| huozm32831 |
2021-11-07 11:18 |
人工智能 (AI) 似乎是医疗保健和高等教育领域的新流行语。它被誉为解决影响卫生专业人员、患者、学生和教育工作者的问题的一种方法，它试图提高预测健康、学习、服务和其他结果并因此做出决策的速度和准确性。虽然它看起来是一个相对较新的技术发展，但人工智能的起源可以追溯到 1950 年代，并且在过去几年中经历了连续的发展和解体浪潮（Boden，2018 年）。它的创始人之一将人工智能定义为“制造智能机器的科学和工程，尤其是智能计算机程序”（McCarthy，2007）。这些计算方法在 1990 年代开始受到关注，当时机器学习通过一系列监督学习技术脱颖而出。这使得能够构建更复杂的统计模型，这些模型能够做出软的、概率性的决策。例如，在美国，Harvey (1993)使用人工神经网络来支持护士围绕诊断做出的决策。由于语言学和统计学的发展以及计算能力的提高，人工智能的另一个分支自然语言处理 (NLP) 在这个时期也开始蓬勃发展 ( Manning, 1999)。尽管人工智能取得了进步，但随着无监督学习和强化学习技术的出现，使“深度学习”成为可能' 以及 NLP 系统的进步，许多年后人工智能才应用于护理教育。
2008 年，Moseley 和 Mead (2008)使用一种称为决策树的机器学习技术来预测英国本科护理课程的辍学率。该算法使用相对较小的 3978 名大学生记录数据集，来自 528 名护理学生，将其用作训练数据集，然后将较小的子集用作测试数据集，以预测该计划的学生流失。他们报告说这种方法实现了 84% 的灵敏度、70% 的特异性和 94% 的总体准确度。然而，几年后，人工智能再次被用于教学护理研究。最近的一项实证研究开发了一个预测模型来衡量护理专业学生是否会在其专业培训的不同阶段从大学教育课程毕业。汉纳福德等人，2021 年）。研究人员使用了八种不同的机器学习算法，即随机森林、xgboost、神经网络、支持向量机、C5.0、朴素贝叶斯、K-最近邻和逻辑回归，来构建模型并比较各种算法的准确性。确定护理学生毕业的技术。
虽然大多数研究侧重于开发和测试人工智能算法及其相关的预测模型，但Swan (2021)对美国的护理专业学生、护士教师和执业护士进行了一项在线调查 (n = 675)，以探索他们的知识水平、在医疗保健中使用人工智能以及对人工智能的态度。只有 30% 的人报告知道 AI 如何用于临床护理实践，大多数人对 AI 中使用的技术只有一般的了解或不了解，一些参与者强调护士需要在这方面的一系列能力。其他研究更进一步，在现实护理世界中实施了基于人工智能的工具。例如，纳朗等人。(2021)将使用通过深度学习算法增强的超声心动图的护士与使用标准超声心动图的超声医师进行了比较，以了解这种类型的 AI 方法是否可以在训练和临床经验有限的情况下产生相同质量的诊断医学图像。作者指出，这对资源匮乏环境中的教育和临床实践尤其有益。Shorey 等人的研究方案。(2019)还描述了一个可以在基于 NLP 的系统上运行的虚拟咨询聊天机器人。从理论上讲，这将与护理学生作为虚拟患者进行互动，以尝试提高他们的沟通技巧。
一些护理研究人员已经开始综合有关护理教育中人工智能的文献。哈蒙等人。(2021)对用于护理疼痛教育的临床模拟中的人工智能和虚拟现实进行了范围审查，发现只有四项相关研究。然而，这篇评论中对人工智能的描述似乎松散地集中在“计算机辅助教学”上。此外，纳入的四项研究均未提及模拟技术开发或应用中的任何特定 AI 技术，审查结果中也未提及任何实际的 AI 方法。这可能表明对该领域所包含的内容缺乏了解或混淆。最近对护理人工智能文献的回顾更广泛地包括了 100 多项研究（O'Connor 等人，2021 年）)，但强调与护理教育相关的数量有限，因为当前的大多数证据基础都集中在医院环境中的临床护理实践。该评论还强调需要培训和提高人工智能护士的技能，其他人也指出，这也让学生、教师和护士在实践中为现在和未来的数字化医疗做好准备（Booth 等人，2021 年，O'Connor 和拉鲁，2021 年）。
一个国际人工智能护理联盟于 2019 年召开，以确定优先行动领域（Ronquillo 等人，2021 年）。他们强调了护士在健康信息学和人工智能方面的专业知识需要紧急解决的问题，因此该主题可以在本科和研究生护理课程中教授。他们认为，缺乏人工智能知识等问题可能会阻碍该行业参与和领导医疗保健领域的人工智能计划。借鉴其他开始在教学中更多地利用人工智能的专业同事的经验，可以使护理受益。硕士（2019）讨论了人工智能在医学教育中的未来，描述了许多潜在有用的应用程序，例如可以响应学生知识差距并提供个性化反馈的“智能”系统，可以在大学和临床培训期间为学生提供支持的虚拟辅导员，以及算法用于管理任务，例如跟踪参与度和出勤率。佐治亚理工学院的一位教授部署了一个基于 IBM Watson 平台的虚拟助教，用于在线硕士课程，为计算机科学专业的学生在在线论坛上发帖提供反馈和支持，研究生似乎很看重这一点（佐治亚理工学院）科技, 2016）。预测学习分析也越来越流行，其中使用机器学习技术挖掘过去的学生数据来预测当前和未来学生的行为。这些见解可以指导大学招生、课程注册和教学策略，以定制学习、评估和反馈，以及识别有风险的学生，尽管Ekowo 和 Palmer（2016）建议应合乎道德地使用这些分析工具，以免使某些学生群体处于不利地位。
然而，Bayne (2015)认为，像虚拟教师机器人这样的自动化教学工具似乎是由“以生产力为导向的解决主义”驱动的，而以人文主义为基础的教学法应该成为高等教育的基础。波佩尼奇和可儿 (2017)还更广泛地讨论了高等教育中的人工智能，强调这些复杂的计算方法更有可能扩展教育工作者的能力并改善学习过程和环境，而不是取代教学人员。尽管如此，他们还是提倡对人工智能在整个大学部门的应用方式进行透明和监督，以帮助降低算法偏见的风险。这可能来自不具代表性的数据集以及由此衍生的相应算法、预测建模和决策，这可能会加剧高等教育中的结构性不平等。例如，德克萨斯大学奥斯汀分校多年来一直使用机器学习系统来评估计算机科学博士课程的申请，因为它节省了教师的管理时间。然而，伯克，2020 年）。
人工智能是否会被教师、学生、大学管理层和行政部门接受，还有待观察。很清楚的是，如果要应用这些计算技术，则需要非常小心，以确保它们帮助我们为学生和教育者预测更好的教学和学习未来，而不是成为一种不健康的偏爱，只关注节省金钱和时间。毫无疑问，人工智能将继续发展和进步，这意味着在护理教育中明智地应用它可能会有一些好处。 |
|