Nurses' knowledge and attitudes towards artificial intelligence and related factors: A systematic review
Notice bibliographique
Résumé
This systematic review investigates nurses' knowledge, attitudes, and related factors concerning artificial intelligence (AI). A comprehensive and systematic 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 "nurses". The search encompassed records from the earliest available to July 3, 2024. The quality of the studies included in this systematic review was assessed using the Appraisal Tool for Cross-Sectional Studies (AXIS tool), an appraisal instrument designed for cross-sectional studies. In total, 1,213 nurses were surveyed across five cross-sectional studies. 76.37% of these participants were female. The systematic review included studies conducted in Egypt (n=2), the United States (n=1), China (n=1), and Germany (n=1). The average knowledge score of AI among nurses in four studies was 21.93 out of 100, indicating poor knowledge of AI. There was a significant relationship between nurses' knowledge of AI and education level, gender, and the type of healthcare facility in which they work (n=1). The average positive attitude of nurses towards AI, as observed in three studies, was 67.19 out of 100, reflecting a generally high positive attitude among nurses. There was a significant relationship between nurses' education level and attitude toward AI (n=1). Therefore, policymakers and health managers can enhance nurses' knowledge and positive attitudes by focusing on factors such as education level, gender, and type of healthcare facility.
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 | 0,011 | 0,056 |
| 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 ».