📄 medicine

Measuring AI Readiness in Health Professions Education: Development and Validation of the AI Competence and Preparedness Evaluation Resource (AICPER)

Este estudo apresenta o desenvolvimento e a rigorosa validação psicométrica do AICPER, um instrumento multidimensional concebido para avaliar as percepções de estagiários das profissões de saúde sobre a IA nos domínios funcional, ético e educacional, demonstrando forte confiabilidade e validade estrutural em programas de enfermagem, farmácia e saúde pública.

Autores originais: Divya Kewalramani, Oluwaseun J. Adeyemi, Stuti Shah, Justin L. Benton, Dylan R. Nieman, Advaith Bongu, Nell Maloney Patel, Archana Pradhan, Laura Sclafani, Joseph A. Barone, Christine Repsha, Steven G

Publicado 2026-07-14

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Divya Kewalramani, Oluwaseun J. Adeyemi, Stuti Shah, Justin L. Benton, Dylan R. Nieman, Advaith Bongu, Nell Maloney Patel, Archana Pradhan, Laura Sclafani, Joseph A. Barone, Christine Repsha, Steven Glogocheski, Angela R. Starkweather, Laura E. Liang, Claire Brown, Perry N. Halkitis, Amy P. Murtha, Mayur Narayan

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando ensinar uma escola inteira de futuros médicos, enfermeiros e especialistas em saúde pública a usar um novo assistente robô superinteligente. Antes de você poder construir o manual de treinamento perfeito, precisa saber exatamente o que os alunos pensam sobre o robô. Eles o amam? Estão com medo de que ele cometa erros? Acham que é trapaça se o usarem para o dever de casa?

Por muito tempo, as ferramentas usadas para fazer essas perguntas eram um pouco como usar uma régua para medir a temperatura — elas simplesmente não se ajustavam ao trabalho. Eram frequentemente simples demais, focadas em apenas um tipo de aluno ou escritas antes da explosão da "IA generativa" (o tipo de IA que escreve ensaios e cria imagens).

Apresentamos o AICPER. Pense nisso como um novo e tecnológico "Termômetro de Atitude de IA", projetado especificamente para estudantes da área da saúde nos Estadosos Unidos. Uma equipe de pesquisadores da Universidade Rutgers construiu esta ferramenta para ver exatamente como os estudantes de enfermagem, farmácia e saúde pública se sentem em relação à inteligência artificial.

A Grande Descoberta: Não é Sobre Onde, é Sobre Como

Quando os pesquisadores construíram o AICPER pela primeira vez, eles pensaram que estavam medindo três lugares específicos onde a IA é usada: Prática Clínica (no hospital), Pesquisa (no laboratório) e Educação (na sala de aula). Eles esperavam que as respostas se organizassem nessas três pilhas organizadas.

Mas aqui está a reviravolta: o cérebro dos alunos não organizou as respostas dessa maneira. Quando os pesquisadores rodaram os números, as "pilhas" se reorganizaram em três categorias completamente diferentes baseadas em sentimentos, em vez de locais.

Benefícios Funcionais (O Fator "Ferramenta Legal"): Este grupo mede o quanto os alunos acham que a IA tornará seus trabalhos mais fáceis, rápidos e inteligentes. É como perguntar: "Este robô vai me ajudar a carregar caixas pesadas?"
Ética e Confiança (O Fator "Preocupação"): Este grupo captura os medos. O robô cometerá erros? Ele é tendencioso? Podemos confiar nele com segredos de pacientes? É a pilha do "Este robô vai roubar meu emprego ou mentir para mim?".
Engajamento Educacional (O Fator "Vamos Aprender"): Isso mede o nível de engajamento dos alunos com o aprendizado relacionado à IA. É a pilha do "Eu quero fazer uma aula sobre isso".

O artigo descobriu que esta nova estrutura de três partes é uma maneira muito melhor de entender os alunos do que apenas perguntar: "Você gosta de IA no hospital?". Um aluno pode achar que a IA é uma ferramenta fantástica para economizar tempo (Altos Benefícios Funcionais), mas ainda assim ter pavor de seus riscos éticos (Baixa Ética e Confiança). As ferramentas antigas teriam perdido essa nuance, mas o AICPER a captura.

Como Eles Testaram Isso (O "Teste de Estresse")

Para garantir que este novo termômetro realmente funcionasse, os pesquisadores não apenas adivinharam. Eles o submeteram a um rigoroso teste de estresse envolvendo 193 estudantes e 7 juízes especialistas.

Os Especialistas: Sete pessoas inteligentes com títulos avançados verificaram cada pergunta para garantir que ela fizesse sentido. Eles concordaram que as perguntas eram relevantes, conferindo à ferramenta um índice de "validade de conteúdo" de 0,86 (que é uma pontuação muito boa).
Os Estudantes: 193 estudantes de programas de enfermagem, farmácia e saúde pública responderam à pesquisa.
A Matemática: Os pesquisadores usaram estatísticas pesadas (como "Análise Fatorial Exploratória" e "Análise Fatorial Confirmatória") para ver se as perguntas se agrupavam corretamente. O resultado? A ferramenta resistiu bravamente. O índice de consistência interna foi de 0,86, o que significa que as perguntas mediam de forma confiável os mesmos sentimentos subjacentes.

O Que os Números Dizem

O estudo não disse apenas "funciona". Ele deu números específicos para comprovar:

A ferramenta final possui 18 questões (eles descartaram duas porque não se encaixavam bem).
Os três fatores (Benefícios Funcionais, Ética e Engajamento) são distintos, mas relacionados, com correlações entre 0,42 e 0,61.
A ferramenta funciona da mesma forma para estudantes de enfermagem, farmácia e saúde pública. Os pesquisadores verificaram isso comparando os grupos e descobriram que a diferença na forma como a ferramenta media cada um era ínfima (-0,001), o que significa que um enfermeiro e um farmacêutico estão respondendo às perguntas na mesma "linguagem".

O Que NÃO É (A Lista do "Não")

É importante saber o que este artigo não afirma.

Não é uma varinha mágica: O artigo afirma explicitamente que este é um passo "preliminar" para algumas partes. Eles usaram o mesmo grupo de estudantes tanto para descobrir a estrutura quanto para confirmá-la. Embora tenham usado matemática avançada (reamostragem bootstrap com 2.000 repetições) para provar que os resultados eram estáveis, eles admitem que testar isso em um outro grupo de estudantes é o próximo passo necessário.
Ainda não é perfeito: Os pesquisadores notaram que algumas das questões de "escore reverso" (aquelas onde você tem que pensar "não" para significar "sim") criaram um pouco de ruído extra nos dados. Cerca de 24,8% da variação nessas respostas específicas deveu-se à forma como a pergunta foi formulada, e não apenas à opinião do aluno. Eles sugerem que versões futuras devem reformular essas questões para torná-las mais claras.
Não é para todos (ainda): O estudo incluiu apenas estudantes de enfermagem, farmácia e saúde pública. Ele não incluiu estudantes de medicina (futuros médicos), portanto, não podemos ter certeza de que funciona para eles ainda.

A Conclusão

O AICPER é uma ferramenta de 18 itens, rigorosamente testada, que mede com sucesso como os estudantes da área da saúde se sentem em relação à IA. Provou que as atitudes dos alunos não são apenas sobre "onde" eles usam a IA, mas sobre três sentimentos centrais: utilidade, confiança e engajamento.

Os pesquisadores sugerem que os líderes escolares podem usar esta ferramenta para descobrir exatamente onde seus alunos estão travados. Se uma aula é ótima em mostrar os benefícios, mas gera medo sobre a ética, eles podem construir uma lição específica para sanar esse medo. Se os alunos são eticamente sólidos, mas não querem aprender a tecnologia, eles podem tentar uma abordagem de ensino diferente.

Embora o artigo não vá tão longe a ponto de chamá-lo de "solução final" (já que mais testes são necessários), ele fornece o primeiro mapa sólido e validado para navegar no complexo mundo da prontidão para a IA na educação em saúde. Ele transforma um palpite nebuloso em uma imagem clara e tridimensional.

Resumo Técnico: Desenvolvimento e Validação do Instrumento AICPER

Problema
Apesar da rápida integração da inteligência artificial (IA) na prestação de cuidados de saúde, educação e pesquisa, existe uma lacuna significativa em instrumentos psicometricamente validados para medir as percepções de estudantes de profissões de saúde nos EUA. As ferramentas existentes sofrem de três limitações primárias:

Falta de Validação Interdisciplinar: Nenhum instrumento foi validado em uma amostra interdisciplinar (enfermagem, farmácia e saúde pública) onde os currículos de IA estão surgindo simultaneamente.
Insuficiência de Granularidade: As escalas atuais frequentemente falham em distinguir percepções entre distintos subconstrutos (prática clínica, educação e pesquisa), tratando a prontidão para a IA como um conceito monolítico. Isso impede que educadores personalizem intervenções para preocupações específicas (ex.: um estudante pode confiar na IA clinicamente, mas desconfiar dela na escrita acadêmica).
Obsolescência: Muitas ferramentas existentes são anteriores à disponibilidade generalizada da IA generativa, carecendo de itens relevantes para questões contemporâneas, como integridade acadêmica, escrita assistida por IA e confiança nos resultados de chatbots.

Metodologia
O estudo empregou um delineamento de levantamento transversal online para desenvolver e validar o Artificial Intelligence Competence and Preparedness Evaluation Resource (AICPER).

Participantes: O estudo incluiu 193 estudantes de programas de enfermagem, farmácia e saúde pública de uma universidade dos EUA, juntamente com um painel de sete especialistas em matéria para validação de conteúdo.
Desenvolvimento do Instrumento: Uma escala preliminar de 20 itens foi desenvolvida com base em uma revisão de literatura e refinada iterativamente por um painel institucional. Os itens utilizaram uma escala Likert de quatro pontos com uma opção "Não sei" (IDK) para distinguir a ausência de opinião da neutralidade.
Análise Psicométrica:
- Validade de Conteúdo: Avaliada via Índice de Validade de Conteúdo de Item (I-CVI), Índice de Validade de Conteúdo de Escala (S-CVI) e estatísticas kappa modificadas.
- Tratamento de Dados: Dados ausentes (incluindo respostas IDK tratadas como ausentes) foram abordados usando Imputação Múltipla por Equações Encadeadas (MICE) com 20 conjuntos de dados imputados.
- Confiabilidade: A consistência interna foi avaliada usando alfa de Cronbach, alfa ordinal e ômega de McDonald.
- Validade Estrutural: O estudo utilizou Análise Fatorial Exploratória (AFE) com extração de máxima verossimilhança e rotação oblimin, seguida de Análise Fatorial Confirmatória (AFC) utilizando mínimos quadrados diagonalmente ponderados (DWLS/WLSMV).
- Modelagem Avançada: A análise incluiu um modelo de efeitos de método para contabilizar a variância em itens de pontuação reversa, intervalos de confiança de bootstrap de 95% para cargas fatoriais e testes de invariância de medida (configural e métrica) entre as três profissões de saúde.

Resultos Principais

Refinamento do Instrumento: A escala inicial de 20 itens foi reduzida para um instrumento final de 18 itens após a remoção de dois itens (A16 e A20) devido a efeitos de teto e baixas correlações item-total.
Estrutura Fatorial: Contrariamente ao desenho a priori baseado em domínios de aplicação (clínico, pesquisa, educação), a AFE e a AFC revelaram uma estrutura estável de três fatores baseada em dimensões atitudinais:
1. Benefícios Funcionais (FB): Percepções de eficiência, otimização de fluxo de trabalho e utilidade.
2. Ética e Confiança (ET): Preocupações com erros, viés, responsabilidade e integridade acadêmica.
3. Engajamento Educacional (EE): Disposição para buscar aprendizagem e certificações relacionadas à IA.
Confiabilidade e Validade:
- A escala de 18 itens demonstrou boa consistência interna (alfa total = 0,86).
- Os índices de ajuste da AFC foram excelentes (CFI = 0,987, TLI = 0,984, RMSEA = 0,032).
- Invariância de Medida: A invariância métrica foi sustentada entre os programas de enfermagem, farmácia e saúde pública ( $\Delta$ CFI = -0,001), sugerindo que o instrumento mede os mesmos construtos de forma equivalente entre essas disciplinas.
- Efeitos de Método: Embora um fator de método tenha explicado uma parcela não trivial da variância (média de 24,8%) nos itens de pontuação reversa, a estrutura substantiva de três fatores persistiu quando esses efeitos foram modelados.
Validade de Conteúdo: A escala demonstrou validade de conteúdo aceitável com um S-CVI médio de 0,86 e forte concordância de especialistas.

Significância e Alegações
Os autores posicionam o AICPER como o primeiro instrumento multidimensional psicometricamente validado especificamente desenhado para estudantes de profissões de saúde nos EUA. Sua significância reside em três áreas:

Avaliação Diferenciada: Ao separar Benefícios Funcionais, Ética/Confiança e Engajamento Educacional, a ferramenta permite que educadores identifiquem déficits específicos (ex.: alto otimismo funcional, mas baixa confiança ética) em vez de depender de uma pontuação composta que obscurece necessidades sutis.
Utilidade Transdisciplinar: A demonstração de invariância de medida entre enfermagem, farmácia e saúde pública apoia o uso do AICPER para benchmarking interprofissional e estudos comparativos, abordando uma lacuna onde escalas específicas de cada profissão predominavam anteriormente.
Relevância Contemporânea: A inclusão de itens que abordam a IA generativa (ex.: integridade acadêmica, escrita assistida por IA) alinha o instrumento com as experiências atuais dos estudantes, diferentemente das ferramentas pré-2023.

O artigo conclui que o AICPER fornece uma infraestrutura de medição rigorosa para apoiar o desenvolvimento de currículos baseados em evidências, avaliação de intervenções e relatórios de acreditação, movendo a avaliação da prontidão para a IA de estratégias baseadas em suposições para estratégias baseadas em dados. Os autores observam limitações quanto à amostra de instituição única, a exclusão de estudantes de medicina e o delineamento transversal, identificando a replicação com amostras independentes como o próximo passo necessário.