Factors Shaping Healthcare Professionals’ Perceptions of AI in Saudi Arabia: A Cross-Sectional Study
Notice bibliographique
Résumé
The successful adoption of artificial intelligence (AI) in healthcare relies on healthcare professionals' perceptions of its usefulness and their preparedness to integrate it into their practice. This study explores factors influencing these perceptions, focusing on demographic characteristics, computer skills, and AI knowledge. A cross-sectional study was conducted among healthcare professionals in Saudi Arabia between October 2023 and May 2024. Data were collected using a questionnaire that assessed perceptions of AI's professional impact (FACTOR 1) and preparedness to use AI (FACTOR 2) by using the Shinners Artificial Intelligence Perception (SHAIP) scale. Mann-Whitney tests examined differences in FACTOR 1 and FACTOR 2 by computer skills and AI knowledge. Multivariable linear regression identified predictors of these perceptions. Of the 359 participants, 76.60% reported high computer skills, while 62.12% reported low AI knowledge. Participants with higher computer skills and greater AI knowledge scored significantly higher on both FACTOR 1 and FACTOR 2 (p < 0.05). Gender, involvement in health informatics, and experience with healthcare technology emerged as significant predictors. Female participants reported significantly lower perceptions of AI's professional impact compared to males (β = -0.253, p = 0.020). Participants working in health informatics demonstrated a significantly better perception of AI's professional impact, while professionals with more than five years of experience using healthcare technology scored higher on both factors. In conclusion, digital competencies and AI knowledge are critical for shaping healthcare professionals' perceptions of AI. Targeted interventions and policy to enhance these skills are essential to promote equitable and effective AI adoption in healthcare settings.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».