Understanding Nurses' Intention to Use Artificial Intelligence Technologies in Their Clinical Practice: A Survey‐Based Configurational Analysis
Notice bibliographique
Résumé
AIMS: The study focused on nurses' familiarity with, beliefs about, and attitudes towards artificial intelligence, aiming to identify configurations of necessary and sufficient conditions associated with strong intentions to use artificial intelligence-based health technologies in their clinical practice. DESIGN: Cross-sectional survey conducted online from mid-October 2023 through early February 2024. METHODS: The fuzzy set qualitative comparative analysis method was employed to analyse the survey data. DATA SOURCE: 307 members of the professional order of nurses in Québec province, Canada. RESULTS: Findings from the qualitative comparative analysis show that strong intentions to use artificial intelligence are only observed when nurses perceive artificial intelligence to have a high impactfulness on their future clinical practice (necessary condition). Moreover, we observe three configurations of sufficient conditions, that is, three combinations (artificial intelligence profiles) of familiarity with, belief about, trust in, and perceived impactfulness of artificial intelligence. CONCLUSION: Current curriculum efforts have centred on defining artificial intelligence competencies, yet competency alone does not guarantee a willingness to adopt artificial intelligence tools. Our findings indicate that a positive attitude towards artificial intelligence's potential impact is crucial, with various profiles supporting intentions to adopt artificial intelligence. IMPLICATIONS FOR THE PROFESSION: These findings suggest that nurses' preparation should go beyond developing artificial intelligence competencies and that nursing educators and trainers need to account for the different profiles associated with strong intentions to use artificial intelligence technologies. Training programmes and nursing curricula should prioritise shaping nurses' beliefs and attitudes about artificial intelligence rather than focusing solely on technical skills. IMPACT: We contribute to nursing research by showing that a positive attitude towards artificial intelligence's impactfulness on nurses' future clinical practice is a necessary condition for having high intentions to use artificial intelligence technologies. REPORTING METHOD: Relevant guidelines have been adhered to by employing recommended qualitative comparative analysis reporting methods. PATIENT OR PUBLIC CONTRIBUTION: No patient or public contribution.
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 | 0,008 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».