A Concept Analysis on the Use of Artificial Intelligence in Nursing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Artificial intelligence (AI) has a considerable present and future influence on healthcare. Nurses, representing the largest proportion of healthcare workers, are set to immensely benefit from this technology. However, the overall adoption of new technologies by nurses is quite slow, and the use of AI in nursing is considered to be in its infancy. The current literature on AI in nursing lacks conceptual clarity and consensus, which is affecting clinical practice, research activities, and theory development. Therefore, to set the foundations for nursing AI knowledge development, the purpose of this concept analysis is to clarify the conceptual components of AI in nursing and to determine its conceptual maturity. A concept analysis following Morse's approach was conducted, which examined definitions, characteristics, preconditions, outcomes, and boundaries on the state of AI in nursing. A total of 18 quantitative, qualitative, mixed-methods, and reviews related to AI in nursing were retrieved from the CINAHL and EMBASE databases using a Boolean search. Presently, the concept of AI in nursing is immature. The characteristics and preconditions of the use of AI in nursing are mixed between and within each other. The preconditions and outcomes on the use of AI in nursing are diverse and indiscriminately reported. As for boundaries, they can be more distinguished between robots, sensors, and clinical decision support systems, but these lines can become more blurred in the future. As of 2021, the use of AI in nursing holds much promise for the profession, but conceptual and theoretical issues remain.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle