The role of artificial intelligence in enhancing interprofessional education and collaborative practice: a mixed methods scoping review
Notice bibliographique
Résumé
In this scoping review, we examined the role of artificial intelligence (AI) in enhancing interprofessional education and collaborative practice (IPECP) within healthcare settings. Drawing on the Canadian Interprofessional Health Collaborative “Competency Framework,” the review investigated AI’s capacity to support essential IPECP competencies, including team communication, relationship-focused care, role clarification, and collaborative leadership. A comprehensive literature search identified 15 studies published from 2010 onwards that explored various AI applications, such as virtual reality simulations, clinical decision support systems, and machine learning algorithms, aimed at fostering interprofessional teamwork and improving healthcare outcomes. Key findings suggest that AI could facilitate effective team communication, real-time decision-making, and interprofessional education by enabling consistent, evidence-based recommendations and personalized treatment plans. However, several barriers to AI adoption were noted, including clinician mistrust, data security concerns, and challenges integrating AI within existing healthcare infrastructure. These findings highlight the potential for AI to advance IPECP but underscore the need for further research explicitly aligned with targeted IPECP competencies. Addressing these barriers will be critical to integrating AI into standard team-based healthcare practices.
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 | 0,041 | 0,128 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,021 | 0,019 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,010 | 0,006 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».