aiedtechhigher educationlearning designmetacognition

藥物短缺情境下藥師有限理性模型化

arXiv - Human-Computer InteractionYaniv Eliyahu Amiri, Noah Chicoine, Jacqueline Griffin, Stacy Marsella

提出以注意力導向的動態分解框架，協助藥師在不完全資訊下分配有限認知資源，提升決策穩定性

AI 幫你先抓重點

AI 重點 1

決策重點在於分配認知努力，而非選擇具體行動

滑鼠懸停看 AI 判斷理由
此觀點改變了決策支援系統的設計重心，強調注意力分配機制可提升資源利用效率，對複雜環境下的決策尤為關鍵
AI 重點 2

注意力導向的滿足策略能在降低問題複雜度的同時維持穩定表現

滑鼠懸停看 AI 判斷理由
指出完整狀態推理並非必要，為可擴展的 AI 系統提供設計指引，促進在資源受限情境下的實務應用

核心研究發現

  1. 1

    藥師將注意力集中於少量藥物，將認知努力限定於最緊急情況

  2. 2

    注意力導向的動態分解將藥物分為高成本推理子集與低成本監控子集，模擬情境中提升決策穩定性

  3. 3

    學習代理隨時間調整注意力分配，在長期模擬中表現優於靜態專家代理

對教育工作者的啟發

對於藥師培訓，可設計模擬情境讓學員練習注意力分配與動態分解，提升在短缺情境下的決策穩定性。教育科技平台可嵌入注意力導向決策支援工具，並透過即時反饋協助使用者調整認知策略。課程設計者可將此框架納入臨床決策模組，強調有限理性與滿足策略，促進學習者的元認知與自我調節能力。

原始文獻資訊

英文標題：
Modeling Bounded Rationality in Drug Shortage Pharmacists Using Attention-Guided Dynamic Decomposition
作者：
Yaniv Eliyahu Amiri, Noah Chicoine, Jacqueline Griffin, Stacy Marsella
來源：
arXiv - Human-Computer Interaction
AI 摘要模型：
openai/gpt-oss-20b
閱讀原文

每週精選研究電子報

每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。