


专注科研一对一全流程教学
咨询微信:wzp1670423539




吴老师解读
一、研究背景
技术背景
随着第四次工业革命的发展,人工智能(AI)在各个领域的应用日益广泛,尤其是在医疗健康教育中。
AI技术的普及为护理教育带来了新的机遇和挑战。
问题陈述
当前,许多护理学生缺乏必要的AI素养与自我效能感,这可能会影响他们对AI技术的学习和参与。
尽管这一领域的重要性显而易见,但关于AI素养、AISE和学习参与度之间关系的实证研究仍然相对匮乏。
二、研究目的
本研究旨在探讨人工智能自我效能感(AISE)在人工智能素养(AI literacy)与护理学生学习参与度(learning engagement)之间的中介作用。具体来说,研究聚焦于高等教育中护理专业学生,分析如何通过提升学生的AI素养和自我效能感来增强其学习参与。
三、研究设计
研究类型
本研究采用横断面研究设计,以便在一个时点收集数据,分析护理学生的AI素养及其影响因素。

四、方法
样本选择
便捷抽样:从中国29所高等院校中抽取2029名护理学生,确保样本范围的广泛性与代表性。

数据收集工具
使用多种量表进行在线问卷调查:
一般信息问卷:收集学生的基本信息(例如年龄、年级等)。
人工智能素养量表:测量学生对AI知识和技能的掌握程度。
AISE量表:评估学生对自身AI能力的信心。
学习参与量表:衡量学生在学习过程中的积极参与度。

数据分析方法
描述性分析:用于描述样本特征,了解基本的统计属性。
皮尔逊相关检验:用于分析变量间的相关关系,包括AI素养、AISE和学习参与度。
Bootstrap方法:用于检验间接效应的显著性,以确定AI素养对学习参与度的影响是否通过AISE中介。

五、结果
相关性分析
AI素养与AISE之间存在显著正相关(r=0.462,P<0.01)。
AI素养与学习参与度之间同样存在显著正相关(r=0.435,P<0.01)。
AISE与学习参与度之间的相关性更强(r=0.537,P<0.01)。
间接效应
AI素养对学习参与度的间接影响值为0.130,占总效应的20.44%。这说明通过提升AISE可以提高学习参与度。
六、讨论
关键发现
护理学生的AI素养总体较低,强调了提升基础AI教育的重要性。
AI素养直接影响学生学习参与度,而AISE则在其中起到部分中介作用。
教育建议
教育者应将AI培训纳入护理课程,设计实用的学习场景。
鼓励跨学科合作,以帮助学生提升AI能力,进而增强学习参与度。
七、结论
本研究指出,护理学生在AI素养和自我效能感方面有待提升,而这对他们的学习参与度具有重要影响。为提高护理教育的质量,应加强基础AI教育,促进学生在学术学习中积极参与,同时提升他们处理AI相关任务的能力。
小结
通过对本研究的系统梳理,科研人员和教育工作者能够明确AI素养、AISE以及学习参与度之间的关联,从而为教育政策的制定提供实证依据,推动护理教育向更高效、全面的方向发展。这一研究为如何解决现代教育中存在的技术应用问题提供了新的视角。未来,研究还可进一步探讨不同背景和个人特质对学习参与度的影响,以创建更加完善的护理教育体系。
如何快速学会开展这类研究
第一步:理解研究背景
了解技术革命的影响
学习有关第四次工业革命及其对医疗教育的影响,包括人工智能如何改变护理实践和教育。
识别研究问题
明确护理学生在AI素养和自我效能方面的不足可能阻碍他们的学习参与。考虑为什么这一问题在当今医疗教育中显得尤为重要。
第二步:明确研究目的
设定研究目标
确定具体的研究问题,例如:
AI素养如何影响学习参与度?
AISE在这个过程中起什么样的中介作用?
第三步:设计研究方法
选择研究类型
横断面研究:适用于在某一时间点收集数据,评估变量之间的关联性。
第四步:样本选择
样本大小与选择方法
从中国29所高等院校中选取2029名护理学生,采用便利抽样法。这种方法允许你在可及样本中获取数据,以节省时间和成本。
第五步:数据收集工具
设计调查问卷
一般信息问卷:收集被调查者的基本信息(如年龄、年级、性别等)。
人工智能素养量表:评估学生对AI的理解与应用能力。
AISE量表:定量测量学生对自己AI能力的信心。
学习参与量表:衡量学生在学习中的参与程度和积极性。
问卷调查实施
设计在线问卷并选择合适的平台进行分发,确保参与者能便捷填写。
第六步:数据分析
选择分析方法
描述性分析:用于总结样本特征,如均值和标准差。
皮尔逊相关检验:分析AI素养、AISE和学习参与度之间的相关关系。
Bootstrap法:用于评估中介效应的显著性,检测AI素养通过AISE影响学习参与度的间接效应。
数据处理
使用统计软件(如SPSS、R或Python)进行数据分析,确保所有结果的准确性和可靠性。
第七步:结果解读
统计结果分析
根据分析结果,确定AI素养、AISE和学习参与度之间的相关系数及其显著性。
理解间接影响的具体数值(如0.130)所代表的意义及其在总效应中所占的比例(20.44%)。
实证结论
分析AI素养如何直接影响学习参与度,以及AISE在其中的中介作用。
第八步:撰写研究报告
组织报告结构
引言:概述研究背景和目的。
方法:详细描述样本、问卷、数据收集和分析方法。
结果:清晰展示分析结果,包括表格和图表以增强可视化效果。
讨论:解释研究结果的意义、与现有文献的关系、以及今后的研究方向和建议。
第九步:传播和应用研究成果
选择学术期刊
确定合适的期刊,并遵循期刊的投稿要求进行投稿。
参加学术交流
在学术会议上展示研究结果,获取同行的反馈,并为未来的研究提供新的思路。
统计学知识点解读
1. 研究设计
横断面研究
定义:横断面研究是一种收集数据于某一特定时间点的研究设计,用于描述变量之间的关系。它通常用于对特定人群进行调查。
优缺点:
优点:能够快速收集关于样本的广泛数据,适用于探索变量之间的关联性。
缺点:无法确定因果关系,只能展示相关性。
2. 样本选择
便利抽样
定义:便利抽样是通过选择方便接触到的样本群体进行数据收集的一种非概率抽样方法。
优缺点:
优点:时间和成本低,适合于初步研究。
缺点:可能存在选择偏倚,样本不具代表性,影响研究结果的外推性。
3. 数据收集工具
调查问卷
一般信息问卷:用于收集参与者的基本特征(如年龄、性别、学历等),为后续分析提供背景信息。
量表设计:
人工智能素养量表:评估学生对AI的知识和能力。
AI自我效能量表(AISE):测量参与者对自己处理AI相关任务能力的信心。
学习参与度量表:评估学生在学习活动中的积极性和投入程度。
4. 数据分析方法
描述性分析
定义:用于总结样本的基本特征,通过计算均值、标准差、频率等,提供数据的概览。
应用:在本研究中,用于描述2029名参与者的基本信息。
皮尔逊相关检验
定义:用于评估两个连续变量之间的线性相关性,测量相关系数(r)的强度和方向。
解读:
r的值范围从-1到1:
r>0:正相关(一个变量增加,另一个变量也增加)。
r<0:负相关(一个变量增加,另一个变量减少)。
r=0:无相关性。
通过P值判断结果是否显著(通常 P<0.05 表示显著)。
Bootstrap法
定义:一种重采样方法,用于估计统计量的分布,通常用于检验间接效应的显著性。
应用:
在此研究中,Bootstrap法被用来检验AI素养通过AISE影响学习参与度的间接效应的显著性。
5. 结果解读
间接效应
定义:指自变量(AI素养)通过中介变量(AISE)影响因变量(学习参与度)的效果。
数值的解释:
在本研究中,间接效应的数值为0.130,表明AI素养通过AISE对学习参与度的影响占总效应的20.44%。
6. 结论与教育建议
关键发现的解释
护理学生的AI素养不足,且自我效能感影响学习参与程度。这一发现为教育改进提供了重要线索。
教育干预建议
根据研究结果,教育者应该将AI培训纳入课程,以提升学生的学习参与度和自我效能感。
祝大家发文顺利,有什么不懂可以在评论区留言,吴老师尽量解答!零基础的同学可以咨询一对一辅导,快速发表SCI文章!
吴老师微信:wzp1670423539
还在担心没有SCI论文,缺少竞争力?找专人学习、快速发表人生第一篇SCI,点⬇️链接报名咨询!
0基础发护理SCI!一对一全程教学指导(教到发表模式)招生报名!
护研SCI专注护士SCI论文一对一指导,让每个护士都学会从0到1发表SCI!
我们定期解读优质文献,分享文章的具体思路和方法学。此外,我们面向护士提供高端一对一科研线上辅导,让零基础的普通人快速学会从0到1发表临床科研SCI论文。




感兴趣请扫描文末吴老师的二维码具体咨询如何加入SCI论文辅导项目。微信:wzp1670423539
本期编辑

你的分享、点赞、在看
我都喜欢



授人以鱼不如授人以渔
学无止境,终身学习!
