编辑推荐：
【编辑推荐】为探究护士创造力影响因素并构建预测模型，研究者采用多学科设计，结合机器学习（ML）与描述性研究，对 191 名约旦护士展开调查。发现 Na?ve Bayes 模型预测精度高，谦逊领导力、心理安全等为关键因素，开发的决策支持系统（DSS）为护理管理提供新工具。
在医疗技术飞速发展的当下，护理工作面临着日益复杂的挑战，护士需以创新思维应对患者多样化需求。然而，现有研究对护士创造力的影响机制及预测方法关注不足，尤其缺乏结合新兴技术的跨学科探索。在此背景下，哈希姆大学（The Hashemite University）的研究者开展了一项旨在揭示护士创造力影响因素并构建预测模型的研究，相关成果发表于《BMC Nursing》，为护理管理领域提供了重要的科学依据。
该研究采用多学科研究设计，融合机器学习算法与描述性、横断面、相关性研究方法。研究样本来自约旦 8 家医院的 191 名注册护士，通过在线调查收集数据，涵盖谦逊领导力、心理安全、工作经验、教育水平等多维变量。研究运用统计分析（SPSS）与机器学习技术（WEKA 工具包），构建了基于 Na?ve Bayes、IBk、K-Star 等算法的预测模型，并开发了决策支持系统（DSS）。
研究结果
护士创造力水平与影响因素
约旦护士自我报告的创造力水平较高（M=44.95）。统计分析显示，谦逊领导力（r=0.374）、心理安全（r=0.295）与创造力呈显著正相关。此外，教育水平、年龄、全职工作状态、工作经验及医院质量改进计划（QIPs）均与创造力显著相关。多元线性回归模型表明，谦逊领导力、心理安全、工作经验、质量改进计划和教育水平是创造力的主要预测因子，共解释 30% 的方差变异。
机器学习模型预测效能
机器学习模型展现出优异的预测性能。其中，Na?ve Bayes 算法在预测心理安全（召回率 99%）、性别（98%）、工作投入（98%）、工作经验（96%）和年龄（92%）等指标时表现突出。对比不同算法发现，Na?ve Bayes 与 K-Star 在分类精度和 F 值上更具优势，且模型通过 10 折交叉验证确保了泛化能力。
决策支持系统的开发与应用
基于研究结果开发的 DSS 可整合心理安全、谦逊领导力、性别、年龄、工作经验等多维数据，实现对护士创造力水平的自动化评估与分类。该系统为护理管理者提供了数据驱动的决策工具，可优化人员配置、制定个性化培训计划，并助力营造创新性工作环境。
研究结论与讨论
本研究首次将机器学习技术引入护理创造力研究，证实了谦逊领导力和心理安全对护士创新行为的关键作用，且发现工作经验、教育水平及组织支持性措施（如质量改进计划）的重要性。尽管机器学习模型在变量筛选中未纳入教育水平和质量改进计划（可能与算法特性相关），但统计分析结果凸显了这些因素的实际意义。研究开发的 DSS 填补了护理管理领域技术应用的空白，其高精度预测能力（多数指标 ROC>0.9）为临床实践提供了可靠工具。
研究同时指出，护理管理者可通过推行谦逊领导风格、构建心理安全的工作环境、鼓励员工继续教育等策略提升团队创造力。未来研究需进一步拓展样本多样性，探索文化因素及跨学科协作对创造力的影响，并优化机器学习模型的可解释性，以推动 AI 技术在护理领域的深度应用。该研究不仅为护理学科引入了创新的研究方法，也为提升医疗服务质量、促进护理专业发展开辟了新路径。
