Perception of Artificial Intelligence Technology and Its Relation to Problem-Solving Abilities among Staff Nurses
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 integration of artificial intelligence into various sectors including health care has heightened the need for understanding its impact on nurses cognitive and problem-solving abilities. Purpose: To assess staff nurses perception of artificial intelligence technology and its relation to nurses' problem-solving abilities. Design: descriptive Correlational research design was used. Setting: Conducted at the critical care units and general departments at Menoufia University Hospitals at Shebin Elkom. Sample: A convenient sample technique of 306 staff nurses. Instruments: Artificial Intelligence Technology and Problem Solving Abilities Questionnaires. Results: The minority (15.0%) of the studied nurses had high perception level of total artificial intelligence and nearly one third (29.1%) of them had moderate perception level of total artificial intelligence while nearly two third (55.9 %) of them had low perception level of total artificial intelligence. Also, less than one third (30.1%) of the studied nurses had high level of problem-solving abilities, less than one quarter (22.2%) of them had moderate level of problem-solving abilities. while, less than half (47.7%) of them had low level of problem-solving abilities. Conclusion: there was low statistically significance positive correlation between studied nurses' artificial intelligence and problem-solving abilities. Recommendation: Hospital administration conduct workshop and training programs to increase nurses’ knowledge about the benefits, challenges, and problems concerning implementation of artificial intelligence in health care settings.
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 | 0,001 | 0,001 |
| 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 | 0,000 | 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