中国母婴健康护士的AI素养与态度：基于新手与专家的 multicenter 心理网络分析

<中文摘要>
背景：人工智能^AI在医疗保健中的成功整合高度依赖于一线护理人员的素养和态度。虽然“AI恐惧”等心理障碍已知，但从系统视角来看，不同专业水平护理人员之间素养与态度的复杂相互作用尚不清楚。目的：本研究旨在利用心理网络分析（Psychological Network Analysis, PNA）绘制并比较母婴健康（Maternal and Child Health, MCH）护理背景下临床带教老师（专家）与护士实习生（新手）的AI素养和态度认知网络。方法：在中国26个省份的32家机构进行了一项大规模、多中心的横断面研究。共有1,031名参与者（498名临床带教老师和533名护士实习生）完成了AI素养量表（AI Literacy Scale, AILS）和AI一般态度量表（General Attitudes toward AI Scale, GAAIS）。估计正则化偏相关网络以识别核心认知节点。采用网络比较检验（Network Comparison Test, NCT）评估专家组和新手组在网络拓扑结构和全局强度方面的统计学差异。结果：“AI恐惧”（特别是技术恐怖和对未来的焦虑）成为两组认知网络中最中心且最具影响力的节点。然而，两组之间的整体网络拓扑结构存在显著差异（p = 0.023）。新手表现出“高密度、未分化”的结构（全局强度 S = 16.29 vs. 15.58, p = 0.033），其中伦理关切和焦虑相互交织。相比之下，专家表现出“低密度、强结构”网络，其特征是在特定的“应用-伦理”路径上关联显著更强。结论：AI认知的认知架构因专业水平不同而存在根本差异。公共卫生系统若要在AI实施方面取得成效，“一刀切”的培训是不够的。策略必须转向分层认知重塑：为新手提供结构化支架以管理弥散性焦虑，并赋能专家领导基于证据的评估和临床实施。

<论文解读>
随着人工智能（Artificial Intelligence, AI）以前所未有的速度渗透至医疗各个层面，临床实践、疾病诊断及患者照护模式正经历根本性重塑。在护理领域，AI技术展现出通过优化临床工作流程、辅助决策支持、自动化常规任务及实现个性化患者监测来提升护理质量和效率的巨大潜力。特别是在母婴健康（Maternal and Child Health, MCH）这一技术应用关键领域，AI有望为孕产妇及儿童提供更精准、及时的卫生服务。然而，AI技术的成功整合不仅取决于技术本身的成熟度，更关键地取决于作为医疗系统最大群体的 frontline nursing workforce（一线护理人员）的接受度、素养（Literacy）及态度（Attitudes）。既往研究表明，尽管护理人员认可AI的支持作用，但普遍缺乏AI知识并对算法偏见、数据隐私、伦理责任及技术可解释性等多层障碍存在担忧，甚至产生“AI焦虑”及职业角色受威胁的恐惧。此外，基于“新手至专家”理论框架，不同经验水平的护理人员在信息技术采纳上存在本质差异，但既往研究多依赖传统量表总分计算，忽视了心理变量间复杂的内部关系及动态交互，且未从系统视角揭示专业经验如何调节认知网络的拓扑结构。因此，开展本研究旨在填补这一空白，通过心理网络分析（Psychological Network Analysis, PNA）构建并比较MCH护理人员的AI认知网络，以提供针对性AI教育及干预策略的依据。

为开展本研究，研究人员在中国26个省份的32家母婴健康机构中，采用便利抽样法招募了1,031名参与者，包括498名临床带教老师（专家）和533名护士实习生（新手）。研究使用AI素养量表（AI Literacy Scale, AILS）和AI一般态度量表（General Attitudes toward AI Scale, GAAIS）进行横断面调查。数据分析主要采用R软件中的qgraph和bootnet包，利用LASSO（Least Absolute Shrinkage and Selection Operator）正则化偏相关分析构建网络，并通过Network Comparison Test（NCT）比较两组网络拓扑结构及全局强度的差异。

研究结果显示，“AI恐惧”（特别是N_3“技术恐怖关联”和N_6“未来应用焦虑”）是两组认知网络中最中心且最具影响力的节点，支配着护理人员的其他素养和态度认知。在整体网络结构上，两组存在显著差异（p = 0.023）。新手组表现出“高密度、未分化”的结构特征，其全局连接强度显著高于专家组（S = 16.29 vs. 15.58, p = 0.033），表明新手对AI相关认知变量的高共激活状态，其伦理关切和焦虑相互弥散交织。相比之下，专家组呈现“低密度、强结构”网络，全局连接较弱，但在特定的“应用-伦理”路径上关联显著更强。桥梁强度分析显示，US_3（工作流程效率提升）和ET_1（伦理合规）是连接“AI素养”与“AI态度”两个主要社区的关键桥梁节点。Bootstrap差异检验进一步验证了N_3和N_6的核心地位，以及US_3和ET_1在连接不同维度间的显著桥梁作用。

在讨论部分，研究人员指出，“AI恐惧”作为认知系统中的“组织中心”，验证了既往关于心理障碍阻碍AI推广的结论。研究扩展了“新手至专家”理论，发现新手的高密度网络意味着高外在认知负荷，任何单一负面认知均可能迅速引发系统性情绪反应；而专家的稀疏强连接结构则表明其认知高度内化且模块化，能够分离伦理风险与操作任务，展现出适应性专长。针对伦理与效用认知的分化，新手过度集中于抽象伦理节点，而专家则聚焦于具体临床情境中的应用评估。

基于上述发现，论文结论强调，“一刀切”的AI培训策略注定无效。公共卫生系统及护理教育必须转向分层认知重塑：针对新手，应基于支架理论（Scaffolding Theory）提供结构化支持，通过明确规则和低风险模拟练习修剪其弥散网络，管理弥散性焦虑；针对专家，应采用“培训培训师”（Train-the-Trainer, TTT）模式，培养其成为“AI冠军”，重点提升其基于证据的技术评估能力及临床领导力，利用其已形成的“应用-安全”认知路径引领团队AI转型。该研究发表于《Frontiers in Public Health》，为提升护理队伍数字准备度及促进AI在母婴健康领域的有效整合提供了系统性实证依据。