医学PBL的智能体矩阵Smart PBL的设计与应用

Design and application of Smart PBL AI agent matrix for medical PBL

摘要

基于问题的学习（problem-based learning， PBL）是培养医学生批判性思维、自主学习与团队协作等高阶能力的重要教学模式，但在当前实践中，学生在专业表达、学习主题构建与资料获取方面仍需提供支持，指导教师（tutor）的引导效果与反馈质量仍有提升空间，教学组织与评估效率亟待升级。为解决上述问题，项目团队以“角色维度×流程维度×赋能层次”为设计框架，基于低代码智能体平台，构建了覆盖学生、指导教师、管理者三类角色，贯穿PBL全流程的Smart PBL智能体矩阵，包含PBL partner、PBL cotutor、PBL admin三个子系列共9 个智能体，实现全角色、全流程、多层次的智能支持。在西安交通大学临床医学专业PBL教学中对这些智能体开展探索性应用，结果显示：学生的学习主题构建能力、专业表达能力与资料获取效率显著提升，指导教师普遍反映备课效率、课堂引导水平和评语撰写质量有所提升，管理者亦认可智能体在合理分组、讨论质量评估和教学案例生成方面的支持作用。本项目为AI融入医学教学提供了系统化的实施路径与可借鉴的实践范式。

Abstract

Problem-based learning (PBL) is an important pedagogical mode for cultivating medical students’ higher-order competencies such as critical thinking, self-directed learning, and teamwork. However, in current practice, students still need support in professional expression, learning topic development, and information retrieval, tutors have room for improvement in discussion facilitation and feedback quality, and the efficiency of teaching organization and evaluation requires upgrading. To address these issues, the project team developed the Smart PBL agent matrix on a low-code agent platform, using a design framework of “role dimension × process dimension × empowerment level”. The matrix covers three user roles—students, tutors, and administrators—and spans the entire PBL workflow, comprising three sub-series (PBL Partner, PBL Cotutor, and PBL Admin) with a total of nine agents, providing intelligent support across all roles, all processes, and multiple empowerment levels. An exploratory application was conducted in PBL teaching among students majoring in Clinical Medicine at Xi’an Jiaotong University. Results showed that students’ learning topic formulation ability, professional expression skills, and literature searching efficiency were significantly improved. Tutors generally reported improvements in lesson preparation efficiency, discussion facilitation, and quality of written feedback. Administrators also recognized the agents’ supportive role in rational grouping, discussion quality evaluation, and teaching case generation. This project provides a systematic implementation approach and a replicable practical paradigm for the integration of AI into medical education.

Graphical abstract

关键词

基于问题的学习 / 人工智能 / 智能体 / 医学教育 / 教学改革

Key words

PBL / artificial intelligence / intelligent agent / medical education / teaching reform

基于问题的学习（problem-based learning， PBL）是以问题为驱动力、以小组协作为基本形式的教学模式，学习者在指导教师（以下简称tutor）引导下，通过自主探索与团队协作解决复杂临床问题，发展批判性思维、自主学习与团队协作等高阶能力^［1］。PBL是我校临床医学专业器官-系统整合课程体系的核心要素，历经16 年持续建设，目前贯穿14 个教学区段、涵盖25 个案例、持续2 个学年，已形成较为成熟的教学实践体系，在学生高阶能力培养方面成效显著，为后续临床实践奠定了良好基础。

然而，当前的教学实践表明，PBL的育人效能仍有较大的提升空间。学生方面，PBL讨论表达缺乏系统化的训练，学习主题选取的精准度不高，资料检索质量参差不齐。Tutor方面，病案准备耗时费力，讨论引导缺乏针对性的训练与优化机制，评语撰写负担较重且反馈不够及时。管理方面，案例资源亟待扩充更新，学生分组缺乏科学化的依据与工具，对学生讨论表达的评估手段较为单一。上述问题的系统化解决，亟须新的技术思路与方法支撑。

近年来，人工智能（artificial intelligence， AI）在文本生成、智能交互、多模态内容创作等方面展现出巨大潜力，正深刻改变着教育教学的理念与实践^［2］。目前，AI在医学教育中的应用多集中于信息检索与文本内容生成等基础任务，或评估其在医学考试中的答题表现^［3］，其生成内容的准确性、与特定教学任务的适配性还存在明显局限^［4］，尚难以胜任PBL教学中差异化的角色需求与多元化的任务场景。在此背景下，智能体（agent）作为基于AI的进阶应用形态，可通过定制提示词、构建知识库和编排工作流等手段针对特定任务进行个性化配置^［5-6］，为突破上述局限提供了新的思路。已有研究将智能体引入医学教育的多种场景并初步验证其应用价值：通过智能体生成多样化教学资源，结合课堂讲授深化学生对临床核心技能的理解^［7］；利用智能体模拟临床操作场景，支持学生在无风险的虚拟环境中反复练习^［8］；借助智能体分析学生答题数据，提升医学英语术语学习的个性化程度与效率^［6］；依托思政教育智能体将价值引导有机融入专业知识学习的全过程^［9］。然而，专门面向PBL教学场景、系统服务于师生和管理者的智能体尚未见报道。

为此，项目团队以“借助AI赋能医学PBL、促进学生高阶能力培养”为最终目标，设计并构建名为Smart PBL的智能体矩阵，并进行探索性应用。本研究阐述其设计思路、技术实现与初步应用效果，以期为AI融入医学PBL教学探索系统化的实施路径与可借鉴的实践范式。

1 Smart PBL智能体矩阵的设计与构建

1.1 设计思路与总体架构

项目的设计思路受认知负荷理论^［10］启发，遵循“人机协同、各展所长”的理念。PBL教学中，信息检索、资料整理、评语撰写等事务性工作占据了师生大量时间，挤压了深度思考与高阶学习的空间，AI可有效分担此类任务，释放师生的时间。更重要的是，AI在语义理解、内容生成与个性化交互方面具备独特优势，能够为每位学生即时生成差异化的训练场景，针对个体表现提供实时的个性化反馈，对课堂讨论进行多维度量化分析，这些均是传统“一位tutor面对一组学生”的教学模式中难以实现的。

在此理念指导下，团队系统拆解PBL教学全流程，如图1所示，逐环节梳理学生学习、tutor引导与教学管理中的痛点与需求，识别AI可有效介入的关键节点。在每个节点上，进一步评估AI可实现的赋能深度——增效（提升效率、减少重复性劳动）、提质（优化过程与产出质量）或变革（实现全新的能力培养方式），并以可达到的最高赋能层次作为设计目标。

经过上述系统梳理，项目团队明确了各智能体的功能需求，并基于低代码智能体平台开发了包含9个智能体的Smart PBL智能体矩阵。这些智能体按服务对象分属PBL partner（赋能学生）、PBL cotutor（赋能tutor）、PBL admin（赋能管理）三个子系列，具体信息如表1所示。

1.2 PBL partner系列——赋能学生

（1）“改善表达”智能体。为帮助学生克服PBL讨论中“不知说什么、怎么说”的挑战，该智能体设计了指出病例关键信息、基于病史推测诊断、提出学习主题等7 类典型表达训练场景。训练时，AI根据学生选定的场景类型即时生成包含具体临床细节的差异化情境；学生尝试发言后，AI从有效性、专业性和逻辑性三个维度评分，给出改进建议与示范片段；学生据此修改后再获得反馈，形成“发言—反馈—修正—再反馈”的多轮迭代训练闭环。

（2）“主题优化”智能体。学生初拟的自主学习主题常存在表述不专业、范围失当、学习指向不明等问题。该智能体采用“只引导、不代劳”的策略，从专业性、实用性和聚焦性三个维度对学生提交的学习主题逐项评估，给出具体改进方向与示范表述，经过多轮迭代逐步逼近高质量的学习主题。优化完成后，还可从基础医学、临床医学和医学人文视角推荐拓展思考方向。

（3）“资料查询”智能体。PBL课后自主学习中，学生面临资料查询耗时且来源质量参差不齐的问题。该智能体内置基于检索增强生成（retrieval-augm-ented generation，RAG）技术构建的临床医学专业教材知识库，学生提交查询后，智能体检索相关内容并以结构化格式呈现，每条结果均标注资料来源，确保信息可溯源；查询内容超出知识库范围时明确告知，避免生成不可靠信息。

1.3 PBL cotutor系列——赋能tutor

（1）“引导训练”智能体。Tutor的引导水平直接影响PBL讨论的质量，冷场、跑题、观点争论等场景对新手tutor尤为挑战。该智能体设计了课堂开场、学生冷场、话题偏离、激烈争论等7 类典型情境，AI即时生成包含案例主题、学生发言等具体细节的差异化场景，邀请tutor作出引导和干预，之后AI从启发性、思考空间、鼓励与专业性等维度反馈，指出亮点与改进方向并提供示范语句，帮助tutor打磨引导话术。

（2）“掌握病案”智能体。Tutor需在短时间内熟悉一个包含多个情境的临床案例并做好引导准备。该智能体能根据病案文本自动生成案例摘要与讨论重点，逐个情境提炼关键词，并从基础医学、临床医学和医学人文三个维度生成引导性提问，必要时还可生成发病机制图，帮助tutor快速建立整体把握并获得结构化问题库。

（3）“撰写评语”智能体。个性化的书面评语是促进学生反思与改进的重要手段，但也是tutor耗时最多的教学任务之一。该智能体建立了涵盖讨论参与、汇报质量、团队贡献和沟通态度四个维度的结构化评估框架，tutor输入每个学生各维度评分与课堂观察记录后，智能体自动生成兼具系统性和个性化的评语初稿，辅助tutor高效完成撰写任务。

1.4 PBL admin系列——赋能管理者

（1）“案例生成”智能体。高质量PBL案例的持续更新是PBL教学常态化运行的基础保障。该智能体支持编者以疾病名称、教学目标或病例要点为输入，自动生成包含四个情境的标准化PBL教学案例，采用剧本式叙述并嵌入医患沟通、伦理困境等医学人文要素，编者在此基础上审校打磨，可显著缩短案例开发周期。

（2）“智能分组”智能体。合理的小组构成是PBL协作学习效果的重要前提。该智能体接收包含学生性别、性格类型、历史成绩等信息的数据表，依据“组内异质、组间同质”原则，综合平衡性别比例、性格搭配与成绩分布，通过内嵌工作流自动生成兼顾公平性与灵活性的分组方案。

（3）“表达评估”智能体。该智能体基于课堂录音转写的逐字稿，对每位学生的讨论表现进行量化分析与质性评估：量化层面统计发言次数、总字数等参与度指标；质性层面归纳核心观点与医学知识点，并从专业性、逻辑性和互动性三个维度评分点评；最后生成全班讨论的整体评价，识别表现突出与有待提升的学生。

1.5 关键技术实现

全部智能体基于扣子智能体平台（coze.cn）开发，依托豆包大语言模型（Doubao·1.5·pro·32k）的自然语言处理与逻辑推理能力，利用平台提供的工作流编排工具和知识库工具实现快速开发、测试与部署。

智能体开发运用三项关键技术：一是提示词工程，根据各智能体的功能特点设计专用系统提示词，其中“改善表达”“主题优化”“引导训练”等交互型智能体采用多轮对话提示词策略，以支持迭代式反馈；二是RAG技术，构建临床医学专业经典教材知识库，利用平台内置的Doubao-embedding向量化模型实现文档切分与语义检索，为“资料查询”等智能体提供权威知识来源；三是工作流技术，“智能分组”等智能体在工作流中内嵌代码节点，实现基于多维学生特征的自动化分组算法。

为方便师生使用，搭建了导航网站www.smartpbl.cn作为统一入口，支持豆包App和网页端两种访问方式。

2 PBL智能体应用与效果

2.1 应用概况

项目团队在西安交通大学临床医学专业2023级学生PBL教学中开展Smart PBL系列智能体的探索性应用评价。研究对象包括：①同一导师带教的3个PBL讨论组学生（n=27），使用PBL partner系列智能体；②参与本轮教学的tutor团队（n=23），使用PBL cotutor系列智能体；③PBL教学秘书1 名和资深案例编者3 名，试用PBL admin系列智能体。

本研究为探索性应用研究，重点考察各智能体赋能PBL的可行性以及师生主观体验和接受度。数据采集根据研究对象的特点采用不同方式。对学生采用问卷调查，围绕PBL partner系列三个智能体设计使用前后自评量表（Likert 5级评分），涵盖主题构建难易度、表达认知清晰度、表达能力与发言信心等8个维度。对教师和管理者采用半结构化访谈，分别围绕PBL cotutor和PBL admin系列智能体的使用体验与改进建议展开。

学生问卷中的前后配对数据采用Wilcoxon符号秩检验，访谈资料经归纳整理后提取典型表述。统计分析使用GraphPad Prism 10.6.0，检验水准α=0.05。

2.2 学生问卷调查结果

结果显示，学生在使用PBL Partner系列3 个智能体后，各维度自评得分均显著改善，且效应量均达到大效应水平（r=0.605~0.871），如表2所示。

在学习主题构建方面，使用“主题优化”智能体前，没有学生对制定主题难度的评分达到4 分及以上（反向编码，分数越高表示越容易）；使用后，这一比例上升至74.0%（P<0.001）。使用智能体后，主题质量自评和构建能力自评均显著提升（P<0.001），评4 分及以上的比例分别达到96.3%和96.3%。这表明，智能体辅助的多轮主题打磨有效降低了学生构建专业学习主题的难度，使学习主题的质量显著改善，同时提升了学生自主构建高质量学习主题的能力。

在专业表达训练方面，“改善表达”智能体使学生对PBL讨论表达的认知清晰度（即知道“说什么、怎么说”）显著改善，使用前仅11.1%的学生评4 分及以上，使用后升至96.3%（P<0.001，r=0.871），是所有维度中效应量最大的一项。表达能力自评为4 分及以上比例从使用前的11.1%升至使用后的92.6%（P<0.001），同时，学生参与讨论的信心也有显著提升（P<0.001）。这说明，智能体提供的反馈性表达训练帮助学生厘清了如何在讨论中进行表达，切实增强了其运用专业语言进行逻辑化表达的能力，并有效提振了其在小组中主动发言的信心。

在学习资源获取方面，“资料查询”智能体使学生课后查找资料的时间从(94.63±17.23) min降至(39.30±6.26) min（配对t检验，P<0.001），节省了约58%的耗时。资料的准确性与专业性自评也显著提高，使用后4 分及以上比例从48.1%升至92.6%（P<0.001）。这意味着，基于RAG技术的AI辅助检索不仅大幅缩短了信息获取时间，更提升了学生所获资料的专业质量。

2.3 教师与管理者访谈结果

访谈结果显示，tutor对PBL Cotutor系列3 个智能体的总体评价积极，但不同智能体的赋能侧重于使用体验存在差异。

针对“掌握病案”智能体，tutor的反馈集中在两个层面。一是备课效率的显著提升，多位tutor反馈该智能体帮助其“快速对病案有较全面的了解，层次分明”，有效“节省时间，节省脑力”。二是对病案全局的把握更加到位，有tutor表示“走一遍之后就感觉胸有成竹”，认可其能够“抓住重点，不会淹没在一大堆资料里面”“迅速总结出各种情境的关键因素”。此外，tutor也肯定了该智能体“能够提出很多引导性问题”的能力，有助于课前预设讨论方向。但是，也有tutor指出，机制图的生成质量仍有优化空间。

针对“引导训练”智能体，tutor的反馈同样体现出多维度的赋能价值。一是拓宽了引导表达的思路，该智能体“能有各种花式的说法，要不然有的时候不知道要说什么”，提供了“场景化语言输出”，“措辞优美，语言表达丰富、人性化”。二是帮助化解了课堂中的典型困难情境，如在应对冷场时“能给我提供一些不至于冷场的话”，在回应学生时有助于“避免生硬和直接的表达，使学生更容易接受”。三是对引导能力本身的提升，有tutor认为“可以提升教师表达能力和语言水平”。但是，多位tutor也指出该智能体“创意好但比较花时间”，且需要注意与个人教学风格的融合，“每个老师都有自己的风格，也要针对不同层次的学生进行针对性设计”。

PBL admin系列智能体也获得了积极反馈。教学秘书反映“智能分组”智能体显著提升了分组工作效率，自动生成的方案在成员多样性与互补性方面优于传统人工分组——“比以前合理很多，速度也快得多”。教学秘书也指出“表达评估”智能体能够快速、全面地呈现学生在讨论中的参与情况与表达质量，“以前靠听课印象，现在有数据了，反馈起来心里有底”，评估的准确性与针对性较传统方式有明显提升。此外，资深案例编者也反馈，“案例生成”智能体能快速生成框架完整、临床细节丰富的初稿——“初稿生成这一步省了不少时间，可以集中精力把案例打磨得更有启发性和挑战性”。

3 讨论

3.1 智能体矩阵的设计

Smart PBL智能体矩阵实现了AI赋能PBL从单点辅助到系统支撑的跃升。矩阵以“角色维度×流程维度×赋能层次”为设计框架，围绕三类角色构建了覆盖PBL教学全流程的9 个智能体，各环节之间形成了有效衔接，实现了AI对PBL学习、指导、管理的有力支撑。这种开放式设计具有较高延展性，未来亦可沿此框架向案例讨论、临床推理、科研思维训练等场景拓展，为AI赋能医学教育提供可复制的结构化示范。而这幅“AI赋能全景图”亦可给医学院校师生带来积极的启发，沿着角色维度、流程维度与赋能层次三个维度展开思考，便能自主发现更多潜在的AI介入场景，有助于拓宽对AI赋能教与学的应用思路，降低对AI应用场景的认知门槛，推动克服技术采纳中的态度障碍^［11］。

3.2 智能体应用效果的反思

第一，AI赋能教与学应聚焦支持人的能力的发展。本研究发现，Smart PBL矩阵中三个系列智能体均获得了师生的积极评价，而partner系列中的“改善表达”智能体带来的提升尤为值得关注。学生对PBL表达认知清晰度提升的效应量在所有维度中最大（r=0.871），表达能力和发言信心均显著改善。这提示，在PBL讨论中“不知道说什么、怎么说”的认知困惑可能是制约学生参与讨论的首要障碍，一旦这一障碍被消解，表达能力和发言信心的提升便有了基础。“改善表达”智能体充分发挥AI的独特优势回应了这个问题：一方面，每轮交互中智能体都会提供兼具专业性与规范性的示范——一个高质量的学习主题应当如何表述，一段专业的讨论发言应当如何组织—学生在反复接触这些示范的过程中，逐渐建立起对好的表达的内在标准；另一方面，智能体针对每位学生的具体表现给出个性化的多维度反馈，指出差距、提供改进方向，学生据此修改后再次获得反馈，经过多轮迭代逐步逼近示范水准。这种“示范—反馈—修正”的个性化训练闭环在传统“一位tutor面对一组学生”的模式中几乎无法实现。需要指出的是，这种赋能机制并非“改善表达”智能体所独有——“引导训练”智能体为tutor提供了同样结构的引导话术迭代训练，“主题优化”智能体则通过多轮反馈引导学生逐步逼近高质量的学习主题。三者共同构成了Smart PBL智能体的核心设计逻辑。AI的教育赋能价值不仅在于提升效率，更在于为师生能力发展提供可反复操练的个性化训练引擎，推动AI从知识传递工具转向能力培养教练^［12-13］。

第二，人机协作的关键在于让师生聚焦更有价值的教学活动。AI承担资料检索、内容整合与个性化训练等基础性工作后，师生将更多时间、精力投入到更具育人价值的深度对话与思维碰撞中^［14］。资料查询时间减半使学生更多投入知识加工与深度思考；表达训练帮助学生带着更清晰的思路和更充分的信心参与课堂讨论。同时，备课和评语撰写的效率提升使tutor得以将更多注意力投入课堂互动本身；引导训练帮助tutor在面对冷场、话题偏离等典型情境时引导得更加从容、更具启发性。换言之，AI辅助完成基础性工作，可以让PBL中最有价值的部分——师生之间的思维碰撞在讨论中更充分地发生。

第三，AI在教学中的落地有赖于教学制度的保障。研究中发现，某些智能体（如资料查询、撰写评语）因能明显节省时间、降低任务难度，师生使用意愿普遍较高；而另一些智能体（如改善表达、引导训练）虽能提升表达与引导水平，但需要额外的时间投入，使用动力相对不足，有tutor坦言“创意好但比较花时间”。这一现象提示，为了使那些经证实确有应用价值的AI工具真正发挥作用，需在教学组织上予以保障，如设置专门的训练环节，并在考评标准中纳入相应的能力要求，从而使AI驱动的能力训练从锦上添花变为教学流程中的刚性环节。

3.3 研究局限与未来展望

本研究目前存在以下局限。其一，本研究为单一院校的小样本探索性应用，且未设置对照组，研究结论的推广性有待验证，后续拟扩大样本规模并引入对照设计。其二，效果评估以问卷自评和访谈为主，尚缺乏基于客观数据的学习成效评估，后续拟针对各智能体分别开展前后测对照研究，并辅以PBL课堂讨论录音的语义分析与学生自主学习、专业表达等关键指标的纵向追踪，对各智能体在促进能力提升、提高教学效率方面的价值进行更为客观、全面的验证。

在未来发展方向上，一是探索AI智能体作为讨论参与者的可能性。当前矩阵中的智能体均在讨论前后为师生提供支撑，尚未直接介入PBL课堂讨论本身。已有研究开始探索将AI智能体嵌入协作学习过程，并呈现出以AI为中心的小组互动模式^［15］。智能体有望在PBL讨论中扮演虚拟患者、学术专家或信息顾问等角色，但如何把控AI的参与时机与力度、避免削弱学生主体性，是需要审慎设计的关键问题。二是打通多智能体之间的数据联通。目前，各智能体均独立运行，如学生在“主题优化”中暴露的薄弱点无法自动传递给“改善表达”进行针对性训练。未来若实现多智能体之间的学习数据流转，即可构建贯穿PBL全流程的个性化学习画像，推动矩阵从工具集合进化为多智能体协同联动的智能教学生态系统^［16］。

参考文献

[1] Barrows H S. A taxonomy of problem-based learning methods[J]. Medical Education, 1986,20(6): 481-486.

[2] 黎加厚. 生成式人工智能对课程教材教法的影响[J]. 课程·教材·教法, 2024, 44(2): 14-21.

[3] Aster A, Laupichler M C, Rockwell-kollmann T, et al. ChatGPT and other large language models in medical education: Scoping literature review[J]. Medical Science Education, 2024,35(1): 555-567.

[4] Xu X J, Chen Y X, Miao J. Opportunities, challenges, and future directions of large language models, including ChatGPT in medical education: A systematic scoping review[J]. Journal of Educational Evaluation for Health Professions, 2024, 21: 6.

[5] 刘明, 杨闽, 吴忠明, 等. 教育大模型智能体的开发、应用现状与未来展望[J]. 现代教育技术, 2024,34(11): 5-14.

[6] 刘思宇, 谢春晖, 陶鑫, 等. 基于人工智能的教育智能体建设及应用:以首都医科大学“医学英语术语”智能体建设为例[J]. 中国医学教育技术, 2026,40(1): 22-27.

[7] 张澍, 孟列素, 刘进军, 等. DeepSeek进课堂:AI智能体在器官系统整合课程教学中的应用探索与思考[J]. 中国医学教育技术, 2025,39(4): 432-436.

[8] 王艳凤, 苏小敏, 赵国星. 数智赋能“基础医学概论”实验教学创新与实践[J]. 中国生物化学与分子生物学报, 2025,41(12): 1870-1882.

[9] 唐懿文, 陈奇峰, 肖寒, 等. 基于AI大模型的“微机原理”课程思政教学智能体构建和应用[J]. 中国医学教育技术, 2025,39(4): 526-531.

[10] Sweller J. Cognitive load theory[M]//The psychology of learning and motivation: Cognition in education. San Diego: Elsevier Academic Press, 2011.

[11] 王维民. 第四代医学教育的深度剖析与实施策略[J]. 中华医学教育杂志, 2024,44(10): 721-725.

[12] 郑娅峰, 赵亚宁, 黄璟玥, 等. 教育智能体: 研究现状和发展趋势[J]. 现代远程教育研究, 2025,37(4): 3-13.

[13] 刘明, 郭烁, 吴忠明, 等. 生成式人工智能重塑高等教育形态: 内容、案例与路径[J]. 电化教育研究, 2024,45(6): 57-65.

[14] 毛刚, 王良辉. 人机协同: 理解并建构未来教育世界的方式[J]. 教育发展研究, 2021,41(1): 16-24.

[15] Feng S H. Group interaction patterns in generative AI-supported collaborative problem solving: Network analysis of the interactions among students and a GAI chatbot[J]. British Journal of Educational Technology, 2025, 56(5): 2125-2145.

[16] 吴永和, 姜元昊, 陈圆圆, 等. 大语言模型支持的多智能体: 技术路径、 教育应用与未来展望[J]. 开放教育研究, 2024,30(5): 63-75.