Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Effekten av diskussioner om artificiell intelligens på barnmorskestudenter

18 mars 2026 uppdaterad av: Ayşe Gül Bursa, Fenerbahce University

Effekten av artificiell intelligens-assisterad fallbeskrivning på attityd, användning och färdighet inom artificiell intelligens bland barnmorskestudenter

Denna studie syftade till att undersöka effekten av artificiell intelligens-assisterade fallbeskrivningar på barnmorskestudenters användning och skicklighet av artificiell intelligens-teknik och deras kliniska kompetensnivåer. Med den snabba utvecklingen av artificiell intelligens har dess integration i hälso- och sjukvårdsutbildning blivit allt viktigare. Att stödja fallbaserat lärande med AI-verktyg kan förbättra studenternas kliniska beslutsfattande, problemlösning och kritiskt tänkande. Därför utvärderar denna studie bidraget från AI-assisterade utbildningsmetoder till den professionella utvecklingen av barnmorskestudenter.

Studieöversikt

Status

Har inte rekryterat ännu

Betingelser

Intervention / Behandling

Detaljerad beskrivning

Artificiell intelligens (AI), som avser datorstödda system som kan utföra uppgifter som kräver mänsklig intelligens, har blivit allt mer populär inom alla områden under de senaste åren. AI är ett tekniskt system som kan tänka, lära, uppfatta, göra förutsägelser, kommunicera och fatta beslut som människor – eller till och med bättre än människor. Kort sagt kan AI beskrivas som ett brett vetenskapligt område som simulerar den naturliga intelligens som människor demonstrerar genom artificiella medel.

AI:s förmåga att bearbeta de data som presenteras för systemet, utföra dataanalyser, generera nya idéer och dra olika slutsatser har ökat användningen av AI. Dessa funktioner kan överträffa mänsklig problemlösning och beslutsfattande när det gäller hastighet, effektivitet och kvalitet. På grund av dessa fördelar har användningen av artificiell intelligens inom barnmorskeutbildning blivit oundviklig.

Australian College of Midwives (ACM) inrättade Select Committee on Adopting Artificial Intelligence i mars 2024 för att stödja och reglera införandet av AI. Denna kommitté betonade nödvändigheten och prioriteringen av att använda AI inom barnmorskeutbildning. Den framhöll också att barnmorskor bör utbildas i användningen av AI och bör vara en integrerad del av design, implementering och utvärdering av alla AI-verktyg som används inom mödravård (ACM, 2024).

När det gäller användningen av AI inom hälso- och sjukvård har Världshälsoorganisationen (WHO) identifierat tre strategiska planer: möjliggöra evidensbaserade standarder, styrning, policyer och riktlinjer; underlätta gemensamma investeringar och en global expertgemenskap; och implementera hållbara modeller för införandet av AI-program på landsnivå (WHO, 2024). I linje med dessa strategier är det nödvändigt att integrera AI-applikationer i barnmorskeprofessionen.

Med påverkan från snabbt utvecklande teknologi har det blivit oundvikligt att förbättra barnmorskeutbildningen. I traditionella utbildningsmetoder spelar instruktören en aktiv roll medan studenterna förblir passiva. För att lärande ska vara effektivt bör dock möjligheter skapas för studenter att aktivt träna sina färdigheter och utveckla kritiska tänkande förmågor. Fallbaserat lärande inom barnmorskeutbildning är en metod som kan förbättra studenternas logiska, kliniska och deltagande färdigheter samtidigt som deras kunskapsnivåer ökar.

Att stödja fallbaserat lärande med artificiella intelligensverktyg kan bidra till mer exakt diagnos och utveckling av kliniskt beslutsfattande och problemlösningsförmågor. På detta sätt blir det möjligt att utbilda kompetenta barnmorskor som är självsäkra och kapabla att använda teknik effektivt.

Syftet med denna studie är att undersöka effekten av artificiell intelligens-assisterade falldiskussioner på barnmorskestudenters användning och skicklighet av artificiella intelligens-teknologier och deras kliniska kompetensnivåer.

Studietyp

Interventionell

Inskrivning (Beräknad)

81

Fas

  • Inte tillämpbar

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studiekontakt

Studera Kontakt Backup

  • Namn: Sinem Dinmez, Assistant Professor
  • Telefonnummer: +905063568804

Studieorter

    • Atasehır
      • Istanbul, Atasehır, Turkiet (Türkiye), 34758
        • Fenerbahce University

Deltagandekriterier

Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.

Urvalskriterier

Åldrar som är berättigade till studier

  • Barn
  • Vuxen
  • Äldre vuxen

Tar emot friska volontärer

Ja

Beskrivning

Inklusionskriterier:

  • Att vara en student på 3:e/4:e året på Barnmorskeutbildningen
  • Att tidigare ha läst kurser om Frisk och Riskfylld Graviditet
  • Att ha förberett och presenterat minst en barnmorskevårdsplan

Exklusionskriterier:

  • Att ha mer än 20% frånvaro vid fältapplikationer

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

  • Primärt syfte: Hälsovårdsforskning
  • Tilldelning: Randomiserad
  • Interventionsmodell: Parallellt uppdrag
  • Maskning: Enda

Vapen och interventioner

Deltagargrupp / Arm
Intervention / Behandling
Experimentell: AI Case Group
Studenter i experimentgruppen kommer att presenteras med ett fallscenario och ges 30 minuter att granska det. Under denna tid kommer de att ombes att utveckla en vårdplan för fallet. Därefter, inom en 60-minuterssession, kommer forskaren att presentera en vårdplan som utarbetats med artificiell intelligens för samma fall. En falldiskussion kommer sedan att genomföras genom att jämföra vårdplanerna som utvecklats av studenterna med den AI-assisterade vårdplanen.
Studenter i den experimentella gruppen kommer att presenteras med ett fallscenario och ges 30 minuter att granska det. Under denna tid kommer de att ombedjas att utveckla en vårdplan för fallet. Därefter, inom en 60-minuterssession, kommer forskaren att presentera en vårdplan som har utarbetats med artificiell intelligens-assistans för samma fall. En fall diskussion kommer sedan att genomföras genom att jämföra de vårdplaner som utvecklats av studenterna med den AI-assisterade vårdplanen.
Inget ingripande: Kontroll
Diskussion om rutinmässigt implementerat underhållsplan

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Nivå av artificiell intelligens-användning
Tidsram: Genom studiens slutförande, i genomsnitt 3 månader
Förändringar i nivån av AI-användning bland barnmorskestudenter efter utbildning, jämfört med baslinjevärden. The Student Attitudes toward Artificial Intelligence Scale (SATAI), som utvecklades 2025, kommer att användas för mätning. Skalan, utvecklad med en femgradig Likertskala (1=Instämmer inte alls och 5=Instämmer helt), innehåller inga omvändkodade frågor. Den högsta möjliga poängen på skalan är 130, och den lägsta är 26, där högre poäng återspeglar mer positiva attityder till artificiell intelligens.
Genom studiens slutförande, i genomsnitt 3 månader
Användning och kompetensnivå
Tidsram: Genom studiens slutförande, i genomsnitt 3 månader
Detta kommer att mätas med Generative Artificial Intelligence Use and Proficiency (GAAP)-skalan, utvecklad 2024. Planerad som en femgradig Likert-skala (fullständigt återspeglar = 5 poäng - återspeglar inte alls = 1 poäng) indikerar en ökning av poängen från denna skala en hög nivå av artificiell intelligens-användning och färdighet. Minimipoängen på skalan är 19 och maximipoängen är 95.
Genom studiens slutförande, i genomsnitt 3 månader

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Utredare

  • Studierektor: Sinem Dinmez, Assistant Professor, Mudanya University
  • Studierektor: Zeynep Ogul, Assistant Professor

Studieavstämningsdatum

Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.

Studera stora datum

Studiestart (Beräknad)

16 mars 2026

Primärt slutförande (Beräknad)

8 juni 2026

Avslutad studie (Beräknad)

20 juli 2026

Studieregistreringsdatum

Först inskickad

13 mars 2026

Först inskickad som uppfyllde QC-kriterierna

18 mars 2026

Första postat (Faktisk)

24 mars 2026

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

24 mars 2026

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

18 mars 2026

Senast verifierad

1 mars 2026

Mer information

Termer relaterade till denna studie

Andra studie-ID-nummer

  • Fenerbahce U Midwifery

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

NEJ

IPD-planbeskrivning

Vi överväger ännu inte en explosion eftersom datainsamling inte har börjat.

Läkemedels- och apparatinformation, studiedokument

Studerar en amerikansk FDA-reglerad läkemedelsprodukt

Nej

Studerar en amerikansk FDA-reglerad produktprodukt

Nej

Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .

Prenumerera