Attitudes of Primary Healthcare Centers Workers' towards Artificial Intelligence in Healthcare
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
Objective: The appearance of artificial intelligence (AI) technologies has developed as a promising solution to develop healthcare efficiency and improve patient outcomes. The objective of the study was to assess the primary healthcare centers worker’s attitudes towards artificial intelligence in healthcare. Methods and Materials: A descriptive cross-sectional study design has been carried out from period 9 October, 2024 to 1st March, 2025. Non-probability (purposive) sample of (451) primary healthcare centers workers from (12) primary healthcare centers in Baghdad City centers, were selected to participate in the study. Data were collected through a self-report instrument that includes the socio-demographic data (age, sex, marital states, job description, educational qualification, years of experience and AI training), Likert scale of primary healthcare worker’s attitudes towards AI. The data were analyzed using the SPSS-26. Findings: The study results reveals that, more than quarter of the participant age (28.1-34) years (n=115;25.5%), The majority of the study participants didn’t participate in training course regarding artificial intelligence (96.7%). More than third of the study participants have 6-10 years’ experience in primary healthcare centers (34.6%). More than half of the study participant have positive attitudes towards artificial intelligence in healthcare (54.33%). There was a statistical significant positive correlation between the participants age, educational qualification, years of experience and the level attitudes towards artificial intelligence in healthcare (r=.208 at p <0.01: r=.396 at p<0.05: r=.136 at p =0.01) respectively. Conclusion: It can be concluded that more than half of primary healthcare centers workers have positive attitudes regarding artificial intelligence in healthcare.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle