Assessing Visitor Expectations of AI Nursing Robots in Hospital Settings: Cross-Sectional Study Using the Kano Model
Notice bibliographique
Résumé
Background: Globally, the rates at which the aging population and the prevalence of chronic diseases are increasing are substantial. With declining birth rates and a growing percentage of older individuals, the demand for nursing staff is steadily rising. However, the shortage of nursing personnel has been a long-standing issue. In recent years, numerous researchers have advocated for the implementation of nursing robots as a substitute for traditional human labor. Objective: This study analyzes hospital visitors' attitudes and priorities regarding the functional areas of artificial intelligence (AI) nursing robots based on the Kano model. Building on this analysis, recommendations are provided for the functional optimization of AI nursing robots, aiming to facilitate their adoption in the nursing field. Methods: Using a random sampling method, 457 hospital visitors were surveyed between December 2023 and March 2024 to compare the differences in demand for AI nursing robot functionalities among the visitors. Results: A comparative analysis of the Kano attribute quadrant diagrams showed that visitors seeking hospitalization prioritized functional aspects that enhance medical activities. In contrast, visitors attending outpatient examinations focused more on functional points that assist in medical treatment. Additionally, visitors whose purpose was companionship and care emphasized functional aspects that offer psychological and life support to patients. Conclusions: AI nursing robots serve various functional areas and cater to diverse audience groups. In the future, it is essential to thoroughly consider users' functional needs and implement targeted functional developments to maximize the effectiveness of AI nursing robots.
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 | 0,000 | 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 | 0,001 |
| 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 ».