Artificial Intelligence in Nursing Decision-Making: A Bibliometric Analysis of Trends and Impacts
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
Background: Nursing decision-making is pivotal for patient safety and care quality. While artificial intelligence (AI) offers transformative potential in this field, a comprehensive analysis of global research trends is lacking. Methods: We conducted a bibliometric analysis of 238 publications (197 research papers, 41 reviews) from the Web of Science Core Collection (2003–2025) using CiteSpace and VOSviewer. Results: The results reveal growing interest (7.59% annually) in the field of AI in nursing decision-making, with contributions from 54 countries/regions. The USA leads in the number of publications, followed by China and Canada, while the United Kingdom stands out in terms of citation impact. Institutions such as Columbia University and Harvard Medical School dominate in both the publication volume and citation frequency. Journal analysis shows that the top three journals in terms of publication volume in this field are Cin-Computers Informatics Nursing, Journal of Nursing Management, and Applied Clinical Informatics. Keyword analysis highlights the significant potential of natural language processing technologies, particularly those based on large language models (e.g., ChatGPT), in nursing decision-making. Furthermore, emerging trends are evident, with the sudden appearance and rapid growth of keywords such as “patient safety” and “user acceptance”, indicating a shift in research focus from purely technology-driven studies to a greater emphasis on the practical impact of AI technologies on nursing systems and their clinical applications. Conclusions: This study delineates the current landscape and evolving trends of AI in nursing decision-making, emphasizing its progression from theoretical frameworks to clinical integration, thereby providing valuable references for future research.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,156 | 0,212 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 | 0,000 |
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 découle