Investigating public perception on use of ChatGPT in initial consultations prior to healthcare provider consultations
Notice bibliographique
Résumé
Background: This study investigates public perception of using AI-powered ChatGPT for initial consultations before seeing healthcare providers. It aims to understand AI’s capabilities and how to implement such tools in healthcare settings. Methods: A survey containing nineteen questions was distributed to 391 participants aiming to explore public perceptions on the use of ChatGPT prior to initial healthcare consultations via questions pertaining to several domains regarding use of ChatGPT in healthcare. Collected data was summarized and presented through visual depictions. Continuous variables with normal distributions were expressed as median and interquartile range, while categorical variables are represented as numbers and percentages. Statistical significance was assessed using the Mann–Whitney U test for continuous variables and the chi-square test (χ²) for categorical variables. Results: The median satisfaction score was 3.00 (IQR: 2.00, 3.00), providing insights into user satisfaction. 42.7% believed AI-powered chatbots adequately addresses healthcare concerns. Comfort levels in sharing health information and confidence (accuracy, reliability) had median scores of 3.00 (IQR: 2.00, 4.00) and 3.00 (IQR: 2.00, 3.00), respectively, on a scale of 1 to 5. 31.2% were willing to try AI in their next consultation, 40.4% were unsure, and 28.4% declined. Notably, 64.5% preferred interacting with a human healthcare provider, and 46.0% expressed that their comfort with AI use depended on the specific healthcare concern. Conclusion: The current findings shed light on the importance of understanding the capabilities of ChatGPT. Further research needs to be carried out to better understand how ChatGPT can be implemented in the current era.
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 | 0,006 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».