Pendidikan Keperawatan

Di halaman ini

Terjemahan mesin otomatis halaman berbahasa Inggris ini, yang belum ditinjau oleh penutur asli.

Pendidikan Keperawatan — penyiapan perawat untuk praktik berlisensi, dan subbidang pendidikan profesi kesehatan tempat AI saat ini paling banyak diteliti. AI masuk ke kurikulum keperawatan melalui Simulasi dengan pasien virtual dan manekin, dukungan belajar dan penalaran klinis berbasis LLM, penilaian otomatis, dan platform adaptif bagi pembelajar berisiko. Objeknya khas: kompetensi keperawatan meleburkan keterampilan psikomotor, praktik relasional, dan pembentukan identitas profesional, sehingga teknologi yang menaikkan kinerja terukur dapat sekaligus menggerus kerja perkembangan yang menghasilkan seorang perawat.

Pertanyaan yang Perlu Dipertimbangkan

Simulasi berbantuan AI secara andal meningkatkan pengetahuan dan Efikasi Diri tetapi menunjukkan efek yang tidak konsisten, kadang negatif, pada keterampilan psikomotor kompleks. Di mana AI adalah guru yang tepat, dan di mana tubuh manusia di ruangan itu harus tetap tidak bisa ditawar?
Mahasiswa keperawatan menggambarkan AI sebagai kenyamanan emosional selama tekanan klinis. Apakah itu dukungan yang perlu dirancang, atau sinyal bahwa magang relasional kurang mendapat sumber daya?
Kecemasan AI di kalangan mahasiswa ilmu kesehatan mengikuti kecemasan mencari kerja. Apakah mengajarkan literasi AI adalah obatnya, atau justru menaikkan salience ancaman yang seharusnya ditangani kebijakan institusional?
Kurikulum AI keperawatan dapat diurutkan menurut apa yang dibahas literatur atau menurut apa yang dapat didukung lingkungan klinis. Ketika infrastruktur tidak dapat diandalkan, haruskah sebuah program mengajarkan etika dan evaluasi secara mendalam dan mencapai keterampilan operasional melalui simulasi berbiaya rendah, alih-alih menunggu alatnya?

Pendahuluan

Pendidikan keperawatan adalah untaian klinis dalam basis pengetahuan ini dengan rekam empiris terpadat: tinjauan seluruh sistem atas aplikasi AI, sintesis metode campuran atas simulasi bertenaga AI, studi kualitatif atas pengalaman mahasiswa dan fakultas, dan tinjauan integratif kritis atas penelitian LLM berdiri berdampingan. Itu menjadikan keperawatan kasus uji yang berguna bagi klaim yang dibuat bidang AI dalam pendidikan yang lebih luas tentang pelatihan klinis.

Ia harus dijaga tetap berbeda dari Pendidikan Kedokteran dan Profesi Kesehatan, yang memperlakukan keperawatan sebagai salah satu program di antara kedokteran, farmasi, kedokteran gigi, dan kesehatan sekutu serta menata paparannya di sekitar masalah bersama berupa kompetensi klinis yang dapat diskalakan. Literatur keperawatan menambahkan tiga hal yang tidak dapat dibawa halaman itu: batas kompetensi ketika manfaat AI yang terdokumentasi berhenti; pembingkaian identitas profesional yang eksplisit, yang pertanyaannya adalah siapa yang menjadi perawat alih-alih apa yang dapat dilakukan seorang pelatih; dan lapisan tenaga kerja — kecemasan siswa bahwa AI akan menggusur peran keperawatan, dan pandangan fakultas bahwa perawat adalah pembentuk alih-alih penerima transformasi digital layanan kesehatan.

Bidang ini juga menyempurnakan tiga konsep yang berdekatan. Dari Simulasi ia mewarisi debat kesetiaan (fidelity) tetapi menamai defisitnya sebagai "kesenjangan autentisitas." Dari Komputasi Afektif ia mengambil pengukuran afek, namun klaim terkuatnya adalah bahwa luaran afektif membaik sementara kedalaman emosional dalam interaksi tidak. Dari Efikasi Diri ia mengambil variabel mediasi sentral, sambil memperingatkan bahwa kepercayaan diri yang dibangun dalam lingkungan berisiko rendah mungkin tidak bertransfer ke lingkungan klinis. Di bawah semua itu terletak masalah pendidikan tinggi yang biasa — beban kerja, akses, dan integritas penilaian — yang dipertajam oleh lisensi dan konsekuensi bagi pasien.

Bagaimana AI muncul dalam pendidikan keperawatan

Empat area aplikasi, risiko yang berulang. Alrazeeni et al. (2026) meninjau 28 studi empiris (2010–April 2025) dan mengelompokkan aplikasi AI ke dalam pembelajaran yang dipersonalisasi, pelatihan berbasis simulasi, Penilaian Otomatis, dan pengelolaan kurikulum institusional dengan analitik prediktif. Ketidakadilan teknologi, kesenjangan kesiapan fakultas, serta kekhawatiran privasi dan bias berulang. Rekomendasi mereka konkret — sematkan simulasi AI dalam pelatihan perawatan darurat, terapkan platform adaptif bagi pembelajar berisiko, gunakan alat otomatis untuk formatif Umpan Balik real time, jadikan akurasi diagnostik sebagai ukuran dampak — dalam uji coba multi-situs 6–12 bulan yang melacak luaran pembelajaran dan kepercayaan.
Simulasi: kuat pada pengetahuan dan kepercayaan diri, bersyarat pada keterampilan. Tinjauan metode campuran terpandu PRISMA oleh Jiang et al. (2026) atas 19 studi (N = 1,253, sebagian besar mahasiswa pralisensi) mencakup AI generatif/LLM, pasien virtual dan manekin yang digerakkan AI, VR/realitas campuran yang diperkaya AI, dan chatbot. Desain terkuat — tiga RCT plus kuasi-eksperimen terkontrol — menunjukkan perolehan signifikan dalam pengetahuan kognitif dan luaran afektif termasuk Efikasi Diri dan kepercayaan diri berkomunikasi, tetapi efek pada keterampilan psikomotor kompleks tidak konsisten, dan satu RCT menemukan simulasi berbantuan AI lebih rendah daripada simulasi pasien terstandar. Meta-agregasi kualitatif menjelaskan daya tarik maupun batasnya: pembelajar menghargai latihan yang aman, dapat diulang, dan tidak menghakimi yang menjembatani kesenjangan teori–praktik, tetapi melaporkan kesenjangan autentisitas — dialog yang robotik, isyarat nonverbal yang hilang, tidak ada pemeriksaan taktil — plus ketidakstabilan teknis yang menaikkan beban kognitif ekstraneus dan kecemasan keadaan. Para penulis merekomendasikan kontinum bertahap: AI untuk prapembelajaran, pengambilan riwayat, dan penalaran dasar; simulator manusia dan pasien terstandar untuk kerja psikomotor kompleks dan bermuatan emosi; debriefing yang difasilitasi manusia bersama umpan balik AI.
Penerimaan itu nyata, dan bersifat relasional. Akbaba dan Calik Kus (2026) mewawancarai 28 peserta (16 mahasiswa, 12 fakultas) dan menganalisis transkrip secara deduktif melalui Technology Acceptance Model. TAM bertahan: kemudahan penggunaan, kegunaan, niat, dan penggunaan membentuk adopsi. Pembagian perannya praktis — mahasiswa menggunakan AI untuk presentasi, konten visual, analisis kasus klinis, dan perencanaan asuhan; fakultas untuk materi kuliah, tinjauan literatur, penulisan akademik, dan administrasi — yang menyiratkan pelatihan yang disesuaikan alih-alih seragam. Dua temuan memperluas kerangka kognitif TAM. Peserta menggambarkan AI sebagai dukungan psikososial, seorang "pendamping" yang menawarkan ketenangan dan ruang rahasia untuk berefleksi selama tekanan klinis. Dan ketika AI bernilai lebih tinggi daripada perawat pada empati dalam konteks bervolume tinggi, Sun et al. (2026) membacanya sebagai Structural Empathy Suppression: beban kerja berlebih membuat ekspresi empatik yang autentik tidak berkelanjutan, konsistensi algoritmik mengisi celah itu, dan kebermaknaan yang membentuk identitas berpindah ke algoritma — membingkai ulang pertanyaan kebijakan dari "seberapa efektif alat ini?" menjadi "kondisi apa yang membuatnya tampak diperlukan?"
Rahasia terbuka: praktik melampaui kebijakan. Ghimire dan Qiu (2025) mewawancarai 17 mahasiswa tingkat akhir di satu sekolah Australia, 10 domestik dan 7 internasional, dan menemukan penggunaan telah dinormalisasi sementara institusi melarangnya: "Ironi terbesarnya adalah semua orang tahu kami menggunakan AI" (SN9). Mahasiswa menggunakannya untuk pembelajaran yang dipersonalisasi, untuk menjembatani teori dan praktik, dan untuk mengelola waktu, dan mahasiswa internasional juga menggunakannya untuk adaptasi bahasa dan budaya. Tema-tema mereka menamai kesenjangan digital dan permintaan yang digerakkan siswa untuk perubahan kurikulum, yang membingkai ulang adopsi sebagai kesenjangan antara apa yang sudah dilakukan siswa dan apa yang diakui program.
Fakultas membaca risikonya sebagai profesional, bukan prosedural. Dabkowski et al. (2026) mewawancarai 22 akademisi keperawatan di Australia dan Selandia Baru dan menemukan mereka menavigasi kebijakan yang absen, terlambat, atau ditulis tanpa mereka, sikap kolegial yang sangat berbeda, dan garis yang ditarik pada penggantian alih-alih penggunaan. Keberatannya bersifat perkembangan sebelum prosedural: menghasilkan jawaban untuk skenario pasien yang memburuk berarti penalarannya tidak pernah dilatih, dan peserta memperingatkan kohort masa depan yang tidak layak praktik — "Copilot tidak akan mengajari Anda menjadi perawat." Praktik penilaian sudah bergerak menuju ujian berpengawas, viva lisan, dan bukti proses, dan pelanggaran dibaca sebagai gladi bersih bagi jalan pintas klinis yang tidak aman, yang membingkai ulang Integritas Akademik sebagai pertanyaan tentang siapa yang aman untuk praktik alih-alih proses kepatuhan. Para akademisi meminta panduan khusus keperawatan yang terikat pada kode etis profesi, literasi GenAI yang tertanam di seluruh kurikulum, dan pengembangan staf dengan ko-desain unit — bukan larangan menyeluruh.
Kecemasan sebagai sinyal tenaga kerja. Dağ et al. (2026) mensurvei 821 mahasiswa ilmu kesehatan (termasuk keperawatan) dan menemukan korelasi positif moderat antara kecemasan AI dan kecemasan mencari kerja (r = 0.233, p < 0.001), dengan kecemasan AI sebagai prediktor signifikan setelah mengendalikan sosio-demografi (β = 0.234, p < 0.001). Kecemasan AI, menurut mereka, bukan sikap terhadap teknologi melainkan faktor psikologis yang membentuk cara siswa memandang masa depan profesional mereka — yang menunjuk pada Literasi AI dan konseling karier, bukan pada perkakas, sebagai intervensinya.
Groupthink dan tim interprofesional. Wiss et al. (2025) menempatkan agen AI generatif (CALIE) ke dalam dua belas tim interprofesional yang baru terbentuk di tujuh program profesi kesehatan, termasuk keperawatan, selama sesi pembelajaran berbasis masalah virtual berdurasi 180 menit, dengan prompt yang menginstruksikannya menyuntikkan sudut pandang kontroversial. Dari 165 pembelajar, 158 menyelesaikan survei; agen dinilai paling berguna sebagai alat (M = 3.49), lalu untuk kebermanfaatan umpan balik (M = 3.21), dan paling rendah sebagai bagian dari tim (M = 2.88), semua perbedaan berpasangan signifikan (F(2, 156) = 26.01, p < .001). Posisi fasilitator penting, dan pembelajar yang menolak respons agen tetap menggunakannya sebagai cara yang dapat diterima secara sosial untuk bersuara — ketidaksepakatan dengan AI melakukan kerja tim.

Apa yang harus dicakup kurikulum, dan di mana petanya tipis

Peta kompetensi dua belas bagian, dibangun karena tidak ada yang khusus untuk keperawatan. Xiang et al. (2026) menyaring 1,750 rekaman dari PubMed, Embase, Web of Science, dan CNKI hingga 23 studi yang disertakan (2022 hingga 2026, 15 negara, 15 di antaranya tinjauan). Mereka memetakan studi-studi itu ke model Knowledge, Attitude and Skill, menghasilkan tiga dimensi dan 12 subdimensi: pengetahuan dasar, teknis, etika dan aplikasi; berpikir kritis, tanggung jawab, nilai etis, serta keterbukaan dan kemampuan beradaptasi; dan keterampilan operasional, aplikasi, kolaborasi, serta evaluasi. Mereka membandingkan kerangka keperawatan yang ada dan menemukan semuanya tidak dapat diterjemahkan ke kurikulum: N.U.R.S.E.S. mencakup peran, AI-ABCs mencakup tujuan, CARE mencakup struktur prompt, dan tidak satu pun menyediakan jalur pedagogis atau metode penilaian.
Perhatian mengelompok di tempat penulisannya mudah. Pengetahuan etika (14 studi), tanggung jawab (14), keterampilan aplikasi (16), dan keterampilan evaluasi (18) membawa konsensus; pengetahuan teknis (9), pengetahuan aplikasi (9), keterampilan operasional (9), dan kolaborasi (7) tidak. Itu adalah batas yang sama yang didokumentasikan halaman ini dari bukti luaran, dicapai dari sisi kompetensi: bidang ini paling tahu tentang apa yang harus dikatakan mengenai etika AI dan paling sedikit tahu tentang lapisan operasional tempat keselamatan klinis bergantung.
Obat yang ditawarkan adalah aturan pengurutan bagi program yang kurang sumber daya. Ajarkan pengetahuan dasar dan etika sebelum pengetahuan teknis; berpikir kritis, tanggung jawab, dan nilai etis sebelum keterbukaan dan kemampuan beradaptasi; evaluasi dan kolaborasi sebelum keterampilan operasional kompleks. Capai lapisan teknis melalui Simulasi, dan ketika simulasi high-fidelity atau realitas virtual tidak terjangkau, melalui kasus berbasis layar dengan materi yang direkam sebelumnya, demonstrasi model akses terbuka, dan kerja terpandu dengan kumpulan data publik. Pengganti luring disebutkan secara eksplisit, termasuk diskusi berbasis kasus dan demonstrasi konseptual alur kerja AI. Motif yang dinyatakan adalah keadilan: jika urutan kurikulum mengikuti distribusi infrastruktur, konsentrasi penelitian di Amerika Serikat (5 studi) dan Tiongkok (3) berubah dari fakta bibliometrik menjadi masalah kurikulum.
Jangkar kuantitatif adalah bukti yang diimpor, bukan hasil tinjauan ini. Pengetahuan etika telah ditunjukkan memprediksi integrasi AI (koefisien terstandardisasi 0.636, p di bawah 0.001), dan orientasi masa depan perseptual yang positif menaikkan nilai etis siswa (0.308, p di bawah 0.05). Evaluasi membawa jangkar klinis yang lebih kuat: sebuah sistem AI menilai komunikasi terapeutik dengan korelasi intraclass di atas 0.97, dan implementasi yang diperkaya retrieval menyediakan keputusan akhir bagi pertimbangan profesional guru.

Kompetensi, identitas, dan kesenjangan bukti

Penggusuran adalah variabel desain. Tinjauan integratif kritis Sun et al. (2026) atas 489 studi di 47 negara membingkai ulang penelitian LLM dalam keperawatan di sekitar satu kriteria: apakah kerja kognitif dan partisipatif yang digusur LLM bersifat ekstraneus terhadap atau konstitutif bagi kompetensi yang sedang dikembangkan. Menggusur dokumentasi dan pengambilan rutin membebaskan memori kerja; menggusur rantai penalaran penuh, justifikasi etis, atau rencana asuhan yang terindividualisasi menghilangkan objek pembelajarannya. Buktinya bukan hipotetis — siswa yang menggunakan ChatGPT sebagai satu-satunya sumber bernilai signifikan di bawah kelompok kontrol buku teks pada standar etika dan penalaran klinis, dan kurikulum yang terintegrasi AI menghasilkan skor lebih tinggi disertai rencana asuhan yang kurang terindividualisasi dan lebih lemah logikanya, sebuah disosiasi kinerja–pembelajaran. Professional Identity Tension Model mereka memformalkan hal ini di seluruh lapisan tugas, kompetensi, dan identitas: luaran yang diukur dengan alat yang tersedia mungkin mengindeks kinerja lancar alih-alih kapabilitas yang tahan lama, sehingga program sebaiknya menggunakan post-test tertunda tanpa alat dan tugas transfer.
Buktinya terbalik. Peta kesenjangan dari tinjauan yang sama menemukan tidak ada studi acak atau kuasi-eksperimental tentang identitas profesional atau pengembangan karier, hanya tiga tentang kompetensi relasional dan etis, dan tidak ada tindak lanjut melampaui 12 bulan — sementara bukti terkontrol mengelompok pada luaran kognitif dan teknis.
Pengawasan terdokumentasi sebagai persepsi, bukan sebagai perilaku yang membaik. Harerimana et al. (2026) memetakan Proctoring Jarak Jauh dalam penilaian keperawatan pada enam studi (1,567 siswa) dan menemukan pencegahan dilaporkan hampir universal oleh siswa yang diawasi (kesepakatan 98–100% di satu program pascasarjana), sementara satu-satunya studi kinerja komparatif menemukan kohort yang diawasi langsung bernilai signifikan lebih tinggi pada ujian kesiapan daripada kohort yang diawasi jarak jauh. Kecemasan bergerak dua arah — sebagian siswa lebih tenang di rumah dan terbebas dari perjalanan, yang lain tidak dapat berkonsentrasi saat diawasi dan takut dituduh secara keliru — dan empat dari enam studi melaporkan kegagalan konektivitas, satu pemadaman bergilir, sehingga akses yang adil menjadi kendala operatif alih-alih keamanan ujian. Posisi para penulis adalah bahwa pengawasan jarak jauh sebaiknya menjadi satu instrumen di antara beberapa, diatur oleh standar perlindungan data dan dipasangkan dengan integritas-sejak-desain dan penilaian autentik alih-alih diperlakukan sebagai pengaman default.
Kesiapan terbelah di dalam satu fakultas. Rony et al. (2025) mengumpulkan 14 wawancara semiterstruktur dan tiga kelompok fokus dengan 16 peserta, total 30 pendidik perawat, di tiga sekolah keperawatan di Bangladesh. Dibaca melalui Pengetahuan Teknologis, Pedagogis, dan Konten (TPACK), transkrip menempatkan kesenjangan kesiapan di dalam satu staf alih-alih di antara institusi: "Sebagian kolega saya natural dengan teknologi, tetapi saya merasa perlu bantuan ekstra untuk mengejar" (P3), di tengah konektivitas yang tidak dapat diandalkan dan pelatihan yang tidak pernah disediakan siapa pun. Etika muncul sebagai kekhawatiran tata kelola lebih daripada topik kurikulum, dengan penyimpanan data sebagai pertanyaan yang berulang ("Siapa yang memiliki akses, dan bagaimana data itu digunakan?"), dan bias algoritmik sebagai yang kedua. Mandat untuk mengadopsi AI tanpa pelatihan dan infrastruktur terbaca, dalam paparan ini, sebagai harapan yang tidak didanai alih-alih kegagalan kesiapan. Sebuah surat terbitan yang membalas studi itu mengajukan kasus tersebut pada tingkat institusional alih-alih individual (Bridging implementation gaps: the critical role of institutional ecosystems in AI integration for nursing education).
Basis tinjauan yang luas bukan basis yang dalam. El Arab et al. (2025) membaca 18 tinjauan sebelumnya dan menemukan semuanya bertemu pada tiga prioritas yang sama: implikasi etis dan sosial, transformasi pendidikan keperawatan, dan strategi integrasi. Tinjauan-tinjauan di bawahnya sebagian besar tetap deskriptif, dan von Gerich et al. melaporkan bahwa 34 dari 93 studi sama sekali gagal membahas pertimbangan etis, sehingga kesepakatan di puncak piramida adalah kesepakatan di antara ringkasan.
Inisiatif adalah variabel desain, bukan sifat pembelajar. Jin et al. (2026) merandomisasi 79 mahasiswa dan lulusan kedokteran serta keperawatan ke agen reaktif yang menunggu prompt atau agen proaktif yang menggerakkan pertanyaan berurutan, bekerja atas visual yang dihasilkan dari simulasi bangsal empat orang. Analisis jaringan epistemik memisahkan kondisi-kondisi itu dengan efek besar pada bagaimana gagasan terhubung (delta Cliff sebesar -0.56 dan -0.78), namun skor tulisan akhir tidak berbeda. Agency gap mereka menamai kedua mode kegagalan sekaligus: agen yang menuntut inisiatif lebih banyak daripada yang dimiliki pembelajar, dan agen yang mengarahkan secara berlebihan pembelajar yang tidak lagi membutuhkannya.
Model risiko yang dikalibrasi pada disiplin lain menandai disiplin ini hampir di mana-mana. Kovor et al. (2026) menelaah prediksi berisiko yang menjaga privasi di seluruh partisi disiplin program, dan ilustrasi penulisnya sendiri adalah bahwa sebuah program keperawatan mungkin berjalan pada 30-35% berisiko sementara program kedokteran yang berjalan bersamaan pada 15-18%. Regresi logistik terfederasi mempertahankan 99.3-99.9% kinerja tersentralisasi, sehingga hambatan bagi pemodelan lintas-program bersifat organisasional alih-alih statistik, tetapi sebaran yang sama berarti ambang yang diimpor salah sasaran. Temuan mereka bahwa aktivitas forum menempati peringkat terakhir di setiap disiplin diatribusikan pada penempatan klinis, tempat pembelajaran sejawat terjadi secara langsung.
Survei penggunaan AI oleh siswa melaporkan korelasi dan menyebutnya mekanisme. Li et al. (2026) mensurvei 1,020 mahasiswa keperawatan di satu institusi, 98.8% di antaranya sudah menggunakan AI generatif untuk tugas kuliah, dan menemukan interaksi AI berasosiasi dengan interaksi edukatif (r = 0.378) dengan pembelajaran pengaturan diri sebagai prediktor yang lebih kuat (beta = 0.520). Model strukturalnya just-identified, sehingga ia mereproduksi data secara konstruksi dan tidak dapat mengurutkan ketiga variabel, dan skala interaksinya menghitung frekuensi dan norma sejawat alih-alih apa yang dilakukan siswa dengan model itu.
Kondisi batas. Untaian-untaian itu bertemu pada pengekangan yang sama. AI paling terbukti untuk tujuan yang terstruktur dan dapat diulang — komunikasi dasar, pengambilan riwayat, pendidikan kesehatan, perolehan pengetahuan — dan paling sedikit terbukti untuk keterampilan psikomotor kompleks, interaksi bermuatan emosi, dan pembentukan profesional jangka panjang. Penerimaan secara konsisten moderat hingga tinggi, tetapi penerimaan atas umpan balik AI dikondisikan oleh kepercayaan: pembelajar lebih memilih sumber manusia yang dipersepsikan berwelas asih daripada AI yang dipersepsikan hanya kompeten. Tinjauan-tinjauannya juga sempit secara geografis, didominasi desain tanpa kendali dan laporan diri, dan — dalam tinjauan simulasi — menunjukkan pola positif yang nyaris seragam yang memunculkan kekhawatiran bias publikasi.

Miskonsepsi Umum

"Simulasi berbantuan AI meningkatkan kompetensi keperawatan di semua aspek." Manfaatnya berhenti pada batas yang terdokumentasi. Simulasi berbantuan AI secara andal meningkatkan pengetahuan dan Efikasi Diri tetapi menunjukkan efek yang tidak konsisten, kadang negatif, pada keterampilan psikomotor kompleks — dan kompetensi psikomotor bukan luaran pinggiran dalam profesi yang didefinisikan olehnya. Sebuah program yang mengadopsi simulasi dengan dasar perolehan pengetahuan memiliki bukti untuk titik akhir yang berbeda dari yang diuji lisensi.

"Kecemasan tenaga kerja seputar AI dalam keperawatan sebenarnya adalah kesenjangan keterampilan, jadi pelatihan literasi AI adalah obatnya." Kecemasan itu tentang pekerjaan, bukan tentang kompetensi. Survei terhadap 821 mahasiswa ilmu kesehatan menemukan korelasi positif moderat antara kecemasan AI dan kecemasan mencari kerja (r = 0.233, p < 0.001), dengan kecemasan AI sebagai prediktor signifikan setelah kontrol. Mengajarkan literasi menangani rasa takut tidak mampu menggunakan alat; ia tidak menangani rasa takut tidak memiliki pekerjaan — dan pembingkaian identitas profesional dalam literatur, yaitu siapa yang menjadi perawat alih-alih apa yang dapat dilakukan seorang pelatih, adalah tempat pertanyaan itu berada.

"Pembelajar menginginkan agen AI sebagai kolaborator." Mereka menginginkannya sebagai alat. Dari 165 pembelajar (158 menyelesaikan), agen dinilai paling berguna sebagai alat (M = 3.49), lalu untuk kebermanfaatan umpan balik (M = 3.21), dan paling rendah sebagai bagian dari tim (M = 2.88), dengan semua perbedaan berpasangan signifikan (F(2, 156) = 26.01, p < .001). Desain yang memosisikan agen sebagai anggota tim berjalan melawan preferensi pembelajar, bukan mendahuluinya.

"Studi simulasi apa pun dapat digeneralisasi ke praktik klinis." Basis bukti yang ditinjau di sini — 19 studi, N = 1,253, sebagian besar mahasiswa pralisensi — sebagian besar berbasis ruang kelas dan laboratorium, dan translasi dari kompetensi tersimulasi ke praktik tersupervisi justru merupakan langkah yang tidak dilatih oleh simulasi berbantuan AI dengan sendirinya.

"Kompetensi AI untuk keperawatan berarti menangani alatnya, jadi pelatihannya harus dimulai dari alat itu." Literatur kerangka berjalan ke arah sebaliknya. Dimensi yang ditemukan para peninjau konsisten dibahas adalah pengetahuan etika, tanggung jawab, serta keterampilan aplikasi dan evaluasi; penggunaan teknis dan operasional justru tempat bidang ini paling sedikit berbicara. Program yang lebih dulu membeli lisensi alat sedang membangun bagian peta yang paling tipis buktinya, dan kerangka yang disebut namanya yang mungkin diadopsinya alih-alih kurikulum — N.U.R.S.E.S., AI-ABCs, dan CARE — justru yang tidak memiliki metode penilaian.

Implikasi bagi Praktik

Bagi instruktur

Jangan mengadopsi simulasi AI untuk mengembangkan keterampilan psikomotor kompleks dengan dasar perolehan pengetahuan dan efikasi diri. Pertahankan latihan tersupervisi yang disengaja untuk titik akhir psikomotor dan gunakan AI di tempat buktinya paling kuat.
Tangani kecemasan akan pekerjaan secara langsung alih-alih merutekannya melalui modul literasi AI; korelasinya dengan kecemasan mencari kerja menyatakan bahwa kekhawatirannya adalah tentang masa depan profesi, bukan tentang kefasihan alat pembelajar.
Posisikan agen sebagai alat dan sumber umpan balik, yang cocok dengan preferensi pembelajar maupun desain yang menghasilkan penilaian lebih tinggi.

Bagi pengembang fakultas

Perlakukan kesiapan sebagai sebaran dan sasar ujung bawahnya, karena mandat tanpa pelatihan dan dukungan konektivitas mereproduksi kesenjangan yang seharusnya ditutupnya.
Ko-desain analitik bersama orang-orang yang digambarkannya: dalam satu kasus terbitan, fakultas dan mahasiswa keperawatan bersama-sama membangun dasbor analitik pembelajaran bertenaga AI sementara pendidik tetap bertanggung jawab atas pertimbangan yang diinformasikannya (AI as Co-Designer and Feedback Partner: Enhancing Human Judgment).

Bagi pengembang

Laporkan luaran psikomotor dan pengetahuan secara terpisah, karena keduanya menyimpang dalam literatur ini.
Rancang untuk peran alat dan umpan balik lebih dulu; pembingkaian agen-sebagai-anggota-tim bukanlah yang diminta pembelajar.

Bagi peneliti

Laporkan sampel pralisensi dan perawat yang sudah praktik secara terpisah, dan teliti transisi ke praktik tersupervisi jika klaim kompetensi ingin bermakna secara klinis.

Konsep terkait

Metadata

Disiplin	Nursing Education, Medical Education
Tingkat	Higher Ed
Audiensi sasaran	Medical Educators, Curriculum Designers, Instructors, Researchers
Pembelajaran dan pengajaran	Pembelajaran di Tempat Kerja, Efikasi Diri
Teknologi dan teknik	AI Generatif, Simulasi
Kesetaraan, etika, dan penggunaan yang bertanggung jawab	Keadilan
Dasar-dasar AI dalam pendidikan	Identitas Pembelajar
Jenis halaman	Synthesis

Sumber Riwayat Sunting Obrolan