RNAO’s Artificial Intelligence Innovations: A Novel Strategy to Advance Evidence-Based Nursing Practice
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction. Artificial intelligence and machine learning methodologies, such as prediction, pattern recognition, or general inference based on the data used in clinical aspects, must fit within the intended purposes of developing it. This article aims to provide high-level, non-technical details of the initiative and a comprehensive approach that has been taken to integrate AI-powered techniques in evidence-based nursing practices appropriately. Methodology. A multi-pronged phased approach was considered for developing artificial intelligence tools. This approach includes conducting a scoping review, analyzing data to identify patterns of impactful intervention, employing data triangulation, enhancing data collection based on impactful intervention strategies, and developing a prototype (pilot) for an artificial intelligence tool. The process encompasses piloting, testing and training, validation, and implementation. Results. In this early stage of piloting the tool, the primary focus was identifying patterns from various information gathered from healthcare organizations. This analysis revealed opportunities for knowledge generation, facilitated the expedited implementation of guidelines, and enhanced resource efficiency. Discussion. Focusing on a data-driven model to inform best practices for implementing guidelines and identifying the most impactful interventions is facilitated by extensive in-house data storage. The triangulation of approaches to guideline development, implementation, and evaluation contributes to developing this scientifically validated artificial intelligence and machine learning initiative. Conclusion. Any artificial intelligence technique requires extensive data. To provide healthcare organizations with the best available evidence, purposeful efforts must be made to structure data collection and ensure data quality before expanding the development of artificial intelligence tools.
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.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
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 découle