Public Health Students' Perceptions of AI Technology in Education and Practice
Notice bibliographique
Résumé
This thesis examines the perceptions of public health students regarding Artificial Intelligence (AI) technology in their education and future practice. As AI rapidly transforms healthcare and public health, there is a growing need to understand the preparedness and perspectives of the emerging public health workforce. This study addresses the research question: What are public health students' perceptions of AI technology in their education and practice? Employing a qualitative descriptive methodology, this research conducted focus group interviews with 24 Master of Public Health (MPH) and Master of Science (MSc) students from the University of Alberta. Data were analyzed using reflexive thematic analysis. Findings reveal public health students possess a nuanced understanding of AI, marked by curiosity, excitement, and uncertainty. They actively use tools like ChatGPT for academic writing, research, and personalized learning, valuing the efficiency and recognizing AI's potential in epidemiological surveillance, disease diagnosis, and health management. However, students raised significant concerns regarding data privacy, algorithmic bias exacerbating health inequities, misinformation eroding public trust, the ethics of AI influencing behavior change, AI's deficient emotional/cultural intelligence, and the risk of overreliance diminishing critical thinking. To mitigate these, they suggested fostering community engagement in AI development, adopting multidisciplinary approaches to reduce bias, ensuring robust human oversight, and developing comprehensive, ethics-focused AI curricula that address generational and digital gaps.
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 | 0,022 |
| 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 | 0,003 | 0,005 |
| Communication savante | 0,009 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».