本科护理学学生人工智能素养与技术接受模型相关构念的关系及影响因素研究

《BMC Nursing》：Artificial intelligence literacy and technology acceptance model-related constructs among first-year nursing students: a multi-institutional cross-sectional network analysis

　　摘要背景：人工智能素养在护理教育中日益重要，但其维度与技术接受模型（TAM）相关的三个构念——感知有用性（PU）、感知易用性（PEU）以及对人工智能的态度（ATU）之间的关系仍不明确。本研究旨在探讨这些关系并确定与人工智能素养相关的因素。方法：一项多机构横断面研究于2026年4月20日至5月1日对中国某省份六所本科院校的一年级护理学学生进行了问卷调查。375份问卷回收中，362份符合质量控制标准并被纳入分析（分析留存率：96.5%）。分别采用条目水平的验证性因素分析评估四因素素养结构及PU、PEU和ATU的区分效度。采用组间比较和异方差稳健推断的多变量回归分析整体人工智能素养的相关因素，采用Pearson相关分析描述成对关联。采用正则化偏相关网络映射七个维度均值节点（知识、技能、价值观、伦理、PU、PEU和ATU）之间的条件关系、中心性和桥接连接。评估了机构间差异、聚类以及合并结果的稳健性。结果：在全调整多变量模型中，更高的人工智能使用频率、既往人工智能教育经历以及对人工智能的兴趣均与平均人工智能素养得分呈正相关。四因素模型拟合良好且条目载荷较强；技能与价值观高度相关。测量分析支持PU、PEU和ATU为相关但可区分的构念。在21条潜在网络边中，17条为非零。技能具有最高的预期影响，PU具有最高的强度。一步桥接排名依赖于分区方案：在主要的两个社区分区下，价值观排名第一；在替代的四个社区分区下，PU排名第一；PEU在两者中均排名第二。自助法诊断表明，在案例移除下强度和预期影响具有强稳定性（两者的CS(cor = 0.7) = 0.751）。组内相关系数估计值接近零；机构调整分析保留了主要的回归和网络发现。结论：人工智能使用频率、既往人工智能教育和兴趣与人工智能素养呈正相关。技能、感知有用性、价值观和感知易用性可为评估本科护理教育中人工智能教育的前景提供假设依据。