Knowledge and Awareness of Generative Artificial Intelligence Use in Medicine Among International Stakeholders: A Cross‐Sectional Study
Notice bibliographique
Résumé
OBJECTIVE: To assess the knowledge, attitudes, and practices (KAP) of medical stakeholders regarding the use of generative artificial intelligence (GAI) tools. METHODS: A cross-sectional survey was conducted among stakeholders in medicine. Participants included researchers, clinicians, and medical journal editors with varying degrees of familiarity with GAI tools. The survey questionnaire comprised 40 questions covering four main dimensions: basic information, knowledge, attitudes, and practices related to GAI tools. Descriptive analysis, Pearson's correlation, and multivariable regression were used to analyze the data. RESULTS: The overall awareness rate of GAI tools was 93.3%. Participants demonstrated moderate knowledge (mean score 17.71 ± 5.56), positive attitudes (mean score 73.32 ± 15.83), and reasonable practices (mean score 40.70 ± 12.86). Factors influencing knowledge included education level, geographic region, and attitudes (p < 0.05). Attitudes were influenced by work experience and knowledge (p < 0.05), while practices were driven by both knowledge and attitudes (p < 0.001). Participants from outside China scored higher in all dimensions compared to those from China (p < 0.001). Additionally, 74.0% of participants emphasized the importance of reporting GAI usage in research, and 73.9% advocated for naming the specific tool used. CONCLUSION: The findings highlight a growing awareness and generally positive attitude toward GAI tools among medical stakeholders, alongside the recognition of their ethical implications and the necessity for standardized reporting practices. Targeted training and the development of clear reporting guidelines are recommended to enhance the effective use of GAI tools in medical research and practice.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | high |
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».