Acceptance of AI-Powered Chatbots Among Physiotherapy Students: International Cross-Sectional Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Artificial intelligence-powered chatbots (AI-PCs) are increasingly integrated into educational settings, including health care disciplines. Despite their potential to enhance learning, limited research has investigated physiotherapy (PT) students' acceptance of this technology. Objective: This study aims to assess undergraduate PT students' acceptance of AI-PCs and to identify personal, academic, and technological factors influencing their acceptance. Methods: Over a 4-month period, a cross-sectional survey was conducted across 7 PT programs in 5 countries. Eligible participants were national undergraduate PT students. The technology acceptance model (TAM)-based questionnaire was used for capturing perceived usefulness, perceived ease of use, attitude, behavioral intention, and actual behavioral use of AI-PCs. The influence of personal, academic, and technological factors was examined. Descriptive and inferential statistics were conducted. Results: The mean total TAM score was 3.59 (SD 0.82), indicating moderate acceptance. Of the 1066 participants, 375 (35.2%) showed high acceptance, 650 (60.9%) moderate, and 41 (3.9%) low. Prior experience with artificial intelligence (AI) tools emerged as the strongest predictor of acceptance (β=.43; P<.001), followed by university affiliation (ANOVA P<.001). Cumulative grade point average percentage was positively correlated with TAM score (r=0.135; P<.001) but was not a significant predictor in regression (P=.23). Age (P=.54), sex (P=.56), academic level (P=.26), and current use of AI-PCs (P=.10) were not significant predictors. Conclusions: PT students demonstrated moderate acceptance of AI-PCs. Prior technological experience was the strongest predictor, underscoring the importance of early exposure to AI tools. Educational institutions should consider integrating AI technologies to enhance students' familiarity and foster positive attitudes toward their use.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| 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 découle