La formation en soins infirmiers

Cette page est traduite en français. Les pages d'articles sont encore rédigées en anglais. Lire cette page en anglais

Cette page est une traduction automatique de la page anglaise, non relue par un locuteur natif.

La formation en soins infirmiers — la préparation des infirmiers à la pratique autorisée, et le sous-domaine de l'éducation aux professions de santé où l'IA est actuellement la plus étudiée. L'IA entre dans les programmes de soins infirmiers par la simulation avec patients virtuels et mannequins, le soutien à l'étude et au raisonnement clinique fondé sur les LLM, l'évaluation automatisée, et les plateformes adaptatives pour les apprenants à risque. Son objet est distinctif : la compétence infirmière fusionne l'habileté psychomotrice, la pratique relationnelle et la formation de l'identité professionnelle, si bien qu'une technologie qui élève la performance mesurée peut simultanément éroder le travail développemental qui produit un infirmier.

Questions à examiner

La simulation assistée par IA améliore de manière fiable les connaissances et l'auto-efficacité, mais montre des effets inconsistants, parfois négatifs, sur l'habileté psychomotrice complexe. Où l'IA est-elle le professeur qu'il faut, et où un corps humain présent dans la pièce doit-il rester non négociable ?
Les étudiants en soins infirmiers décrivent l'IA comme un réconfort émotionnel face au stress clinique. Est-ce un soutien à concevoir, ou un signal que l'apprentissage relationnel est sous-doté en ressources ?
L'anxiété liée à l'IA parmi les étudiants en sciences de la santé suit l'anxiété de recherche d'emploi. Enseigner la culture de l'IA est-il le remède, ou cela accroît-il la saillance d'une menace qu'une politique institutionnelle devrait traiter à la place ?

Introduction

La formation en soins infirmiers est le volet clinique de la base de connaissances doté du dossier empirique le plus dense : des revues à l'échelle du système des applications de l'IA, une synthèse à méthodes mixtes de la simulation alimentée par l'IA, une étude qualitative de l'expérience des étudiants et du corps professoral, et une revue intégrative critique de la recherche sur les LLM y siègent côte à côte. Cela fait des soins infirmiers un cas d'essai utile pour les affirmations que le champ plus large de l'IA en éducation avance à propos de la formation clinique.

Elle doit être tenue distincte de l'éducation aux professions médicales et de santé, qui traite les soins infirmiers comme un programme parmi la médecine, la pharmacie, l'art dentaire et les professions paramédicales, et organise son récit autour du problème partagé de la compétence clinique scalable. La littérature sur les soins infirmiers ajoute trois choses que cette page ne peut porter : une frontière de compétence à laquelle les bénéfices documentés de l'IA s'arrêtent ; un cadrage explicitement d'identité professionnelle, où la question est qui devient un infirmier plutôt que ce qu'un stagiaire peut faire ; et une couche de main-d'œuvre — l'anxiété des étudiants face à une IA qui remplace les rôles infirmiers, et la vision par le corps professoral des infirmiers comme faiseurs plutôt que destinataires de la transformation numérique des soins de santé.

Le domaine affine aussi trois concepts adjacents. De la simulation, il hérite du débat sur la fidélité mais renomme le déficit « écart d'authenticité ». De l'informatique affective, il retient la mesure de l'affect, bien que sa thèse la plus forte soit que les résultats affectifs s'améliorent tandis que la profondeur émotionnelle de l'interaction ne le fait pas. De l'auto-efficacité, il retient la variable médiatrice centrale, tout en avertissant que la confiance bâtie dans un cadre à faible risque peut ne pas se transférer au cadre clinique. Sous tout cela siège le problème ordinaire de l'enseignement supérieur que sont la charge de travail, l'accès et l'intégrité de l'évaluation, avivé par l'autorisation d'exercice et la conséquence pour le patient.

Comment l'IA apparaît dans la formation en soins infirmiers

Quatre domaines d'application, des risques récurrents (rétroaction). Alrazeeni et al. (2026) ont passé en revue 28 études empiriques (2010–avril 2025) et regroupent les applications de l'IA en apprentissage personnalisé, formation par simulation, évaluation automatisée, et gestion institutionnelle du programme avec analytiques prédictives. L'iniquité technologique, les lacunes de préparation du corps professoral, et les préoccupations de confidentialité et de biais reviennent. Leurs recommandations sont concrètes — intégrer la simulation par IA à la formation aux soins d'urgence, déployer des plateformes adaptatives pour les apprenants à risque, utiliser des outils automatisés pour une rétroaction formative en temps réel, adopter l'exactitude diagnostique comme mesure d'impact — dans le cadre de pilotes multi-sites de 6 à 12 mois suivant les résultats d'apprentissage et la confiance.
Simulation : forte sur les connaissances et la confiance, conditionnelle quant à l'habileté. La revue à méthodes mixtes guidée par PRISMA de Jiang et al. (2026) portant sur 19 études (N = 1 253, majoritairement des étudiants prélicence) couvre l'IA générative et les LLM, les patients virtuels et mannequins pilotés par l'IA, la réalité virtuelle/mixte améliorée par l'IA et la réalité virtuelle et augmentée, et les agents conversationnels. Les conceptions les plus solides — trois ECR plus des quasi-expériences contrôlées — montrent des gains significatifs en connaissances cognitives et en résultats affectifs, dont l'auto-efficacité et la confiance en communication, mais les effets sur les habiletés psychomotrices complexes sont inconsistants, et un ECR a trouvé la simulation assistée par IA inférieure à la simulation avec patient standardisé. La méta-agrégation qualitative explique à la fois l'attrait et la limite : les apprenants valorisent une pratique sûre, répétable et non jugeante qui comble l'écart théorie–pratique, mais rapportent un écart d'authenticité — dialogue robotique, indices non verbaux manquants, aucun examen tactile — ainsi qu'une instabilité technique qui accroît la charge cognitive extrinsèque et l'anxiété d'état. Les auteurs recommandent un continuum échelonné : l'IA pour le préapprentissage, la prise d'antécédents et le raisonnement fondamental ; les simulateurs humains et les patients standardisés pour le travail psychomoteur complexe et à forte charge émotionnelle ; le débriefing facilité par l'humain accompagné de la rétroaction de l'IA.
L'acceptation est réelle, et relationnelle. Akbaba et Calik Kus (2026) ont interrogé 28 participants (16 étudiants, 12 membres du corps professoral) et analysé les transcriptions de manière déductive à travers le modèle d'acceptation de la technologie. Le modèle a tenu : la facilité d'usage, l'utilité, l'intention et l'usage ont façonné l'adoption. La répartition des rôles est pratique — les étudiants utilisaient l'IA pour les présentations, le contenu visuel, l'analyse de cas cliniques et la planification des soins ; le corps professoral pour les supports de cours, la revue de littérature, la rédaction académique et l'administration — ce qui implique une formation sur mesure plutôt qu'uniforme. Deux résultats étendent le cadre cognitif du modèle. Les participants ont décrit l'IA comme un soutien psychosocial, un « compagnon » offrant réassurance et un espace confidentiel de réflexion face au stress clinique. Et là où l'IA a obtenu de meilleurs scores que les infirmiers sur l'empathie dans un contexte de volume élevé, Sun et al. (2026) y lisent une suppression structurelle de l'empathie : la surcharge de travail rend l'expression empathique authentique non durable, la cohérence algorithmique comble l'écart, et la signification constitutive de l'identité se transfère à l'algorithme — recadrant la question politique de « quelle est l'efficacité de cet outil ? » à « quelles conditions l'ont rendu nécessaire ? »
Le corps professoral lit le risque comme professionnel, non procédural. Dabkowski et al. (2026) ont interrogé 22 universitaires en soins infirmiers en Australie et en Nouvelle-Zélande et les ont trouvés aux prises avec une politique absente, tardive ou rédigée sans eux, des attitudes collégiales fortement divergentes, et une ligne tracée au remplacement plutôt qu'à l'usage. L'objection était développementale avant d'être procédurale : générer les réponses pour un scénario de patient qui se détériore signifie que le raisonnement n'est jamais pratiqué, et les participants avertissaient d'une future cohorte inapte à la pratique — « Copilot ne t'apprendra pas à être infirmier. » La pratique d'évaluation se déplaçait déjà vers les examens surveillés, les oraux et les preuves de processus, et la faute était lue comme une répétition de raccourcis cliniques dangereux, ce qui recadre l'intégrité académique comme une question portant sur qui est sûr pour la pratique plutôt que comme un processus de conformité. Les universitaires demandaient des recommandations spécifiques aux soins infirmiers liées aux codes éthiques de la profession, une littératie de l'IA générative intégrée à travers le programme, et un développement du personnel avec co-conception par unité — non une interdiction généralisée.
L'anxiété comme signal de main-d'œuvre. Dağ et al. (2026) ont enquêté auprès de 821 étudiants en sciences de la santé (les soins infirmiers parmi eux) et trouvé une corrélation positive modérée entre l'anxiété liée à l'IA et l'anxiété de recherche d'emploi (r = 0,233, p < 0,001), l'anxiété liée à l'IA étant un prédicteur significatif après contrôle des variables sociodémographiques (β = 0,234, p < 0,001). L'anxiété liée à l'IA, soutiennent-ils, n'est pas une attitude technologique mais un facteur psychologique qui façonne la manière dont les élèves voient leur avenir professionnel — ce qui pointe vers la culture de l'IA et l'orientation professionnelle, et non vers l'outillage, comme intervention.
La pensée de groupe et les équipes interprofessionnelles. Wiss et al. (2025) ont placé un agent IA génératif (CALIE) dans douze équipes interprofessionnelles nouvellement formées réparties sur sept programmes de professions de santé, dont les soins infirmiers, pendant une séance virtuelle de 180 minutes d'apprentissage par problèmes, le promptant pour qu'il injecte des points de vue controversés. Sur 165 apprenants, 158 ont rempli le questionnaire ; l'agent a été jugé le plus utile comme outil (M = 3,49), puis pour l'utilité de la rétroaction (M = 3,21), et le moins utile comme partie de l'équipe (M = 2,88), toutes les différences par paires étant significatives (F(2, 156) = 26,01, p < .001). La posture de l'animateur importait, et les apprenants qui rejetaient les réponses de l'agent les utilisaient néanmoins comme une manière socialement admissible de prendre la parole — le désaccord avec l'IA faisait du travail d'équipe.

Compétence, identité et lacune probante

Le déplacement est la variable de conception. La revue intégrative critique de Sun et al. (2026) portant sur 489 études dans 47 pays recadre la recherche sur les LLM en soins infirmiers autour d'un critère unique : si le travail cognitif et participatif qu'un LLM déplace est extrinsèque à ou constitutif de la compétence en développement. Déplacer la documentation et la récupération de routine libère la mémoire de travail ; déplacer une chaîne de raisonnement complète, une justification éthique, ou un plan de soins individualisé supprime l'objet de l'apprentissage. La preuve n'est pas hypothétique — les étudiants utilisant ChatGPT comme unique ressource ont obtenu des scores significativement inférieurs aux témoins-manuels sur les normes éthiques et le raisonnement clinique, et un programme intégrant l'IA a produit des scores plus élevés accompagnés de plans de soins moins individualisés et à logique plus faible, une dissociation performance–apprentissage. Leur modèle de tension de l'identité professionnelle formalise cela à travers les couches de la tâche, de la compétence et de l'identité : les résultats mesurés avec un outil disponible peuvent indexer une performance fluide plutôt qu'une capacité durable, si bien que les programmes devraient utiliser des post-tests différés sans outil et des tâches de transfert.
La preuve est inversée. La carte des lacunes de la même revue ne trouve aucune étude randomisée ou quasi expérimentale de l'identité professionnelle ou du développement de carrière, seulement trois sur la compétence relationnelle et éthique, et aucun suivi au-delà de 12 mois — tandis que la preuve contrôlée se concentre dans les résultats cognitifs et techniques.
La surveillance est documentée comme perception, non comme conduite améliorée. Harerimana et al. (2026) ont cartographié la surveillance à distance dans l'évaluation en soins infirmiers à travers six études (1 567 étudiants) et ont trouvé que la dissuasion était rapportée presque universellement par les étudiants surveillés (98–100 % d'accord dans un programme de deuxième cycle), tandis que l'unique étude comparative de performance a trouvé une cohorte surveillée en présentiel obtenant un score significativement plus élevé à un examen d'aptitude qu'une cohorte surveillée à distance. L'anxiété courait dans les deux sens — certains étudiants plus calmes à la maison et soulagés des déplacements, d'autres incapables de se concentrer sous surveillance et craignant une accusation erronée — et quatre des six études ont rapporté des défaillances de connectivité, une un délestage, faisant de l'accès équitable la contrainte opérante plutôt que la sécurité des examens. La position des auteurs est que la surveillance à distance devrait être un instrument parmi plusieurs, gouvernée par des normes de protection des données et associée à une intégrité par la conception et à une évaluation authentique plutôt que traitée comme la garantie par défaut.
Conditions aux limites. Les volets convergent vers la même retenue. L'IA est la mieux étayée pour des objectifs structurés et répétables — la communication fondamentale, la prise d'antécédents, l'éducation à la santé, l'acquisition de connaissances — et la moins étayée pour l'habileté psychomotrice complexe, l'interaction à forte charge émotionnelle, et la formation professionnelle à long terme. L'acceptation est constamment modérée à élevée, mais l'acceptation de la rétroaction de l'IA est conditionnée par la confiance : les apprenants préfèrent les sources humaines perçues comme bienveillantes à l'IA perçue comme simplement compétente. Les revues sont aussi géographiquement étroites, dominées par des conceptions non contrôlées et par l'auto-déclaration, et — dans la revue de la simulation — montrent un schéma positif quasi uniforme qui soulève des préoccupations de biais de publication.

Concepts liés

Métadonnées

Discipline	Nursing Education, Medical Education
Niveau	Higher Ed
Public visé	Medical Educators, Curriculum Designers, Instructors, Researchers
Apprentissage et enseignement	Apprentissage en milieu professionnel, Le sentiment d'efficacité personnelle
Technologies et techniques	L'IA générative, Simulation
Équité, éthique et usage responsable	L'équité
Fondements de l'IA dans l'éducation	Identité de l'apprenant
Type de page	Synthesis

Source History Edit Chat