Perceived artificial intelligence readiness in medical and health sciences education: a survey study of students in Saudi Arabia
Notice bibliographique
Résumé
BACKGROUND: As artificial intelligence (AI) becomes increasingly integral to healthcare, preparing medical and health sciences students to engage with AI technologies is critical. OBJECTIVES: This study investigates the perceived AI readiness of medical and health sciences students in Saudi Arabia, focusing on four domains: cognition, ability, vision, and ethical perspectives, using the Medical Artificial Intelligences Readiness Scale for Medical Students (MAIRS-MS). METHODS: A cross-sectional survey was conducted between October and November 2023, targeting students from various universities and medical schools in Saudi Arabia. A total of 1,221 students e-consented to participate. Data were collected via a 20-minute Google Form survey, incorporating a 22-item MAIRS-MS scale. Descriptive and multivariate statistical analyses were performed using Stata version 16.0. Cronbach alpha was calculated to ensure reliability, and least squares linear regression was used to explore relationships between students' demographics and their AI readiness scores. RESULTS: The overall mean AI readiness score was 62 out of 110, indicating a moderate level of readiness. Domain-specific scores revealed generally consistent levels of readiness: cognition (58%, 23.2/40), ability (57%, 22.8/40), vision (54%, 8.1/15) and ethics (57%, 8.5/15). Nearly 44.5% of students believed AI-related courses should be mandatory whereas only 41% reported having such a required course in their program. CONCLUSIONS: Medical and health sciences students in Saudi Arabia demonstrate moderate AI readiness across cognition, ability, vision, and ethics, indicating both a solid foundation and areas for growth. Enhancing AI curricula and emphasizing practical, ethical, and forward-thinking skills can better equip future healthcare professionals for an AI-driven future.
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 | 0,001 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».