Measuring AI Readiness in Health Professions Education: Development and Validation of the AI Competence and Preparedness Evaluation Resource (AICPER)
本研究展示了 AICPER 的开发及其严谨的心理测量学验证，该工具是一个旨在评估卫生专业受训人员在功能、伦理和教育领域对人工智能看法的多维量表，并证明了其在护理、药学和公共卫生项目中具有极高的信度和结构效度。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图教一群未来的医生、护士和公共卫生专家如何使用一种全新的、超级智能的机器人助手。在你可以构建完美的培训手册之前，你需要准确了解学生们对这个机器人的看法。他们是热爱它？还是担心它会犯错？他们是否认为用它来做作业属于作弊？
长期以来，用于询问这些问题的工具就像是用一把尺子去测量温度——它们并不适合这项工作。这些工具往往过于简单，只关注某一类学生，或者是在“生成式人工智能”（即能写文章、创作图像的那种 AI）爆发之前编写的。
于是，AICPER 出现了。可以将它想象成一个全新的、高科技的“AI态度温度计”，专门为美国的健康科学专业学生设计。来自罗格斯大学（Rutgers University）的一个研究小组开发了这个工具，旨在观察护理、药学和公共卫生专业的学生对人工智能的真实感受。
重大发现：不在于“在哪里”，而在于“如何看待”
研究人员在最初构建 AICPER 时，认为他们测量的是 AI 使用的三个特定场景：临床实践（在医院中）、研究（在实验室中）和教育（在课堂中）。他们预期答案会自然地归入这三个整齐的类别中。
但转折点来了：学生的思维并没有那样分类。当研究人员进行数据分析时，这些“类别”重新排列组合成了基于“感受”而非“地点”的三种全新范畴。
- 功能性益处（“酷工具”因素）： 这一组衡量学生在多大程度上认为 AI 会让他们的工作变得更轻松、更快速、更聪明。这就像是在问：“这个机器人能帮我搬重箱子吗？”
- 伦理与信任（“担忧”因素）： 这一组捕捉的是恐惧感。机器人会犯错吗？它会有偏见吗？我们能把患者的隐私交给它吗？这就是“这个机器人会抢走我的工作或对我撒谎吗？”这一类。
- 教育参与度（“学习”因素）： 这衡量了学生对 AI 相关学习的参与程度。这就是“我想上一门关于这个主题的课”这一类。
研究发现，这种新的三部分结构比仅仅询问“你是否喜欢在医院使用 AI”更能深入理解学生。一个学生可能认为 AI 是节省时间的绝佳工具（高功能性益处），但同时又对它的伦理风险感到恐惧（低伦理与信任）。旧的工具会错过这种细微差别，但 AICPER 能够捕捉到它。
他们是如何测试它的（“压力测试”）
为了确保这个新温度计确实有效，研究人员并没有仅仅靠猜测。他们通过涉及 193 名学生和 7 位专家评审的严格压力测试来验证它。
- 专家： 七位拥有高级学位的聪明人士检查了每一个问题，以确保其合理性。他们一致认为这些问题具有相关性，使该工具获得了 0.86 的“内容效度”得分（这是一个非常好的分数）。
- 学生： 193 名来自护理、药学和公共卫生专业的学生参与了调查。
- 数学： 研究人员使用了高强度的统计学方法（如“探索性因子分析”和“验证性因子分析”）来观察这些问题是否能够紧密结合。结果如何？该工具表现得非常出色。其内部一致性得分为 0.86，这意味着这些问题可靠地测量了同一种潜在的感受。
数据说明了什么
这项研究不仅仅是说“它有效”，它还给出了具体的数字来支持这一点：
- 最终的工具包含 18 个问题（他们剔除了两个不符合要求的题目）。
- 这三个因子（功能性益处、伦理、参与度）既相互独立又相互关联，其相关系数在 0.42 到 0.61 之间。
- 该工具对护理、药学和公共卫生专业的学生同样适用。研究人员通过对比各组数据进行了检查，发现不同专业在回答问题时的差异极小（-0.001），这意味着护士和药剂师使用的是同一种“语言”进行回答。
它“不是”什么（“排除清单”）
了解这篇论文“没有”声称的内容非常重要。
- 它不是万能灵药： 论文明确指出，对于某些部分，这只是一个“初步”步骤。他们使用了同一组学生来进行结构发现和结构确认。虽然他们使用了先进的数学方法（通过 2,000 次重复的自助抽样法/bootstrap resampling）来证明结果的稳定性，但也承认，在另一组学生身上进行测试是下一步必须完成的工作。
- 它还不完美： 研究人员注意到，一些“反向计分”的问题（即需要通过理解“否”来表达“是”的问题）产生了一些额外的噪声。大约 24.8% 的变异是由问题的表述方式引起的，而非仅仅是学生的观点。他们建议未来的版本应通过重新措辞使其更加清晰。
- 它目前还不适用于所有人： 该研究仅包含了护理、药学和公共卫生专业的学生。它并未包含医学生（未来的医生），因此我们目前尚不能确定它是否也适用于他们。
总结
AICPER 是一个经过严格测试的、包含 18 个条目的工具，它成功测量了健康科学专业学生对 AI 的态度。它证明了学生的态度不仅关乎使用 AI 的“地点”，更关乎三个核心感受：效用、信任和参与度。
研究人员建议，学校领导可以利用这个工具来找出学生究竟卡在了哪里。如果一个班级的学生很认可其益处但对伦理感到恐惧，他们就可以针对性地开展课程来消除这种恐惧。如果学生在伦理方面表现良好但不想学习技术，那么可以尝试不同的教学方法。
虽然论文在称其为“最终解决方案”方面有所保留（因为仍需更多测试），但它为在复杂的健康教育领域中导航 AI 就绪度提供了一份首个坚实的、经过验证的地图。它将模糊的猜测转化为了清晰的三维图景。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。