Assessing Physician Motivation to Engage in Continuing Professional Development on Artificial Intelligence
Notice bibliographique
Résumé
ABSTRACT: To realize the transformative potential of artificial intelligence (AI) in health care, physicians must learn how to use AI-based tools effectively, safely, and equitably. Continuing professional development (CPD) activities are one way to learn how to do this. The purpose of this article is to describe a theory-based approach for assessing health professionals' motivation to participate in CPD on AI-based tools. An online survey, based on an AI competency framework developed from existing literature and expert consultations, was administered to practicing physicians in Ontario, Canada. Across eight subcompetencies for using AI-based tools (eg, appraise AI-based tools for their regulatory and legal status), the survey measured physicians' perception they could successfully enact the competency, the importance of the competency in meeting their practice needs, and the desirability of participating in CPD activities on the competency. Motivation scores were calculated by multiplying the three scores together. Ninety-five physicians completed the survey. The highest motivation scores were for the subcompetency of identifying AI-based tools based on clinical needs, while the lowest motivation scores were for appraising tools' regulatory and legal status. All AI subcompetencies were generally rated as important, and CPD activities were generally perceived as desirable. This survey demonstrates the utility of a theory-based approach for assessing physicians' motivation to learn. Although the survey results are context specific, the approach may be useful for other CPD providers to support decision making about future AI-related CPD activities.
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 | 0,023 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».