知识是缓冲还是负担？AI素养在护理教育中医疗AI准备度与AI焦虑之间的中介作用

《Nurse Education Today》：Is knowledge a buffer or a burden? The mediating role of AI literacy in the relationship between medical AI readiness and AI anxiety in nursing education

　　

•我们发现护理学生在AI领域存在一个"准备悖论"。•医疗AI准备度与AI素养同AI焦虑呈正相关。•AI素养在准备度与焦虑之间的关系中起中介作用。•自报素养水平较高在统计上与AI焦虑升高相关。•护理课程必须从被动认知转向主动赋能。

**引言**

人工智能自问世以来，一直在推动医疗实践的精细化发展（Sezgin, 2023）。Yu等人（2018）总结了AI在医学中的应用，包括解读心电图、诊断疾病、选择治疗方案、分析临床推理，以及协助医生为复杂病例形成诊断假设。这些是第一代AI系统所取得的成果。随着机器学习与深度学习算法的过渡，一种新范式应运而生——数据驱动的模型开始在诊断、基因组学以及患者护理等多个方面超越传统方法并重塑临床实践（Yu等人, 2018）。而在医疗健康领域又一场变革正由生成式人工智能驱动，通过生成对抗网络和大型语言模型等技术，改善诊断精度、简化医疗文档记录，并通过合成数据生成、自动化行政支持和实时决策制定来推动个性化治疗策略，从而重塑临床工作流程（Reddy, 2024）。换言之，AI正迅速从理论前景转变为现代医疗服务体系中的整合组成部分。

人工智能在护理实践中展现出巨大潜力，能够增强决策能力、改进文档记录并优化患者结局。具体而言，AI的整合带来了切实的优势，例如自动化常规任务、减轻工作负担以及支持诊断准确性和早期干预，共同作为一种互补工具来加强效率并确保更高水平的患者护理标准（Dailah等人, 2024）。然而，其广泛整合仍受到诸多挑战的制约，包括数据质量、伦理问题以及专业参与不足。虽然系统综述承认其潜在益处，但也指出只有少数研究展示了现实世界中的改善效果，凸显了严格评估和积极护理参与的必要性（O'Connor等人, 2023）。护士是这一变革的核心，因为生成式AI影响着护理教育、临床决策制定和患者沟通。通过支持循证护理建议、患者监测和自动化文档记录，这些技术使护士能够在日益数字化的医疗环境中更多地专注于直接患者护理（Castonguay等人, 2023; Martinez-Ortigosa等人, 2023）。至关重要的是，要充分发挥AI的广泛潜力，需要护士、照护者和受照护者的积极参与来塑造其整合过程，并仔细关注其伦理、法律和社会影响（El Arab等人, 2025; Seibert等人, 2021）。

在AI与护理的语境下，素养、准备度和焦虑是突出的研究领域（Simms, 2025; Dodson等人, 2025; El Arab等人, 2025）。AI素养（定义为护士对AI技术的理解和能力）和AI准备度（代表其采纳这些技术的准备程度和意愿）是相互关联的因素，两者均与护理专业人士成功采纳AI呈正相关（Simms, 2025; El Arab等人, 2025）。较高水平的AI素养和准备度使护士能够更有效地使用AI辅助工具，减少错误，并实现更好的患者结局（Dodson等人, 2025; El Arab等人, 2025）。然而，与AI相关的焦虑（源于不确定性、对失业的恐惧或对技术的不熟悉）通常成为采纳的重大障碍，并可能降低护士与AI驱动系统合作工作的意愿（?obano?lu和O?uzhan, 2023; Ayed等人, 2025）。通过针对性教育、AI接触机会和机构支持来应对这一焦虑，对于推进AI技术在护理领域的负责任和可持续整合至关重要（Ayed等人, 2025）。

AI在医疗健康领域的成功采纳要求护士展现出AI准备度、具备AI素养，并拥有管理AI焦虑的能力。这些相互关联的因素共同影响着护士在临床实践中能多顺利地接受和利用AI驱动工具。这些因素不仅决定了AI采纳的有效性，也塑造了患者结局的质量和医疗服务整体转型。

**医疗AI准备度**

医疗AI准备度（MAIR）指的是医疗提供者在知识、技能和态度方面的准备程度，这些能力是有效利用AI技术进行临床实践、教育和研究所必需的（Karaca等人, 2021）。这一概念涵盖四个相互关联的维度：认知，涉及对AI和数据结构核心概念的理解；能力，反映将AI工具与专业医学知识整合的实践能力；视野，指批判性评估AI局限性、优势及未来影响的能力；以及伦理，强调在医疗健康环境中使用AI时遵守法律和道德标准（Karaca等人, 2021）。

在MAIR四维结构（认知、能力、视野和伦理）（Karaca等人, 2021）的基础上，还需考虑护理学生的认知，因为这些态度是其未来参与度的塑造因素，也是整个医疗卫生队伍应对AI驱动创新的总体准备程度的基础（Salem等人, 2024）。护士总体上对AI整合持乐观与谨慎并存的平衡态度，在认识到AI能够增强患者护理和简化流程的潜力的同时，也对维护其专业专长和护理的人文关怀方面表示保留（Rony等人, 2024）。这种准备度通常取决于是否提供了全面的培训，以确保无缝整合并有效利用AI的优势（Rony等人, 2024）。至关重要的是，MAIR有别于一般的AI准备度（后者侧重于广泛的数字素养和跨行业算法思维），其以领域特异性方式强调患者安全、临床决策制定以及医疗健康环境中固有的医法责任（Karaca等人, 2021）。

尽管已有上述基础理解，AI的整合仍面临若干重大障碍。这些阻碍全面AI准备度的结构性和文化性障碍包括基础设施不足、数据安全问题以及系统性的文化抵触（G?ktepe和Erdeo, 2025）。为系统性地缓解这些挑战，有必要开发完善的AI能力框架来评估个人和机构的准备度。此外，将专门的AI培训整合到本科护理课程中至关重要，以确保未来的护理专业人员获得不断演变的临床格局所必需的数字健康素养（G?ktepe和Erdeo, 2025）。

总之，实证证据表明护士报告了中等水平的AI准备度，其特征是对AI效用持务实的乐观态度，同时对实施问题保持谨慎。然而，在感知的准备度与可证明的准备能力之间仍存在显著差距。年龄、教育背景和专业经验被确定为准备度的重要预测因素，凸显了全面、正式化培训项目对于促进AI在护理领域成功整合的关键必要性。

**AI素养**

AI整合进医疗健康环境产生了迫切需要护士发展超越传统临床技能的新能力。AI素养涵盖了理解、评估和有效利用人工智能技术所必需的技能与知识，包括熟悉基本AI概念、批判性评估AI应用的能力以及将这些技术应用到解决现实世界问题的能力（Li等人, 2025）。简言之，AI素养可以定义为理解、使用和批判性评估AI技术所需的知识和技能（Casal-Otero等人, 2023）。OECD（2025）框架将AI素养围绕四个互动领域进行结构化：（i）与AI互动：识别AI的使用并批判性评估其输出（准确性、偏见、相关性）；（ii）借助AI创造：与AI合作进行构思、内容生成和问题解决，同时处理所有权/归属问题；（iii）管理AI：战略性地将任务委派给AI以增强人类工作（例如，自动化后勤工作以专注于团队建设）；以及（iv）设计AI：理解AI系统背后的原理（数据、设计选择），以探索公平性和影响，即使无需构建AI产品。然而，Laupichler等人（2023）建议AI素养应面向非专家群体，且仅包含基础知识、分析评估和批判性使用AI应用。

虽然护士不需要成为AI专家（Sommer等人, 2024），但他们在从事职业实践时感到缺乏对AI原理的理解（Abuzaid等人, 2022）。对于护理教育专业的学生来说，拥有安全实践所需的关键能力尤为重要。缺乏适当的AI素养，这些非专家（Laupichler等人, 2023）面临加剧偏见、误读AI建议以及潜在造成患者伤害的风险（Cary等人, 2025）。鉴于51%的护士主要通过自学方式获取AI知识，而75%的护士承认护理课程应包含AI基础知识（Abuzaid等人, 2022），正式的课程整合对于防止未来护士产生误解和减轻算法偏见至关重要。

当前教育差距十分显著，尽管AI技术在医疗健康领域的采用日益增长，但护理AI教育尚无正式标准存在（Cary等人, 2025）。Pepito等人（2025）建议将信息技术、AI治理和协作学习整合到护理课程中，以缓解这些挑战并更好地使护士为技术驱动的环境做好准备。换言之，关于护士和护理学生AI素养的研究表明，护理教育需要结构化的教育和政策变革。

**AI焦虑**

AI整合进医疗健康环境面临挑战，原因包括信任问题、伦理问题和职业安全顾虑，其中就业焦虑往往源于对技术驱动环境中成功所需技能的不确定性（Kim等人, 2022; Li等人, 2025; Salem等人, 2024）。然而，拥有较强AI素养的个人更有能力自信地应对这些挑战，因为提高技术素养有助于减少不确定感和压力感（Lemay等人, 2020; Li等人, 2025）。

尽管人工智能在护理实践中具有变革潜力，但其成功和广泛的采纳受到重大社会技术障碍的制约，其中包括情感反应的出现，如AI焦虑（Poon等人, 2025）。AI焦虑通常被概念化为一种情感反应，其特征是加剧的担忧、紧张或恐惧，这些情绪阻碍了个人与AI技术的接触和互动（Wang和Wang, 2019）。在护理领域，这种焦虑经常表现为对在日益技术中介化的临床环境中保持职业身份和维持人文关怀、以人为中心的护理的担忧（Al-Smadi等人, 2025; ünal和Avc?, 2024）。最新证据进一步表明，即使在AI赋能的环境中，角色的演变和责任仍存在模糊性，护士的职业身份受到挑战，与此同时，该职业继续强调同理心、批判性思维和关系性护理不可替代的重要性（Fisher, 2025; Poon等人, 2025）。

AI焦虑是一种特定类型的技术焦虑，自20世纪90年代和2000年代以来一直是研究的重要焦点（Bozionelos, 2001）。它描述了人们在使用AI系统时可能感到的不适或紧张感。心理学家将焦虑定义为两种形式：特质焦虑，即持续且一致存在的焦虑；以及状态焦虑，即短期的、根据具体情况变化的焦虑（Cambre和Cook, 1985）。AI焦虑被视为状态焦虑，可以通过调整个人与AI技术的互动方式来应对并潜在减轻。它是AI在医疗健康环境中整合时被研究最为广泛的因素之一。尽管不同研究使用不同的数据收集工具，使得AI焦虑的结果难以定量比较，但研究一致报告了中等到较高的AI焦虑水平，表明护士在AI整合过程中经历了显著的焦虑（Ayed等人, 2025; ?obano?lu和O?uzhan, 2023）。

护理学生和在职护士都经历了相当高且可比的焦虑水平，表明护士和护理学生面临着类似的困惑和正式教育缺乏的问题（Mara?等人, 2024; Yigit和Acikgoz, 2024）。多个关键因素预测和影响着护士的AI焦虑水平。最重要的预测因素包括缺乏对AI技术的教育和知识（?obano?lu和O?uzhan, 2023）。对人工智能持有消极情绪的学生表现出较高的焦虑水平（Yigit和Acikgoz, 2024）。与焦虑增加相关的其他因素包括日常使用AI、较高的职业威胁感知以及对AI系统的低信任水平（Giaxi等人, 2025）。人口统计学特征也起到一定作用，较年轻的人群对AI的接受态度和使用AI的意愿更强（Cho和Seo, 2024）。

AI焦虑以多种形式表现出来，阻碍了医疗健康AI的采纳。AI学习焦虑和职业替代焦虑是阻碍AI在医疗领域使用的两大主要障碍，护士缺乏培训资源，对职业替代风险有强烈担忧，同时组织支持薄弱（Zhou等人, 2025）。

这些担忧尤为突出，主要源于数据隐私等伦理问题以及数字健康素养水平偏低（Giaxi等，2025）。尽管已有大量文献分别探讨了人工智能准备度、数字素养和焦虑问题，但在理解这些构念在护生群体中相互作用的机制方面仍存在若干关键空白。

首先，现有大多数研究依赖相对简单的关联性设计，仅表明技术准备度与其使用焦虑往往共同出现，但对二者之间关联的展开过程提供的洞察十分有限（Dai等，2020；El Arab等，2025）。相比之下，极少有研究采用更为精细的多变量建模方法来阐明连接准备度与人工智能相关焦虑等结果的心理学路径。因此，目前仍无法确定表面上显示的准备度是否与焦虑独立相关，还是其对焦虑的影响取决于具体知识和技能的发展，例如人工智能素养。

其次，护理教育中的"准备度悖论"值得深入探究。护理学生常常报告较高的感知准备度或技术采用意愿，同时又对自动化和岗位替代表现出高程度的焦虑（Li等，2025；Zhou等，2025）。理解人工智能素养是否在统计上能够解释准备度与焦虑之间的关系至关重要。若缺乏对这些多变量路径的理解，教育工作者便无法确定干预措施应侧重于提升一般性信心（准备度），还是应传授技术知识（素养）。

此外，关于医学人工智能准备度与人工智能素养在概念区分及中介顺序上的理论澄清也是必要的。尽管二者之间存在相关性（r = 0.627），但它们代表不同的心理领域：医学人工智能准备度（Karaca等，2021）反映的是广泛的、情感-态度层面的取向及感知到的职业准备状态（涵盖愿景、感知能力和伦理敏感度），而人工智能素养（Laupichler等，2023）则体现领域特定的认知知识、算法理解力和功能性胜任力。基于社会认知理论（Bandura, 1986）和计划行为理论（Ajzen, 1991），基础态度和动机准备度（X）作为心理前因，驱动个体参与并获得技术素养（M）。进而，这种提升的认知理解塑造了情感评价和情境焦虑（Y），支持X → M → Y的理论序列。

因此，本研究有必要超越简单的关联性分析，转而考察与焦虑相关的多变量统计路径。通过应用Hayes（2022）的中介分析框架，本研究旨在确定人工智能素养是否作为关键中介变量，解释了医学人工智能准备度与人工智能焦虑之间的间接关联。

本研究的主要目标是定量调查护生群体中医学人工智能准备度与人工智能焦虑之间的关系。此外，本研究还旨在正式检验人工智能素养在该关系中的中介作用，为连接准备度与对技术变革的情感反应之间的间接统计路径提供证据。

基于技术接受模型（TAM）和社会认知理论的理论框架，该框架认为能力提升和准备度可以降低技术恐惧，本研究提出以下假设：

- H1（总效应）：医学人工智能准备度与人工智能焦虑呈负相关（即，准备度越高，焦虑水平越低）。
- H2（路径a）：医学人工智能准备度与人工智能素养呈正相关。
- H3（路径b）：在控制准备度的情况下，人工智能素养与人工智能焦虑呈负相关。
- H4（中介效应）：人工智能素养显著中介了医学人工智能准备度与人工智能焦虑之间的关系。

## 研究片段

### 参与者与流程

本研究于2024–2025学年春季学期在土耳其伊斯坦布尔的一所大学开展。参与者采用方便抽样法招募。使用G*Power 3.1.9.7进行先验功效分析，适用于线性多元回归和中介分析（F检验）。指定中等效应量（f2 = 0.15）、显著性水平（α = 0.05）、统计功效（1-β = 0.95）以及三个预测变量后，所需的最小样本量为……

### 相关分析

进行了一项相关分析，以检验医学人工智能准备度、人工智能素养和人工智能焦虑之间的关系。结果见表3（见表格4、表格5）。

如表所示，医学人工智能准备度与人工智能素养之间存在强烈的正相关（r = 0.627, p < .01），表明准备度较高的学生在人工智能方面也表现出更高的素养……

### 讨论

本研究运用中介分析框架，调查了护生群体中医学人工智能准备度、人工智能素养与人工智能焦虑之间的复杂相互作用。中介分析揭示了一条具有统计学意义的部分中介路径（H4），但H1和H3出现了意想不到的方向反转。研究并未证实初始假设中关于准备度和素养能缓冲恐惧的预期，实证发现反而显示存在显著的正向……

### 结论

本研究表明，在护生群体中，医学人工智能准备度和人工智能素养与人工智能焦虑呈正相关，其中人工智能素养作为统计学上显著的部分中介变量发挥作用。基于认知技能获取理论（Anderson, 1982），这些发现表明，获得关于人工智能的初始陈述性知识而缺乏相应的感知程序性技能，会提升学生对算法缺陷性和临床责任的认知……

### CRediT作者贡献声明

Mehmet Uysal：写作—审阅与编辑、写作—初稿撰写、可视化。
Onur ??bulan：写作—审阅与编辑、写作—初稿撰写、监督指导、研究方法、调查研究、形式分析、概念构思。
Ay?en Demirel：资源提供、调查研究、数据整理、概念构思。

### 利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Ay?en Demirel报告获得伊斯坦布尔城市大学的资助。如还有其他作者，他们声明不存在已知的可能影响本论文所报告工作的竞争性财务利益或个人关系。Mehmet Uysal报告获得萨卡利亚大学的资助。如还有其他作者，他们声明……

Mehmet Uysal | Onur ??bulan | Ay?en Demirel