影响医学学生采用人工智能教育剂的因素:一个扩展的UTAUT模型

科学领域:

• 医疗教育 技术 技术 医学教育
• 医疗保健中的人工智能
• 教育心理学教育心理学

背景情况:

• 人工智能 (AI) 正在改变医学教育,提供智能教学助理和虚拟模拟实验室等工具.
• 医学学生面临诸如理论与实践差距,高认知负载和有限的个性化学习机会等挑战.
• 医学教育中的人工智能代理显示出解决这些挑战的潜力,但学生接受对于整合至关重要.

研究的目的:

• 调查影响医学学生采用人工智能教育代理的心理和行为因素.
• 为医疗教育背景扩展技术接受和使用统一理论 (UTAUT) 模型.
• 确定人工智能在医疗培训中成功整合的关键驱动因素.

主要方法:

• 开发了一个扩展的UTAUT模型,结合了AI信任,感知风险,快乐的动机和可测试性.
• 在使用定制的人工智能代理后,对155名临床医学学生进行了横截面调查.
• 部分最小平方结构方程建模 (PLS-SEM) 用于分析数据和测试假设.

主要成果:

• 该模型解释了85.3%的行为意图使用人工智能代理的差异.
• 努力预期和绩效预期是行为意图的最强有力的预测因素.
• 享乐动机积极影响了努力和绩效预期,而人工智能信任,可测试性和较低的感知风险提高了绩效预期. 社会影响没有显著的影响.

结论:

• 实用性和易用性等内在因素对于医学学生采用人工智能教育工具至关重要,超越了社会影响.
• 在医学教育中成功推广人工智能需要建立用户信任,减轻感知到的风险,并确保吸引人的学习体验.
• 研究结果为设计有效的医疗人工智能教育代理和课程整合策略提供了经验基础.