《Frontiers in Public Health》:Subtypes of digital literacy and their association with innovative behavior among Chinese undergraduate nursing students: a latent profile analysis
编辑推荐:
引言:数字素养已成为护理专业人员适应现代医疗环境并有效运用新兴技术的核心胜任力,其与对问题解决及护理实践推进至关重要的创新行为密切相关。尽管重要性显著,探讨本科护理学生数字素养差异及其如何影响创新的研究仍有限。
方法:研究人员采用横断面研究设计,便利抽取中国安
引言:数字素养已成为护理专业人员适应现代医疗环境并有效运用新兴技术的核心胜任力,其与对问题解决及护理实践推进至关重要的创新行为密切相关。尽管重要性显著,探讨本科护理学生数字素养差异及其如何影响创新的研究仍有限。
方法:研究人员采用横断面研究设计,便利抽取中国安徽省四所大学450名本科护理学生,使用一般信息问卷、本科生数字素养量表(Undergraduate Digital Literacy Scale)与创新行为量表(Innovative Behavior Scale)收集数据。以潜剖面分析(LPA)划分数字素养亚型,并以logistic回归与单因素方差分析(one-way ANOVA)探究亚型归属影响因素及数字素养与创新行为的关系。
结果:识别出三类潜剖面,即“低数字素养”组(34.1%)、“中等数字素养”组(15.9%)与“高数字素养”组(50.0%)。各剖面在性别、年龄、年级及过去6个月人工智能(AI)使用频率上差异显著。高数字素养学生创新行为更强(p < 0.05),证实数字胜任力对创造力与适应力的促进作用。
结论:本科护理学生数字素养具异质性,受人口学与经验因素影响。需针对各素养剖面设计精准教育干预以缩小差距、促进公平并强化创新。将AI与先进数字工具融入护理课程,可提升学生胜任力,使其在数字智能化医疗格局中更好发展。
研究背景与立项依据
随着全球数字化转型加速,信息技术深刻改变社会模式,医疗领域对具备数字胜任力的护士需求激增。数字素养(digital literacy,指获取、评估与应用数字信息的能力)是循证实践与临床决策的基石,而创新行为(innovative behavior,涵盖新想法产生至方案实施的多阶段过程)是护理实践发展的核心。既有研究多采变量中心法(如回归、结构方程模型),假定群体同质,忽视亚组差异;针对中国本科护理生的数字素养分型及其与创新行为关联的证据尤为匮乏。自我决定理论(self-determination theory)指出,数字素养通过提升胜任感、自主性与关联感强化内在动机,进而促进创新。为此,研究人员开展此项研究,旨在以个体中心法(person-centered method)识别数字素养潜剖面,解析人口学/经验性预测因素,并验证其与创新行为的量级关系。论文发表于《Frontiers in Public Health》。
主要技术方法概要
研究人员于2025年2月至5月便利抽样安徽1所省重点与3所省属普通本科高校护理生,经纳入排除后获408份有效问卷(有效率90.7%)。工具含自编13项一般信息问卷(含AI兴趣、过往AI教育、近6个月AI使用频率)、Liu编制基于欧盟2017框架的22题本科生数字素养量表(五维:隐私安全、信息、沟通协作、问题解决、数字内容创建,Cronbach’s α=0.944)及Scott-Bruce原版、Liu-Shi修订的5题创新行为量表(α=0.897)。统计上以Mplus 8.3拟合1–5类潜剖面模型,依AIC、BIC、aBIC、熵、LMRT、BLRT选优;以SPSS 27.0行卡方、t检验、单因素ANOVA、多项logistic回归(高素养组为参照)。Harman单因子检验显示首因子方差46.3%(<50%),共同方法偏差可控。
研究结果
4.1 共同方法偏差检验:首因子解释率46.3%,低于50%临界,偏差不显著。
4.2 受试者特征:408人中女76.7%、<20岁73.3%、大一/大二占93.6%。
4.3 数字素养潜剖面:三类模型熵>0.9、BLRT p<0.001、AIC/BIC/aBIC降幅趋平且优于1–2类,LMRT在4类时p>0.05;选三类最优,平均归属概率0.964/0.934/0.942。
4.4 剖面命名:低素养组(均分3.05±0.22,n=139,34.1%)、中等素养组(3.71±0.21,n=65,15.9%)、高素养组(3.98±0.18,n=204,50.0%)。
4.5 单变量分析:性别、年龄、年级、近6个月AI使用频率在三类间差异显著(p<0.05)。
4.6 多变量分析(多项logistic回归,高素养组参照):大一(OR=0.306,p=0.022)、大二(OR=0.322,p=0.028)、<20岁(OR=0.368,p=0.003)、男性(OR=0.291,p=0.009)更易归高素养组;近6个月少用AI者归低素养组概率更高(OR=2.581,p=0.011)。
4.7 对创新行为影响:单因素ANOVA显示三组创新行为均分差异显著(F=95.589,p<0.001),两两比较p<0.001,数字素养越高创新行为越强。
讨论部分总结
异质性方面,低素养组(34.1%)在信息检索与资源整合薄弱,反映社会经济与区域数字鸿沟,需按DigComp框架从基础技能渐进构建;中等组(15.9%)具风险意识但独立解决问题弱,处基础向高阶过渡阶段,受技术接受模型(TAM)中“感知易用性”不足制约;高素养组(50.0%)可转向信息学、AI辅助决策、电子健康记录等进阶训练,属创新扩散理论之“早期采纳者”。影响因素中,低年级因高校数字化浸润早而素养高,高年级重临床实习致接触新技术减少,可推同伴导师制;男性因历史数字化性别分工与TAM下感知有用/易用自信更高而占比优,需针对女生补位;AI使用频率经建构主义学习理论解释,频繁实操促情境化知识建构,少用则受限。数字素养与创新行为关联契合Reinhold等认知处理框架——数字工具(虚拟仿真、智能决策支持)深化信息处理与反思实践,从而抬升创新。研究优势在LPA分型+多中心横断面,局限为便利抽样、横断面不可逆因果、样本仅中国护理生,未来需纵向与跨文化拓展。
结论译文
本研究于中国本科护理生中识别出低、中、高三类数字素养潜剖面,揭示护理教育中数字胜任力的异质性,并为理解数字素养与创新行为关系提供框架。结果强调识别数字技能多样性并因材施教之重要。未来护理教育者须回应数字技术演进与职业需求变迁,针对各剖面设计精准训练与干预,兼顾公平与卓越;此类路径不仅强化学生数字胜任力,亦提升其创新势能,使其得以在日益数字化与AI驱动的医疗格局中蓬勃发展。