护理研究

护士人工智能伦理意识量表的汉化及信效度检验

唐一帆 ¹^,² , 冯英璞 ² , 王昊 ² , 王珂心 ¹^,² , 张驰 ² , 刘萌 ¹ , 李丹阳 ¹ , 宋文硕 ¹ , 李博 ¹^,^*^,^*

护理研究 | 量表研究 2026,40(18): 3234-3239

收起

护理研究 |量表研究 2026 , 40 (18) : 3234 -3239

护士人工智能伦理意识量表的汉化及信效度检验

全屏

唐一帆¹^,², 冯英璞², 王昊², 王珂心¹^,², 张驰², 刘萌¹, 李丹阳¹, 宋文硕¹, 李博¹^,^*^,^*

作者信息

¹河南大学护理与健康学院，河南 475000

²河南省人民医院

通讯作者:

李博，E-mail:10210022@vip.henu.edu.cn

LI Bo, E-mail:10210022@vip.henu.edu.cn

作者简介:

唐一帆，硕士研究生

Chinesization of the Nurse Artificial Intelligence Ethical Awareness Scale and its reliability and validity test

Yifan TANG¹^,², Yingpu FENG², Hao WANG², Kexin WANG¹^,², Chi ZHANG², Meng LIU¹, Danyang LI¹, Wenshuo SONG¹, Bo LI¹

Affiliations

¹School of Nursing and Health, Henan University, Henan 475000 China

²Henan Provincial People's Hospital

出版时间: 2026-09-25 doi: 10.12102/j.issn.1009-6493.2026.18.012

文章导航

摘要

收起

目的

对护士人工智能伦理意识量表进行汉化，并检验其在我国护理背景下的信效度。

方法

依据改良版Brislin翻译模型对量表进行翻译，经文化调适后形成中文版护士人工智能伦理意识量表。于2025年10月采用便利抽样法，选取河南省某三级甲等医院的384名临床护士为研究对象进行问卷调查，检验量表信效度。

结果

中文版护士人工智能伦理意识量表包括数据隐私与保密、知情同意与自主权、透明化与问责制、偏倚与公平性、安全性与职业操守、教育与可持续性6个维度，共21个条目。量表水平的内容效度指数为0.905，条目水平的内容效度指数为0.833~1.000，探索性因子分析提取6个特征值>1的公因子，累计方差贡献率为88.946%。验证性因子分析结果显示，各项拟合指标均达到理想标准。量表总体的Cronbach's α系数为0.861，重测信度为0.950。

结论

中文版护士人工智能伦理意识量表具备良好信度与效度，可用于评估我国临床护士在人工智能应用过程中的伦理意识水平。

关键词

护士 / 人工智能（AI） / 伦理意识 / 量表汉化 / 信度 / 效度

Abstract

收起

Objective

To translate the Nurse Artificial Intelligence Ethical Awareness Scale into Chinese and to test its reliability and validity within the Chinese nursing context.

Methods

The scale was translated following the modified Brislin translation model.The Chinese version of the Nurse Artificial Intelligence Ethical Awareness Scale was developed after cultural adaptation.In October 2025,a convenience sampling method was used to select 384 clinical nurses from a tertiary grade A hospital in Henan province as the study subjects for a questionnaire survey to test the reliability and validity of the scale.

Results

The Chinese version of the Nurse Artificial Intelligence Ethical Awareness Scale consisted of 6 dimensions(data privacy and confidentiality,informed consent and autonomy,transparency and accountability,bias and fairness,safety and professional integrity,and education and sustainability) with a total of 21 items.The scale-level content validity index was 0.905,and the item-level content validity index ranged from 0.833 to 1.000.Exploratory factor analysis extracted 6 common factors with eigenvalues>1,and the cumulative variance contribution rate was 88.946%.Confirmatory factor analysis showed that all fit indices reached ideal standards.The overall Cronbach's α coefficient of the scale was 0.861,and the test-retest reliability was 0.950.

Conclusions

The Chinese version of the Nurse Artificial Intelligence Ethical Awareness Scale demonstrates good reliability and validity.The scale could be used to assess the level of ethical awareness among Chinese clinical nurses in the application of artificial intelligence.

Key words

nurses / artificial intelligence,AI / ethical awareness / Chinesization of scales / reliability / validity

引用本文

唐一帆, 冯英璞, 王昊, 王珂心, 张驰, 刘萌, 李丹阳, 宋文硕, 李博. 护士人工智能伦理意识量表的汉化及信效度检验. 护理研究, 2026 , 40 (18) : 3234 -3239 . DOI: 10.12102/j.issn.1009-6493.2026.18.012

Yifan TANG, Yingpu FENG, Hao WANG, Kexin WANG, Chi ZHANG, Meng LIU, Danyang LI, Wenshuo SONG, Bo LI. Chinesization of the Nurse Artificial Intelligence Ethical Awareness Scale and its reliability and validity test[J]. Chinese Nursing Research, 2026 , 40 (18) : 3234 -3239 . DOI: 10.12102/j.issn.1009-6493.2026.18.012

正文

收起

人工智能（artificial intelligence，AI）正深刻变革医疗卫生行业的运行模式。研究结果显示，以人工智能为支撑的辅助系统已逐步运用于护理临床文书书写、病历数据分析、个性化护理方案制定以及远程护理指导等环节^[1]。但就目前而言，人工智能在护理实践、教学与科研中的融合还存在一定障碍，尤其是人工智能引发的伦理议题尚未得到系统梳理与充分应对^[2]，病人数据隐私与安全、人工智能决策责任归属、算法的可解释性以及在照护过程中保留人性化互动等问题受到关注^[3-5]。护士作为临床工作的核心力量，在人工智能系统引入与应用中发挥着不可或缺的作用^[6]。护理伦理强调，道德责任不应由机器承担，必须始终贯彻以人为本的护理理念，确保人工智能技术作为辅助工具，而非取代护士专业判断与情感关怀的手段。在此背景下，系统评估护士对人工智能技术的理解程度与伦理认知，成为构建“人机协作”新型护理体系的重要前提。2025年，El-Sayed等^[7]开发了护士人工智能伦理意识量表（Nurse Artificial Intelligence Ethical Awareness Scale，NAIEAS）且验证结果表明量表具有较好的信度和效度。本研究拟对该量表进行汉化，并在我国护士群体中检验其信度与效度，以期为评估我国护士的人工智能伦理认知提供有效工具。

1　研究方法

收起

1.1　量表介绍

NAIEAS由El-Sayed等^[7]于2025年编制，旨在系统评估临床护士在人工智能辅助护理实践中的伦理认知水平。原量表包含数据隐私与保密、知情同意与自主权、透明化与问责制、偏倚与公平性、安全性与职业操守、教育与可持续性6个维度，共21个条目，采用Likert 5级评分法，总分越高表示护士的伦理意识越强。该量表在埃及护士群体中验证，具有良好的信效度（Cronbach's α系数为0.90，内容效度指数≥0.80）^[7]。

1.2　量表汉化

1.2.1　量表翻译

获得NAIEAS开发者授权后，采用改良版Brislin翻译模型对量表进行汉化^[8]。1）正译：由1名通过大学英语六级考试的护理学硕士研究生与1名具有海外留学经历的护理学博士研究生独立将原量表翻译为中文，形成初译稿NAIEAS-A1和NAIEAS-A2，随后由另1名通过大学英语六级考试的护理学硕士研究生对2份初译稿进行系统比对与整合，组织小组讨论以解决翻译分歧，形成中文译稿NAIEAS-A。2）回译：邀请2名母语为中文、具有海外全英文授课经验且未接触过原量表的护理学硕士研究生独立将中文译稿NAIEAS-A回译为英文，形成回译稿NAIEAS-B1和NAIEAS-B2。3）译稿整合与修订：由1名通过英语专业八级考试的英语专业硕士研究生与1名通过大学英语六级考试的护理学硕士研究生共同对2份回译稿进行审读与整合，针对差异内容进行讨论并修订，形成回译整合稿NAIEAS-B。将中文译稿NAIEAS-A与回译整合稿NAIEAS-B发回至NAIEAS开发者进行审阅，获得其认可后形成NAIEAS中文初稿。

1.2.2　文化调适

邀请护理学与公共卫生等领域专家对NAIEAS中文初稿进行文化调适。专家纳入标准：工作年限≥10年；具备副高级及以上职称或硕士研究生及以上学历。最终纳入6名专家，年龄44~59（49.50±4.72）岁；工作年限18~39（26.83±6.49）年；其中，护理管理者1人，护理教育者2人，医院伦理委员会成员1人，临床护理专家2人；博士研究生4人，本科2人；正高级职称2人，副高级职称4人。专家结合理论认识与实践经验，围绕条目清晰度、可理解性、文化适应性、临床适用性及条目间相关性等提出修改建议。研究团队对反馈意见进行系统整理，经充分讨论后对量表内容予以修订，形成包含6个维度（数据隐私与保密、知情同意与自主权、透明化与问责制、偏倚与公平性、安全性与职业操守、教育与可持续性）、21个条目的中文版NAIEAS。

1.3　正式调查

1.3.1　研究对象

于2025年10月采用便利抽样法，选取河南省某三级甲等医院的临床护士为研究对象。纳入标准：工作年限≥1年；在临床一线岗位工作；近6个月有直接使用人工智能辅助工具（如临床决策支持系统、智能输液泵、人工智能影像辅助诊断、智能机器人等）进行护理工作的经历。排除标准：非目标医院在职人员，如进修与专项培训人员；调查期间因休假、外出学习等原因无法配合完成调研。探索性因子分析要求样本量为量表条目数的5~10倍^[9]。正式调查中使用的中文版NAIEAS共21个条目，计算可得纳入临床护士应105~210人。考虑到20%的无效问卷，拟纳入临床护士126~263人。此外，为保障模型稳定性，验证性因子分析要求样本量应不少于200人。本研究已获河南大学伦理委员会审核批准（审批号：HUSOU2025-904），所有参与者均对本研究知情且自愿加入研究。

1.3.2　调查工具

1）一般资料调查表：自行设计一般资料调查表，包括性别、年龄、最高学历、目前所在科室、工作年限、专业技术职称、现任职务、目前临床工作中接触或使用人工智能辅助工具的频率、是否接受过人工智能医疗应用相关培训。2）中文版NAIEAS：包括6个维度，共21个条目，其中数据隐私与保密4个条目，知情同意与自主权3个条目，透明化与问责制4个条目，偏倚与公平性3个条目，安全性与职业操守4个条目，教育与可持续性3个条目。

1.3.3　资料收集方法

将中文版NAIEAS导入问卷星电子问卷平台，采用线上形式发放问卷。取得医院护理部许可后，研究者通过钉钉工作群将问卷二维码发送给各科室护士长，由护士长转发至科室工作群，协助完成问卷发放与数据收集。为保障受试者知情权，问卷首页进行了统一说明，详细阐述了研究目标、主要内容及填写方法，所有参与者在充分了解研究相关内容的基础上自愿作答。共发放问卷400份，回收有效问卷384份，问卷有效回收率为96.00%。将384份有效问卷随机分为2组样本，其中样本1为184份，用于项目分析和探索性因子分析；样本2为200份，用于验证性因子分析和信度检验。

1.4　项目分析

采用临界比值法、相关系数法及Cronbach's α系数法进行项目分析^[10]。1）临界比值法：根据量表总分由高到低排序，取前27%作为高分组，后27%作为低分组，采用独立样本t检验比较两组各条目得分及总分差异，若条目决断值<3.0或未达到显著性水平（P>0.05），则认为该条目鉴别力不足，予以删除^[10]。2）相关系数法：基于量表总分进行正态性检验，根据正态性分布情况进行Pearson相关分析或Spearman相关分析，评估各条目得分与总分的相关性。删除相关系数<0.4的条目^[10]。3）Cronbach's α系数法：删除某个条目后量表Cronbach's α系数增大，表明该条目和其他条目在属性方面具有差异，应予以删除^[10]。

1.5　信效度分析

1.5.1　效度检验

1.5.1.1　内容效度

邀请参与文化调适阶段的6名专家开展专家函询，专家采用Likert 4级评分法对各条目与评估目标的相关性进行评价，“不相关”“弱相关”“较强相关”“强相关”依次计1、2、3、4分。采用条目水平的内容效度指数（item-level content validity index，I-CVI）和量表水平的内容效度指数（scale-level content validity index,S-CVI）评估量表的内容效度，若I-CVI≥0.78且S-CVI≥0.90认为量表内容效度良好^[11]。

1.5.1.2　结构效度

1）探索性因子分析：实施KMO取样适当性检验与Bartlett's球形检验，KMO值>0.8且Bartlett's球形检验有统计学意义（P<0.05）表明数据适合进行因子分析^[12]。采用主成分分析法及最大方差正交旋转法提取特征值>1的因子，剔除因子载荷<0.4或存在多重因子载荷的条目^[13]。2）验证性因子分析：采用极大似然法进行参数估计，模型适配标准为卡方自由度比（χ²/ν<3.000，规范拟合指数（normed fit index，NFI）、相对适配指数（relative fit index，RFI）、卡方准则结合增值拟合指数（incremental fit index，IFI）、非规范拟合指数（Tucker-Lewis index，TLI）、比较拟合指数（comparative fit index，CFI）均>0.900，近似误差均方根（root mean square error of approximation，RMSEA）<0.080，满足上述条件即认为模型拟合效果理想^[14-15]。

1.5.2　信度检验

1.5.2.1　内部一致性信度

通过计算量表总体的Cronbach's α系数评估其内部一致性，Cronbach's α系数>0.7表明量表具有较好信度^[16]。

1.5.2.2　重测信度

首次调查完毕后，采用便利抽样法选取其中20名护士作为重测样本，于2周后使用同一问卷进行再次调查，分析2次测量结果的相关性以评估量表稳定性，重测信度>0.7认为量表具有较好的时间稳定性^[16]。

1.6　统计学方法

采用SPSS 26.0和AMOS 25.0软件进行数据处理与分析。符合正态分布的定量资料以均数±标准差（x±s）表示；定性资料以频数及百分比（%）表示。项目分析通过计算临界比值、各条目得分与总分的相关系数以及删除条目后量表的Cronbach's α系数评估条目质量。效度检验主要考察内容效度与结构效度。信度检验主要计算内部一致性信度以及重测信度。检验水准α=0.05。

2　结果

收起

2.1　文化调适

根据专家意见，共修改8个条目。1）将条目4“我了解人工智能在医疗领域应用可能引发的数据泄漏风险”修改为“我能够识别人工智能在医疗领域应用中可能引发数据泄露的情境”；2）将条目5“我认为病人及其家属有权知晓人工智能如何应用于治疗决策”修改为“我认为病人及其家属有权知晓人工智能如何应用于护理决策”；3）将条目7“我认为病人有权拒绝人工智能辅助生成的治疗决策”修改为“我认为病人有权拒绝人工智能辅助生成的护理决策”；4）将条目10“我认为人工智能应辅助临床决策，但必须由人类临床医师做出最终决策”修改为“我认为人工智能应辅助临床护理决策，但必须由人类护士做出最终决策”；5）将条目12“我意识到由于训练数据不具有代表性，人工智能可能产生偏倚结果”修改为“我意识到由于用来训练人工智能的数据本身不全面，人工智能得出的结果可能存在偏差”；6）将条目14“我会评估人工智能输出结果在文化和人口统计学方面的适宜性，并根据识别出的偏倚调整护理计划”修改为“我会评估人工智能输出结果是否因病人的年龄、性别或文化背景等因素而存在偏倚，并据此调整护理计划”；7）将条目16“相较于人工智能生成的建议，我会优先考虑自己的专业判断”修改为“在人工智能建议与我的专业判断冲突时，我会进一步核查或上报”；8）将条目21“我提倡在医疗教育项目中纳入人工智能伦理培训内容”修改为“我提倡在护理教育项目中纳入人工智能伦理培训内容”。最终形成的中文版NAIEAS包含21个条目。

2.2　研究对象一般资料

384名护士中，男28人（7.29%），女356人（92.71%）；≤25岁36人（9.38%），>25~30岁102人（26.56%），>30~35岁109人（28.39%），>35~40岁86人（22.4%），>40岁51人（13.28%）；最高学历为专科2人（0.52%），本科354人（92.19%），硕士研究生及以上28人（7.29%）；目前在内科（如心内科、呼吸科、内分泌科等）113人（29.43%），外科（如普外科、骨科、神经外科等）89人（23.18%），急诊科/重症监护室154人（40.10%），妇产科/儿科28人（7.29%）；工作年限为1~2年36人（9.38%），>2~5年47人（12.24%），>5~10年112人（29.17%），>10~15年103人（26.82%），>15年86人（22.40%）；护士34人（8.85%），护师92人（23.96%），主管护师221人（57.55%），副主任护师及以上37人（9.64%）；普通护士319人（83.07%），护理组长/教学秘书37人（9.64%），护士长24人（6.25%），科护士长/护理部主任4人（1.04%）；目前临床工作中接触或使用人工智能辅助工具的频率为每个月<1次257人（66.93%），每个月1~<4次46人（11.98%），每周≥1次81人（21.09%）；接受过人工智能医疗应用相关培训79人（20.57%），未接受过人工智能医疗应用相关培训305人（79.43%）。

2.3　项目分析

1）临界比值法：量表各条目的决断值为6.012~11.338（均P<0.001），表明条目鉴别力符合要求。2）相关系数法：各条目得分均服从正态分布，其与量表总分的相关系数均>0.4，故未删除任何条目。3）Cronbach's α系数法：量表总体的Cronbach's α系数为0.900，逐一删除各条目后量表总体的Cronbach's α系数未升高，故不删除条目。

2.4　效度检验

2.4.1　内容效度

6名专家采用Likert 4级评分法对中文版NAIEAS各条目与测评目标的相关程度进行评定，结果显示，S-CVI为0.905，I-CVI为0.833~1.000，表明量表总体内容效度较为理想^[11]。

2.4.2　结构效度

2.4.2.1　探索性因子分析

基于样本1（184份）数据进行探索性因子分析，结果显示，KMO值为0.864，Bartlett's球形检验χ²=3 992.005（P<0.001），表明数据适合进行因子分析。采用主成分分析法结合最大方差旋转法提取6个特征值>1的公因子，分别命名为“数据隐私与保密”“知情同意与自主权”“透明化与问责制”“偏倚与公平性”“安全性与职业操守”“教育与可持续性”，累计方差贡献率为88.946%。旋转后的因子载荷矩阵见表1。

2.4.2.2　验证性因子分析

基于样本2（200份）数据进行验证性因子分析，结果显示，χ²/ν=1.322，NFI=0.945，RFI=0.934，IFI=0.986，TLI=0.983，CFI=0.986，RMSEA=0.040，提示模型拟合良好。

2.5　信度检验

量表总体的Cronbach's α系数为0.861，数据隐私与保密、知情同意与自主权、透明化与问责制、偏倚与公平性、安全性与职业操守、教育与可持续性维度的Cronbach's α系数依次为0.934，0.938，0.950，0.935，0.946，0.941。量表总体的重测信度为0.950，数据隐私与保密、知情同意与自主权、透明化与问责制、偏倚与公平性、安全性与职业操守、教育与可持续性维度的重测信度依次为0.854，0.921，0.933，0.888，0.912，0.955。

3　讨论

收起

3.1　中文版NAIEAS具有良好的信效度

信度与效度是评估量表质量的核心指标，分别反映其测量的稳定性、内部一致性以及实际测量结果与理论构想间的吻合程度^[17]。中文版NAIEAS总体及各维度Cronbach's α系数与重测信度均高于0.700，说明量表具有较好的内部一致性和跨时间稳定性^[18]。效度包括内容效度和结构效度，内容效度分析结果显示，I-CVI为0.833~1.000（>0.78），S-CVI为0.905（>0.90），表明量表条目具有较好的代表性且结构合理^[19]。探索性因子分析共提取6个公因子，与原量表结构一致，累计方差贡献率为88.946%，所有条目因子载荷均>0.5；验证性因子分析结果显示各项拟合指标均达到理想标准，模型与数据匹配良好^[9]，结构效度较好。表明中文版NAIEAS具有良好的信度与效度，适用于评估我国护士的人工智能伦理意识水平。

3.2　中文版NAIEAS具有一定实用性

人工智能在医疗领域的开发与应用正在快速发展，但其产生的护理伦理问题目前在社会层面仍存在较多争议^[20]。核心争议之一是过度依赖人工智能技术可能影响护士的临床独立判断能力和批判性思维发展^[21]。在此背景下，开展有针对性的伦理培训并建立健全相关制度显得尤为重要。因此，在实施具体干预前首先识别护士在人工智能伦理认知方面的不足，广泛普及人工智能伦理基本原则，并对道德遵循情况进行量化监测，成为不可或缺的关键步骤。中文版NAIEAS共21个条目，包括数据隐私与保密、知情同意与自主权、透明化与问责制、偏倚与公平性、安全性与职业操守、教育与可持续性6个维度，旨在系统评估护士在人工智能应用中的伦理意识水平。该量表采用选择题形式，经文化调适后各条目易于理解，填写便捷。在临床实践中，中文版NAIEAS可用于评估护士使用人工智能过程中的伦理认知现状，帮助护理管理者监测道德规范执行情况^[8]，进而完善以人工智能为核心的治理体系，其有利于促进标准化护理实践方案形成，从而在保障病人安全、促进医疗公平和强化专业问责等方面落实最佳实践。

4　研究局限性及展望

收起

中文版NAIEAS涵盖数据隐私与保密、知情同意与自主权、透明化与问责制、偏倚与公平性、安全性与职业操守、教育与可持续6个维度，可用于评估护士在临床工作中的伦理意识水平。但本研究样本仅来源于河南省1所三级甲等医院，受抽样范围所限，样本代表性可能存在不足。今后可以考虑开展多中心研究，扩大样本量，覆盖不同地区与层级的护士群体，以便进一步修订和验证该量表，进而更全面地了解护士伦理意识现状与发展需求。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

Ong

J C L

,Chang

S Y

,William

,et al.Ethical and regulatory challenges of large language models in medicine[J].Lancet Digit Health,2024,6(6):e428-e432.

Cho

Kwan R Y

,Yan Tang

A C

,Ha Wong

J Y

,et al.Navigating the integration of artificial intelligence in nursing:opportunities,challenges,and strategic actions[J].Int J Nurs Sci,2025,12(3):241-245.

Yasin

Y M

,Al-Hamad

,Metersky

,et al.Incorporation of artificial intelligence into nursing research:a scoping review[J].Int Nurs Rev,2025,72(1):e13013.

Elgin

C Y

,Elgin

.Ethical implications of AI-driven clinical decision support systems on healthcare resource allocation:a qualitative study of healthcare professionals' perspectives[J].BMC Med Ethics,2024,25(1):148.

Rony

M K K

,Numan

S M

,Akter

,et al.Nurses' perspectives on privacy and ethical concerns regarding artificial intelligence adoption in healthcare[J].Heliyon,2024,10(17):e36702.

Rony

M K K

,Parvin

M R

,Ferdousi

.Advancing nursing practice with artificial intelligence:enhancing preparedness for the future[J].Nursing Open,2024,11(1):2070.

El-Sayed

A A I

,Alsenany

S A

,Badoman

T E A

,et al.Development and validation of a scale for nurses' ethical awareness in the use of artificial intelligence:a methodological study[J].Nurs Health Sci,2025,27(2):e70140.

王晓娇,夏海鸥.基于Brislin经典回译模型的新型翻译模型的构建及应用[J].护理学杂志,2016,31(7):61-63.

吴明隆.问卷统计分析实务:SPSS操作与应用[M].重庆:重庆大学出版社,2010:166-281.

马梦琪,张小红,何红,等.慢性心力衰竭患者治疗负担量表的编制及信效度检验[J].中华护理杂志,2025,60(16):1948-1954.

史静琤,莫显昆,孙振球.量表编制中内容效度指数的应用[J].中南大学学报(医学版),2012,37(2):152-155.

张琪琪,周文哲,林瑶瑶,等.简化版青光眼患者用药自我效能量表的汉化及信效度检验[J].中华护理杂志,2022,57(15):1914-1920.

程志强,张宝珍,汤利萍,等.尿失禁患者疾病认知与态度量表的汉化及初步应用[J].中华护理杂志,2025,60(9):1107-1112.

吴明隆.结构方程模型:AMOS的操作与应用[M].2版.重庆:重庆大学出版社,2010:266.

张莹,杨睿哲,彭晓霞,等.验证性因子分析原理、模型及其在量表结构效度评价中的应用[J].中华健康管理学杂志,2022,16(6):428-432.

陈诗涵,杨珍,谢志勤,等.Nonide量表的汉化及信效度检验[J].护理研究,2025,39(22):3797-3800.

贾雪敬,史宝欣.腹膜透析照顾者负担量表的汉化及信效度检验[J].中华护理杂志,2024,59(21):2633-2639.

温晓萌,韩小云.外科手术任务负荷指数量表的汉化及信效度检验[J].护理研究,2025,39(17):2948-2955.

蒋艳,沈宁,邹树芳.护理研究中量表研制及测量学特征的评定方法[J].中华护理教育,2005,2(4):174-176.

苏秦,王艳波.人工智能在临床护理领域应用中的伦理困境及对策[J].医学与哲学,2023,44(24):51-55.

Gorelik

A J

,Li

M Y

,Hahne

,et al.Ethics of AI in healthcare:a scoping review demonstrating applicability of a foundational framework[J].Frontiers in Digital Health,2025,7:1662642.

2026年第40卷第18期

引用本文

BibTeX

文章信息

doi: 10.12102/j.issn.1009-6493.2026.18.012

接收时间：2025-12-16
首发时间：2026-10-29
出版时间：2026-09-25

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-12-16
修回日期：2026-08-10

基金

作者信息

¹河南大学护理与健康学院，河南 475000

²河南省人民医院

通讯作者:

李博，E-mail:10210022@vip.henu.edu.cn

LI Bo, E-mail:10210022@vip.henu.edu.cn

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/hlyj/CN/10.12102/j.issn.1009-6493.2026.18.012

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

条目

数据隐私与保密

安全性与职业操守

透明化与问责制

教育与可持续性

知情同意与自主权

偏倚与公平性

1）我确保输入人工智能的病人数据是匿名数据

0.894

2）我确信自己使用的人工智能遵守数据保护相关法规

0.907

3）在使用人工智能时，我会避免用它执行可能泄露病人隐私的任务

0.926

4）我能够识别人工智能在医疗领域应用中可能引发数据泄露的情境

0.910

5）我认为病人及其家属有权知晓人工智能如何应用于护理决策

0.920

6）在使用人工智能为病人提供护理之前，我会确保病人已充分知情并同意

0.925

7）我认为病人有权拒绝人工智能辅助生成的护理决策

0.920

8）我知道病人病历中应该清晰地记录基于人工智能的决策

0.906

9）我会确保人工智能给出的建议具有可解释性和准确性

0.875

10）我认为人工智能应辅助临床护理决策，但必须由人类护士做出最终决策

0.911

11）我认为护士应对人工智能辅助生成的决策负责

0.913

12）我意识到由于用来训练人工智能的数据本身不全面，人工智能得出的结果可能存在偏差

0.929

13）我认为应定期对人工智能进行审查，以防对某些病人群体造成不均衡的影响

0.918

14）我会评估人工智能输出结果是否因病人的年龄、性别或文化背景等因素而存在偏倚，并据此调整护理计划

0.914

15）在将人工智能生成结果应用于病人护理之前，我会对其潜在错误进行批判性评估

0.892

16）在人工智能建议与我的专业判断冲突时，我会进一步核查或上报

0.883

17）我会将人工智能使用过程中出现的安全问题上报给相关部门

0.906

18）我会确保人工智能融入护理工作流程，符合病人安全规范

0.903

19）我会持续关注医疗领域中关于人工智能应用的最新、最佳实践

0.925

20）我提倡负责任地使用人工智能，以优化护理资源

0.935

21）我提倡在护理教育项目中纳入人工智能伦理培训内容

0.927

特征值

3.565

3.478

3.435

2.747

2.744

2.710

累积方差贡献率（%）

16.975

33.539

49.895

62.977

76.041

88.946