Exploring new frontiers in nursing education: Assessing the role of generative AI (chat GPT) in aligning family nurse practitioner coursework to AACN’s new essentials
Notice bibliographique
Résumé
Background and purpose: Integrating Generative Artificial Intelligence (Gen AI) in higher education, specifically within health sciences, is increasingly recognized for its potential to enhance educational outcomes and efficiency. The American Association of Colleges of Nursing (AACN) mandates the alignment of Family Nurse Practitioner (FNP) programs with its 2021 Essentials, a competency-based educational framework encompassing hundreds of specific standards. This study aims to evaluate a novel use of Gen AI: how effectively can a custom-trained gen AI tool (custom GPT from ChatGPT), align FNP course assessments with the AACN’s New Essentials, thereby potentially reducing faculty workload and improving curriculum accuracy.Methods: Through dialogue and uploading of relevant documents, a custom GPT (called Mapper) was trained from one FNP course to the subcompentencies within the 2021 Essentials. The Mapper was then used to align the assessments from one FNP course. The Mapper’s output was then compared to content expert alignments to assess accuracy.Results: Across all 10 domains of the AACN Essentials, the Mapper aligned with expert analysis with moderate to high accuracy. Initial analysis indicated correct alignment rate from 44% to 93% (average 66%), which improved to 70% (p < .05) upon further refinement of the Mapper tool by content expert. Potential novel alignments (average 26%), and misalignments (average 9%), provided by the Mapper were critically reviewed, leading to adjustments to the content expert’s original alignment, which enhanced the overall precision of the alignment. For example, misalignments were reduced to only 5% (p < .05). In post-analysis, Mapper aligned AACN subcompetencies incorrectly on average 4%, while the lead faculty was incorrect on average 6%.Conclusions: Gen AI has the potential to streamline the complex process of aligning curriculum to national standards. The GPT demonstrated a significant capacity to assist in this task with minimal error rates, but expert oversight remained crucial to ensure accuracy and relevance. This synergy between Gen AI and human expertise points to a promising avenue for enhancing curriculum development and alignment processes in nursing education and other disciplines.
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 | 0,027 | 0,121 |
| 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 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».