Spotlighting healthcare frontline workers´ perceptions on artificial intelligence across the globe
Notice bibliographique
Résumé
Abstract We sought to define healthcare workers’ (HCW) views on the integration of generative artificial intelligence (AI) into healthcare delivery and to explore the associated challenges, opportunities, and ethical considerations in low- and middle-income countries (LMICs). We analysed unified data from selected 2023 Gates Foundation AI Grand Challenges projects using a mixed-methods, cross-sectional survey evaluated by an international panel across eight countries. Perceptions were rated on a simplified three-point Likert scale (sceptical, practical, enthusiastic). Among 191 frontline HCWs who interacted with AI tools, 617 responses were assessed by nine evaluators. Enthusiastic responses accounted for the majority (75.4%), while 21.6% were practical and only 3.0% were sceptical. The overall interclass correlation coefficient of 0.93 (95%CI: 0.91–0.94, with an average rating k = 9) indicated excellent inter-rater reliability. While quantitative data underscored a generally positive attitude towards AI, qualitative findings revealed recurring cultural and linguistic barriers and ethical concerns. This is a unique study analysing data from the first applications of generative AI in health in LMICs. these findings offer early insights into generative AI implementation in LMIC healthcare settings and highlights both its transformative potential and the need for careful policy and contextual 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 | 0,013 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».