College Students’ Employability, Cognition, and Demands for ChatGPT in the AI Era Among Chinese Nursing Students: Web-Based Survey
Notice bibliographique
Résumé
BACKGROUND: With the rapid development of artificial intelligence (AI) and the widespread use of ChatGPT, nursing students' artificial intelligence quotient (AIQ), employability, cognition, and demand for ChatGPT are worthy of attention. OBJECTIVE: We aimed to investigate Chinese nursing students' AIQ and employability status as well as their cognition and demand for the latest AI tool-ChatGPT. This study was conducted to guide future initiatives in nursing intelligence education and to improve the employability of nursing students. METHODS: We used a cross-sectional survey to understand nursing college students' AIQ, employability, cognition, and demand for ChatGPT. Using correlation analysis and multiple hierarchical regression analysis, we explored the relevant factors in the employability of nursing college students. RESULTS: In this study, out of 1788 students, 1453 (81.30%) had not used ChatGPT, and 1170 (65.40%) had never heard of ChatGPT before this survey. College students' employability scores were positively correlated with AIQ, self-regulation ability, and their home location and negatively correlated with school level. Additionally, men scored higher on college students' employability compared to women. Furthermore, 76.5% of the variance was explained by the multiple hierarchical regression model for predicting college students' employability scores. CONCLUSIONS: Chinese nursing students have limited familiarity and experience with ChatGPT, while their AIQ remains intermediate. Thus, educators should pay more attention to cultivating nursing students' AIQ and self-regulation ability to enhance their employability. Employability, especially for female students, those from rural backgrounds, and students in key colleges, deserves more attention in future educational efforts.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».