Knowledge, Attitudes, and Perceptions of Artificial Intelligence in Healthcare Among Medical Students at Sultan Qaboos University
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
Background Artificial intelligence (AI) is increasingly used in healthcare, but more data are needed about the knowledge, perceptions, attitudes, and preparedness of medical students in Oman towards this technology. This study aimed to investigate these aspects among clinical-year medical students at Sultan Qaboos University. Methodology A web-based validated exploratory questionnaire adapted from a study conducted at the University of Toronto was distributed to all clinical year (phase III) medical students at Sultan Qaboos University. The questionnaire collected demographic and background information, tested students' knowledge of AI, and assessed their perceptions and attitudes toward it. The data were analyzed using the Statistical Package for Social Sciences (SPSS, IBM Corp., Armonk, NY). Results A total of 221 out of 368 clinical-year medical students (60%) completed the survey. Most respondents were in their junior clerkship year (n = 94, 42.5%). Most students (n = 167, 75.4%) had no prior exposure to AI in healthcare, with a median knowledge score of 3.25 out of 5 in AI, and showed no improvement over the years. However, they overall had positive perceptions and attitudes towards AI. Students also had concerns about the impact of AI on employment prospects and ethical issues but were generally receptive to incorporating AI into medical school curricula, as 174 students (78.7%) believed every medical trainee should receive training on AI competencies. Conclusion This study provides valuable insights into the knowledge, perceptions, attitudes, and preparedness of medical students in Oman toward AI in healthcare. Medical educators in Oman should consider incorporating AI into medical school curricula to prepare future physicians for using this technology in healthcare.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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