Incorporation of artificial intelligence into nursing research: A scoping review
Notice bibliographique
Résumé
BACKGROUND: The integration of artificial intelligence (AI) across different sectors, notably healthcare, is on the rise. However, a thorough exploration of AI's incorporation into nursing research, as well as its advantages and obstacles, is still lacking. OBJECTIVE: The aim of this scoping review was to map the roles, benefits, challenges, and potentials for the future development and use of AI in the context of nursing research. METHODS: An exhaustive search was conducted across seven databases: MEDLINE, PsycINFO, SCOPUS, Web of Science, CINAHL, Google Scholar, and ProQuest. Articles were additionally identified through manual examination of reference lists of the articles that were included in the study. The search criteria were restricted to articles published in English between 2010 and 2023. The Joanna Briggs Institute (JBI) approach for scoping reviews and the PRISMA-ScR guidelines guided the processes of source selection, data extraction, and data presentation. RESULTS: Twenty articles met the inclusion criteria, covering topics from ethical considerations to methodological issues and AI's capabilities in data analysis and predictive modeling. CONCLUSION: The review identified both the potentials and complexities of integrating AI into nursing research. Ethical and legal considerations warrant a coordinated approach from multiple stakeholders. IMPLICATION: The findings emphasized AI's potential to revolutionize nursing research, underscoring the need for ethical guidelines, equitable access, and AI literacy training to ensure its responsible and inclusive use.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».