Artificial intelligence in advanced practice nursing education: Opportunities and challenges
Notice bibliographique
Résumé
ABSTRACT: Artificial intelligence (AI) is transforming health care delivery and education, offering both opportunities and challenges. Because AI tools become more integrated into clinical practice, educators are exploring their potential to enhance learning, improve decision making, and prepare future providers for technology-rich environments. However, the use of AI in health care education raises concerns about academic integrity, overreliance, and the risk of AI-generated misinformation, known as "hallucinations." These inaccuracies pose significant challenges for students building foundational knowledge. Additionally, practical issues such as implementation costs, Health Insurance Portability and Accountability Act compliance, data privacy, and inherent biases in AI systems must be addressed. This article discusses the integration of AI into advanced practice nursing education using the Technological Pedagogical Content Knowledge (TPACK) framework. This framework emphasizes the interconnectedness of technology, pedagogy, and content knowledge, guiding educators in designing assignments that promote critical thinking and prepare students for real-world clinical practice. The evolution of an AI-based assignment for advanced practice nursing students is detailed, highlighting ethical considerations, interdisciplinary collaboration, and the development of clinical reasoning skills. By integrating AI into nursing education, we can ensure that advanced practice registered nurses (APRNs) are well-prepared to meet the demands of modern health care environments. This integration supports essential competencies, aligns with the 2021 American Association of Colleges of Nursing Essentials, and addresses the increasing complexity of patient care. Moreover, it equips APRNs with the skills needed to leverage AI effectively, fostering a culture of continuous learning and adaptation.
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 | 0,018 | 0,015 |
| 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 | 0,003 | 0,006 |
| Communication savante | 0,012 | 0,009 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».