Conceptual and Governance Gaps in Nursing Regulatory Guidance
Notice bibliographique
Résumé
As Artificial Intelligence (AI) systems become embedded in healthcare delivery, nursing regulatory bodies face unprecedented challenges in developing guidance that protects public safety while enabling appropriate technology use. Our analysis examines a recently published guideline, identifying definitional inadequacies, situating AI within an outdated, anthropocentric paradigm that diverges substantially from contemporary AI scholarship and fails to capture how modern systems actually function. Our analysis also identifies well as three critical gaps between regulatory frameworks and contemporary understanding of AI systems. First, its privacy considerations treat AI as conventional healthcare technology, missing the AI-specific characteristics which are distinct from more traditional healthcare risks. Second, the organization inappropriately transfers complex technical assessment responsibilities from organizations to individual practitioners. Third, while the organization acknowledges algorithmic bias affecting equity-deserving populations, the guidelines do not acknowledge the operational frameworks which are required for bias detection and remediation, again placing technical assessment burdens on individual nurses. To effectively address the implications of AI with regards to nursing regulation, interdisciplinary collaboration, clear organizational accountability frameworks, and evidence-based guidance reflecting technical realities are required. This analysis identifies priority areas for nursing regulatory bodies as they develop or revise AI practice guidance.
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 | 0,130 | 0,148 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,010 | 0,057 |
| Communication savante | 0,026 | 0,021 |
| Science ouverte | 0,005 | 0,015 |
| Intégrité de la recherche | 0,015 | 0,014 |
| 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 ».