Искусственный интеллект по запросу через LINE-ассистента на основе GPT для повышения эмоциональной устойчивости и снижения выгорания среди медицинских сестер (Nurse-AI-CARE)

1. Дизайн исследования и механизм рандомизации Данное исследование использует дизайн параллельного вмешательства с оценкой до и после. Для повышения внутренней валидности, минимизации селекционного смещения и учета характеристик на уровне подразделений применяется подход стратифицированной кластерной рандомизации. Клинические подразделения стратифицируются на три уровня на основе оцененной интенсивности работы: Высокая интенсивность (например, ОРИТ и отделения неотложной помощи), Средняя интенсивность (например, терапевтические и хирургические отделения) и Низкая интенсивность (например, психиатрические и реабилитационные отделения). Внутри каждого страта сестринское подразделение или отделение служит кластером. Затем кластеры случайным образом распределяются (в соотношении 1:1) либо в Интервенционную группу, либо в Контрольную группу, гарантируя, что все медсестры в рамках одного подразделения принадлежат к одной и той же руке исследования. Запланированный общий размер выборки составляет N=120, распределенных примерно по 18 кластерам. 2. Протокол вмешательства (4-недельный период) Период вмешательства длится четыре недели (28 дней). Основным инструментом является кастомизированная GPT-диалоговая модель, интегрированная с платформой LINE Official Account (LINE OA), широко используемой целевой популяцией. Интервенционная группа (Интерактивная ИИ-поддержка) Участники получают двухкомпонентное ежедневное вмешательство: ежедневное push-сообщение и доступ к двустороннему ИИ-взаимодействию. Им рекомендуется активно участвовать в свободном диалоге психологической поддержки с ассистентом LINE GPT. Логика ответов ИИ строго определена с помощью Prompt Engineering, чтобы фокусироваться на стрессе клинической работы, эмоциональном совладании и стратегиях повышения устойчивости. Крайне важно, что ИИ запрограммирован с этическими ограничителями, чтобы мягко перенаправлять пользователей обратно к оси клинического стресса, если они отклоняются к темам, не связанным с работой или чувствительным, и строго запрещать предоставление любых медицинских, диагностических или терапевтических рекомендаций. Контрольная группа (Контроль статических сообщений) Участники контрольной группы получают ежедневные статические текстовые сообщения. Тематика контента идентична push-сообщениям, получаемым интервенционной группой, но канал не обладает какой-либо возможностью интерактивного ИИ-ответа. 3. Процедуры исследования и график сбора данных Все исследование длится минимум шесть недель, структурировано в три отдельных фазы. Процесс начинается на 1-2 неделях с набора и базовой оценки. После информированного согласия участники знакомятся с платформой исследования (LINE OA) и заполняют Предварительный опросник. Эта базовая оценка, занимающая приблизительно 25-30 минут, фиксирует все демографические/профессиональные переменные и начальные баллы по всем первичным и вторичным шкалам исходов (ProQOL, GSE, PSS-10, BRS). Сразу после базовой оценки начинается 4-недельный период вмешательства, длящийся приблизительно с 3 по 6 неделю. На протяжении этого периода как интервенционная, так и контрольная группы получают свои соответствующие ежедневные сообщения. Для отслеживания субъективной вовлеченности и опыта все участники обязаны еженедельно заполнять краткую «Простую форму обратной связи об использовании ИИ», что занимает приблизительно 5 минут. По завершении четырех недель исследование переходит в фазу Послетеста в конце 6 недели. Все участники заполняют тот же набор шкал исходов (повторное измерение ProQOL, GSE, PSS-10, BRS) и Опросник удовлетворенности использованием ИИ. Интервенционная группа дополнительно просится заполнить Опросник открытой обратной связи для предоставления богатых качественных данных об их опыте взаимодействия с GPT-ассистентом. 4. План статистического анализа Данные будут анонимизированы с использованием уникальных идентификаторов исследования перед анализом. Ввиду стратифицированной кластерной рандомизации в анализе будут использоваться методы, подходящие для кластеризованных структур данных, чтобы учесть внутрикластерную корреляцию (ICC). Первичный анализ будет использовать Обобщенные оценочные уравнения (GEE) для моделирования изменения исходов во времени, в частности, проверяя взаимодействие «Время $\times$ Группа» для оценки эффекта вмешательства. Сестринское подразделение/отделение будет указано в качестве кластерной переменной в модели GEE. Линейные модели смешанных эффектов (LMM) могут быть использованы для дополнительного или чувствительного анализа. Ковариаты, такие как стаж работы медсестрой и базовые уровни стресса, будут включены в модели для корректировки и разведочного анализа. Качественные данные из открытой обратной связи будут проанализированы с помощью Контент-анализа для категоризации возникающих тем.