Factors Influencing Clinical Nurses’ Intention to Use and Actual Use of Generative Artificial Intelligence in China: A Multicentre Cross-sectional Study

तकनीकी सारांश: चीन में नैदानिक नर्सों के जेनेरेटिव आर्टिफिशियल इंटेलिजेंस (GenAI) के उपयोग के इरादे और वास्तविक उपयोग को प्रभावित करने वाले कारक

समस्या विवरण
यद्यपि जेनेरेटिव आर्टिफिशियल इंटेलिजेंस (GenAI) में नर्सिंग अभ्यास के लिए परिवर्तनकारी क्षमता है—जिसमें दस्तावेज़ीकरण स्वचालन से लेकर नैदानिक निर्णय सहायता तक शामिल है—नैदानिक नर्सों के बीच इसके अंगीकरण (adoption) को चलाने वाले विशिष्ट कारकों के संबंध में अनुभवजन्य साक्ष्य सीमित हैं। मौजूदा साहित्य अक्सर सामान्य स्वास्थ्य देखभाल संदर्भों या मिश्रित आबादी में AI अंगीकरण को संबोधित करता है, जो नर्सों की विशिष्ट व्यावसायिक विशेषताओं को ध्यान में रखने में विफल रहता है, जो स्वास्थ्य पेशेवरों का सबसे बड़ा समूह हैं। इसके अलावा, GenAI का एकीकरण विशिष्ट चुनौतियाँ पेश करता है, जिसमें सूचना संबंधी भ्रम (hallucinations), पूर्वाग्रह और नैतिक चिंताएँ शामिल हैं, जो पारंपरिक प्रौद्योगिकियों की तुलना में उपयोगकर्ता स्वीकृति को अलग तरह से प्रभावित कर सकती हैं। सफल कार्यान्वयन को सुगम बनाने के लिए नैदानिक नर्सों के बीच व्यवहार संबंधी इरादे और वास्तविक उपयोग व्यवहार के निर्धारकों को समझना अत्यंत आवश्यक है।

कार्यप्रणाली
इस अध्ययन में जुलाई और अगस्त 2025 के बीच चीन में आयोजित एक बहु-केंद्रित क्रॉस-सेक्शनल सर्वेक्षण डिजाइन का उपयोग किया गया।

• प्रतिभागी: सुविधा नमूनाकरण (convenience sampling) का उपयोग करके विभिन्न स्वास्थ्य संस्थानों के पंजीकृत नर्सों से कुल 1,921 वैध प्रतिक्रियाएं एकत्र की गईं।
• सैद्धांतिक ढांचा: अनुसंधान ने एक विस्तारित यूनिफाइड थ्योरी ऑफ एक्सेप्टेंस एंड यूज़ ऑफ टेक्नोलॉजी (UTAUT) मॉडल का उपयोग किया। मूल UTAUT निर्माणों (प्रदर्शन प्रत्याशा, प्रयास प्रत्याशा, सामाजिक प्रभाव और सुविधा स्थितियाँ) को GenAI के विशिष्ट संदर्भ को बेहतर ढंग से दर्शाने के लिए तकनीकी विश्वास (Technology Trust) और कथित जोखिम (Perceived Risk) के साथ बढ़ाया गया था।
• उपकरण: प्रमाणित UTAUT उपकरणों के आधार पर एक संरचित प्रश्नावली विकसित की गई और 15 नर्सिंग विशेषज्ञों के दो चरणों वाले डेलफी परामर्श के माध्यम से इसे परिष्कृत किया गया। इसने सात आयामों को मापा: प्रदर्शन प्रत्याशा (PE), प्रयास प्रत्याशा (EE), सामाजिक प्रभाव (SI), सुविधा स्थितियाँ (FC), तकनीकी विश्वास (TR), कथित जोखिम (PR), और व्यवहार संबंधी इरादा (BI)। वास्तविक उपयोग व्यवहार (UB) को GenAI उपयोग की स्व-रिपोर्ट की गई आवृत्ति और दायरे के माध्यम से मापा गया।
• विश्लेषण: परिकल्पित संबंधों के परीक्षण के लिए डेटा का विश्लेषण स्ट्रक्चरल इक्वेशन मॉडलिंग (SEM) का उपयोग करके किया गया। क्रोनबैक अल्फा, कंपोजिट रिलायबिलिटी (CR), एवरेज वेरियंस एक्सट्रैक्टेड (AVE), और फोरेल-लार्कर मानदंड के माध्यम से विश्वसनीयता और वैधता का मूल्यांकन किया गया। लिंग, आयु और उपयोग की स्वैच्छिकता के मॉडरेटिंग प्रभावों की जांच करने के लिए मल्टी-ग्रुप विश्लेषण किए गए।

प्रमुख योगदान

1. GenAI के लिए विस्तारित UTAUT मॉडल: यह अध्ययन मानक UTAUT ढांचे में तकनीकी विश्वास और कथित जोखिम को एकीकृत करता है, जो विशेष रूप से नैदानिक नर्सिंग के भीतर जेनेरेटिव AI के अंगीकरण को समझने के लिए एक अधिक सूक्ष्म मॉडल प्रदान करता है।
2. इरादे और व्यवहार पर दोहरा ध्यान: कई अध्ययन जो केवल इरादे पर ध्यान केंद्रित करते हैं, उनके विपरीत, यह शोध व्यवहार संबंधी इरादे से वास्तविक उपयोग व्यवहार तक के मार्ग की जांच करता है, जिसमें सुविधा स्थितियों (Facilitating Conditions) को एक महत्वपूर्ण सेतु के रूप में पहचाना गया है।
3. जनसांख्यिकीय विषमता: अध्ययन इस बात की सूक्ष्म अंतर्दृष्टि प्रदान करता है कि अंगीकरण के चालक लिंग, आयु और स्वैच्छिकता के आधार पर कैसे भिन्न होते हैं, जो नर्सों के बीच समान प्रौद्योगिकी स्वीकृति की धारणा को चुनौती देता है।

परिणाम

• व्यवहार संबंधी इरादे के निर्धारक:
  • प्रदर्शन प्रत्याशा (PE) व्यवहार संबंधी इरादे का सबसे मजबूत सकारात्मक भविष्यवक्ता ($\beta = 0.302, p < 0.001$) था।
  • प्रयास प्रत्याशा (EE) ($\beta = 0.235, p < 0.001$) और तकनीकी विश्वास (TR) ($\beta = 0.207, p < 0.001$) ने भी महत्वपूर्ण सकारात्मक संबंध दिखाए।
  • सामाजिक प्रभाव (SI) का छोटा लेकिन महत्वपूर्ण सकारात्मक प्रभाव ($\beta = 0.094, p = 0.004$) था।
  • कथित जोखिम (PR) व्यवहार संबंधी इरादे के साथ महत्वपूर्ण रूप से नकारात्मक रूप से जुड़ा हुआ था ($\beta = -0.134, p < 0.001$)।
• वास्तविक उपयोग व्यवहार के निर्धारक:
  • व्यवहार संबंधी इरादा (BI) वास्तविक उपयोग का प्राथमिक चालक था ($\beta = 0.409, p < 0.001$)।
  • सुविधा स्थितियाँ (FC) (जैसे, संगठनात्मक समर्थन, संसाधन) भी वास्तविक उपयोग के साथ महत्वपूर्ण रूप से जुड़ी हुई थीं ($\beta = 0.289, p < 0.001$), जो इरादे से स्वतंत्र थी।
• मॉडरेटिंग प्रभाव:
  • लिंग: महिला नर्सों के लिए, PE, EE, SI, और TR महत्वपूर्ण भविष्यवक्ता थे। पुरुष नर्सों के लिए, केवल EE और TR महत्वपूर्ण थे; PE और SI नहीं थे। तकनीकी विश्वास पुरुष नर्सों के लिए अधिक प्रमुख प्रतीत हुआ।
  • आयु: आयु बढ़ने के साथ कथित जोखिम एक अधिक महत्वपूर्ण नकारात्मक भविष्यवक्ता बन गया। इसके विपरीत, 41 वर्ष और उससे अधिक आयु की नर्सों के बीच तकनीकी विश्वास का प्रभाव कमजोर हो गया।
  • स्वैच्छिकता: "इच्छुक" समूह में, सभी परिकल्पित पथ महत्वपूर्ण थे। "तटस्थ" और "अनिच्छुक" समूहों में, अधिकांश पूर्ववर्ती चर सांख्यिकीय महत्व खो बैठे, जो यह सुझाव देता है कि आंतरिक प्रेरणा अंगीकरण तंत्र को बदल देती है।

महत्व और दावे
लेखक दावा करते हैं कि नैदानिक नर्सों द्वारा GenAI का अंगीकरण एक बहुआयामी प्रक्रिया है जो मुख्य रूप से कथित उपयोगिता, उपयोग में आसानी और विश्वास द्वारा संचालित होती है, जबकि कथित जोखिमों द्वारा बाधित होती है। अध्ययन का तर्क है कि सफल एकीकरण के लिए ऐसी रणनीतियों की आवश्यकता है जो केवल सरल प्रशिक्षण से आगे बढ़ें; उन्हें सक्रिय रूप से सुरक्षा चिंताओं को संबोधित करना चाहिए और संस्थागत विश्वास का निर्माण करना चाहिए।

यह शोध पत्र इस बात पर जोर देता है कि इरादे को वास्तविक अभ्यास में बदलने के लिए संगठनात्मक समर्थन (सुविधा स्थितियाँ) महत्वपूर्ण है। इसके अलावा, लेखक तर्क देते हैं कि "एक ही आकार सबके लिए उपयुक्त" (one-size-fits-all) दृष्टिकोण अपर्याप्त है; कार्यान्वयन रणनीतियों को विशिष्ट उपसमूहों के लिए अनुकूलित किया जाना चाहिए, जैसे कि बड़ी आयु की नर्सों के लिए जोखिम प्रबंधन को प्राथमिकता देना और युवा समूहों के लिए कथित मूल्य को बढ़ाना।

सीमाएँ
लेखक विनम्रतापूर्वक कई सीमाओं को स्वीकार करते हैं:

• कारणता (Causality): क्रॉस-सेक्शनल डिजाइन कारण संबंधी निष्कर्षों (causal inferences) को रोकता है।
• नमूनाकरण (Sampling): सुविधा नमूनाकरण का उपयोग चयन पूर्वाग्रह उत्पन्न कर सकता है, जिससे AI में पहले से मौजूद रुचि रखने वाली नर्सों का प्रतिनिधित्व अधिक हो सकता है।
• स्व-रिपोर्टिंग: डेटा का स्व-रिपोर्ट किए गए मापों पर निर्भर होना सामान्य विधि पूर्वाग्रह (common method bias) पेश कर सकता है, बावजूद इसके कि शमन प्रयास किए गए।
• सामान्यीकरण (Generalizability): अध्ययन एक एकल राष्ट्रीय संदर्भ (चीन) के भीतर किया गया था, जो अन्य स्वास्थ्य प्रणालियों के लिए निष्कर्षों की प्रयोज्यता को सीमित कर सकता है।

शोध पत्र निष्कर्ष निकालता है कि कारण संबंधों और समय के साथ AI अंगीकरण के विकास को बेहतर ढंग से समझने के लिए अनुदैर्ध्य (longitudinal) अनुसंधान की आवश्यकता है।