陳榆函 研究助理

任務與進展 2024/01/31 ADL會議暫停一次 目前收案人數16人 已經持續5週沒有新個案了 本周ADL收案人數：0人 2024/01/30 研究計畫撰寫-統計分析課程紀錄 學習概念釐清 資料分析之用途？ 資料分析有四大用途，驗證或拒絕假設、呈現現象和趨勢、提供決策支援、接露新的連結或模式，一個資料分析可能有一格或以上的用途，取決於該資料分析之研究目的。 效應值(effective size)為何？ 是在統計學和研究中使用的衡量指標，用於評估實驗或研究結果的重要性或影響力。 什麼是Cohen's D？ 他是一種常見計算效應值的方法，主要透過比較兩組之間的平均值差異相對於標準差的大小。 公式 C o h e n ′ s   d = S D p ​ M 1 ​ − M 2 ​ 小效應：d=0.2 中效應：d=0.5 大效應：d=0.8 回歸與相關係數之間的差別？ 兩者的比較屬於進階統計，現階段先清楚了解兩者個概念即可 迴歸分析用於探討兩個或多格因素之間的關係。自變量可以用來預測因變量的變化，而因變量則是希望理解或預測的變量。 相關係數是一個統計量，用於衡量兩個變數之間的線性相關性程度。常見的相關係數是皮爾遜相關係數（Pearson correlation coefficient）。 有母數和無母數分析之間的區別？ 它們之間的主要差別在於對於母體參數的假設情況不同。 在有母數分析中，我們對母體的概率分佈做出了特定的假設，通常假設數據服從某種特定的概率分佈，如正態分佈，因此通 常對於大樣本和特定的數據情境（如實驗設計）效果較好，但需要滿足特定的假設。 在非母數分析中，我們對母體的概率分佈做出較少的假設，或者完全不假設其分佈情況。 由於較少的假設，非母數方法通常對於小樣本和數據分佈不明確的情況效果較好，但通常也需要更多的數據才能達到相同的統計功效。 � = 0.2 d = 0 中等效應： 2024/02/01 chatgpt會議記錄討論 討論內容 chatgpt 4.0之instruction目前已知token數0上限為8000字，而Word檔之字數約7245字。 ###的使用方法討論，討論結果認為以上下括弧的方式較佳，可以明確區分指示內容，方便chatgpt讀取資訊及讀者閱讀。 撰寫instruction時，加入個標題段落引言能讓讀者容易掌握綱要及使chatg

任務與進展 My GPTs第二次測試修改內容 完善洗澡、上下樓梯內容 新增「一字不漏」的指示 增加巴氏量表評估結果 2024/01/24 會議記錄 修改共享決策稿件 共享決策收案criteria 比較真實訪談/一般標準病人/chatGPT異同 GPT結構/架構說明 Feedback MyGPTs缺乏「人性」 同學評估會跳來跳去>>目前先確定範圍，專注當下 My GPTs 李曉東修改 新增引言，呼應內容 增加內容架構，避免零散資訊 調動內容順序

任務與進展 2024/01/17 會議記錄 無法分享逐字稿 違反隱私警告 兩個問題Mixed，回答也相對混亂 內容一致性需修改 逐字稿可以評學生表現，也可以評標準病人表現 內容效度問卷-跟玉正討論 治療師回饋 認為不太需要給實習生填回饋，因為相較無效 chatGPT修改總結 修改部分 如廁與移位前後不一致已修改 發病時間已修改為去年 新增餐具使用、如廁清潔、坐站能力及背景詢問 問題彙整 若使用者問題涉及未提供的資訊，chatGPT會自行評估回答，導致出錯或前後回大不一致。 Instruction大致相符的情況下，chatGPT呈現模式不同。 圖片或表格無法上傳  Instruction解法 「一致無誤」(Exact)/Not，正負指示皆給予，正確率提高 將圖片及表格接上傳並給予網址 2024/01/17會議紀錄 *問題彙整 若使用者問題涉及未提供的資訊，chatGPT會自行評估回答，導致出錯或前後回大不一致。 Instruction大致相符的情況下，chatGPT呈現模式不同。 圖片或表格無法上傳 *Instruction解法 「一致無誤」(Exact)/Not，正負指示皆給予，正確率提高 將圖片及表格接上傳並給予網址 *目標不變 持續修改 榆函-新增病人 怡晴-繼續努力 宣祐-進行測試 *26 Prompt 大家自行詳讀

任務與進展 研究計畫撰寫討論2024/01/09 研究設計 找相關文獻 自己有沒有辦法做到 研究限制 2024/01/10會議紀錄 目前ADL進度 流程確認&施測手冊確認 SDM待確認 BI chatgpt進度 治療師這周開始測試標準病人 未來可以新增chatGPT給予回饋 思考此研究主題之相關研究議題 下周分享研究計畫的撰寫 目前進度 BIgpt 已完成兩位模擬標準病人， 治療師測試中 研究計畫撰寫 前言及研究設計難產中... 心得與困難 這周嘗試將研究計畫寫內容擴展，由於先前的內容太單薄，因此再根據既有大綱加入佐證及描述。在撰寫的過程中其實很多時候是毫無頭緒的，總需要跟老師討論或詢問ChatGPT才能有內容寫作的方向，這樣的情況還是顯示了我腦中墨水的不足吧。 文獻閱讀

任務與進展 ADL assessment development 2024/01/03會議暫停一次 本週收案人數：0人 後續任務 測試進度 問題解決/施測手冊改好了 SDM，確定需求問題--SOP，列出具體情況，列出困難，專業人員退讓(2個禮拜內) 流程，有必要的話請治療提供練習 預期狀況 BI chatGPTs  2024/01/03會議紀錄 設計病人特質/人設 心理狀態 情緒設定 明確 等待ChatGPT能力變強 沒有給予回應範例時，回答特點不一致 劇本跟instruction要分開 後續任務 1. 修改Instruction(加入人物設定) 2. 生成BI=25的標準病人 研究計畫撰寫 前言大綱 巴氏量表評估的重要性與困境 存在價值：失能指標 / 成效指標 不用錢 (FIM 不用錢 ) 信效度高 跨領域通用，廣為使用 實習生評估概念不清楚 問法混亂不一致 訓練不足，因個別訓練很花時間、耗費力氣 不容易找到標準病人 標準病人於巴氏量表評估的重要性與困境 不容易找到 ( 時間、金錢、人力   ) 不穩定 方便性 ChatGPT 可以不斷修改，只會更好不會更差 AI 或 VR 虛擬病人之潛力與困境 ( 文獻回顧 ) AI 虛擬病人 潛力 : 個別化學習 : AI 可以根據學生的學習進度和風格調整虛擬病人的反應，提供個別化的學習體驗。 廣泛的臨床情境 : AI 能夠模擬各種疾病和狀況，增強學生對不同臨床情境的了解。 數據驅動的反饋 : 透過分析學生與虛擬病人互動的數據， AI 可以提供有針對性的反饋，幫助學生改善技能。 困境 : 情感互動的限制 : AI 虛擬病人可能無法完全模擬真實病人的情感反應，這在職能治療中是重要的互動元素。 技術複雜性 : 開發高質量的 AI 虛擬病人需要複雜的技術，可能需要大量的資源與專業知識。 倫理和隱私問題 : 使用 AI 處理敏感的醫療資料時，必須考慮數據安全和隱私保護。 VR 虛擬病人 潛力 : 沉浸式學習體驗 : VR 提供沉浸式的學習環境，使學生能夠更加深入地體驗臨床情境。 安全的學習空間 : 在虛擬環境中，學生可以自由地練習技能，而無需擔心對真實病人造成傷害。 靈活的場景設計 : VR 技術可以創造多種不同的環境和情境，增加學習的多樣性。 困境 : 現實感的限制 : 雖然 VR 技術進步迅速，但仍可能無法完全達