Healthcare AI: A Revised Quebec Framework for Nursing Education
Notice bibliographique
Résumé
Artificial intelligence health technologies (AIHT) are taking their place in the practice of nursing. However, the curricula have not evolved to include competencies required of nursing graduates to incorporate their impact on theory and practice. This project was born of an identified need by nurse educators to articulate new competencies grounded in the literature and expert knowledge. Based on extensive literature reviews and an iterative process of expert validation, this paper provides recommendations for five new competencies that will be needed for nurses to use AIHT responsibly, ethically, and intelligently in the best interests of patient care. The methodology started with a literature review, then expert validation, leading to the development of the proposed competency framework, and finally validation with experts in artificial intelligence (AI) and health care. The first two competencies proposed address the underlying theory needed for effective practice: 1) Students will be able to apply knowledge of informatics and digital health technology to the practice of nursing; and 2) Students will be able to apply their knowledge of AIHT and their inherent benefits and limitations. The subsequent three competencies address application in practice: 3) Students will be able to use AIHT safely and effectively within their nursing practice; 4) Students will be able to participate in the development of AIHT guidelines considering ethical, social, and legal implications; and 5) Students will be able to engage in the development of AIHT training to support continuing nurse education. Clear statements, achievement contexts, elements, and performance criteria are provided for all levels of post-secondary education in Quebec including RN, BScN, and graduate-level programs. The proposed framework would also be of interest to nurse educators across Canada and internationally.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».