创新型医学信息分析人才科研能力连续性培养模式探析

王 萍 牟冬梅，2 靳春妍 邵 琦 赵丹宁 李 茵

1 吉林大学公共卫生学院，长春，130021；2 吉林大学第一医院，长春，130021

健康医疗大数据作为大数据的重要组成部分之一，蕴含海量的潜在价值，但数据体量巨大也给知识发现的过程带来诸多挑战，催生人们思考如何运用数据去理解并解决问题，揭示表层现象背后的因果关系及相关关系，实现从解释既定现象的产生原因，到对未来发展方向的精准预测。而实现这一目的，离不开医学信息分析人才对健康医疗大数据的研究探索。但长期以来，医学信息分析人才的培养模式遵循普适的高等教育模式，分为本科生、硕士研究生和博士研究生教育三个独立的阶段[1]，各阶段分别围绕岗位胜任力、学生自我认知满意度、创新创业等展开课程体系、教学体系和管理体系等维度的规划设计，较少有围绕科研能力连续性培养模式的深入研究[2-3]。构建医学信息人才的培养模式需要重点关注与科研活动关系最为密切的学术生态系统环境，即学术知识、学术环境和学术主体，因为扎实的科研能力才是学术研究创新的源泉。因此，本研究着眼于健康医疗大数据时代对医学信息分析人才科研能力及创新型思维培养的需求，以不同层级医学信息分析的高等教育主体(本科生、硕士研究生、博士研究生)为研究对象，构建连续性的、递进式的科研能力培养模式，以培养创新型医学信息分析人才。

1 国内外医学信息分析人才科研能力培养现状

随着社会各界对医学信息分析人才的需求日益增加，信息分析过程中表现出来的科研基础能力不扎实和创新能力不强等问题也倍受关注，为了解决这些问题，当前的医学信息分析人才科研能力的培养方案需做出适当的调整。国内外医学信息人才科研能力的培养主要集中于本科生早期科研能力训练计划和模式的研究[4]，也有研究者对医学信息分析创新型人才培养的教学体系进行系统梳理与研究设计[5]。目前提供数据科学和大数据分析的iSchool教育模式主要是提供给硕士教育水平的学生[6]。从研究现状可见，当前对创新型人才科研能力培养的研究过于离散化。为了使人才培养更有效率，最早在美国和德国的高等教育模式中，出现了本-硕-博贯通式教育的雏形，该模式根据学习的课程和时间，用学分或对应的等级考试来确定毕业或授予学位[7]。随着这种模式的发展和完善，国内大学利用自身的资源优势分别开展本-硕连读，硕-博连读或本-硕-博连读的培养模式，包括医学领域的八年制医学生科研培养模式[8-9]。但这种本-硕-博贯通式的培养模式，仅是生源的选拔方式有所改变，学生在各阶段培养过程的课程、教学模式和培养环境依然是分段式。因此，针对当前医学信息分析人才科研能力培养的浅表化和缺乏连续性问题，本研究对本科、硕士和博士各阶段培养模式进行规划，促进培养目标的延续性，实现课程设计的互补和耦合，使人才培养系统发挥其功能。

2 医学信息分析人才培养的需求

健康医疗大数据的特性从“3V”逐渐演变为“9V”，9V即数量大(volume)、速度快(velocity)、多样性(variety)、价值密度低(value)、准确性(veracity)、可视化(visualization)、动态性(vitality)、合法性(validity)、链接性(valence)[10]，本质上是数据分析者不断探索和认识数据内在和外在特征的过程。然而分段式的医学信息人才的培养模式，并不能满足大数据多维特征分析的能力需求，容易出现岗位胜任力不足和创新能力较弱的问题。因此，研究梳理了健康医疗大数据的特征及其深度挖掘利用带来的挑战，从学术生态系统的学术知识、学术环境和学术主体三个方面确定人才培养的目标。

2.1 学术知识的演变融合

世界一流的研究型大学按知识组织的类型分为德国大学的单层线性结构、美国大学的双层复合型结构和美国大学的网络弥散型结构3种，形成了当前学术知识培养的专业化与综合化、研究型与应用型、理论型与技术型的不同培养形式[11]。其中的共性是通过知识单元和知识结构的组织来适应和推动学术知识的演变[12]，这也是世界一流研究型大学形成的重要机制[13]。但当前医学信息人才的知识体系培养模式和世界一流学术研究型大学存在一定差距，主要原因是知识体系不能满足实现健康医疗大数据的融合利用和深度解析的需求。

2.2 学术环境的丰富多元化

医学信息分析人才培养过程中，良好的学术环境是培养优秀信息分析人才、激发研究者创新活力的重要条件。国务院办公厅于2016年发布了《关于优化学术环境的指导意见》(国办发〔2015〕94号)，期待能够更好地调动科研工作者的积极性，深入落实创新驱动科研发展的战略决策。基于政府宏观政策的指导方向，从医学信息人才培养的科研管理环境、导师指导模式和学术评价制度这3个角度，探讨医学信息分析人才培养模式的外部环境。首先，改善科研的监督管理环境，致力于消除科研院校管理中存在的“行政化”或“官本位”的管理弊端[14]，打造学科间开放交流、协同创新的扁平化学术管理结构。其次，丰富导师指导模式，突破当前“师从一人”的导师制度[15]，打破人才培养模式在知识获取和科研思维塑造方面的制约，试行跨一级学科或二级学科的双导师制或导师指导团队模式[16-17]。

2.3 学术主体的自主创新

目前国内高校科研创新的激励机制是建立在研究团队绩效考核的基础上，奖励的对象主要是教师群，使得学生的积极性不能充分发挥[18]。而研究生参与科研的内生动力越强烈且持续，越有利于培养终身学习的态度和自主创新的能力，激励机制就是联系科研创新活动和学生自主能动性的纽带。科研激励机制能够维护学术生态系统的结构稳定，推动学科知识创新，提高成果产出速率，进而促进团队协作共赢。从事科学研究的学生是学术生态系统的学术主体，多样化的激励机制融合物质奖励、精神鼓励、自我认同和社会认同，在缓解学生科研压力的同时，能够触发学生主动参与医学信息科研实践的内生动力。

3 创新型医学信息分析人才科研能力连续性培养模式构建

基于学术生态系统开放融合及连续的特性，从医学信息分析学术生态系统的学术知识、学术环境和学术主体三个要素，探索以创新型科研能力为核心的本科、硕士和博士连续性人才培养模式 。见图1。

图1 创新型医学信息分析人才科研能力连续性培养模式

3.1 改革专业课程体系，丰富学术知识

本-硕-博阶段的课程体系结构，是从基础到核心再到前沿的逐层深入的过程。本科阶段，学生需要具备多领域融合的知识结构，以应对健康医疗大数据的复杂特性。课程体系开设医学基础知识课程(内科学、外科学、病理等)、信息管理与信息系统课程(信息检索语言、信息组织、数据库设计等)、国内外医学数据库使用(PubMed、CBM、DrugBank、RxNorm、NDF-RT等)。硕士阶段，继本科基本科研规范训练的基础上，要着重提高学生的逻辑思维能力、发现和解决研究问题的能力。博士阶段，拓展多领域学科的知识，促进多学科知识的融合与应用，锻炼学生的创新能力。加强课程之间的有机衔接，减少不必要的重复课程并厘清课程的前期后继关系，不过分强调学科体系的完整性，重点培养医学信息分析人员在博士阶段创造新知识的能力。

3.2 丰富监督管理形式，营造学术氛围

在本科阶段开展大学生创新研究项目，激励学生参与到授课教师的科研项目中，或者鼓励学生自己申报学校的大学生创新项目计划。该阶段的目标是促进学生根据科研规范形成良好的科研行为，培养对健康医疗大数据知识的研究兴趣。硕士阶段，拓展多种教师指导模式，以导师一对一指导为主要培养方式，尝试双导师制度、实验室轮转、导师团队指导、参与多个导师的课题等方式进行科研训练，锻炼学生科研成果的归纳总结能力和与同行交流学习的能力，奠定与国内外学者交流合作的基础。博士阶段提倡导师间的国际合作方式培养，提供更多的国际交流合作平台，搭建自由表达学术观点、分享最新医学信息研究成果的学术交流平台。

3.3 完善科研激励机制，鼓励学术创新

激励机制是培养学生终身学习态度和研究独立性的重要保障条件，可以通过政府卫生监督部门、医疗机构或药企等平台增加博士研究生申报项目的机会，鼓励其提出新观点、新方案，增加高层次医学信息分析人才接触公益性、探索性、创新性的学术活动的实践经验，并激励其将医学信息知识发现成果转化应用于生产生活中，进一步促进“产学研”的多重深层融合。国家留学基金管理委员会为本、硕、博的学生设立了出国交流申报项目，如优秀本科生国际交流项目、国家建设高水平大学项目等。除国家设立的交流项目支持外，国家人口与健康科学数据共享平台为参加项目的人员提供基础医学、临床医学、公共卫生、中医药学等多种元数据资源，并连续举办多届全国规模的人口健康共享杯大赛，鼓励学生参与到健康医疗大数据的知识发现研究中。

4 结论

健康医疗大数据环境下的医学信息分析人才科研能力连续性培养模式，是基于学术生态系统三要素的共同推动，塑造了创新型医学信息分析人才培养的课程引导体系架构、监督管理机制和科研激励政策。该模式通过构建创新性综合培养方案和多学科融合课程体系、采用灵活多样的教学方式和导师团队，提高学生创新意识和科研能力，从学术知识、学术氛围和学术主题3个维度展开设计，提升了学生的认知水平，改善了科研氛围，丰富了激励机制，能够加快医学信息分析人才科研能力的成长速度，适应健康医疗大数据时代各领域对医学信息分析人才的需求，为学生将来从事医学信息科学研究工作奠定知识和技能基础。