Education About Digital Health and Artificial Intelligence and Learning Needs: Perspectives of Undergraduate Nursing Students
Notice bibliographique
Résumé
Background: Nurses have long used different types of technologies in clinical practice and nursing education. Technology is rapidly evolving, and nurses must keep pace. Purpose: This study aimed to explore nursing students’ perspectives on their preparedness for digital health. Methods: A mixed-methods design was used. Senior-level undergraduate nursing students from two schools of nursing in Eastern and Western Canada participated in focus group interviews and completed a 45-item cross-sectional researcher-developed survey consisting of four parts. We applied in the survey a five-point rating ranging from very low to very high or strongly agree to strongly disagree. Curricular documents were also reviewed to identify how digital health concepts are being incorporated and used to aid in the interpretation of the findings. We analyzed qualitative data using thematic analysis and quantitative data using descriptive statistical analysis. Results: A total of 18 participants took part in focus groups, and 74 completed surveys were included in the analysis. Themes included experiences influencing students’ learning about digital health and suggestions for improving learning about digital health. Survey results were as follows: Self-rated knowledge about digital health and confidence (five items: mean = 17.50/25; SD = 3.30); perceived digital health preparedness and current nursing education opportunities (12 items: mean = 43.65/60; SD = 6.90); perceived benefits and concerns and relevance of digital health to nursing and future practice (22 items: mean = 82.92/110; SD = 6.18); digital health education needs (six items: mean = 23.31/30; SD = 4.59). Findings from both sources corroborate gaps identified in curricular materials. Conclusion: Nursing students have strong digital capabilities and access to some educational opportunities in their schools and in the clinical setting. However, there is a need for more systematic education and improved learning experiences about digital health (existing and emerging technologies such as artificial intelligence) so that the next generation of nurses is better prepared for this era of digital revolution.
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 | 0,004 | 0,006 |
| 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 | 0,005 | 0,002 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».