极速滚球-beplay滚球玩法刺激-beplay体育官网网页版等您来挑战！

College and Job

2160-4398 2160-4401

beplay体育官网网页版等您来挑战！

10.12677/ve.2025.143136

ve-110002

Articles

人文社科

智慧医养平台的高职康养专业学生慢性病管理能力培养研究
Research on the Cultivation of Chronic Disease Management Ability of Higher Vocational Health Care Students Using a Smart Medical and Nursing Platform

朱

凯

刘云青

王梦真

唐春慧

严岳峰

阜阳幼儿师范高等专科学校健康和管理学院，安徽阜阳

11 03 2025

14 03 142 149 16 2 ：2025 14 2 ：2025 14 3 ：2025

2024

This work is licensed under the Creative Commons Attribution International License (CC BY). http://creativecommons.org/licenses/by/4.0/

目的：探讨智慧医养平台在提升高职康养专业学生慢性病管理能力中的应用效果。方法：采用分层抽样法选取某高职院校120名学生，随机分为实验组(智慧平台全流程教学)与三个对照组(传统教学/混合教学/常规课程)。依托“云–边–端”协同架构的智慧医养平台，集成医用可穿戴设备(BioHarness 3.0)、Unity3D虚拟养老院场景(83种情境还原度)及XGBoost能力成长模型，实施“四阶螺旋训练法”：①5G+AR虚拟仿真；②多病种案例推演；③真实数据流接入；④跨学科协作决策。通过过程性评价(平台数据追踪)与终结性评价(临床实践考核)相结合，运用多元回归分析能力提升关键因素。结果：实验组慢性病管理能力总分(85.73 ± 7.24)显著高于所有对照组(vs.对照1：75.42 ± 7.86，P < 0.01)，其中操作技能维度优势最显著(32.46 ± 3.14 vs. 27.85 ± 3.52)。平台使用频率(β = 0.425)与师生互动次数(β = 0.386)共同解释76.7%的能力变异量，高频次“数据–决策”闭环训练使技能迁移效率提升40%。伦理决策模块得分达4.32 ± 0.56 (5分制)，跨学科认知网络构建效率较传统教学提高18.7%。结论：智慧医养平台通过动态数据采集、虚拟情境还原与个性化路径规划三重机制，有效突破传统实训模式瓶颈。建议后续重点开发基于生成式AI的智能辅导系统，建立“院校–企业–社区”协同的开放平台生态，推动康养教育向数字智能范式转型，为应对老龄化社会提供可持续人才支撑。
Objective: To explore the application effect of a smart medical and nursing platform in improving the chronic disease management ability of higher vocational health care students. Methods: Using stratified sampling, 120 students from a vocational college were randomly divided into an experimental group (full-process smart platform teaching) and three control groups (traditional teaching/hybrid teaching/regular courses). Leveraging a “cloud-edge-device” collaborative smart healthcare platform integrating medical wearables (BioHarness 3.0), Unity3D virtual nursing home scenarios (83 situational restorations), and XGBoost capability growth models, we implemented the “Four-stage Spiral Training Method”: ① 5G + AR virtual simulation; ② multi-disease case deduction; ③ real data flow integration; ④ interdisciplinary collaborative decision-making. Through combined process evaluation (platform data tracking) and summative evaluation (clinical practice assessment), multiple regression analysis identified key capability improvement factors. RESULTS The experimental group’s total chronic disease management score (85.73 ± 7.24) significantly exceeded all controls (vs. control 1: 75.42 ± 7.86, P < 0.01), with operational skills showing the greatest advantage (32.46 ± 3.14 vs. 27.85 ± 3.52). Platform usage frequency (β = 0.425) and teacher-student interactions (β = 0.386) jointly explained 76.7% of capability variance. High-frequency “data-decision” loop training improved skill transfer efficiency by 40%. Ethical decision-making scores reached 4.32 ± 0.56 (5-point scale), with interdisciplinary cognitive network construction efficiency 18.7% higher than traditional teaching. Conclusion: The smart platform’s triple mechanisms—dynamic data acquisition, virtual scenario restoration, and personalized pathway planning—effectively break traditional training bottlenecks. Future priorities should include developing generative AI tutoring systems and establishing “academia-industry-community” collaborative platforms to drive the digital transformation of health preservation education, providing sustainable talent support for aging societies.

智慧医养平台，高职教育，康养专业，慢性病管理，教学改革
Smart Medical and Nursing Platform
Higher Vocational Education Health Care Major Chronic Disease Management Teaching Reform

1. 引言

随着全球人口老龄化进程加速，慢性病管理已成为21世纪公共卫生领域的核心挑战。世界卫生组织(WHO)数据显示，全球每年因慢性病导致的死亡人数占总死亡人数的74%，造成的经济负担占全球GDP的10%以上 [1] 。我国作为老龄化发展速度最快的国家之一，正面临“未富先老”与“带病生存”的双重压力。国家卫健委《中国居民慢性病及营养状况报告》显示，我国老年人平均患有3.2种慢性病，其中高血压、糖尿病等代谢性疾病的共病率高达58.7% [2] ，这对康养服务人才的专业能力提出了前所未有的要求。在健康中国战略背景下，慢性病管理能力已从传统的医疗护理技能，演变为包含健康监测、风险预警、行为干预、多学科协作等维度的综合能力体系。WHO提出的慢性病创新照护框架(ICCC)明确指出，新型健康服务者需具备“数据驱动的决策能力”和“技术赋能的干预能力” [3] 。高职院校作为康养人才培养的主阵地，正经历着从“经验传承型”向“技术融合型”培养模式的深刻变革。教育部等九部门《职业教育提质培优行动计划》特别强调，要“推进人工智能、大数据等新一代信息技术与康养专业教育的深度融合” [4] 。然而实地调研显示，目前国内78.6%的康养专业仍沿用传统实训模式，存在三大突出问题：教学场景与真实医养环境存在43.2%的设备代差；慢性病管理案例更新周期长达16~24个月；学生跨学科协作能力达标率仅为61.3% [5] 。这种能力培养滞后现象，已成为制约康养服务质量提升的关键瓶颈。

智慧医养平台的出现为破解上述困境提供了技术解决方案。这类平台通过物联网传感器网络、医疗大数据分析引擎和AI决策支持系统的三重架构，实现了三大突破：① 动态数据采集方面，采用医用级可穿戴设备(如BioHarness 3.0)实现心率变异性(HRV)、血糖波动等28项生理指标的连续监测；② 在情景模拟方面，基于Unity3D引擎构建的虚拟养老院场景，可还原83.7%的真实工作环境要素；③ 在个性化指导方面，应用XGBoost算法建立的学生能力成长模型，能实现教学干预的精准推送。这种技术特性使其成为连接理论教学与临床实践的理想桥梁。当前国际教育领域对智慧医养平台的应用探索呈现两大趋势：在技术整合层面，德国双元制院校率先将西门子Healthineers平台纳入课程体系，通过数字孪生技术实现慢性病管理流程的虚实映射；在教学方法创新方面，美国约翰霍普金斯大学开发的GERONTE平台，采用增强现实(AR)技术指导学生进行多病种联合管理，使临床决策正确率提升37% [6] 。国内研究虽在平台构建方面取得进展，但存在“三重三轻”的局限：重硬件配置轻教学转化、重单项技能训练轻系统能力培养、重短期效果评估轻长效机制建设。特别是针对慢性病管理这种需要多轮次、长周期训练的核心能力，现有研究尚未建立成熟的教学实施路径。

本研究基于能力本位教育理论(CBE)和联通主义学习理论 [7] [8] ，创新性地构建“三维度六阶段”培养模型：在知识维度建立医学与信息技术的跨学科知识图谱；在技能维度设计“设备操作–数据分析–方案制定”的螺旋式训练层级；在素养维度培育基于伦理决策的数字健康服务意识。通过将智慧医养平台深度嵌入人才培养全过程，着力解决三个关键问题：①如何建立慢性病管理能力培养的数字化标准体系？②智慧医养平台的教学转化机制如何实现？③如何构建过程性评价与终结性评价相结合的质量保障系统？这些问题的解答，对推动康养专业教育数字化转型具有重要理论价值与实践意义。

2. 对象与方法 2.1. 对象

本研究采用科学化抽样与分组设计，通过G * Power 3.1软件计算确定最小样本量为120例，运用随机法将某高职院校康养专业学生分为四组：实验组(完整智慧医养平台教学，n = 30)、对照组1 (传统教学，n = 30)、对照组2 (混合教学，n = 30)及对照组3 (常规课程，n = 30)。研究通过纳入排除标准控制干扰变量，确保五组基线特征(年龄、性别、前测成绩等)无统计学差异(P > 0.05)，具有可比性。排除标准：①休学或转专业学生；②未完整参与教学全过程的学生；③问卷填写明显不认真或数据缺失的学生。

2.2. 工具

本研究所用智慧医养教学平台采用“云–边–端”协同架构，包含四大核心功能模块：①健康监测模块(集成医用级可穿戴设备，支持28项生理指标连续采集与动态风险评估)；②虚拟实训模块(基于Unity3D引擎构建的虚拟养老院场景，含83种典型临床情境)；③决策支持模块(应用XGBoost算法建立学生能力成长模型，实现个性化学习路径规划)；④质量评价模块(整合过程性数据追踪与多维度能力评估体系)。

技术架构采用分层设计：感知层部署BioHarness 3.0等医疗物联网设备；边缘计算层设置区域性数据处理节点；平台层构建微服务架构，通过RESTful API实现模块间数据交互。教学方法创新性融入“四阶螺旋训练法”：第一阶段通过5G + AR技术实现设备操作虚拟仿真；第二阶段开展多病种联合管理案例推演；第三阶段接入真实养老机构动态数据流；第四阶段进行跨学科团队协作决策。系统截图详见图1 。

Figure 1 Figure 1. Screenshot of system interface--图1. 系统界面截图--

采用自行设计的《高职康养专业学生慢性病管理能力评价量表》，该量表经专家论证和预试后修订完善。量表包含理论知识(15分)、操作技能(40分)、沟通能力(25分)、管理能力(20分)四个维度，总分100分。量表的Cronbach’s α系数为0.892，重测信度为0.885，具有良好的信效度。

2.3. 资料收集方法

本研究采用平行对照设计，各组教学方案具体如下：

(1) 实验组(完整智慧医养平台教学组)

实施路径：①线上理论学习模块(12课时) → ②平台虚拟仿真操作(24课时) → ③真实案例全流程管理(16课时) → ④临床实践应用(48课时)。教学全程依托智慧医养平台，教师通过后台学习分析系统实时监测学生知识图谱构建状态，依据系统生成的个性化学习诊断报告进行精准辅导。

(2) 对照组1 (传统教学组)

采用标准化教学模式：①课堂面授(12课时) → ②实验室示教(24课时) → ③案例研讨(16课时) → ④临床实践(48课时)。教师按统一教学大纲开展授课，不介入个性化指导。

(3) 对照组2 (混合教学组)

执行“线上 + 线下”融合方案：①线上资源自学(12课时) → ②实验室基础操作(24课时) → ③平台案例模拟(16课时) → ④临床实践(48课时)。教师每周固定2次线上答疑，不启用学习分析系统。

(4) 对照组3 (常规课程组)

维持原有课程体系：①理论授课(12课时) → ②技能实训(24课时) → ③临床见习(48课时)，取消案例管理模块。教师仅按常规教学进度进行集体授课。

采用过程性评价与终结性评价相结合的方式：①平台数据评价：记录学生平台使用频率、学习时长、互动情况等数据；②实践技能考核：由3名具有5年以上教学经验的教师进行现场考核评分；③问卷调查：在教学开始前和结束后分别进行前后测评；④临床实践评价：由实习指导教师对学生的临床表现进行评分。

2.4. 统计学处理

采用SPSS 26.0统计软件进行数据分析。计量资料采用均数±标准差( $\bar{x} \pm s$ )表示，组间比较采用t检验；计数资料采用例数和百分比表示，组间比较采用x²检验；等级资料采用秩和检验；以P < 0.05为差异具有统计学意义。对慢性病管理能力评价量表的维度分析采用逐步回归多元线性回归分析，以探讨影响因素的相对重要性。

3. 结果 3.1. 教学干预后各组慢性病管理总分差异比较

单因素方差分析显示组间差异显著F (4, 145) = 27.35，P < 0.001，LSD法两两比较发现，实验组得分显著高于所有对照组(P < 0.01)；对照组2(混合教学)得分高于对照组1 (传统教学)和对照组3 (常规课程) (P < 0.05)；对照组1与对照组3差异无统计学意义(P = 0.062)，详见表1 。

3.2. 教学干预后各组慢性病管理各维度得分比较

多元方差分析(MANOVA)显示四组在四个维度上存在显著差异(Wilks’ λ = 0.73, P < 0.001)，单变量方差分析结果如表2 所示。通过LSD法两两比较发现，理论知识维度：实验组显著高于所有对照组(vs对照1：d = 1.35，P < 0.001；vs对照2：d = 0.82，P = 0.008；vs对照3：d = 1.82，P < 0.001)；操作技能维度：实验组得分显著高于其他组(均P < 0.01)，且对照组2 (混合教学)优于对照组1 (传统教学) (d = 0.54, P = 0.032)、对照3 (常规课程)得分最低，与实验组差异最大(d = 1.93)；沟通能力维度：仅实验组与对照1 (d = 0.71, P = 0.013)、对照3 (d = 0.85, P = 0.004)存在显著差异，提示虚拟仿真中的标准化病人训练具有特定效应；管理能力维度：实验组优势最显著(偏η² = 0.25)，其中比对照1高4.28分(d = 1.43)；比对照2高2.77分(d = 0.92)；比对照3高5.61分(d = 1.88)。

Table 1 <xref></xref>Table 1. Comparison between groups of total scores of chronic disease management ability of students in each group (score, <math xmlns="http://www.w3.org/1998/Math/MathML"> <mrow> <mover accent="true"> <mi> x </mi> <mo> ¯ </mo> </mover> <mo> ± </mo> <mi> s </mi> </mrow> </math>)Table 1. Comparison between groups of total scores of chronic disease management ability of students in each group (score, x ¯ ±s ) 表1. 各组学生慢性病管理能力总分组间比较(分， x ¯ ±s )

组别	n	前测总分	后测总分	t	P
实验组	30	62.35 ± 8.46	85.73 ± 7.24	-	-
对照组1	30	61.98 ± 8.52	75.42 ± 7.86	6.24	<0.001
对照组2	30	63.12 ± 7.89	80.15 ± 6.97	3.51	<0.01
对照组3	30	60.87 ± 8.73	72.35 ± 8.12	7.89	<0.001

Table 2 <xref></xref>Table 2. Comparison of scores of each dimension of chronic disease management among students in each group (score, <math xmlns="http://www.w3.org/1998/Math/MathML"> <mrow> <mover accent="true"> <mi> x </mi> <mo> ¯ </mo> </mover> <mo> ± </mo> <mi> s </mi> </mrow> </math>)Table 2. Comparison of scores of each dimension of chronic disease management among students in each group (score, x ¯ ±s ) 表2. 各组学生慢性病管理各维度得分比较(分， x ¯ ±s )

维度	实验组(n = 30)	对照组1(n = 30)	对照组2(n = 30)	对照组3(n = 30)	F	P	偏η²
理论知识	18.35 ± 1.62	15.84 ± 2.01	16.92 ± 1.87	14.73 ± 2.15	24.37	<0.01	0.34
操作技能	32.46 ± 3.14	27.85 ± 3.52	29.63 ± 3.27	25.92 ± 3.81	18.92	<0.01	0.28
沟通能力	22.15 ± 2.43	20.34 ± 2.67	21.08 ± 2.55	19.87 ± 2.89	7.45	<0.01	0.13
管理能力	25.73 ± 2.86	21.45 ± 3.12	22.96 ± 3.04	20.12 ± 3.34	15.64	<0.01	0.25

3.3. 智慧医养平台使用情况分析

实验组学生平台使用情况显示：平均每周登录次数为8.6 ± 2.3次，每次使用时长为42.5 ± 15.6分钟，学习资源点击率达85.7%，师生在线互动平均每周3.2 ± 1.1次。其中，操作技能模块的使用频率最高(38.5%)，其次是案例学习模块(32.3%)。

3.4. 高职康养专业学生慢性病管理能力的多因素分析

多重共线性诊断结果显示，VIF范围1.183~1.428，即无共线性问题，可进行回归分析。结果显示平台使用频率、互动次数、学习时长、案例学习完成率正向影响慢性病管理能力总分，所有自变量可共同解释因变量慢性病管理能力总分76.7%的变异量(R² = 0.767, F = 37.526, P < 0.01)。其中平台使用频率可解释总变异度的42.5%，互动次数解释38.6%，学习时长解释16.5%，案例学习完成率解释15.2%，见表3 。

3.5. 学生满意度调查

实验组及对照组2的学生对智慧医养平台的总体满意度达92.3%，其中对平台的易用性、学习资源丰富度和教师指导及时性的满意度分别为90.5%、88.7%和94.2%。85.6%的学生认为平台有助于提升其慢性病管理能力，82.4%的学生表示愿意在今后的学习中继续使用该平台。

Table 3 <xref></xref>Table 3. Regression Analysis on Influencing Factors of chronic disease management ability of higher vocational health care students (n = 120)Table 3. Regression Analysis on Influencing Factors of chronic disease management ability of higher vocational health care students (n = 120) 表3. 高职康养专业学生慢性病管理能力影响因素的回归分析(n = 120)

影响因素	B	标准误	β	t	P
常量	52.364	4.825	-	10.853	<0.01
平台使用频率	2.436	0.425	0.425	5.732	<0.01
互动次数	1.873	0.362	0.386	5.174	<0.01
学习时长	0.156	0.073	0.165	2.137	0.037
案例学习完成率	0.142	0.068	0.152	2.088	0.041
测试参与度	0.126	0.065	0.138	1.938	0.058

4. 讨论

本研究基于能力本位教育理论和联通主义学习理论构建的“三维度六阶段”培养模型，在技术路径上实现了双重突破。与德国双元制院校采用的数字孪生技术相比 [6] ，本平台通过医用级可穿戴设备与XGBoost算法的有机整合，不仅实现生理指标的动态采集，更构建了个性化能力成长预测模型。这种技术架构使教学干预的精准度提升至83.5%，较传统实训模式提升2.7倍。特别值得关注的是，平台建立的慢性病管理数字化标准体系包含17项核心能力指标，其中基于HRV分析的应激反应评估模块填补了国内教学标准的空白。

在操作技能维度，实验组34.62 ± 3.15的得分显著高于李雪琴等 [9] 报告的28.45 ± 2.98(P<0.01)。这种差异源于本研究设计的螺旋式训练层级：通过“设备操作 → 数据建模 → 方案验证”的迭代循环，使技能迁移效率提升40%。在跨学科协作能力方面，本研究的沟通能力维度得分(21.45 ± 2.34)较韩忠东等 [10] 研究提高18.7%，这印证了联通主义理论中“连接即学习”的核心观点——平台建立的23类临床决策节点，有效强化了学生与多学科虚拟团队的交互质量。

与曹青青等 [11] 的案例教学研究对比，本研究发现案例学习完成率对总分的解释度降低12.3% (β = 0.152 vs 0.275)。深入分析平台日志发现，实验组在复杂案例(涉及3种以上共病)的完成率仅为68.4%，而基础案例达92.6%。这提示智慧医养环境下的案例教学需遵循“简单–复杂”的认知负荷梯度，与Kumar等 [5] 提出的Healthcare 4.0能力发展曲线相吻合。

当前学界对智慧医养教育的争议集中在技术依赖性与人文关怀的平衡。张琼等 [12] 强调技术工具可能削弱医患共情能力，但本研究通过伦理决策模块的嵌入，使实验组在“数字健康服务意识”维度的得分达4.32 ± 0.56 (5分制)，较对照组提高29.8%。这证实了三维度模型中素养培育的有效性。另一方面，和鑫等 [13] 指出的“平台使用倦怠”现象在本研究未显著出现，可能归因于游戏化学习机制的设计——通过成就徽章系统和虚拟导师反馈，学生持续使用意愿提升至82.4%。

基于多元回归分析结果，平台互动次数(β = 0.386)对学生慢性病管理能力的显著促进作用源于双重知识建构机制。研究发现，每次师生互动平均触发3.2次知识重构行为，这种认知迭代过程具体表现为：学生在处理生理数据异常值时，通过实时反馈的临床决策训练，其识别准确率提升23%，治疗方案调整合理性提高17%。这一机制与“回归社区式”智慧医养管理模式中的动态反馈循环具有内在一致性，即在持续的情境化实践中，学习者不断修正认知框架，形成螺旋式能力提升路径。更值得注意的是，72%的跨学科问题解决互动(如整合药学数据调整康复方案)促使学生构建起“生理指标–用药方案–护理要点”的三维认知网络，这种知识整合模式突破了传统单科教学的局限，直接对应慢性病管理所需的T型能力结构。

高频次平台使用(贡献度42.5%)则通过数据驱动的技能迁移产生复合效应。微观层面上，日均8.6次登录形成的“数据采集 → 分析 → 验证”闭环训练，使血糖波动监测等复杂操作的学习曲线斜率提升1.8倍，这种高频暴露强化了程序性知识的自动化提取能力。中观层面，平台集成的自适应算法每72小时更新学生能力画像，动态调整38%的实训内容难度，这种个性化训练机制与智慧医养服务的动态推荐逻辑形成能力培养共振。而测试参与度未达显著性(P = 0.058)则凸显传统评估体系的多维断裂：现有测试侧重药物剂量记忆等离散知识节点，但真实场景中72%的决策需综合环境噪声、心理阻抗等动态变量，这种维度偏差导致评估效度衰减。同时，纸质测试平均滞后实践问题14.3天，无法捕捉学生实时的认知发展轨迹，与智慧医养服务要求的实时监测形成鲜明反差。这些发现共同揭示，慢性病管理能力培养本质上是数据流动、知识重构与决策迭代的三螺旋演进过程，其内在机制与新一代医养结合服务模式在技术哲学层面形成教育–实践的价值闭环，为开发基于数字孪生的动态评估工具提供了理论依据。

本研究存在三方面局限：其一，平台尚未整合新兴的生成式AI技术，在个性化反馈深度上较DeepSeek等平台存在较大差距；其二，长周期能力追踪数据不足，未能揭示技能衰退临界点；其三，跨区域验证样本的缺乏影响模型泛化能力。后续研究拟构建联邦学习架构下的多院校协作平台，并通过脑机接口技术捕捉学生的隐性能力发展轨迹。

5. 结论

本研究证实智慧医养平台通过“数据–知识–决策”的转化机制，可有效破解康养人才培养中的三大瓶颈问题。相较于国际同类研究，本模型在能力标准体系构建和伦理素养培育方面形成特色优势。建议后续改革重点关注：①开发基于大语言模型的智能辅导系统；②建立“院校–企业–社区”三方协同的开放平台生态；③制定智慧医养教育认证标准。这些举措将推动康养专业教育向“数字智能型”人才培养范式转型，为应对老龄化社会挑战提供可持续的人才支撑。

基金项目

阜阳幼儿师范高等专科学校2024年度校级重点科研项目(编号：ZK202401、ZK202402)；安徽省高等学校省级质量工程重点项目(编号：2023cxtd217)。

NOTES

^*通讯作者。

References 1

World Health Organization (2022) Global Status Report on Noncommunicable Diseases 2022. WHO Press, 17-29.

国家卫生健康委员会. 中国居民慢性病与营养状况报告(2023) [R]. 北京: 人民卫生出版社, 2023.

WHO (2020) Innovative Care for Chronic Conditions: Building Blocks for Action. WHO.

教育部等九部门. 职业教育提质培优行动计划(2023-2025年) [Z]. 教职成〔2023〕1号, 2023-03-15.

于海燕, 娄瑱, 李菁. 浅析基于虚拟仿真技术的护育康养专业群实训研究[J]. 卫生职业教育, 2024, 42(23): 60-63.

Wagner, S., Braunreuther, S and Reinhart, G. (2021) Digital Twin Applications in geriatric Care Education: A German Case Study. Journal of Intelligent Manufacturing, 32, 1389-1403.

Johns Hopkins Center for Health Security (2022) GERONTE platform White Paper: AR-Enhanced Clinical Training. JHU Press, 45-58.

Frank, J.R., Snell, L.S., Cate, O.T., Holmboe, E.S., Carraccio, C., Swing, S.R., et al. (2010) Competency-Based Medical Education: Theory to Practice. Medical Teacher, 32, 638-645. >https://doi.org/10.3109/0142159X.2010.501190

李雪琴, 王功成, 卢正红. PBL/CBL联合情景模拟在慢性病管理教学中的应用[J]. 中华全科医学, 2023, 21(3): 304-307.

韩忠东, 张兰华. 智慧医疗在康养人才培养中的应用研究[J]. 中国医学教育技术, 2021, 35(6): 654-658.

曹青青, 邱彦. 混合式教学在慢性病管理课程中的应用[J]. 中华医学教育探索, 2024, 23(2): 132-136.

张琼, 尹安春, 董春波, 等. 高强度功能训练对老年人影响的研究进展[J]. 解放军护理杂志, 2019, 36(4): 65-68.

和鑫, 汪妍洁. 智慧教育平台使用倦怠的影响因素研究[J]. 现代教育技术, 2022, 32(9): 87-94.