Clinical Nurses' Scientific Research Ability: Current Status and Potential Profile Analysis

기술 요약: 임상 간호사의 과학적 연구 능력: 현황 및 잠재 프로파일 분석

문제 제기
중국에서 간호학이 1급 학문으로 인정받고 의료 분야에서 인공지능 생성 콘텐츠(AIGC)의 중요성이 증대되고 있음에도 불구하고, 중국의 임상 간호사들은 일반적으로 연구 능력이 부족한 것으로 나타난다. 기존 문헌에 따르면 간호사들은 주제 선정, 문헌 관리, 통계 분석, 논문 작성 등의 분야에서 체계적인 리터러시가 부족한 경우가 많다. 또한, 현재의 연구는 주로 집단 단위의 총점을 사용하여 연구 역량을 평가하며, 이는 개인차를 간과하고 정밀하고 표적화된 중재 개발을 저해한다. 따라서 "계층적이고 표적화된" 관리 전략을 촉진하기 위해 간호사의 연구 역량과 교육 요구도를 기반으로 잠재적 하위 그룹을 식별하는 것이 매우 중요하다.

연구 방법
본 연구는 편의 추출법과 잠재 프로파일 분석(LPA)을 활용한 단면적 기술 설계 방형을 채택하였다.

• 대상자: 예비 조사는 지린성 소재의 한 3차 병원 간호사 30명을 대상으로 실시하였다(2025년 1월). 본 조사(2025년 2월~10월)는 지린, 랴오닝, 산둥 성의 4개 2차 병원 소속 임상 간호사 650명을 대상으로 하였다. 제외 과정을 거쳐 최종적으로 632개의 유효 응답(응답률 97.2%)이 분석되었다.
• 선정 기준: 간호사 면허증을 보유하고, 1년 이상의 임상 경력이 있으며, 설문지를 독립적으로 완료할 수 있는 자.
• 도구: 다음 네 가지 검증된 척도를 사용하여 데이터를 수집하였다:
  1. 일반 정보 조사: 인구통계학적 특성, 교육 수준, 연구 참여도 등.
  2. AIGC 교육 요구도 조사: 6개 차원(주제 선정부터 성과 전환까지)에 걸친 16개 항목.
  3. 간호 인력 연구 역량 자기 보고 척도: 6개 차원(문제 식별부터 논문 작성까지)에 걸친 30개 항목.
  4. 간호 정보 역량 척도: 인식, 역량, 보안/윤리를 다루는 35개 항목.
  5. 간호 연구 자기 효능감 척도: 5개 차원에 걸친 38개 항목.
• 통계 분석:
  • LPA: Mplus 8.7을 사용하여 연구 역량의 6개 차원을 기준으로 간호사를 잠재 프로파일로 분류하였다. 모델 적합도는 AIC, BIC, aBIC, LMR, BLRT, Entropy를 사용하여 평가하였다.
  • 회귀 및 상관관계: 단변량 분석, Spearman 상관관계, 그리고 식별된 프로파일과 관련된 요인을 파악하기 위한 비순서적 다항 로지스틱 회귀 분석을 위해 SPSS 26.0을 사용하였다.

주요 결과

• 전반적 현황: 간호사들은 전반적으로 중간 수준의 연구 역량(평균 점수 98.79 ± 28.87)을 보였으나, 상대적으로 높은 교육 요구도(중앙값 33, 범위 16–54)를 보고하였다.
• 잠재 프로파일 분석: LPA를 통해 세 가지 뚜렷한 연구 역량 프로파일을 식별하였다:
  1. 저역량–저수요 그룹 (C1): 113명 (17.9%). 문제 식별 및 문헌 검토 점수가 낮은 특징을 보인다.
  2. 고차 역량–고수요 그룹 (C2): 240명 (38.0%). 모든 차원에서 높은 점수를 보였으며 교육 의지가 강하다. 참고: 결과 섹션의 텍스트에는 C2를 "Advanced Competence–High Demand"로 기술하고 있으나, 초록과 고찰에서는 "Medium Demand"로 표기되어 불일치가 존재한다. 고찰의 상세한 특성 설명을 보면 C2는 "High-Order Competence—High-Demand"를 의미하며, C3는 "Advanced Competence—Moderate Needs"를 의미하므로 결과 텍스트에서 레이블이 바뀐 것으로 보인다. 고찰의 상세 분석에 근거하여 C2는 고수요 그룹을 나타낸다.
  3. 고역량–중수요 그룹 (C3): 279명 (44.1). 모든 연구 역량 차원에서 가장 높은 점수를 달성하였다. 고찰에 따른 수정: 고찰은 C3를 "Advanced Competence—Moderate Needs"로, C2를 "High-Order Competence—High-Demand"로 명시적으로 명명하였다. 결과 섹션의 텍s트는 수요 수준에 대한 C2와 C3의 레이블을 서로 바꾼 것으로 보인다. C2(36-45세, 3차 A급 병원, 고수요)와 C3(경력 20년 이상, 중수요)에 대한 고찰의 상세한 분류가 권위 있는 해석이다.
• 영향 요인:
  • 인구통계학적 특성: 성별, 근무 연수, 직업적 직함, 병원 급 수준이 프로파일 멤버십과 유의미한 연관이 있었다. 남성 간호사와 근무 경력이 15년 이하인 간호사는 고역량/고수요 그룹에 속할 가능성이 낮았다. 3차 A급 병원은 고수요 그룹의 긍정적 예측 변수였다.
  • 경력: 연구 프로젝트 참여 및 일반 학술지 게재 경험은 높은 교육 요구도에 대해 부(-)의 예측 변수였으며, 이는 이전 경험이 교육의 절박함을 감소시킨다는 것을 시사한다.
  • 심리적/역량 요인: 연구 역량은 정보 리터러시, 연구 자기 효능감 및 교육 요구도와 정(+)의 상관관계가 있었다. 정보 리터러시와 자기 효능감 점수가 높을수록 고역량 프로파일에 속할 확률이 유의미하게 높아졌다.

의의 및 주장
본 논문은 간호 관리자가 과학적 연구 역량을 강화하기 위해 "계층적이고 표적화된" 전략을 개발할 수 있는 실증적 근거를 제공한다고 주장한다. 집단 점수를 넘어 특정 잠재 프로파일을 식별함으로써, 본 연구는 다음과 같이 주장한다:

1. 계층화의 필요성: "일률적인(one-size-fits-all)" 접근 방식은 효과적이지 않다. 전략은 간호사의 프로파일(예: 저역량 그룹을 위한 "기초+실무" vs 고역량/고수요 그룹을 위한 "맞춤형 고급 교육")에 따라 개인화되어야 한다.
2. 디지털 통합: AIGC 및 디지털 헬스 맥락에서 정보 리터러시와 자기 효능감은 기초가 된다. 교육은 연구 효율성을 높이고 도구의 오용을 방지하기 위해 이를 다루어야 한다.
3. 관리의 역할: 간호 관리자와 기관은 연구 지향적인 인력을 구축하기 위해 시간 할당, 업무량 감소, 특정 교육 자원(예: 통계 소프트웨어, SCI 논문 작성)을 포함한 차별화된 지원을 제공해야 한다.

저자들은 본 연구가 단면적 연구라는 점에서 동적인 발전 궤적을 관찰할 수 없다는 점과 편의 추출법이 일반화 가능성을 제한할 수 있다는 점을 언급하며 한계를 인정하였다. 이들은 향후 중재 계획을 정교화하기 위해 종단적 연구와 더 넓은 표본 추출이 필요하다고 제언하였다.