如，用于有小团体学生的校园课程)。创建虚拟服务器的微实例来规避并发访问遗留代码的问题是一个新的想法，以前的文献中没有讨论过[39]。所提出的集成很可能被对计算要求更高的虚拟患者仿真集成所取代[40]。在这种情况下，云服务的使用将是必不可少的。

在这项研究中，OpenLabyrinth系统作为MOOC的虚拟病人播放器证明了它的实用性。一些学生报告的技术问题似乎并没有掩盖活动总体上的积极效果。我们追踪到的与OpenLabyrinth环境直接相关的问题并不多。在商业课程或大规模组织的高风险考试的情况下，这将有不同的解释。最常见的视频网速低或YouTube服务被禁等问题与虚拟病人软件无关。组织者在课程总规则中告知学员在某些国家使用YouTube服务的限制，并提供在OpenLabyrinth之外的视频剪辑手动下载;然而，这个解决方案并没有在OpenLabyrinth中明确提供。这似乎对用户产生了负面影响，并建议应该考虑其他选项来托管视频。我们建议将所有视频作为单独的文件上传到MOOC平台，供来自无法访问YouTube等服务的国家的参与者按需下载。另一种解决方案是在通用云基础设施上托管视频流服务，但这将大大提高技术要求。 We were not able to spot any irregularities which would indicate users of specific web browsers had particular problems using virtual patients in OpenLabyrinth. It is to be acknowledged that we did not optimize the display for mobile devices (tablets, smartphones), a factor which could be an issue for some of the participants. We recommend considering this group in particular in upcoming MOOCs introducing virtual patients.

这门课程的访问量和完成率略低于普通MOOC课程。这可能是由于课程主题的特殊性，以及mooc课程供应增加、兴趣下降的大趋势[4]。虚拟病人的高回弹率并不令人惊讶，因为它包括那些只是探索课程内容而不打算与病例互动的人。在那些有足够兴趣移动到虚拟病人的第二个节点的人中，30%到50%的人完成了练习，平均耗时45分钟。我们将此解释为对任务感兴趣的客观信号。

一个令人担忧的方面是自我报告的练习完成率与实际会话日志之间的差异。没有必要为了完成任务而完成虚拟病人练习;用户只需要花30分钟在这个场景中，然后在讨论板上发表评论。第2周任务的宣布完成率为2317，但包含虚拟患者第二个节点的会话数为1473。这就使人怀疑与会者的声明应如何认真对待。对网络不诚实的观察并不新鲜[41]。然而，目前尚不清楚的是，为什么参与者在获得荣誉代码证书时没有得到正式的认可，他们会做出不诚实的行为。未来的研究应该更详细地研究这种行为。

这项研究的一个创新方面是使用可视化分析方法来报告虚拟患者的用户活动。视觉分析是一种新兴趋势，利用人类的认知能力来识别分析任务中的视觉模式[42]。视觉方法已应用于学习管理系统的活动指示板和观察讨论板上的互动模式[43]。然而，视觉分析在虚拟病人中的潜力到目前为止还没有得到很大程度的开发。本文中呈现的可视化显示了具有覆盖导航路径的虚拟患者场景的地图，因此包括了几个拓扑依赖关系，这些依赖关系在以表格形式呈现的传统访客统计数据中不容易注意到。这种描述虚拟患者活动流程的功能对在线教育的质量控制非常有用。最受欢迎的路径与正确的路径的巧合可以被解释为一个成功的学习过程的标志。同时，必须记住，这一指示是有偏差的，因为通过病例的可能途径数量有限。据报道，一些学生通过故意探索错误的选项来学习，这可能会使情况进一步模糊[44]。检测到的高退出或低分支水平的节点导致了对未来课程版本中虚拟患者结构可能变化的讨论。

对用户路径中访问节点数量的观察，以及观看视频百分比与开始节点距离的中等强正相关，可能表明存在两组使用虚拟患者的MOOC参与者:采用表面或深度方法学习内容的学习者。这种群体的存在是由教育理论所预测的[45]，并在电子学习环境中观察到[46]。在我们的MOOC中，我们认为可能是表面学习者的群体在打开案例后很快就离开了虚拟患者(例如75%的会话在10%的内容被观看之前结束)，并且没有完全完成作业(例如那些在导航路径的初始部分视频播放时间之前离开视频节点的人)。动机更强的群体，被确定为大约400个可能的深度学习者，通过导航路径长度的频率分布峰值可以看到，通过这些案例，其长度与关键路径的长度大致相等。深度学习的另一个迹象可能是，在靠近最终节点的地方，观察到的仔细执行的练习的百分比更高(从视频节点上花费的平均时间的例子中可以看出)。从输入免费文本问题的答案所花费的时间(这种类型的节点的平均时间很高)也可能怀疑一个子用户组的高动机，尽管没有希望获得个性化的反馈或此类练习的信用。

限制

这项研究有其局限性。在使用OpenLabyrinth的课程中，只介绍了两个虚拟的患者场景。由于开发视频替代版本的资源有限，固定的专业行为建议不应鼓励过多的实验，以及这种教学形式对课程主题专家的新颖性，虚拟患者的分支潜力尚未得到充分利用。此外，从一开始就假定本研究不会将会话数据与用户详细信息联系起来。该研究在Kirkpatrick’s层级的第一层次(参与)评估了在MOOC中引入虚拟患者的想法[47，48]。我们没有从获得知识的角度评估MOOC学习的效果，但在第一阶段取得积极成果后，我们计划在更高的阶段进行评估，并鼓励其他人这样做。由于我们收到了479份参与者调查的回复(占注册用户总数的2.49%)，因此可能存在较高的无反应偏倚效应风险。但是，考虑到评价调查是整个课程的最后一步，740名参与者获得了证书，同样的数字可能意味着完成课程的人的回复率(64.7%)很高。用于度量分支质量的启发式选择是任意选择的，并且将在未来进行改进，考虑到学习者的基线专业水平。学生在个案的个别节点上实际学习所花费的时间是很难控制的，应该被视为一个虚拟病人会话的彻底程度的粗略指标。有些学生可能会用它做其他不相关的活动。在评估虚拟患者活动时经常遇到这个问题[49]。然而，由于在特定节点上花费更多时间没有直接的激励(信用是基于荣誉代码声明的)，我们假设这种偏见是均匀分布的。基于从可视化分析工具中获取的线索，未来为提高虚拟患者的质量所做的任何改变的影响，将是MOOC未来版本研究的主题。

未来的研究应侧重于观察参与者如何根据参与者相关因素选择导航路径。这可以让我们深入了解专家、专业学生和非专业人士如何在MOOC中解决问题。寻找分支水平和学生学习满意度等指标之间的相关性将是一件有趣的事情。本文中使用的技术解决方案，如构建虚拟患者系统模板的不同变体或使用可视化分析方法来提高虚拟患者质量，是创新的，尚未优化或标准化。这些可以构成一个致力于组织与健康相关的mooc的云平台的组成部分。由于大量的参与者，将虚拟病人介绍给大量的观众，为实验这种学习设计开辟了新的、以前无法进入的场所，并为未来的研究提供了潜力。

结论

本研究报道了首次将虚拟患者引入MOOC的可能性。它积极验证了OpenLabyrinth的可行性，这是一个开源的、免费提供的虚拟病人系统，适用于大量的受众。该系统现在可以更有信心地添加到未来的医疗mooc中。该报告提供了具体的技术参数(如每小时的用户数量)，以便通过添加非标准的基于服务器的交互式组件，在扩展医疗保健mooc之前进行准备性压力测试。它向医学界演示了如何在大规模教学活动中使用云基础设施(使用了VPH-Share示例，但可推广到类似的商业解决方案)来处理遗留代码中的错误、防止大量并发用户、硬件资源可用性限制或需要准备和存储软件工具的不同配置等问题。本文进一步建议在现有的分支虚拟患者系统中添加额外的组件，通过演示与特定节点相关的统计数据之间的空间关系，以图形化的方式可视化用户路径。这是对现有表格形式的一个附加价值，可以在学习者感兴趣的领域中显示会话统计数据。很少访问或访问时间比内容预期短的节点，以及很少采取的分支，可以在前后节点的上下文中以及对整个案例结构的总体概述中进行分析。这样做可以增加案例的吸引力，或者在理解内容时发现问题。

这一创新受到了参与调查的大多数课程参与者的热烈欢迎。关于YouTube视频的可访问性和缓慢传输以及虚拟患者系统偶尔出现的意外技术行为，仍然存在一些挑战。我们希望这篇文章将有助于扩展未来与健康相关的MOOCs，包括虚拟患者等互动元素。