Informatics Competency and Technology Self-Efficacy Profiles in Saudi Undergraduate Nursing Students: A Cross-Sectional Study (Preprint)
Notice bibliographique
Résumé
BACKGROUND The Saudi Arabian healthcare sector is transforming under Vision 2030, with the goal of digitizing services. This necessitates a digitally prepared nursing workforce; however, evidence suggests that nursing students have limited informatics competency, and these skills are minimally covered in their training OBJECTIVE To measure the baseline informatics competency and technology self-efficacy of Saudi undergraduate nursing students METHODS Using a descriptive cross-sectional design, data were collected from 243 undergraduate nursing students from Hail University via an online survey. The survey content covered demographics, informatics competency (Canadian Nurse Informatics Competency Assessment Scale), and digital technology self-efficacy. Data analysis employed descriptive statistics, t-tests, analysis of variance, and hierarchical multiple regression analysis RESULTS Students reported a moderate level of informatics competency, with a mean Canadian Nurse Informatics Competency Assessment Scale score of 2.16 (out of 4). They also showed moderate-to-high self-efficacy for digital technology, with a mean score of 2.7 (out of 4). Competency informatics scores were significantly higher among students with prior informatics training and frequent electronic health record exposure. Additionally, self-efficacy for digital technology was positively associated with informatics competency CONCLUSIONS There is a substantial gap between the informatics competencies of Saudi undergraduate nursing students and the expectations of Vision 2030. The findings indicate the need for improvements in informatics training and clinical electronic health record experience in the nursing curriculum to create a digitally competent workforce in the future CLINICALTRIAL NA
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 | 0,002 | 0,003 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».