Competing Framings: Variability in AI-Generated Health Policy Guidance and Its Implications for Global Nursing.
پخش حرفهای فارسی و انگلیسی
در حال بررسی نسخههای صوتی ذخیرهشده…
تنظیم صدای طبیعی و سرعت
صداهایی که در نامشان «Natural»، «Neural» یا «Online» دیده میشود معمولاً طبیعیترند. انتخاب صدا به صداهای نصبشده در ویندوز و مرورگر شما بستگی دارد.
چکیده اصلی
Artificial intelligence systems are increasingly drawn upon to inform nursing practice, education, and health policy, often on the assumption that they produce stable, broadly consistent knowledge. This paper challenges that assumption by examining how seven widely accessible large language models, developed in distinct socio-technical and geopolitical contexts, interpret a shared global nursing challenge. Through comparative qualitative analysis of responses to a standardized zero-shot prompt on the global nursing shortage, four competing policy logics were identified, namely workforce, efficiency, equity, and mobility, with patterns that appeared consistent with aspects of the institutional environments associated with those systems' development. Each response was internally coherent and presented with substantial authority, yet none acknowledged the situatedness of its own framing. The paper argues that such outputs in nursing should be understood as situated artifacts rather than as neutral knowledge, and offers a framework of questions to guide discretion for nurses, educators, and policymakers engaging with these tools. Recognizing this plurality is necessary for safe, contextually grounded decision-making and for governance that addresses both interpretive variability and accuracy.
نتیجه فارسی
این مقاله نشان میدهد که هوش مصنوعی در تولید راهنماهای سیاستی پرستاری، نتایج متفاوتی بر اساس زمینههای اجتماعی-فناورانه و سیاسی تولید میکند. چهار منطق سیاست اصلی (نیروی کار، کارایی، عدالت و حرکت) شناسایی شدند. خروجیها با وجود اقتدار، موقعیتبندی خود را نادیده میگیرند و نباید به عنوان دانش خنثی در نظر گرفته شوند.
- هفت مدل زبانی بزرگ متفاوت چهار منطق سیاست رقابتی را شناسایی کردند.
- خروجیهای هوش مصنوعی باید به عنوان اشیاء موقعیتیافته و نه دانش خنثی در نظر گرفته شوند.
- پرستاران و سیاستگذاران باید سوالات مشخصی برای هدایت تصمیمات خود بپرسند.
- تنوع تفسیری در هوش مصنوعی میتواند بر تصمیمگیری ایمن تأثیر بگذارد.
ترجمه فارسی چکیده
سیستمهای هوش مصنوعی به طور فزایندهای برای اطلاعرسانی به عمل، آموزش و سیاستهای سلامت پرستاری استفاده میشوند، اغلب بر این فرض که دانش پایدار و همسانی گستردهای تولید میکنند. این مقاله این فرض را به چالش میکشد با بررسی اینکه هفت مدل زبانی بزرگ دسترسی گسترده، که در زمینههای فناوتی و سیاسی-جغرافیایی متفاوت توسعه یافتهاند، چگونه یک چالش سراسری مراقبتهای پرستاری مشترک را تفسیر میکنند. از طریق تحلیل کیفی مقایسهای پاسخها به یک پرامپت صفر-شات استاندارد در مورد کمبود نیروی کار پرستاری، چهار منطق سیاست رقابتی شناسایی شد: نیروی کار، کارایی، عدالت و حرکت. الگوها با جنبههای محیطهای نهادی مرتبط با توسعه آن سیستمها مطابقت داشت. هر پاسخ همسو داخلی و با اقتدار قابل توجهی ارائه شد، اما هیچکدام موقعیتبندی چارچوب خود را به رسمیت نمیشستند. مقاله استدلال میکند که چنین خروجیهایی در پرستاری باید به عنوان اشیاء موقعیتیافته درک شوند نه به عنوان دانش خنثی و یک چارچوب سوال برای هدایت اختیار پرستاران، معلمان و سیاستگذاران که با این ابزارها درگیر هستند ارائه میدهد. شناخت این تنوع برای تصمیمگیری ایمن و مبتنی بر موقعیت و برای حاکمیت که هم تنوع تفسیری و هم دقت را پوشش میدهد ضروری است.
روش پژوهش
تحلیل کیفی مقایسهای پاسخهای هفت مدل زبانی بزرگ به یک پرامپت استاندارد صفر-شات.
محدودیتها
تنوع مدلها و محدودیتهای دادههای آموزشی ناشناخته است. نتایج ممکن است به طور خاص برای زمینههای دیگر اعمال نشود.
نمای PICO و پیامدها
- جمعیت
- نیروی کار پرستاری و سیاستگذاران سلامت (به صورت مفهومی)
- مداخله/مواجهه
- استفاده از هفت مدل زبانی بزرگ برای تولید راهنماهای سیاستی
- مقایسه
- هیچ مقایسهای با روشهای سنتی یا دادههای واقعی انجام نشده است
- حجم نمونه
- هفت مدل زبانی بزرگ (تحلیل کیفی)
متن کامل اصلی
لینک مستقیم از metadata منبع گرفته شده و در تب جدید باز میشود.
باز کردن متن کامل