Large Language Models in Nursing Education: Concept Analysis
Notice bibliographique
Résumé
Background: Large language models (LLMs) are increasingly used in nursing education, yet their conceptual foundations remain abstract and underexplored. This concept analysis addresses the need for clarity by examining the relevance, meaning, contextual applications, and defining attributes of LLMs in nursing education, using Rodgers' evolutionary method. Objective: This paper aims to explore the evolutionary concept of LLMs in nursing education by providing a concept analysis through a comprehensive review of the existing published literature. Methods: Rodgers' evolutionary concept analysis method was used. PubMed, CINAHL, PsycINFO, Scopus, and Google Scholar were used to search for relevant publications. A total of 41 papers were included based on inclusion criteria that focused on studies published in English within the last 5 years to ensure relevance to the current use of LLMs exclusively in nursing education. Studies were excluded if they focused on clinical nursing applications, were not available in English, lacked full-text accessibility, or examined other artificial intelligence (AI) technologies unrelated to LLMs (eg, robotics). Results: As a result of this analysis, a proposed definition of LLMs in nursing education has been developed, describing them as accessible, personalized, innovative, and interactive tools that create revolutionary learning experiences, often leading to enhanced cognitive and skill development and improvement in learning and teaching quality. Conclusions: This concept analysis highlights LLMs' transformative potential to enhance access to resources, support individualized learning, and augment nursing education. While promising, careful attention must be given to their limitations and ethical implications, ensuring their integration aligns with the values and goals of nursing education, particularly in specialized areas such as graduate nursing programs.
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 | 0,026 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,012 | 0,012 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,009 | 0,016 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».