迈向融合人工智能的护理课程：基于Kano模型的生成式人工智能能力需求分析

《Nurse Education Today》：Toward an AI-integrated nursing curriculum: A Kano model analysis of generative AI competency needs

　　叶如霞|刘京邦|王凯莉|陈婷|龚晓燕|吴莉莉|庄依宇
中国浙江省杭州市浙江大学医学院Sir Run Run Shaw医院护理部，310000

**摘要**
**背景**
生成式人工智能（GenAI）正在日益影响护理实践和教育，然而技术进步与临床护士的能力之间仍存在差距。从护士的角度出发，系统地区分和优先考虑GenAI学习需求的相关研究仍然有限。

**目的**
调查临床护士当前对GenAI的使用情况及其学习态度，并利用Kano模型对他们的学习需求进行分类和优先排序。

**方法**
在中国一家三级医院中对1219名临床护士进行了横断面调查。使用Kano模型对18项与GenAI相关的学习需求进行了分类。计算了“更好-更差”系数，并在四象限图中进行了可视化展示。进一步利用平均满意度系数（ASC）对每个象限内的属性进行了排序。

**结果**
大多数参与者报告之前使用过GenAI（87.69%），并且态度积极（97.10%），但只有7.39%接受过正式培训。六项学习需求被归类为一维属性，主要与教学材料开发和患者教育等实际应用相关。一项属性（个性化护理教育）被归类为有吸引力。包括基础知识、伦理和高级临床应用在内的十一个项目被归类为中性。在这一类别中，使用标准、护理查房和多学科案例讨论的ASC值相对较高。

**结论**
目前护士的GenAI学习需求主要集中在实用、以应用为导向的技能上。课程开发可以采用分阶段的方法，优先考虑高影响力的实用技能，同时逐步纳入基础、伦理和高级能力。伦理应作为核心组成部分。教育者的准备和教学领导力对于将GenAI有效整合到护理教育中至关重要。

**1. 引言**
人工智能（AI）的快速发展正在深刻重塑医疗保健领域。作为AI的一个重要分支，生成式人工智能（GenAI）由于其自然语言处理、图像生成和智能交互方面的优势，已成为医疗保健数字化转型的核心驱动力（Bhuyan等人，2025；Larson和Lin，2024；Tan等人，2024）。在护理实践中，GenAI在患者教育、研究合作、案例分析和临床决策支持等多个领域展现出巨大潜力。这些应用不仅缓解了医疗劳动力短缺的压力，还提高了医疗服务的精确度和效率，为优化临床工作流程和改善患者体验提供了新途径（Cant等人，2026；Chen等人，2024a；Kim等人，2025；Zhou等人，2024）。

在这种背景下，护士作为患者护理团队的核心成员，在整合和利用GenAI技术方面发挥着关键作用。他们有效利用GenAI的能力直接影响到未来护理服务的质量和效率（Wang等人，2024）。这种能力本质上属于AI素养的范畴，指的是个人理解、评估和利用AI技术的能力。它包括对基本AI概念、应用场景、伦理问题和潜在风险的认识（Alowais等人，2023）。尽管研究表明提高AI素养对于促进技术采用至关重要（Akca Sumengen等人，2025），且国际护士理事会强调新工具的应用应是专业发展的核心方向，但现实是护士的AI素养仍处于中等水平，且缺乏系统化和标准化的AI教育支持（El Arab等人，2025a；El Arab等人，2025c；Jiang等人，2025）。技术进步与临床护士实际能力之间的这种差距不仅限制了个人职业发展，也阻碍了GenAI的应用，因此迫切需要改革护理教育体系（O'Connor等人，2023；Rony等人，2024）。

以往关于护理领域GenAI的研究主要集中在技术功能开发和应用场景上（El Arab等人，2025b），最近的国际综述指出，这些应用已扩展到内容生成、基于模拟的学习和个性化教育等领域，同时也揭示了关于伦理、偏见和负责任使用的持续关注（Hardie等人，2026）。然而，从临床护士的角度出发，系统地探索他们的培训需求并缺乏大规模实证数据以有效区分优先级的研究很少。这导致了教育培训与临床实践需求之间的脱节，使得“首先应该教授什么以及强调什么”这一核心问题难以解决。在这种情况下，需求分析变得至关重要。Kano模型是一种经典的用户需求分类模型，可以识别需求的层次结构和多维性，揭示不同需求对用户满意度的影响。通过使用该模型，教育者可以更准确地把握学习者的核心需求和潜在动机，从而优化教育资源的分配（Kano等人，1984；Matzler和Hinterhuber，1998）。目前，Kano模型已应用于医疗保健和教育研究，例如评估患者对护理服务的需求或探索护理高等教育中学生的学习偏好（Chen等人，2024b；El-Sayed和Abdelaliem，2023）。

因此，本研究旨在利用Kano模型系统地分析和分类临床护士对GenAI的学习需求。本研究中的学习需求具体指的是护士认为对其在生成式人工智能领域专业发展至关重要的知识领域。研究目标包括：（1）调查临床护士当前对GenAI的使用情况及其学习态度；（2）根据Kano模型对学习需求进行分类和优先排序。通过对这些需求的深入分析，本研究旨在为护理教育者和管理者提供基于证据的指导，以优化GenAI培训策略，从而提高护士对GenAI的接受度和应用能力。

**2. 方法**
**2.1. 参与者和研究环境**
本研究是一项初步的试点研究，采用横断面设计，旨在调查临床护士的GenAI学习需求，并根据Kano模型对这些需求进行分类，以便为护理教育和培训提供战略建议。研究在中国的一家三级综合医院进行，采用方便抽样方法。参与者来自内科、外科、重症监护室（ICU）、手术室和门诊/急诊服务等不同科室的临床护士。根据以往类似研究（Chen和Zheng，2023；Gu等人，2023），样本量确定为研究变量数量的5-10倍。由于问卷包含53个项目，理论样本量设定为至少180-350份回复。为了提高统计功效和Kano分类的稳健性，我们采用了方便抽样策略，并计划在数据收集期间（2025年6月至7月）招募所有符合条件的护士。本研究未进行事前功效分析，数据收集在预定时间结束后终止。

**2.2. 纳入标准**
（1）在医院临床科室（如内科、外科、ICU、手术室、门诊/急诊服务）工作的注册护士；
（2）在数据收集期间（2025年6月至7月）值班的护士；
（3）提供知情同意并自愿参与本研究的护士。

**2.3. 排除标准**
（1）实习护士、继续教育护士和护理学生；
（2）在数据收集期间长期休假（如产假、病假或进修）的护士。

**2.4. 测量**
**2.4.1. 人口统计信息**
该部分包含17个项目，用于收集临床护士的基本人口统计信息，包括性别、年龄、工作年限、教育背景、职称、职位以及是否曾使用GenAI工具进行工作或学习。这部分还评估了护士对GenAI工具的认知和使用情况，包括使用经验、频率和主要应用场景等方面。虽然这部分为后续的学习需求分析提供了背景信息，但它并未直接纳入Kano模型属性分类中。

**2.4.2. GenAI学习需求问卷**
在Kano模型框架的指导下，基于初步文献回顾开发了一份GenAI学习需求分类问卷。护理教育专家对问卷进行了审查和修订。随后对60名不同资历水平的护士进行了预测试，进一步完善了问卷的最终版本。最终问卷包含18个项目，构成了调查的核心部分，旨在利用Kano模型分析护士在GenAI学习方面的多维需求。问卷围绕五个维度构建：基础知识与标准、技术应用工具、临床教学与培训、临床实践以及教育组织与资源。问卷中的每个项目都采用了Kano模型的经典配对问题，包括功能性问题（“如果提供这些内容，您会有什么感受？”）和功能失调问题（“如果不提供这些内容，您会有什么感受？”）。提供的五个分类选项为：喜欢、应该有、无所谓、可以接受和不喜欢。由于Kano模型中的配对功能性和功能失调问题测量的是不同的潜在结构，因此传统的内部一致性可靠性指标（如Cronbach's α系数）不适用于此类问卷（Yan等人，2026），因此本研究中未报告这些指标。通过专家审查确立了内容有效性，并通过预测试进一步完善了问卷的清晰度和可行性。

**2.5. 数据收集**
数据收集时间为2025年6月至7月。正式调查通过在线平台分发，实施了逻辑跳过模式和响应限制。电子问卷链接或二维码通过在线沟通工具发送给临床护士。参与者独立匿名完成问卷。研究团队整理并审查了返回的问卷。排除无效问卷的标准包括：①回答模式明显（例如，所有项目都选择相同选项）；②完成时间过短（<60秒），表明参与者未仔细阅读项目内容；③缺少关键人口统计信息；④页面未回答或超过10%的回答缺失。根据这些标准，共收集到1325份问卷，其中106份无效，有效回答1219份，响应率为92%。

**2.6. 数据分析**
使用Excel创建数据库，两名研究人员独立输入和验证数据。统计分析使用SPSS 23.0软件进行。分类数据以频率和百分比表示，连续数据以均值±标准差呈现。Kano模型问卷采用配对问题，每个受访者的回答组合对应5×5种可能的结果。根据标准Kano分类表（表1），每对回答被分配到相应的属性类别：必须具备的质量属性（M）、一维质量属性（O）、有吸引力的质量属性（A）、中性质量属性（I）、反向质量属性（R）或可疑质量属性（Q）。每个项目中频率最高的属性类别被视为该项目的初步分类。

**表1. Kano分类表**
功能性问题（如果提供）
功能失调问题（如果不提供）
喜欢
应该有
无所谓
可以接受
不喜欢
喜欢
Q
AAO
应该有
RIIIM
无所谓
RIIIM
可以接受
RIIIM
不喜欢
RR
RR
Q

**注释：**
有吸引力属性：A；一维属性：O；必须具备的属性：M；中性属性：I；反向属性：R；可疑属性：Q。

**2.6.2. 计算需求属性**
为了评估需求属性，本研究引入了“更好-更差”系数。该指数量化了某一特征对用户满意度的影响程度，是服务质量评估的客观工具。“更好”值计算为（A + O）/（A + O + M + I），其中正值表示提供该特征后用户满意度的提高。“更差”值计算为?(M + O) / (A + O + M + I)，其中负值表示不提供该特征时用户满意度的下降。根据“更好-更差”系数，创建了一个散点图，以“更差”的绝对值为x轴，“更好”的值为y轴。四象限分类的参考线使用所有项目的平均“更好”值和“更差”的平均绝对值设定。四个象限分别代表不同的属性：第一象限代表一维质量属性，第二象限代表有吸引力的质量属性，第三象限代表中性质量属性，第四象限代表必须具备的质量属性。根据Kano模型的理论优先规则，功能的典型优先级排序为：M > O > A > I（Zhang等人，2025）。

由于同一象限内的项目在总体满意度影响上可能存在差异，我们进一步使用公式ASC = (Better + |Worse|) / 2计算了每个项目的平均满意度系数（ASC）。ASC代表了每个需求对满意度的平均影响——ASC值越高，表示其整体影响力越强。该系数已被验证为确定同一Kano类别内质量属性重要性的有效工具（Mkpojiogu和Hashim，2016年）。2.7. 伦理考量本研究严格遵循了伦理准则。所有参与者在完成问卷前都提供了知情同意。问卷内容被匿名处理，仅用于研究目的。参与者可以在任何阶段自由退出研究，而不会产生任何负面后果。该研究已获得医院伦理委员会的批准（批准编号：2025–0408）。3. 结果3.1. 人口统计特征共有1219名临床护士参与了这项研究，其中女性占样本的95.24%。在参与者中，49.88%的年龄在20至30岁之间。服务年限的分布相对均匀，超过50%的参与者拥有6年或更长的经验。大多数参与者拥有学士学位或更高学历（97.95%），其中92.21%拥有学士学位，5.74%拥有硕士学位或更高学历。职业职称主要是初级护士（51.03%）和高级护士（46.84%）。大约79.90%是一线临床工作人员，主要来自内科和外科等部门。此外，87.69%的参与者报告使用过GenAI工具来辅助工作或学习。见表2。表2. 人口统计信息调查结果（n = 1219）。特征选项频率百分比（%）性别男性584.76女性116195.24年龄20–30岁60849.8831–40岁43735.8541–50岁14812.1450岁以上262.13服务年限0–2年35328.963–5年19115.676–10年21017.2311–15年21817.8816–20年1139.2750年以上13410.99最高学历副学士学位252.05学士学位112492.21硕士学位或更高705.74职业职称初级护士62251.03高级护士57146.84副护士长262.13职位临床护士97479.90护理领导者1058.61护士教育者998.12护士长413.36科室内科36129.61外科33827.73重症监护19315.83手术室867.05门诊12210.01其他1199.76是否使用GenAI工具辅助工作/学习是106987.69否15012.31注：职业职称基于中国的护理等级体系。在此背景下：初级护士是指具有初级专业职称的注册护士，主要从事一线临床工作；高级护士是指具有中级专业职称的注册护士，具有多年临床经验，主要负责直接患者护理，没有正式的监督职责；副护士长是指具有高级临床经验和丰富经验的高级护士。3.2. 护理领域中GenAI工具的当前使用在1069名使用过GenAI工具的护士中，42.19%表示他们每周使用几次，大多数每次使用时间少于30分钟。最常见的应用包括内容搜索（76.99%）、辅助一般文本任务（41.81%）、患者健康教育（32.65%）和PowerPoint演示文稿制作（31.24%）。大多数护士对使用GenAI持支持态度（97.10%）。然而，只有7.39%的护士接受了系统的GenAI培训，而92.61%的护士没有接受过培训。使用GenAI后，83.91%的护士表示工作效率略有提高或显著提高（24.79%）。见表3。表3. 护理领域中GenAI工具的当前使用（n = 1069）。项目使用频率百分比（%）每天多次11710.94每周多次45142.19每周一次14313.38每两周一次787.30每月一次11911.13每两个月或更长时间一次16115.06平均每天使用时间少于30分钟85680.0730分钟至1小时18417.211至2小时242.252至3小时50.47使用目的/领域无特定目的23521.98随意聊天12011.23内容搜索82376.99PowerPoint制作33431.24图像生成22721.23视频生成989.17辅助一般文本写作（例如，演讲）44741.81患者健康教育（例如，生成疾病相关问答）34932.65辅助研究（例如，主题选择和文献回顾）26124.42辅助办公任务（例如，文件组织）21019.64其他111.03对使用的个人态度强烈反对20.19不确定292.71总体支持52849.39同事/朋友的态度强烈反对10.09不确定18617.40总体支持42940.13机构的态度强烈反对20.19不确定23822.26总体支持33631.43强烈支持49145.93是否接受过系统的GenAI培训是797.39否99092.61接触过但未接受系统培训是26726.97否72373.03使用GenAI后工作和学习效率的变化显著提高26524.79略有提高63259.12无变化16515.43略有下降40.37显著下降30.28注：此分析仅包括报告使用过GenAI工具的参与者（n = 1069）。其余从未使用过GenAI工具的150名参与者未被纳入此分析部分。3.3. 基于Kano模型对GenAI学习需求的分类Kano模型的众数分类结果显示，所有18个GenAI学习需求都被归类为中性属性。见表4。这表明众数分类方法可能无法有效区分临床护士在GenAI学习需求方面的细微差异。值得注意的是，对于所有18个项目，“更好”值都大于“更差”系数的绝对值（Better > |Worse|）。这表明尽管大多数需求尚未成为满意度的显著决定因素，但临床护士总体上对GenAI学习表现出期待和积极的态度。表4. 学习需求分析结果。序列号学习需求AOMIRQ类别更好更差A1生成式人工智能技术的概念和原理11.57%4.59%0.90%80.97%1.97%0.00%I16.49%?5.61%A2护理领域中生成式人工智能的使用标准18.70%4.80%0.25%71.62%0.33%0.90%I27.24%?8.55%A3护理领域中生成式人工智能的伦理预防17.47%8.20%0.41%72.52%0.25%1.15%I26.04%?8.74%B1使用生成式人工智能创建课程ware21.49%10.17%0.90%66.94%0.49%0.00%I31.82%?11.13%B2使用生成式人工智能创建教学导向的图像和视频22.15%10.91%0.57%65.30%0.49%0.57%I33.42%?11.61%B3应用人机协作教学模式18.54%7.96%0.16%72.27%0.33%0.74%I26.78%?8.21%B4通过生成式人工智能进行案例设计和虚拟场景模拟21.25%10.25%0.25%73.37%0.57%I31.79%?10.60%C2通过生成式人工智能构建临床操作17.64%7.88%0.33%72.85%0.74%0.57%I25.85%?8.31%C3使用生成式人工智能进行个性化护理教学21.82%8.45%0.16%68.17%0.49%0.90%I30.70%?8.74%C4将生成式人工智能应用于科学研究护理20.26%9.52%0.41%68.74%0.25%0.82%I30.10%?10.03%D1使用生成式人工智能进行患者健康教育和科学普及22.48%10.25%0.16%65.55%0.49%1.07%I33.25%?10.58%D2使用生成式人工智能进行护理查房19.20%7.63%0.33%70.96%0.57%1.31%I27.34%?8.11%D3使用生成式人工智能进行多学科案例讨论19.44%7.55%0.23%71.37%0.41%0.98%I27.37%?7.90%D4使用生成式人工智能辅助护理临床决策18.54%7.55%0.08%72.68%0.33%0.82%I26.39%?7.72%E1采用混合教学模式（在线+线下）18.13%7.88%0.57%71.78%0.33%1.31%I26.44%?8.59%E2采用实践研讨会（例如，动手操作、小组指导等）18.46%7.99%0.57%71.62%0.33%1.23%I26.67%?8.50%E3提供每日操作参考的学习手册19.44%6.78%0.49%68.83%0.16%1.39%I29.58%?10.33%根据上述结果，生成了一个二维矩阵图（图1），其中“更差”系数的绝对值（|Worse|）位于x轴，“更好”系数位于y轴。所有项目的平均“更好”值（0.2796）和平均|Worse|值（0.0894）被用作划分矩阵为四个象限的边界，每个象限对应不同的Kano属性类别。见图1。下载：下载高分辨率图像（185KB）下载：下载全尺寸图像图1. 更好-更差系数图表。注：红色虚线表示平均值（Better = 0.2796，|Worse = 0.0894）。橙色突出显示的点（A2、D2、D3）是三个最接近基线预期的中性属性。象限：一维（Q1）、吸引人（Q2）、中性（Q3）、必须具备（Q4）。为了进一步分析中性属性，我们计算了每个项目的ASC。ASC代表了每个需求对满意度的平均影响，有助于在同一Kano类别内进行优先级排序。见表5。象限I：一维属性（O）。表5. 学习需求分析结果。象限项目学习需求ASC在象限中的排名第一象限（一维）B2使用生成式人工智能创建教学导向的图像和视频0.22521D1使用生成式人工智能进行患者健康教育和科学普及0.21922B1使用生成式人工智能创建课程ware0.21483C1通过生成式人工智能进行案例设计和虚拟场景模拟0.21204C4将生成式人工智能应用于科学研究护理0.20075E3提供每日操作参考的学习手册0.19966第二象限（吸引人）C3应用生成式人工智能进行个性化护理教学0.19721第三象限（中性）A2护理领域中生成式人工智能的使用标准0.17901D2使用生成式人工智能进行护理查房0.17732D3使用生成式人工智能进行多学科案例讨论0.17643E2采用实践研讨会（例如，动手操作、小组指导等）0.17594E1采用混合教学模式（在线+线下）0.17525B3应用人机协作教学模式0.17506A3护理领域中生成式人工智能的伦理预防0.17397C2通过生成式人工智能构建临床操作0.17088D4使用生成式人工智能辅助护理临床决策0.17069B4创建和应用教学智能代理0.167810A1生成式人工智能技术的概念和原理0.110511根据图1和表5，临床护士在一维属性中的GenAI学习需求优先级排序如下：创建教学图像和视频（B2）、患者健康教育（D1）、使用GenAI创建课程ware（B1）、案例设计（C1）和提供学习手册（E3）。象限II：吸引人属性（A）。根据图1和表5，吸引人属性仅包括个性化护理教育/教学（C3）。象限III：中性属性（I）。根据图1和表5，在中性属性中，ASC值最高的三个项目是：使用标准（A2）、护理查房（D2）和多学科案例讨论（D3）。相比之下，生成式人工智能技术的概念和原理（A1）的ASC值最低（0.1105）。象限IV：必须具备的属性（M）。在这个象限中没有学习需求被归类为必须具备的属性。这一结果表明，临床护士最重视可以直接提高工作效率的实际GenAI技能，而他们对基础理论知识和高级应用的认知需求相对较弱。4. 讨论在这项研究中，18个学习需求中有11个被归类为中性属性，而与实际应用直接相关的技能更可能被归类为一维属性。这一发现提供了护士在GenAI学习中关注焦点的见解。然而，其解释必须严格遵循Kano模型的理论框架：在该模型中，中性分类仅表示某个属性目前不会影响满意度，而不是反映其内在重要性。与先前的研究（Gürdap和?ner，2026；Zeng等人，2025）一致，这项研究表明临床护士对GenAI的使用率相对较高，并且态度积极。然而，积极的态度本身可能并不反映足够的理解或准备好将其有效整合到实践中。来自护理教育背景的证据表明，参与GenAI通常伴随着不确定性和适度的焦虑，表明这是一个采用过渡阶段（Kanat等人，2026）。在这项研究中，只有7.39%的参与者接受了系统的AI相关培训，表明大多数护士缺乏这方面的正式教育。最近一项国际文献的快速回顾得出结论，全球的护理教育系统缺乏系统的GenAI整合，许多机构选择直接禁止而不是制定负责任的使用指南（Hinsche等人，2025）。此外，GenAI在护理中的应用仍处于早期阶段。护士对GenAI的功能潜力和应用场景的理解仍然有限，并且因个体而异（Hinsche等人，2025；Wang等人，2024）。在这项研究中，92.61%的GenAI用户表示每次使用时间少于30分钟，这与中国护理学生的研究结果一致（Zhao等人，2025）。同样，国际证据表明，尽管医疗专业人员报告高水平的GenAI使用，但对准确性和实际适用性的担忧仍然普遍（Ozkan等人，2025）。这些发现可能反映了采用阶段的早期特征，表现为谨慎和探索性的使用，而不是常规整合到临床实践中。在培训不足和参与度浅的综合作用下，可以理解更深层次的主题（如伦理标准和高级应用）尚未显著影响满意度。在这个阶段，护士可能还没有积累足够的实践经验，使得这些属性变得显著。随着护士获得更多经验和系统培训的改进，这些目前中性的属性可能会逐渐演变成一维属性或必须具备的属性。在第三象限中，ASC排名表明使用标准（A2）、护理查房（D2）和多学科案例讨论（D3）在中性属性中排名前三，表明这些需求已经具有影响满意度的潜力。GenAI的使用标准涉及数据隐私、算法偏见和责任等复杂问题（Meskó和Topol，2023；Ning等人，2024）。这些担忧也受到护理教育者的高度重视，是安全应用GenAI的重要制度保障（Durmu? Sar?kahya等人，2025）。课程设计应优先整合这些内容作为基础模块，以防止隐私泄露、过度依赖技术和临床错误等风险。与护理查房和多学科案例讨论相关的需求反映了护士对GenAI辅助临床合作的新兴需求。护理查房和案例讨论是临床实践中频繁的协作场景。在这些场景中应用GenAI有潜力提高信息检索效率和优化决策质量。尽管这些需求尚未成为满意度的显著决定因素，但它们相对较高的ASC值表明，随着技术的更广泛传播，它们可能会迅速演变成一维属性。然而，与使用标准相比，伦理考虑（A3）在ASC排序中仅排在第八位，护士尚未将其视为满意度的直接决定因素，尽管它具有不可否认的专业责任。值得注意的是，尽管GenAI伦理和安全的重要性已被广泛强调，但它尚未转化为临床护士强烈的学习需求（Sim最近的基于案例的证据凸显了新兴的伦理困境，即在临床实践中，患者会提供由人工智能生成的健康信息，这些信息有时与临床证据相冲突，要求护士在算法输出和专业判断之间充当调解者（Cueto等人，2026年）。这种临床现实与学习优先事项之间的差异表明，伦理教育应该被积极地纳入与人工智能相关的培训中，作为其基础组成部分。本质上，这些发现主要反映了临床护士对其学习需求的主观认知，而培训课程的设计则主要由护理教育者主导。最近针对护理教育者的定性研究表明，教育者对与生成式人工智能相关的伦理问题表现出高度敏感，特别是在信息准确性、学术诚信以及技术对护理专业核心人文价值观的潜在影响方面（Durmu? Sar?kahya等人，2025年；Hong等人，2025年；Titus等人，2025年）。这与临床护士的情况形成了鲜明对比。这种差异可能源于他们各自专业角色的不同责任。教育者不仅需要确保技术有效融入教学，还要负责课程管理、培养学生专业能力以及维护学科标准。相比之下，作为技术的直接使用者，护士更关注技术的即时实用性和工作效率的提升。这种基于角色的分歧可能部分解释了为什么基础理论内容（A1）也被归类为“中性”属性。现有研究表明，接受过人工智能相关培训的护士在技术理解、伦理意识和批判性评估能力方面表现更强（Montejo等人，2024年），这凸显了在当前护理教育体系中开展生成式人工智能伦理教育的迫切需求。从专业标准和患者安全的角度来看，人工智能伦理和监管框架在医疗保健领域具有不可协商的地位，应成为课程中的“最低安全标准”。因此，无论当前调查结果如何，伦理教育都应成为课程的核心组成部分。通过基于案例的讨论和情景分析，护理项目应积极培养护士的伦理意识和专业责任感。

在加强伦理基础的同时，回应护士对提高效率的实际期望也同样重要，即那些被归类为“一维属性”的需求。研究发现，临床护士对生成式人工智能的学习需求主要集中在能够直接提升工作效率和质量的工具技能上。这种倾向可能与临床护士繁重的工作负担有关，使他们难以系统地分配时间来学习和应用新技术（Mara?等人，2024年）。这一模式还得到了证据的支持，即护士使用生成式人工智能的意愿主要受性能预期和自愿性的驱动，反映出他们对能够立即改善任务表现的应用程序有强烈偏好（Choe和Woo，2025年）。在健康教育和临床教学领域，创建教育材料、制作PowerPoint演示文稿、进行案例模拟以及在研究中应用生成式人工智能等学习需求都被归类为“一维属性”。这反映了护士普遍希望利用生成式人工智能来优化工作流程并解决实际问题（如耗时的内容生成和有限的教学资源）的期望（Liu等人，2025a）。作为健康信息传播的关键力量，护士迫切需要高效的工具来提高健康教育的质量和吸引力。多项研究证实，生成式人工智能可以提升健康教育的格式和质量，使其更加易于理解和接受（Maddox等人，2025年）。此外，随着护理教育日益依赖技术，参与临床教学的护理领导者需要利用生成式人工智能快速创建高质量的教学资源，从而有更多时间与患者和学生进行直接互动和提供专业指导（George等人，2025年；Liu等人，2025b）。

除了工具导向的预期需求外，个性化护理教育作为本研究中唯一的“吸引人”属性，强调了生成式人工智能在实现高度情境化、适应性学习方面的潜力。这也反映了护士希望超越传统的“一刀切”培训模式的愿望。Zheng和Xiao（Zheng和Xiao，2025年）也强调了设计个性化AI课程以满足学习者多样化需求的必要性。尽管目前护士对此的期望较低，但其提高满意度的巨大潜力表明这应该是生成式人工智能培训项目中的一个创新方向。

4.1 对护理教育的启示
本研究为护理教育者在开发生成式人工智能培训项目提供了以下实际建议：
首先，教育和培训项目应采取前瞻性方法，系统地将伦理标准作为核心模块。当前的教育重点应放在基础教育上，结合案例分析和批判性讨论，积极培养护士对生成式人工智能的认知能力和风险意识。这有助于护士在技术驱动的医疗环境中发展批判性思维和负责任的应用技能。这种前瞻性框架不仅仅是对学习者即时需求的被动回应，更是教育者专业责任的体现。
其次，课程设计应采用分阶段的方法。短期内，应优先通过实践培训来巩固预期技能，重点培训使用生成式人工智能生成教育材料、视频、PowerPoint演示文稿和案例模拟等内容。这将使护士能够有效利用生成式人工智能优化日常工作效率，迅速产生实际价值，增强信心，并激发学习兴趣。这种工具赋能路径可以提升技术接受度和学习动力，为后续阶段更高级的学习奠定基础。然而，在强化实践技能的同时，同样重要的是要整合使用标准、护理查房和多学科案例讨论等相关内容。及早融入这些元素可以帮助防止过度依赖技术，并逐步培养学习者对适当使用的标准化意识。课程设计应避免过度关注效率，而是在技术赋能与维护安全边界之间建立平衡。护士不仅被视为生成式人工智能工具的用户，还应被视为负责确保生成式人工智能辅助护理的安全性和适当性的临床验证者（Xie等人，2026年）。
第三，应利用生成式人工智能技术推动教育模式的转型。未来的护理教育可以逐步转向以学习者为中心的个性化方法，生成个性化的学习路径、定制的案例库和适应性知识传递，以满足护士多样化的专业发展需求。这不仅代表了技术应用的高级形式，也反映了护理教育在数字化转型背景下的创新能力和教学领导力。
第四，教育者自身的AI素养和教学准备是有效实施生成式人工智能整合课程的必要前提。最近的研究强调了教育者对伦理风险、学术诚信以及新兴技术对护理专业核心价值观潜在影响的深刻担忧（Mrayyan和Al-Omari，2026年）。同时，新兴证据表明，生成式人工智能在护理教育中的成功整合严重依赖于教师的数字素养、教学设计能力和批判性评估AI生成内容的能力（Schroeder和Johnson，2026年）。这些担忧仅靠以学习者为导向的培训计划是无法充分解决的。因此，医疗机构和护理学校应同时推进教师发展计划。通过跨学科合作、持续的专业培训以及教学社区的建立，应努力提升教师的技术信心和课程领导力。生成式人工智能的整合不应仅限于更新课程内容，而应成为促进教师专业成长和加强学术领导力的机会。

4.2 研究的局限性
在解读研究结果时，应考虑以下几个局限性：
首先，样本的代表性有限。这是一项单中心横断面调查和初步试点研究，数据仅来自中国的一家三级医院。因此，研究结果可能反映了该机构的特定文化和实践特征，而不能代表更广泛的全国护理标准。在推广结论时需谨慎。未来的研究应采用多中心设计，涵盖更大、更多样化的样本，以进一步验证当前结论。
其次，存在方法学上的局限性。本研究采用了传统的Kano模型，未收集重要性评分，从而无法全面应用改进后的Kano分析方法。这可能导致信息丢失，并限制了对“中性属性”内部异质性的深入探索。未来的研究可以采用改进的Kano模型或进行定性访谈，以进一步探索护士对各种学习需求的解读和期望，从而为定量结果提供情境化的解释。
第三，应承认与参与者认知基线和单视角设计相关的局限性。在本研究中，只有7.39%的护士接受了系统的AI培训，92.61%的用户报告每次使用生成式人工智能的时间少于30分钟。此外，数据主要来自临床护士的主观感知。这表明一些回答可能是基于对生成式人工智能全部潜力的有限了解，而非基于充分的专业判断。未来的研究应考虑加入预调查教育环节或提供详细的功能演示，以确保需求评估基于对生成式人工智能的全面理解。此外，采用多利益相关者设计，系统地包括教育者、学生和临床实践者的观点，将为开发基于证据、伦理合理且教学上可行的AI整合护理课程提供更坚实的基础。

5. 结论
本研究使用Kano模型系统地识别并分类了临床护士在生成式人工智能领域的学习需求。研究结果表明，当前的护理教育实践应优先满足那些能够直接提升工作效率、“一维属性”需求，提供实际价值并增强护士使用生成式人工智能的信心。同时，教育者应通过基础教育和批判性讨论积极培养护士的伦理意识和风险意识，为他们将来在临床实践中负责任地应用生成式人工智能技术做好准备。总体而言，减轻工作负担仍然是护士接受生成式人工智能这一新技术的核心需求。只有将生成式人工智能作为护理实践中高效的工具，而不仅仅是形式化的技术展示，才能真正促进护理领域的数字化转型。本研究为开发基于证据的护理教育策略提供了理论基础，并为人工智能更深入地融入护理实践提供了实际方向。
此外，在人工智能时代，护理教育的使命不仅限于培养具备技术能力的用户；它还包括培养具备批判性思维技能、风险评估能力和强烈伦理责任感的专家。因此，生成式人工智能相关课程的构建不仅应满足临床环境中的实际需求，还应建立基于专业标准的综合框架，以教学创新为驱动，并得到教育领导的支持。通过将学习者的表达需求与教育者的规范责任对齐，护理教育可以在数字化转型中实现稳定和可持续的发展。

**作者贡献声明**
Yeru Xia：撰写——原始草稿；Jingbang Liu：撰写——原始草稿，概念化；Kaili Wang：数据管理；Ting Chen：数据管理；Xiaoyan Gong：监督，资源管理；Lili Wu：监督，资源管理；Yiyu Zhuang：撰写——审阅与编辑。

**作者声明**
本研究的所有作者声明没有利益冲突。研究是在伦理批准下进行的，并获得了所有参与者的知情同意。研究遵守了所有相关指南和规定。所有收集的数据均严格保密，仅用于研究目的。作者还确认手稿尚未提交或发表在其他地方。

**关于写作过程中生成式人工智能和AI辅助技术的声明**
在准备本手稿的过程中，作者使用了Deepseek来辅助语法、清晰度和语言组织。AI未被用于数据分析、内容生成或结果解释。所有AI辅助的输出都由作者进行了审阅和编辑，作者对内容负全责。

**资金情况**
本研究未获得任何资助。