《Discover Public Health》：Awareness and perception as predictors of preparedness to use AI in health emergencies among undergraduates: a machine learning approach
编辑推荐：
本研究针对尼日利亚公立大学本科生在健康突发事件中应用人工智能(AI)进行决策的准备度不足问题，开展了关于AI意识、感知与准备度关系的横断面研究。通过在线问卷(N=4,632)和机器学习方法，发现学生AI意识(t=55.97, p<0.001)和感知(t=86.92, p<0.001)水平较高，但准备度显著低于基线(t=-34.08, p<0.001)。随机森林回归显示意识(100%)比感知(78%)对准备度的预测更重要，表明提升AI基础认知是增强健康应急AI应用能力的关键。
在当今数字健康时代，人工智能(AI)已成为医疗保健领域的重要工具，特别是在健康突发事件中能够提供及时的决策支持。然而，在资源有限的发展中国家，如尼日利亚，大学生作为社区健康应急的第一响应者，其应用AI工具的能力尚未得到充分评估。尽管AI技术在心脏复苏指导、心肌梗死初步判断等方面已展现出超过90%的协议率，但本科生群体在面临疟疾、压力性头痛、轻微外伤等常见健康问题时，仍普遍依赖自我诊断和传统疗法，缺乏专业的急救知识。这种现状凸显了评估和提高学生AI应用准备度的紧迫性。
为探究这一问题，研究人员在尼日利亚十字河州的两所公立大学开展了一项大规模横断面研究，旨在评估本科生对AI在健康应急决策中的意识、感知和准备度水平。研究采用在线问卷调查的方式，收集了4,632名有效样本，并通过单样本t检验、线性回归和随机森林回归(RFR)等统计方法进行数据分析。特别值得一提的是，研究团队采用了机器学习方法中的随机森林回归来检验预测准确性并评估非线性模式，这为传统统计分析方法提供了有力补充。
在研究方法上，研究首先通过专家评估确保了问卷的内容效度，项目内容效度指数(I-CVI)在0.83-1.00之间，平均量表内容效度指数(S-CVI/Ave)为0.94。随后使用偏最小二乘结构方程模型(PLS-SEM)对测量模型进行评估，最终保留了23个具有良好心理测量特性的项目。数据分析阶段，研究采用了多种统计技术，包括单样本t检验用于比较各变量均值与基线值(2.5)的差异，简单线性回归分析变量间的预测关系，多元线性回归考察变量的联合预测作用，以及随机森林回归评估预测准确性和非线性关系。
研究结果部分，单样本t检验显示，本科生的AI意识水平(M=3.02, SD=0.63)和感知水平(M=3.13, SD=0.49)均显著高于基线值(p<0.001)，但准备度水平(M=2.00, SD=0.99)显著低于基线(p<0.001)。这一发现揭示了意识、感知与准备度之间存在明显的不匹配现象。
在预测关系分析中，简单线性回归表明AI意识能显著预测感知(F(1,4630)=164.08, p<0.001)和准备度(F(1,4630)=490.22, p<0.001)，分别解释了3.4%和9.6%的方差。感知对准备度的预测虽然也显著(F(1,4630)=32.51, p<0.001)，但仅解释了0.7%的方差，效应量较小。
多元线性回归结果显示，意识和感知共同解释了准备度9.6%的方差(F(2,4629)=247.08, p<0.001)。进一步分析发现，在控制感知后，意识仍能显著预测准备度(β=0.304, p<0.001)，而控制意识后，感知的预测作用变得不显著(β=0.027, p=0.056)，表明意识是更稳定的预测因子。
随机森林回归的结果提供了更深入的见解，该模型在训练集和测试集上分别解释了26%和25%的方差，明显高于线性模型的9.6%。变量重要性分析显示，意识(100%)的相对重要性远高于感知(78%)，进一步证实了意识在预测准备度中的主导地位。
研究结论与讨论部分强调，尽管本科生对AI在健康应急中的应用有较高意识和积极感知，但实际准备度明显不足，存在显著的"准备度差距"。这一发现与先前研究一致，表明单纯的知识和态度不足以转化为实践能力，需要针对性的实践训练来弥补这一差距。研究结果支持创新扩散理论(DOI)、技术接受模型(TAM)和计划行为理论(TPB)的理论框架，确认了意识是AI工具采纳的基础阶段，而感知通过影响态度和感知控制来间接影响准备度。
本研究的实践意义在于指出，教育干预应重点提升学生的AI意识，同时通过工作坊、模拟训练等实践机会来增强其应用能力。对于教育资源有限的尼日利亚等发展中国家，整合AI相关内容到健康教育课程中，是提高学生健康应急响应能力的可行途径。
研究的创新性在于首次在尼日利亚背景下系统考察了本科生AI健康应急准备度，并采用机器学习方法揭示了变量间的复杂关系。然而，研究的横断面设计限制了因果推断，样本的地域局限性也影响了结果的普适性。未来研究可采用纵向设计，纳入更多潜在预测变量，并结合质性方法来深入探究影响准备度的内在机制。
总之，这项发表在《Discover Public Health》的研究为理解发展中国家大学生AI健康应急准备度提供了重要证据，为相关教育政策的制定和课程改革指明了方向。在数字健康快速发展的背景下，提升年轻一代的AI应用能力，对于构建更具韧性的公共卫生应急体系具有深远意义。
