Transforming Healthcare AI Education Through Micro-Learning: A Novel Partnership Model for Nursing Workforce Development
Notice bibliographique
Résumé
Abstract Healthcare professionals face an urgent need for AI literacy as artificial intelligence technologies rapidly transform clinical practice, yet nursing-specific educational resources remain scarce. The objective of this study was to evaluate the effectiveness of an innovative micro-learning AI education program developed through an academic-industry partnership. We implemented 11 micro-courses (4-5 hours each) across foundational, application, and advanced competency levels, with nursing-specific content addressing professional scope and leadership opportunities. The program was delivered through Chamberlain University Center for Faculty Excellence and Walden University School of Lifelong Learning. We analyzed enrollment data, learning outcomes, and satisfaction scores from 478 students and faculty with 612 course completions. Among 612 course completions, registered nurses comprised 49% of participants. Students demonstrated significant knowledge gains (Cohen’s d = 0.65, p < 0.001) with high satisfaction scores (mean = 4.58/5.0). Faculty participants showed exceptional outcomes (satisfaction mean = 4.67/5.0) with 99% expressing commitment to applying learning. Content relevance scored highest across all measures (4.61-4.71), indicating integration of academic rigor with practical applicability. This micro-learning approach addresses critical gaps in healthcare AI education through scalable, nursing-specific curriculum. The partnership model bridges academic expertise with industry relevance, providing a replicable framework for systematic workforce preparation in AI-enhanced healthcare delivery.
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 | 0,007 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».