DOI: https://doi.org/10.29333/ejhbe/17850
تاريخ النشر: 2026-02-03
المؤلف: John Mark R. Asio
الموضوع الرئيسي: المعرفة الرقمية في التعليم
نظرة عامة
تدرس هذه الدراسة تأثير الذكاء الاصطناعي (AI) على تعليم التمريض، مع التركيز على مفاهيم معرفة الذكاء الاصطناعي (AIL)، وكفاءة الذات في الذكاء الاصطناعي (AISE)، وقلق الذكاء الاصطناعي (AIA)، وكفاءة الذات في الذكاء الاصطناعي (AISC) بين 255 طالب تمريض في مدينة أولونجابو، الفلبين، خلال السنة الأكاديمية 2024-2025. باستخدام تصميم وصفي مقطعي وتحليل وساطة متوازي، تم جمع البيانات عبر استبيان عبر الإنترنت من سبتمبر إلى أكتوبر 2024، باستخدام أدوات قياسية لقياس AIA وAIL وAISE وAISC. تم إجراء التحليلات الإحصائية، بما في ذلك الإحصاءات الوصفية ونموذج ماكرو عملية هايز 4، باستخدام IBM SPSS الإصدار 23.
تكشف النتائج عن علاقة مباشرة بين AIL وAISE، مع وجود AIA كوسيط لهذه العلاقة. علاوة على ذلك، فإن AISC أيضًا تتوسط العلاقة بين AIL وAISE، مما يشير إلى تفاعل معقد بين هذه المفاهيم. ومن الجدير بالذكر أن الدراسة تؤكد أن AISC لها تأثير وساطة أقوى من AIA على العلاقة بين AIL وAISE. بشكل عام، تسهم هذه الأبحاث في تقديم رؤى مهمة حول ديناميات معرفة الذكاء الاصطناعي وكفاءة الذات في تعليم التمريض، مع تسليط الضوء على التأثيرات غير المباشرة لكل من AIA وAISC على ارتباط AIL وAISE.
مقدمة
تناقش مقدمة ورقة البحث التأثير التحويلي للذكاء الاصطناعي (AI) على الرعاية الصحية، مع التأكيد بشكل خاص على ضرورة فهم طلاب التمريض لمفاهيم وتطبيقات الذكاء الاصطناعي لتحقيق النجاح في مسيرتهم المهنية المستقبلية. تسلط الضوء على الأدبيات الموجودة التي توضح المواقف الإيجابية والاستعداد لدى طلاب التمريض تجاه تقنيات الذكاء الاصطناعي، مع دراسات تشير إلى أن وجود عقلية داعمة أمر حاسم للتفاعل مع حلول الرعاية الصحية المعتمدة على الذكاء الاصطناعي. ومن الجدير بالذكر أن الأبحاث التي أجراها كواك وآخرون (2022) وأبو حشيش والنجار (2024) تؤكد على أهمية تعزيز المواقف الإيجابية والمعرفة بشأن التحول الرقمي في تعليم التمريض.
علاوة على ذلك، توضح المقدمة الفوائد المختلفة لدمج الذكاء الاصطناعي في تعليم التمريض، مثل تعزيز رضا الطلاب، والتفكير النقدي، والتحفيز، كما أشار سيمسيك-تشيتينكايا وتشاكير (2023) وآخرون. على الرغم من هذه النتائج الإيجابية، يوجد فجوة في فهم تأثيرات الوساطة لقلق الذكاء الاصطناعي (AIA) وكفاءة الذات في الذكاء الاصطناعي (AISC) على العلاقة بين معرفة الذكاء الاصطناعي (AIL) وكفاءة الذات في الذكاء الاصطناعي (AISE) بين طلاب التمريض. تهدف هذه الدراسة إلى معالجة هذه الفجوة من خلال فحص هذه العوامل الوسيطة، مما يوفر رؤى يمكن أن تُعلم استراتيجيات التعليم والسياسات لتحضير طلاب التمريض بشكل أفضل لبيئة الرعاية الصحية المعززة بالذكاء الاصطناعي. الفرضية الرئيسية المطروحة هي أن AIL تتنبأ بشكل كبير بـ AISE بين طلاب التمريض.
طرق البحث
استخدمت الدراسة تصميم بحث وصفي مقطعي مع تحليل وساطة متوازي للتحقيق في العلاقات بين العوامل المختلفة التي تؤثر على طلاب التمريض، وتحديدًا AIL (مستوى النزاهة الأكاديمية)، وAISE (كفاءة النزاهة الأكاديمية الذاتية)، وAIA (مواقف النزاهة الأكاديمية)، وAISC (مناخ دعم النزاهة الأكاديمية). وفقًا لإهديبيبي-سبلندور وشيكيمي (2020)، فإن هذا التصميم فعال في التقاط حالة الظواهر في وقت محدد، بينما يوضح تحليل الوساطة، كما أشار شولر وآخرون (2025)، العمليات الوسيطة التي تؤثر من خلالها التدخلات على النتائج.
كان الهدف الرئيسي من البحث هو تقييم مستويات المتغيرات المذكورة أعلاه بين طلاب التمريض، وبالتالي تحديد الخصائص النهائية لعينة السكان. من خلال استخدام تحليل الوساطة المتوازي، سعت الدراسة إلى كشف العلاقات المعقدة بين هذه المتغيرات، مما يعزز فهم كيفية تفاعلها والمساهمة في المشهد العام للنزاهة الأكاديمية في سياق تعليم التمريض.
النتائج
تستكشف نتائج هذه الدراسة تأثيرات الوساطة لـ AIA (القلق في المهام المتعلقة بالذكاء الاصطناعي) وAISC (كفاءة الذات في المهام المتعلقة بالذكاء الاصطناعي) على العلاقة بين AIL (معرفة الذكاء الاصطناعي) وAISE (كفاءة الذات في الذكاء الاصطناعي) بين طلاب التمريض. تكشف التحليلات الوصفية عن متوسط درجات المتغيرات تتراوح بين 2.93 إلى 3.62، مع موثوقية عالية للتناسق الداخلي (ألفا كرونباخ بين .893 و .952). وُجدت ارتباطات إيجابية كبيرة: يرتبط AIL بـ AISE (r = .659) وAIA (r = .206)، بينما يرتبط AISE بـ AIA (r = .419) وAIA بـ AISC (r = .124).
التأثير المباشر لـ AIL على AISE قوي، مع معامل مسار قدره 0.7051 (SE = 0.0543، p < .001)، مما يشير إلى أن AIL تعزز بشكل كبير كفاءة الذات. يظهر تحليل الوساطة، استنادًا إلى 5,000 عينة من البوتستراب، أن AIA وAISC تتوسطان العلاقة بين AIL وAISE. على وجه التحديد، فإن التأثير غير المباشر من خلال AIA له معامل بيتا قدره 0.2343، بينما التأثير من خلال AISC أقوى عند 0.3863، مما يشير إلى أن AISC تمثل 62.2% من إجمالي التأثير غير المباشر. التأثير الكلي لـ AIL على AISE، بما في ذلك التأثيرات المباشرة وغير المباشرة، هو 1.3256، مع نسبة وساطة قدرها 0.0374، مما يبرز التفاعل المعقد بين هذه المتغيرات وتأثيراتها على تعزيز كفاءة الذات في سياق الطلبات التكنولوجية المتطورة بسرعة.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الأدوار الوسيطة المهمة لقلق الذكاء الاصطناعي (AIA) وكفاءة الذات في الذكاء الاصطناعي (AISC) في العلاقة بين معرفة الذكاء الاصطناعي (AIL) وكفاءة الذات في الذكاء الاصطناعي (AISE) بين طلاب التمريض. تشير النتائج إلى أن AIL هي متنبئ قوي بـ AISE، مما يشير إلى أن زيادة المعرفة والمهارات في الذكاء الاصطناعي ترتبط بتحسين كفاءة الذات في استخدام تقنيات الذكاء الاصطناعي. وُجد أن AIA تتوسط هذه العلاقة بشكل كبير، مما يشير إلى أن القلق بشأن الذكاء الاصطناعي يمكن أن يؤثر على كفاءة الذات لدى الطلاب. علاوة على ذلك، أظهرت AISC أن لها تأثير وساطة أقوى من AIA، مما يبرز أهمية كفاءة الذات على القلق في تعزيز المواقف الإيجابية تجاه الذكاء الاصطناعي.
تدعم الأدبيات التي تمت مراجعتها هذه النتائج، مما يظهر أنه مع تقدم طلاب التمريض في تعليمهم، تزداد معرفتهم وراحتهم مع الذكاء الاصطناعي، مما يمكن أن يخفف من القلق ويعزز كفاءة الذات. تؤكد الدراسة على ضرورة التدخلات التعليمية التي لا تحسن فقط من معرفة ومهارات الذكاء الاصطناعي ولكن أيضًا تعالج AIA وتعزز AISC. من خلال القيام بذلك، يمكن لتعليم التمريض أن يُعد الطلاب بشكل أفضل للتفاعل الفعال مع تقنيات الذكاء الاصطناعي، مما يحسن في النهاية رعاية المرضى والنتائج في بيئات الرعاية الصحية. تشير الآثار إلى الحاجة إلى برامج تعليمية مصممة خصيصًا تدمج التجارب العملية والاستراتيجيات لتخفيف القلق مع تعزيز كفاءة الذات في الذكاء الاصطناعي.
القيود
تقدم الدراسة عدة قيود قد تؤثر على قابلية تعميم وعمق نتائجها. أولاً، كانت مجموعة المشاركين محدودة لطلاب التمريض، مما يشير إلى أن الأبحاث المستقبلية يمكن أن تستفيد من تضمين مجموعة أوسع من المشاركين من تخصصات أكاديمية مختلفة. ثانيًا، تم إجراء البحث في مدرسة تمريض واحدة، مما يدل على أن تكرار الدراسة عبر مؤسسات مختلفة يمكن أن يوفر رؤى أكثر شمولاً.
بالإضافة إلى ذلك، يثير استخدام العينة غير الاحتمالية مخاوف بشأن تمثيل العينة؛ يمكن أن تعزز تقنيات العينة العشوائية في الدراسات المستقبلية من صحة النتائج. علاوة على ذلك، يحد التركيز الحالي للدراسة على متغيرات معينة من نطاقها؛ يمكن أن يؤدي دمج عوامل إضافية، مثل الإنجاز الأكاديمي أو الأداء، إلى فهم أكثر دقة لتأثير الذكاء الاصطناعي على تعلم الطلاب. أخيرًا، يمكن أن enrich adopting a mixed-methods approach in future research enrich the findings and provide deeper insights into the subject matter.
DOI: https://doi.org/10.29333/ejhbe/17850
Publication Date: 2026-02-03
Author(s): John Mark R. Asio
Primary Topic: Digital literacy in education
Overview
This study investigates the impact of artificial intelligence (AI) on nursing education, focusing on the constructs of AI literacy (AIL), AI self-efficacy (AISE), AI anxiety (AIA), and AI self-competence (AISC) among 255 nursing students in Olongapo City, Philippines, during the academic year 2024-2025. Utilizing a descriptive cross-sectional design and parallel mediation analysis, data were collected via an online survey from September to October 2024, employing standardized instruments for measuring AIA, AIL, AISE, and AISC. Statistical analyses, including descriptive statistics and Hayes’ process macro model 4, were conducted using IBM SPSS version 23.
The findings reveal a direct relationship between AIL and AISE, with AIA mediating this relationship. Furthermore, AISC also mediates the connection between AIL and AISE, indicating a complex interplay among these constructs. Notably, the study confirms that AISC has a stronger mediating effect than AIA on the relationship between AIL and AISE. Overall, the research contributes significant insights into the dynamics of AI literacy and self-efficacy in nursing education, highlighting the indirect effects of both AIA and AISC on the AIL-AISE association.
Introduction
The introduction of the research paper discusses the transformative impact of artificial intelligence (AI) on healthcare, particularly emphasizing the necessity for nursing students to grasp AI concepts and applications to succeed in their future careers. It highlights existing literature that illustrates nursing students’ positive attitudes and readiness towards AI technologies, with studies indicating that a supportive mindset is crucial for engagement with AI-based healthcare solutions. Notably, research by Kwak et al. (2022) and Abou Hashish and Alnajjar (2024) underscores the importance of fostering positive attitudes and knowledge regarding digital transformation in nursing education.
Furthermore, the introduction outlines various benefits of integrating AI into nursing education, such as enhanced student satisfaction, critical thinking, and motivation, as noted by Simsek-Cetinkaya and Cakir (2023) and others. Despite these positive findings, a gap exists in understanding the mediating effects of AI anxiety (AIA) and AI self-competence (AISC) on the relationship between AI literacy (AIL) and AI self-efficacy (AISE) among nursing students. This study aims to address this gap by examining these mediating factors, thereby providing insights that could inform educational strategies and policies to better prepare nursing students for an AI-enhanced healthcare environment. The primary hypothesis posited is that AIL significantly predicts AISE among nursing students.
Methods
The study utilized a descriptive cross-sectional research design combined with parallel mediation analysis to investigate the associations among various factors affecting nursing students, specifically AIL (Academic Integrity Level), AISE (Academic Integrity Self-Efficacy), AIA (Academic Integrity Attitudes), and AISC (Academic Integrity Support Climate). According to Ihudiebube-Splendor and Chikeme (2020), this design is effective for capturing the status of phenomena at a specific time, while mediation analysis, as noted by Schuler et al. (2025), elucidates the intermediary processes through which an intervention influences outcomes.
The primary aim of the research was to assess the levels of the aforementioned variables among nursing students, thereby establishing definitive characteristics of the sample population. By employing parallel mediation analysis, the study sought to uncover the complex relationships between these variables, enhancing the understanding of how they interact and contribute to the overall academic integrity landscape within the nursing education context.
Results
The results of this study investigate the mediating effects of AIA (Anxiety in AI-related tasks) and AISC (Self-competence in AI-related tasks) on the relationship between AIL (AI Literacy) and AISE (AI Self-Efficacy) among nursing students. Descriptive analysis reveals mean scores for the variables ranging from 2.93 to 3.62, with high internal consistency reliability (Cronbach’s alpha between .893 and .952). Significant positive correlations were found: AIL correlates with AISE (r = .659) and AIA (r = .206), while AISE correlates with AIA (r = .419) and AIA with AISC (r = .124).
The direct effect of AIL on AISE is robust, with a path coefficient of 0.7051 (SE = 0.0543, p < .001), indicating that AIL significantly enhances self-efficacy. Mediation analysis, based on 5,000 bootstrap samples, shows that AIA and AISC mediate the relationship between AIL and AISE. Specifically, the indirect effect through AIA has a Beta coefficient of 0.2343, while the effect through AISC is stronger at 0.3863, suggesting that AISC accounts for 62.2% of the total indirect effect. The total effect of AIL on AISE, including both direct and indirect effects, is 1.3256, with a proportion mediated of 0.0374, highlighting the complex interplay among these variables and their implications for enhancing self-efficacy in the context of rapidly evolving technological demands.
Discussion
The discussion section of the research paper highlights the significant mediating roles of Artificial Intelligence Anxiety (AIA) and Artificial Intelligence Self-Competence (AISC) in the relationship between Artificial Intelligence Literacy (AIL) and Artificial Intelligence Self-Efficacy (AISE) among nursing students. The findings indicate that AIL is a strong predictor of AISE, suggesting that increased knowledge and skills in AI correlate with enhanced self-efficacy in utilizing AI technologies. AIA was found to significantly mediate this relationship, indicating that anxiety about AI can influence students’ self-efficacy. Furthermore, AISC was shown to have a stronger mediating effect than AIA, emphasizing the importance of self-competence over anxiety in fostering positive attitudes towards AI.
The literature reviewed supports these findings, demonstrating that as nursing students progress in their education, their familiarity and comfort with AI increase, which can alleviate anxiety and enhance self-efficacy. The study underscores the necessity for educational interventions that not only improve AI knowledge and skills but also address AIA and foster AISC. By doing so, nursing education can better prepare students to effectively engage with AI technologies, ultimately improving patient care and outcomes in healthcare settings. The implications suggest a need for tailored educational programs that integrate practical experiences and strategies to mitigate anxiety while enhancing self-competence in AI.
Limitations
The study presents several limitations that may impact the generalizability and depth of its findings. Firstly, the participant pool was restricted to nursing students, suggesting that future research could benefit from including a broader range of participants from different academic disciplines. Secondly, the research was conducted at a single nursing school, indicating that replicating the study across various institutions could provide more comprehensive insights.
Additionally, the use of non-probability sampling raises concerns about the representativeness of the sample; employing random sampling techniques in future studies could enhance the validity of the results. Furthermore, the current study’s focus on specific variables limits its scope; incorporating additional factors, such as academic achievement or performance, could yield a more nuanced understanding of the impact of artificial intelligence on student learning. Lastly, adopting a mixed-methods approach in future research could enrich the findings and provide deeper insights into the subject matter.