针对护理专业学生的护理人工智能准备度量表的开发：一项效度与信度研究

《BMC Nursing》：Development of the nursing artificial intelligence readiness scale for nursing students: a validity and reliability study

　　

摘要

背景

人工智能在医疗领域的快速应用使得对能够安全、高效地操作人工智能辅助系统的护士的需求日益增加。通过具有良好心理测量学特性的工具来评估护理专业学生的人工智能准备程度，对于指导课程设计及有针对性的教育干预至关重要。本研究旨在为护理专业学生开发并从心理测量学角度评估“护理人工智能准备度量表”（NAIRS）。

方法

这项量表开发研究是在土耳其一所公立大学2025–2026学年入学的416名护理专业学生中开展的。为避免在相同数据集上同时进行探索性因子分析和验证性因子分析，将全部样本随机分为两个独立子样本（探索性因子分析：n?=?200；验证性因子分析：n?=?216）。这两个子样本在关键人口统计学特征及与人工智能相关的特性方面具有可比性。首先根据相关文献制定了包含40个条目的初始草案，由10位学科专家通过内容效度评估进行审核，平均内容效度得分为0.88。经过专家审核后，有5个条目被删除，剩余35个条目。随后，该修订版草案在50名护理专业学生中进行预测试，以评估各条目的清晰度、可读性、易懂性以及量表施测流程，之后在正式应用前又进行了少量修改。最终形成的20条目量表涵盖了四个理论维度：知识/意识、使用人工智能的意愿、自我效能感以及伦理意识。构建效度通过探索性因子分析（最小残差提取法；Promax旋转）和一阶验证性因子分析（最大似然估计法），并结合多种模型拟合指标来进行检验。收敛效度和区分效度则分别通过CR/AVE值以及Fornell–Larcker标准进行评估。两个子样本的内部一致性均采用Cronbach’s alpha系数进行衡量，而时间稳定性则是通过在一个包含45名学生的子组中开展为期两周的再测实验，利用ICC（双向随机、单次测量）来检测。

结果

最终形成的量表呈现出四因素结构，可解释总方差的52.08%，各因素的负荷量在0.351到0.909之间。验证性因子分析结果显示，所提出的模型拟合良好（χ2/df?=?1.426，CFI = 0.971，TLI = 0.967，GFI = 0.910，RMSEA = 0.044，SRMR = 0.049）。量表的内部一致性很高：子量表的Cronbach’s alpha系数在0.801–0.828之间（探索性因子分析样本），在0.858–0.902之间（验证性因子分析样本），而整个量表的Cronbach’s alpha系数则为0.911。再测信度也显示出较强的稳定性，各子量表的ICC值在0.896–0.963之间，整个量表的ICC值为0.952。

结论

研究结果初步表明，NAIRS是一种有效且可靠的工具，可用于评估护理专业学生在知识/意识、使用人工智能的意愿、自我效能感以及伦理意识等方面的人工智能准备程度。该量表可应用于护理教育中的需求评估及课程规划工作。

临床试验编号

无。