Knowledge and attitudes of nursing students towards artificial intelligence and related factors: A systematic review
Notice bibliographique
Résumé
This systematic review aimed to evaluate the knowledge and attitudes of nursing students towards artificial intelligence (AI) and to identify factors associated with their perspectives. A comprehensive search was conducted across various international electronic databases, including Scopus, PubMed, and Web of Science. Keywords were derived from Medical Subject Headings (MeSH) and included terms such as "knowledge", "attitude", "artificial intelligence", and "nursing students". The search encompassed records from the earliest available date up to July 20, 2024. The selected studies were evaluated for quality using the Appraisal tool for Cross-Sectional Studies (AXIS tool), an appraisal instrument designed for cross-sectional studies. In total, 1,299 nursing students were included across six cross-sectional studies. Among the participants, 80.87% were female, with a mean age of 22.01 (standard deviation [SD]=3.05) years. The studies incorporated in this systematic review were conducted in Egypt (n=3), India (n=1), the United States (n=1), and Croatia (n=1). The average knowledge score about AI among nursing students in the three studies was 66.62 out of 100, reflecting good knowledge. Students' knowledge of digital transformation, digital skills, and digital health literacy had a significant positive relationship (n=1). The average positive attitude of nursing students towards AI, as observed in six studies, was 64.73 out of 100, indicating a generally high positive attitude among nursing students regarding AI. There was a significant relationship between male gender (n=1), adoption of AI technology, and knowledge (n=1) with a positive attitude about AI. Nursing policymakers and managers can enhance nursing students' knowledge and attitudes toward AI by focusing on digital transformation, digital skills, digital health literacy, male gender, AI technology adoption, and knowledge.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».