بررسی پذیرش، آگاهی، نگرش و آمادگی نسبت به هوش مصنوعی در دانشجویان پزشکی

سابقه و هدف: هوش مصنوعی در حال انقلاب فراگیری در زمینه‌های مختلف به‌ویژه در سلامت می‌باشد. با توجه به ماهیت نوظهور هوش مصنوعی در ایران و کمبود اطلاعات در این زمینه، مطالعه حاضر با هدف بررسی پذیرش، دانش، نگرش و آمادگی نسبت به هوش مصنوعی پزشکی از دیدگاه دانشجویان پزشکی انجام شد.مواد و روش‌ها: مطالعه توصیفی- مقطعی حاضر روی 117 دانشجوی پزشکی که به صورت در دسترس وارد مطالعه شدند، انجام گرفت. پرسشنامه مطالعه شامل ویژگی‌های دموگرافیک، آمادگی (22 گویه در مقیاس لیکرت پنج‌تایی)، پذیرش (28 گویه در مقیاس لیکرت پنج‌تایی)، دانش(8 گویه در مقیاس لیکرت سه‌تایی) و نگرش نسبت به هوش مصنوعی (13 گویه در مقیاس لیکرت پنج تایی) بود. داده‌های جمع‌آوری شده با استفاده از spss نسخه 27 شامل آمار توصیفی، آزمون t مستقل، آزمون همبستگی پیرسون و رگرسیون با سطح معنی‌داری کم‌تر از 0.05 آنالیز شد.یافته‌ها: یافته‌ها نشان داد که میانگین آمادگی (84.13±50.66)، سطح دانش (27.3±23.17) و پذیرش (83.14.±25.95) در سطح متوسط و نگرش (01.6±51.46) در سطح خوب بود. متغیرهای آمادگی، دانش، پذیرش و نگرش به هوش‌مصنوعی با یکدیگر دارای ارتباط مستقیم و معنی‌دار آماری(05.0>p) بودند و تنها آمادگی با نگرش ارتباط معنی‌دار آماری نداشت(516.0p=). نتایج رگرسیون نشان داد که شرکت در دوره‌های آموزشی هوش مصنوعی(22.0 beta=، 013.0p=) و دانش نسبت به هوش‌مصنوعی (41.0beta=، 001.0>p)، پیش‌بینی‌کننده قوی آمادگی نسبت به هوش‌مصنوعی پزشکی هستند، زیرا این رابطه در هر دو رگرسیون خطی تک‌متغیر ساده و چندمتغیره از نظر آماری معنی‌دار بود. علاوه بر این، متغیرهای استفاده از هوش‌مصنوعی و پذیرش نسبت هوش‌مصنوعی به عنوان پیش‌بینی‌کننده مستقل آمادگی هوش مصنوعی در رگرسیون خطی تک‌متغیره شناسایی شدند.استنتاج: دانشجویان پزشکی دانشگاه علوم پزشکی بابل نگرش مثبتی نسبت به هوش مصنوعی نشان دادند که بیانگر اهمیت روزافزون این فناوری در آموزش پزشکی است. این یافته‌ها نشان می‌دهد که برنامه‌ریزان آموزشی باید بر ارتقای دانش، آمادگی و پذیرش دانشجویان نسبت به هوش مصنوعی از طریق دوره‌ها و برنامه‌های آموزشی ساختارمند تمرکز کنند. چنین اقداماتی می‌تواند به آمادگی بهتر دانشجویان برای نقش فزاینده هوش مصنوعی در حوزه سلامت کمک کند. 

assessment of medical students' acceptance, knowledge, attitudes, and readiness toward artificial intelligence

background and purpose: artificial intelligence (ai) is transforming numerous fields, particularly healthcare. in iran, where ai is an emerging discipline, there is a notable gap in knowledge and understanding in this area. this study aimed to explore medical students’ acceptance, knowledge, attitudes, and readiness regarding medical artificial intelligence.materials and methods: this descriptive cross-sectional study was conducted on 117 medical students selected through convenience sampling. the study utilized a structured questionnaire comprising four sections: demographic characteristics, readiness (22 items rated on a five-point likert scale), acceptance (28 items rated on a five-point likert scale), knowledge (8 items rated on a three-point likert scale), and attitude toward artificial intelligence (13 items rated on a five-point likert scale). data were analyzed using spss version 27, employing descriptive statistics, independent t-tests, pearson correlation tests, and regression analysis. a significance level of p<0.05 was considered statistically significant.results: the findings indicated that the mean levels of readiness (50.66±84.13), knowledge (23.17±27.3), and acceptance (25.95±63.14) were moderate, while the mean attitude level (51.46±01.6) was good. a direct and statistically significant relationship was observed among readiness, knowledge, acceptance, and attitude toward artificial intelligence (p<0.05), except for the relationship between readiness and attitude, which was not statistically significant (p=0.516). regression analysis showed that attending artificial intelligence training courses (beta=22.5, p=0.013) and knowledge about artificial intelligence (beta=0.41, p<0.001) were strong predictors of readiness for medical artificial intelligence. these relationships remained statistically significant in both simple and multivariate linear regression analyses. additionally, artificial intelligence usage and acceptance were identified as independent predictors of readiness in simple linear regression.conclusion: medical students at babol university of medical sciences showed a positive attitude toward artificial intelligence, indicating its growing relevance in medical education. these findings suggest that education planners should focus on improving students’ knowledge, readiness, and acceptance of ai through well-structured courses and training programs. such efforts could help better prepare students for the increasing role of ai in healthcare.