AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Образование в области сестринского дела

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Образование в области сестринского дела — подготовка медсестёр к лицензированной практике и подобласть health-professions education, где ИИ в настоящее время изучен наиболее полно. ИИ входит в учебные программы сестринского дела через Моделирование с виртуальными пациентами и манекенами, поддержку учёбы и клинического рассуждения на базе LLM, automated assessment и адаптивные платформы для учащихся группы риска. Его объект уникален: компетентность сестринского дела объединяет психомоторный навык, реляционную практику и формирование professional identity, поэтому технология, повышающая измеряемую результативность, может одновременно подрывать ту развивающую работу, которая и создаёт медсестру.

Вопросы для размышления

  • Поддерживаемая ИИ симуляция надёжно улучшает знания и Самоэффективность, но демонстрирует непостоянные, иногда отрицательные эффекты на сложный психомоторный навык. Где ИИ является правильным teacher, а где присутствие человека в аудитории должно оставаться неоспоримым?
  • Студенты-медсёстры описывают ИИ как эмоциональное утешение при клиническом стрессе. Это поддержка, которую стоит проектировать, или сигнал о том, что реляционное ученичество недополучает ресурсов?
  • Тревожность по поводу ИИ среди студентов медицинских наук коррелирует с тревожностью по поводу поиска работы. Является ли обучение ИИ-грамотности лекарством, или оно повышает значимость угрозы, которую вместо этого должна адресовать institutional policy?

Введение

Образование в области сестринского дела — это клиническое направление базы знаний с самой плотной эмпирической базой: системные обзоры применений ИИ, mixed-methods синтез симуляции на базе ИИ, qualitative исследование опыта студентов и преподавателей, а также критический интегративный обзор исследований LLM существуют бок о бок. Это делает сестринское дело полезным тестовым случаем для утверждений, которые более широкая область AI in education делает о клинической подготовке.

Его следует отличать от Medical and Health Professions Education, которое рассматривает сестринское дело как одну программу среди медицины, фармации, стоматологии и смежных медицинских профессий и организует свой рассказ вокруг общей проблемы масштабируемой клинической компетентности. Литература по сестринскому делу добавляет три вещи, которых та страница не может нести: границу компетентности, за которой прекращаются документированные выгоды ИИ; явный framing профессиональной идентичности, в котором вопрос состоит в том, кем становится медсестра, а не в том, что может делать обучающийся; и слой кадрового состава — тревожность студентов по поводу того, что ИИ вытеснит роли в сестринском деле, и взгляд преподавателей на медсестёр как на создателей, а не получателей цифровой трансформации здравоохранения.

Область также уточняет три смежные концепции. От Моделирование она наследует спор о достоверности, но переименовывает дефицит в «разрыв достоверности». От Аффективные вычисления она берёт измерение аффекта, однако её сильнейшее утверждение состоит в том, что аффективные результаты улучшаются, в то время как эмоциональная глубина взаимодействия — нет. От Самоэффективность она берёт центральную опосредующую переменную, предупреждая при этом, что уверенность, сформированная в условиях низкого риска, может не переноситься в клинические условия. Под всем этим лежит обычная проблема higher education — нагрузка, доступ и целостность оценивания, — обострённая лицензированием и последствиями для пациента.

Как ИИ проявляется в образовании в области сестринского дела

  • Четыре области применения, повторяющиеся риски. Alrazeeni et al. (2026) рассмотрели 28 эмпирических исследований (2010–апрель 2025) и сгруппировали применения ИИ по personalized learning, simulation-based training, Автоматизированное оценивание и институциональному управлению curriculum с предиктивной analytics. Технологическое неравенство, пробелы в подготовке преподавателей и опасения по поводу приватности и предвзятости повторяются. Их рекомендации конкретны — встроить симуляцию с ИИ в подготовку по экстренной помощи, развернуть adaptive platforms для учащихся группы риска, использовать автоматизированные инструменты для formative Обратная связь в реальном времени, принять диагностическую точность как меру воздействия, — в рамках пилотов на нескольких площадках сроком 6–12 месяцев с отслеживанием learning outcomes и доверия.
  • Симуляция: сильна в знаниях и уверенности, условна в навыках. Jiang et al. (2026) (N = 1 253, преимущественно студенты предлицензионной подготовки) охватывает generative AI/LLM, виртуальных пациентов и манекенов под управлением ИИ, VR/mixed reality с усилением ИИ и chatbots. Сильнейшие дизайны — три RCTs плюс контролируемые квазиэксперименты — показывают значительный прирост в когнитивных знаниях и аффективных результатах, включая Самоэффективность и уверенность в коммуникации, но эффекты на сложные психомоторные навыки непостоянны, и одно РКИ обнаружило симуляцию с поддержкой ИИ уступающей симуляции со стандартизированным пациентом. Качественная мета-агрегация объясняет и привлекательность, и предел: учащиеся ценят безопасную, повторяемую, неосуждающую практику, которая сокращает разрыв между теорией и практикой, но сообщают о разрыве достоверности — роботизированном диалоге, отсутствии невербальных сигналов, отсутствии тактильного осмотра, — плюс технической нестабильности, повышающей постороннюю cognitive load и ситуативную тревожность. Авторы рекомендуют ступенчатый континуум: ИИ для предварительного обучения, сбора анамнеза и базового рассуждения; человеческих симуляторов и стандартизированных пациентов для сложной психомоторной и эмоционально заряженной работы; фасилитируемый человеком дебрифинг наряду с AI feedback.
  • Принятие реально и реляционно. Akbaba and Calik Kus (2026) провели интервью с 28 участниками (16 студентов, 12 преподавателей) и проанализировали расшифровки дедуктивно через Technology Acceptance Model. TAM подтвердилась: лёгкость использования, полезность, намерение и использование сформировали принятие. Разделение ролей практически — студенты использовали ИИ для презентаций, визуального контента, анализа клинических случаев и планирования ухода; преподаватели — для учебных материалов, literature review, academic writing и администрирования, — что подразумевает адаптированную, а не единообразную подготовку. Два вывода расширяют когнитивную рамку TAM. Участники описывали ИИ как психосоциальную поддержку, «компаньона», предлагающего утешение и конфиденциальное пространство для размышления при клиническом стрессе. А там, где ИИ получал более высокие оценки, чем медсёстры, по эмпатии в контексте большого объёма работы, Sun et al. (2026) прочитали это как подавление структурной эмпатии: переработка делает аутентичное эмпатическое выражение неустойчивым, алгоритмическая последовательность заполняет пробел, и составляющая идентичность значимость переносится на алгоритм, — переформулируя вопрос политики с «насколько эффективен этот инструмент?» на «какие условия сделали его появление необходимым?»
  • Преподаватели читают риск как профессиональный, а не процедурный. Dabkowski et al. (2026) провели интервью с 22 академиками в области сестринского дела в Австралии и Новой Зеландии и обнаружили, что они ориентируются в политике, которая отсутствовала, запаздывала или была написана без них, при резко расходящихся коллегиальных подходах и проведённой линии на замещении, а не на использовании. Возражение было развивающим прежде, чем процедурным: генерация ответов для сценария ухудшающегося состояния пациента означает, что рассуждение никогда не практикуется, и участники предупреждали о будущей когорте, непригодной для практики — «Copilot не научит тебя быть медсестрой». Практика оценивания уже двигалась к экзаменам под наблюдением, устным защитам и доказательствам процесса, а нарушение читалось как репетиция небезопасных клинических сокращений, что переформулирует Академическая добросовестность как вопрос о том, кому безопасно практиковать, а не как процесс соблюдения правил. Академики просили руководства, специфичного для сестринского дела, привязанного к ethical кодексам профессии, грамотности в GenAI, встроенной во curriculum, и staff development с совместным проектированием модулей, — а не тотального запрета.
  • Тревожность как сигнал кадрового состава. Dağ et al. (2026) опросили 821 студента медицинских наук (среди них и студентов-медсестёр) и обнаружили умеренную положительную корреляцию между AI anxiety и тревожностью по поводу поиска работы (r = 0,233, p < 0,001), причём тревожность по поводу ИИ является значимым предиктором после контроля социально-демографических факторов (β = 0,234, p < 0,001). Тревожность по поводу ИИ, утверждают они, — это не отношение к технологии, а психологический фактор, формирующий то, как студенты видят своё профессиональное будущее, — что указывает на ИИ-грамотность и карьерное консультирование, а не на инструменты, как на меру вмешательства.
  • Групповое мышление и interprofessional команды. Wiss et al. (2025) поместили генеративного агента AI agent (CALIE) в двенадцать недавно сформированных межпрофессиональных команд в семи программах медицинских профессий, включая сестринское дело, во время 180-минутного виртуального занятия по problem-based learning, prompting его вводить спорные точки зрения. Из 165 учащихся опрос заполнили 158; агент получил наивысшие оценки как инструмент (M = 3,49), затем за полезность обратной связи (M = 3,21) и наименьшие — как часть команды (M = 2,88), причём все попарные различия значимы (F(2, 156) = 26,01, p < .001). Позиция фасилитатора имела значение, и учащиеся, отвергавшие ответы агента, всё же использовали их как социально допустимый способ высказаться, — несогласие с ИИ делало работу команды.

Компетентность, идентичность и пробел в доказательствах

  • Вытеснение — это переменная дизайна. Sun et al. (2026) переформулирует исследования LLM в сестринском деле вокруг одного критерия: является ли та когнитивная и партисипативная работа, которую вытесняет LLM, посторонней по отношению или составляющей развивающуюся компетентность. Вытеснение документирования и рутинного поиска освобождает working memory; вытеснение полной цепочки рассуждения, этического обоснования или индивидуализированного плана ухода убирает объект обучения. Доказательства не гипотетичны — студенты, использовавшие ChatGPT как единственный ресурс, получили значимо более низкие оценки, чем контрольная группа по учебникам, по этическим стандартам и клиническому рассуждению, а учебная программа с интегрированным ИИ дала более высокие оценки при менее индивидуализированных, более слабых по логике планах ухода — диссоциация результативности и обучения. Их модель напряжения профессиональной идентичности формализует это на уровнях задачи, компетентности и идентичности: результаты, измеренные с доступным инструментом, могут индексировать беглую результативность, а не долговременную способность, поэтому программы должны использовать отсроченные пост-тесты без инструментов и задачи на перенос.
  • Доказательства инвертированы. Карта пробелов того же обзора не находит ни одного рандомизированного или квазиэкспериментального исследования профессиональной идентичности или career development, только три исследования реляционной и этической компетентности, и ни одного наблюдения дольше 12 месяцев, — в то время как контролируемые доказательства концентрируются в когнитивных и технических результатах.
  • Слежка документирована как восприятие, а не как улучшенное поведение. Harerimana et al. (2026) картировали Дистанционный прокторинг в оценивании в сестринском деле по шести исследованиям (1 567 студентов) и обнаружили, что сдерживающий эффект сообщается почти всеми студентами под наблюдением (98–100% согласия в одной магистерской программе), в то время как единственное сравнительное исследование результативности обнаружило, что когорта под очным наблюдением набрала значимо больше баллов на экзамене готовности, чем когорта под удалённым наблюдением. Тревожность шла в обе стороны — одни студенты были спокойнее дома и освобождены от поездок, другие не могли сосредоточиться под наблюдением и опасались wrongful accusation, — и четыре из шести исследований сообщали о сбоях связи, одно — об отключении нагрузки, что делает equitable доступ действенным ограничением, а не безопасность экзамена. Позиция авторов в том, что удалённое наблюдение должно быть одним инструментом среди нескольких, регулируемым стандартами защиты данных и сочетаемым с целостностью через дизайн и authentic assessment, а не рассматриваться как средство защиты по умолчанию.
  • Граничные условия. Направления сходятся на одном и том же сдерживании. ИИ лучше всего доказан для структурированных, повторяемых целей — базовой коммуникации, сбора анамнеза, санитарного просвещения, приобретения знаний, — и менее всего доказан для сложного психомоторного навыка, эмоционально заряженного взаимодействия и долгосрочного профессионального формирования. Принятие последовательно от умеренного до высокого, но принятие обратной связи ИИ обусловлено доверием: учащиеся предпочитают человеческие источники, воспринимаемые как доброжелательные, ИИ, воспринимаемому как просто компетентный. Обзоры также географически узки, доминируемы неконтролируемыми дизайнами и self-report, а в обзоре симуляции демонстрируют почти единообразный позитивный паттерн, что вызывает опасения по поводу смещения публикаций.

Связанные концепции

Связанные статьи

Метаданные

ДисциплинаNursing Education, Medical Education
УровеньHigher Ed
Целевая аудиторияMedical Educators, Curriculum Designers, Instructors, Researchers
Обучение и преподаваниеОбучение на рабочем месте, Самоэффективность
Технологии и методыГенеративный ИИ, Моделирование
Справедливость, этика и ответственное использованиеСправедливость
Основы ИИ в образованииИдентичность учащегося
Вид страницыSynthesis
SourceHistoryEditChat

Встроить эту страницу

Скопируйте код ниже, чтобы встроить эту страницу в систему управления обучением или на другой сайт. Во встроенной версии отображается только содержимое страницы — заголовок сайта, навигация и нижний колонтитул скрыты.