麻醉科 · 學習歷程整合原型PILOT · 概念驗證

以 e-portfolio 平台的架構邏輯為骨架,接上本專案 107 學年起的歷史資料與分析層 · 地端模型完成敘事轉換 · 個資不出境
這頁不是要取代誰的平台,而是驗證一個問題:把佩璇平台的評核項目架構,往回接上麻醉科 107 學年起的歷史資料,可不可行? 答案是可行的——但可行性不均勻,必須誠實區分「制度已建立」與「制度尚未建立」的年代。以下逐層說明。
骨架

前端架構邏輯

評核項目卡片、個人/全科視角、學年篩選、應繳 vs 完成、逐項下鑽。

來源:佩璇 e-portfolio 平台(已迭代 v31)
血肉

歷史資料 107–111

全院 CCC 資料夾各期麻醉科原始檔,經傳統抽取與地端模型轉換為結構化紀錄。

來源:本專案抽取管線
大腦

分析層

CCC 執行品質 16 項稽核、Milestone 統計分析(年級進程/校準/ICC/達成率)。平台目前沒有。

來源:本專案分析模組

1. 資料涵蓋矩陣 14 項評核 × 107–114 學年 · 誠實標記可得性與轉換方法

這是回答「是否可行」的核心圖。左半(紫)為歷史區 107–111,右半(青)為制度區 112–114。 每格顏色代表該資料的取得方式:綠=已是結構化表格可直接抽、紫=敘事文字需地端模型轉換、 橘=影像掃描件需 OCR、藍=平台已有、灰=該年代此制度尚未建立(不可編造完成率)。
評核項目 107108109110111 112113114
結構化 xlsx(直接抽) 敘事文字(地端模型轉換) 影像掃描(需 OCR) 平台已有 制度未建立
誠實條款:灰格(制度未建立)在整合後只顯示「無此制度」,不顯示 0% 完成率。 平台的「應繳 vs 完成」課責邏輯只能從表單制度存在那天起算——把它硬套到 107 年,會製造出假的欠繳,比沒資料更糟。

2. 評核項目卡 沿用平台的卡片邏輯,標記每項的歷史/制度可得性

3. Milestone 逐項下鑽 平台的份數/分數視圖 + 本專案的統計分析層

Milestone 是最完整的 CCC 核心項目,麻醉科 107 下+109 上起共 11 期可分析。 下方左為平台風格(各期份數與分數,可個人/全科切換),右為本專案分析層(年級進程、自評校準、教師間一致性)。

平台風格:各期全科平均(教師評分 1–5 級)

沿用平台「份數+分數」邏輯。個人/全科可切換(此處示範全科)。灰底期為舊制 17 子能力、白底期為新制 23 子能力。

分析層:年級別能力進程(平台沒有的視圖)

把散落各期的分數,重整成 RRC 最關注的「能力隨年資是否漸進」。橫線為期望基準(見下方誠實條款)。
三個必須誠實標註的地方(麻醉科實測):
①「新舊制斷點」:109–110 學年用舊制 17 子能力(缺整個「工作中的學習與成長」面向),111 上起改新制 23 項——跨期趨勢因此不是同基準比較,不予採信;能站得住的是年級別進程。
②「達成率基準不適用」:麻醉科給分文化明顯較嚴(R1 平均僅 1.61),沿用內科的線性基準會得出「達標率近乎 0」的假象——基準需由麻醉科自訂,此處刻意不展示達成率。
③「不可跨科比較」:麻醉科 2.4 與內科 3.8 不能直接比大小(子能力不同、給分文化不同)。

4. 平台目前沒有的加值層 整合後成為新分頁

CCC 執行品質 16 項稽核

每梯次 × 16 項 O/X:107–109 學年有人工(震揚)基準,110–114 學年由地端模型判定。 呈現的是「這個制度每一項、每一梯次做得確不確實」——迎 RRC 評鑑的治理證據。

麻醉科 107–109 品質資料已在庫

Milestone 統計分析

分佈盒鬚、年級別 ANOVA、自評校準(自評 vs 教師)、教師間 ICC、達成率、落後子能力、內部一致性 α。 把「一堆分數」變成「訓練有沒有成效、誰需要個別化介入」。

內科已完成;麻醉科統計模組已就緒

深度縱貫儀表板

6 次 CCC 縱向×橫向、32 項授權矩陣、案例量能、匯出導師生會談紀錄與個人 CV。

已上架 /anes-ccc-longitudinal/

地端敘事轉換

量身計畫、導生會談的敘事 PDF → 逐筆結構化(日期/四面向回饋/主題)。院內執行,個資不出境。

下方第 5 節有實測 demo

5. 地端模型敘事轉換 · 實測 demo 量身打造的學習計畫(敘事 PDF)→ 四面向結構化

這是「地端模型」在整合中的核心角色:把版面雜亂、無法直接統計的敘事文字, 轉成平台可用的結構化欄位。全程在院內 GPU(tomato-chat)執行,原始個資不出院。 下方為格式示意(依真實表單格式構造,非任何特定學員);右側徽章為本次真實實測數據。

轉換前 · 敘事 PDF(版面雜亂)格式示意

轉換後 · 四面向結構化tomato 產出

個資紀律:原始敘事全文只送院內地端模型(不出院、不進雲端);模型被要求輸出不含人名的結構化摘要; 輸出前再經姓名黑名單+名字去姓+病歷號/人事號 regex 雙重遮罩。本次實測 4/4 學員成功結構化、姓名 0 洩漏。 為避免小科部的再識別風險,本頁展示為格式示意,不對外呈現任何可識別的個別評語;真實去識別結果留存院內。