Patterns, advances, and gaps in using ChatGPT and similar technologies in nursing education: A PAGER scoping review
Notice bibliographique
Résumé
BACKGROUND AND AIM: Generative AI (GenAI) can transform nursing education and modernise content delivery. However, the rapid integration of these tools has raised concerns about academic integrity and teaching quality. Previous reviews have either looked broadly at artificial intelligence or focused narrowly on single tools like ChatGPT. This scoping review uses a structured framework to identify patterns, advances, gaps, evidence, and recommendations for implementing GenAI in nursing education. METHODS: This scoping review followed the JBI methodology and PRISMA-ScR guidelines. We searched PubMed, CINAHL, SCOPUS, ERIC, and grey literature (October to November 2024). Data synthesis utilised the PAGER framework as a mapping tool to organise and describe patterns, advances, gaps, evidence for practice, and recommendations. RESULTS: Analysis of 107 studies revealed GenAI implementation across four key domains: assessment and evaluation, clinical simulation, educational content development, and faculty/student support. Three distinct implementation patterns emerged: restrictive, integrative, and hybrid approaches, with hybrid models demonstrating superior adoption outcomes. Technical advances showed significant improvement from GPT-3.5 (75.3 % accuracy) to GPT-4 (88.67 % accuracy) in NCLEX-style assessments, with enhanced capabilities in multilingual assessment, clinical scenario generation, and adaptive content creation. Major gaps included limited methodological rigour (29.0 % of empirical studies), inconsistent quality control, verification challenges, equity concerns, and inadequate faculty training. Geographic distribution showed North American (42.1 %) and Asian (29.9 %) dominance, with ChatGPT representing 83.2 % of tool implementations. Key recommendations include developing institutional policies, establishing quality verification protocols, enhancing faculty training programs, and addressing digital equity concerns to optimise GenAI integration in nursing education. CONCLUSIONS: GenAI has transformative potential in nursing education. To realise its full potential and ensure responsible use, research should focus on developing standardised governance frameworks, empirically validating outcomes, developing faculty in AI literacy, and improving technical infrastructure for low-income contexts. Such efforts should involve international collaboration, highlighting the importance of the audience's role in the global healthcare community.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».