Artificial intelligence in pharmacy education: A scoping review of current integration & global perceptions
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
BACKGROUND: The rapid evolution of artificial intelligence (AI) is reshaping healthcare, including pharmacy, requiring AI-proficient pharmacy graduates. This necessitates an understanding of how AI is utilized in pharmacy education. This scoping review aims to summarize current literature on AI in pharmacy education, including its implementation and perceptions among students and faculty, and examine the alignment of these applications with accreditation standards to inform future curriculum development. METHODS: A literature search was performed across PubMed, Scopus, Embase, CINAHL, and Google Scholar, for studies on AI in pharmacy education. Articles were categorized as innovation or perception studies. Innovation studies underwent thematic analysis to identify practical applications, while perception studies captured AI familiarity and willingness for curricular integration. AI applications were mapped to the Accreditation Council for Pharmacy Education (ACPE) and Canadian Council for Accreditation of Pharmacy Programs (CCAPP) standards. RESULTS: Twenty articles (10 innovation, 10 perception) were included. Faculty utilized AI for evaluation, assessment, and reflective writing analysis. Students used AI for personalized learning, enhancing communication, and problem-based learning. Some studies reported high AI familiarity; others showed limited knowledge. Nevertheless, a strong willingness to integrate AI into pharmacy education was observed, with students desiring more AI-focused curricula. Mapping AI applications to accreditation standards demonstrated that AI integration can support educational outcomes and competency requirements. CONCLUSIONS: The findings highlight potential AI applications in pharmacy education, underscoring the need to incorporate AI into pharmacy curricula. Alignment with accreditation standards suggests that AI integration addresses evolving professional needs and maintains quality standards for pharmacy 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.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle