南京医科大学附属儿童医院护理团队发表高分1区护理SCI! 临床儿科护士数字素养现状及影响因素:一项横断面研究
- 2026-07-18 00:29:29
专注科研一对一全流程教学
咨询微信：wzp1670423539
1.1 数字医疗转型与儿科护理的新挑战
随着数字医疗技术的迅猛发展，人工智能辅助决策系统、电子健康记录、远程监护、移动医疗应用等数字化工具正深度嵌入临床护理实践。在此背景下，护士的数字素养——即有效、安全、合乎伦理地使用数字技术获取、处理、评价和交流健康信息的能力——已成为影响护理服务质量和效率的关键因素。对于儿科护理而言，数字素养的重要性尤为突出。儿科患者具有表达能力有限、病情变化迅速、需要家庭整合式照护等特殊性，这要求儿科护士不仅要熟练操作各类数字设备，还需具备利用数字工具进行有效沟通、健康教育和家庭支持的能力。
1.2 研究空白与目的
尽管数字素养在护理教育中的重要性已日益受到关注，但目前存在以下知识缺口：第一，临床儿科护士的数字素养水平尚缺乏系统的实证描述；第二，影响儿科护士数字素养的因素尚不明确；第三，缺乏针对儿科护理专科的数字素养测量工具。本研究旨在调查临床儿科护士数字素养的现状并识别其影响因素，为针对性干预策略的制定提供实证依据。
2.1 研究设计与研究对象
本研究为横断面研究设计，采用便利抽样法在中国某三级甲等儿童医院开展调查。共发放问卷300份，最终纳入分析284份，有效回收率94.67%。采用自行设计的《临床儿科护士数字素养量表》进行数据收集，探索性因子分析确认了量表的四因子结构，信效度良好。
2.2 变量定义与测量
因变量：数字素养总得分（连续变量）
自变量：年龄、教育程度、职称、工作经验、近期数字技术培训
测量工具：自行设计的《临床儿科护士数字素养量表》，信效度良好
2.3 统计分析方法
描述性统计：报告数字素养总分的均值±标准差
Pearson相关分析：检验各因素与数字素养得分的关联强度
共线性诊断：识别自变量之间的高度相关性
多元线性回归分析：识别数字素养的独立预测因素
3.1 数字素养的总体水平
284名临床儿科护士的数字素养总分为68.95±9.02分，整体处于中等水平。这一结果表明，当前儿科护士的数字素养虽有基础，但仍有较大的提升空间——特别是在数字医疗技术快速迭代的背景下，中等水平可能不足以应对日益复杂的数字化护理需求。
3.2 各因素与数字素养的相关性
Pearson相关分析显示：
年龄（r=0.426~0.478，P<0.001）、教育程度（r=0.426~0.478，P<0.001）、职称和工作经验（r=0.426~0.478，P<0.001）与数字素养呈中度正相关——即年长、教育程度高、职称高、经验丰富的护士数字素养更高。
近期数字技术培训与数字素养呈弱正相关（r=0.395，P<0.001）。
3.3 回归模型构建中的共线性处理
共线性诊断显示，职称与工作经验之间存在高度共线性（r=0.782）。当两个自变量高度相关时，同时纳入回归模型会导致系数估计不稳定、标准误增大、显著性检验失真。为解决这一问题，研究者构建了复合变量“职业资历”，将职称和工作经验整合为一个变量纳入回归模型。
3.4 数字素养的独立预测因素
多元线性回归分析识别出数字素养的四个独立正向预测因素：
年龄（β‘=0.159，P<0.001）
教育程度（β’=0.281，P<0.001）
职业资历（β‘=0.215，P<0.001）
近期数字技术培训（β’=0.370，P<0.001）
最终回归模型解释了数字素养得分37.0% 的方差（调整后R²=0.370，F=34.892，P<0.001），其中近期数字技术培训是最强预测因子（β‘=0.370）。
4.1 主要发现及其意义
本研究首次使用自行设计的专科量表系统调查了临床儿科护士数字素养的现状及影响因素，核心结论可概括为“一个中等水平、两个因子类别、一个最强预测因子”：
第一，儿科护士数字素养整体处于中等水平。 68.95±9.02分的水平提示当前培训体系下护士已具备一定基础，但距离“数字胜任”仍有距离。随着数字医疗技术的快速迭代，中等水平可能不足以应对日益复杂的数字化护理需求。
第二，经验性因素与可修改因素共同塑造数字素养。 年龄、职业资历等经验性因素反映了“时间带来的积累效应”——年长和资深护士在长期实践中积累了更丰富的数字工具使用经验。教育程度和近期培训则属于可修改因素，是干预的直接靶点。
第三，近期数字技术培训是最强预测因子。 β‘=0.370的标准化系数表明，培训对数字素养的影响力超过年龄、教育程度和职业资历。这一发现具有重要的实践意义——它意味着通过系统化的培训干预，即使在年龄较小、资历较浅的护士群体中，也能有效提升数字素养水平。
4.2 对护理管理实践的意义
培训的优先地位：鉴于培训是最强预测因子，医疗机构应将数字素养培训纳入护士继续教育的核心内容，而非边缘化的选修项目。
情景化培训设计：培训应结合儿科护理的具体场景（如儿童电子健康记录操作、远程家庭访视、数字化健康教育材料制作等），而非泛化的信息技术培训。
分层培养策略：针对不同年龄、资历的护士制定差异化的培训路径——年轻护士可能基础操作熟练但临床判断力不足，资深护士可能经验丰富但需要更新数字工具认知。
4.3 研究优势与局限性
优势：自行设计的量表经过信效度验证，四因子结构清晰；识别了可修改的核心影响因素（培训），具有直接干预价值；样本量充足，有效回收率高。
局限性：单中心横断面研究，不能确定因果关系；便利抽样可能引入选择偏倚；研究结果外推性有限（仅限一家儿童医院）。
4.4 未来研究方向
开展多中心研究，验证研究发现的普适性。
设计培训干预方案，通过随机对照试验验证培训对数字素养的因果效应。
探索数字素养与临床结局（如护理质量、患者安全、护士满意度）的关联。
本研究通过对284名临床儿科护士的横断面调查，系统评估了儿科护士数字素养的现状及影响因素。主要结论如下：
数字素养处于中等水平（总分68.95±9.02分），提示提升空间显著，尤其是应对数字医疗快速迭代的能力储备不足。
四个独立正向预测因素：年龄（β‘=0.159）、教育程度（β’=0.281）、职业资历（β‘=0.215）和近期数字技术培训（β’=0.370）。前两者为经验性因素（时间积累效应），后两者为可修改因素（干预靶点）。
近期数字技术培训是最强预测因子（β‘=0.370），其效应量超过年龄、教育程度和职业资历。这一发现提示培训是提升数字素养最有效的可干预策略。
实践启示：医疗机构应开发结构化、情景化的培训项目和个性化学习路径，将数字素养培训纳入护士继续教育核心内容，而非边缘化选项。培训应结合儿科护理的具体临床场景，并针对不同年龄和资历的护士实施差异化培养策略。
1.1 选择研究主题
背景阅读： 阅读关于数字素养、儿科护理、量表开发、影响因素等文献。您会发现：
数字医疗在快速发展，护士得会用各种电子设备、软件、远程工具；
但“数字素养”到底是个什么水平？没人知道——因为没有针对儿科护士的测量工具；
要测量，就得先有个“尺子”（量表）；
有了尺子之后，才能看“谁高谁低”“什么因素影响”。
这就是研究空白： 没有儿科护士专用的数字素养量表 + 不知道现状和影响因素。
小白提示： 这类研究的核心是 “工具开发+现状调查+影响因素分析”三合一——先造尺子（量表编制与验证），再量一量（描述性统计），最后找原因（相关+回归）。如果你要研究一个“还没有现成量表”的变量，就得先走工具开发的路径。
2.1 选择研究类型
横断面研究：
在单一时间点通过问卷收集数据。
特点： 效率高、成本低，适合做现状描述和影响因素分析，但不能确定因果关系。
2.2 确定研究对象
人群： 某三级甲等儿童医院的临床儿科护士。
抽样方法： 便利抽样（方便接触到谁就调查谁）。
样本量： 发放300份，回收有效284份（94.67%）。多元线性回归通常要求样本量为自变量数的10-20倍（本研究自变量约4-5个，284人足够；量表开发的因子分析通常要求样本量为条目数的5-10倍）。
2.3 定义变量
因变量（Y）： 数字素养总得分（连续变量）
自变量（X，预测因素）： 年龄、教育程度、职称、工作经验、近期数字技术培训
测量工具： 自行设计的《临床儿科护士数字素养量表》
2.4 分析框架
量表信效度检验（探索性因子分析、Cronbach‘s α） → 2. 描述性统计（算均分看水平） → 3. Pearson相关（各因素与数字素养的关系） → 4. 共线性诊断（看自变量是否高度相关） → 5. 复合变量构建（解决共线性） → 6. 多元线性回归（找独立预测因子）
3.1 量表编制的流程
定义： 因为没有现成的《儿科护士数字素养量表》，研究者需要自己开发一个。
步骤：
条目池构建： 基于文献综述 + 专家咨询 + 对儿科护士的访谈，形成初始条目。
内容效度： 请5-7位专家评价每个条目的相关性，计算内容效度指数。条目水平的I-CVI应≥0.78，量表水平的S-CVI应≥0.90。
预调查： 在小样本（30-50人）中测试，检验量表的可理解性和可接受性。
探索性因子分析（核心操作）： 将预调查数据或正式调查数据（本研究为284份）进行因子分析，提取因子结构，确认四因子结构。
信度检验： 计算Cronbach‘s α系数（总量表>0.8，各维度>0.7表示信度良好）。
3.2 探索性因子分析（小白版）
定义： 把几十个条目“浓缩”成几个维度（因子）。比如数字素养可能有“信息获取”“信息评价”“信息应用”“信息伦理”四个维度。因子分析就是看哪些条目属于同一个维度。
操作（SPSS）： 分析→降维→因子分析→提取（主成分法）→旋转（最大方差法）。
关键指标：
KMO>0.6且Bartlett球形检验P<0.05 → 数据适合做因子分析
特征值>1 → 保留该因子
因子载荷>0.4 → 该条目属于该因子
累积方差解释率>50% → 因子结构可接受
本研究的应用： 探索性因子分析确认了四因子结构，说明量表能清晰区分数字素养的不同维度。
3.3 信度检验
定义： 信度就是量表的“一致性”——多次测量结果是否稳定。最常用的是Cronbach’s α系数：总量表>0.8为信度良好，各维度>0.7可接受。
4.1 问卷发放
在选定医院的儿科护理单元，向符合纳入标准的护士发放纸质或电子问卷。强调匿名性和保密性，确保护士真实作答——避免因担心“数字素养低会影响评价”而虚报分数。
4.2 数据清洗
剔除填写不完整或明显乱填的问卷。
计算数字素养量表总分（各条目得分相加）。
最终有效样本284份。
5.1 描述性统计分析
目的： 描述样本特征和数字素养的总体水平。
方法：
连续变量报告均值±标准差（如数字素养总分68.95±9.02分）。
分类变量报告频数和百分比。
判断“中等水平”：将样本均值与量表理论中值比较，若得分位于理论中值附近（如总分范围0-100，理论中值50，样本均值在45-55之间），则判定为“中等水平”。
5.2 Pearson相关分析
定义： 衡量两个连续变量之间线性关系的强度和方向。效应量判断：|r|≥0.8为强相关，0.5≤|r|<0.8为中等相关，0.3≤|r|<0.5为弱相关，|r|<0.3为极弱相关。
本研究的应用：
年龄、教育程度、职称、工作经验与数字素养呈中度正相关（r=0.426~0.478）
近期培训与数字素养呈弱正相关（r=0.395）
5.3 共线性诊断（关键步骤）
定义： 检查自变量之间是否高度相关。如果两个自变量高度相关，同时纳入回归模型会导致系数估计不稳定。
诊断指标（VIF方差膨胀因子）：
VIF>10 → 存在严重多重共线性，必须处理
VIF>5 → 中等共线性，需谨慎
VIF<5 → 可接受
本研究的发现： 职称与工作经验之间存在高度共线性（r=0.782）。这意味着二者本质上是同一件事的两种度量——职称高的人通常工作经验也长。如果同时放进回归模型，会“重复计算”，导致系数不稳定。
如何处理共线性？
方法1（本研究采用）： 构建复合变量“职业资历”——将职称和工作经验合并为一个综合变量。
方法2： 剔除其中一个高度相关的变量（保留更具临床意义的那个）。
方法3： 主成分分析提取公因子（适合多个变量高度相关的场景）。
小白理解： 就像身高和体重的关系——身高和体重相关，但你不能同时把“身高”和“体重”一起放进回归模型预测“健康风险”，因为它们的信息重叠了。本研究中的职称和工作经验也是如此。
5.4 多元线性回归——核心方法
定义： 用于分析多个连续/分类自变量与一个连续因变量之间关系的回归模型，输出非标准化系数（B）、标准化系数（β‘）、标准误、t值、p值和模型R²。
B（非标准化系数）： 自变量每变化1个单位，因变量变化多少个单位（原始单位）
β‘（标准化系数）： 排除量纲影响后的效应量，用于比较不同自变量的“贡献大小”
R²（决定系数）： 模型解释了多少百分比的因变量变异
本研究的应用：
因变量（Y）： 数字素养得分
自变量（X）： 年龄、教育程度、职业资历（复合变量）、近期数字技术培训
协变量： 进入模型时可能采用Enter法（强制进入）或逐步法
结果解读：
年龄β‘=0.159：年龄每增加1个标准差，数字素养得分增加0.159个标准差
教育程度β’=0.281：教育程度越高，数字素养越高
职业资历β‘=0.215：职业资历越深，数字素养越高
近期培训β’=0.370：最强预测因子——参加过培训的人数字素养得分更高
调整后R²=0.370：四个因素合起来解释了数字素养37.0%的变异
5.5 标准化系数（β‘）的比较意义
定义： 由于年龄、教育程度、培训等变量的测量单位不同（岁、年、有/无），B不能直接比较——年龄的B是“每增加1岁”，培训的B是“参加培训vs未参加”，单位不同，不能比大小。β‘将所有变量都标准化为“均值为0、标准差为1”的同一尺度，因此β’的绝对值可以直接比较——绝对值越大，该因素对因变量的影响力越大。
本研究的应用： β‘从大到小排序为培训（0.370）>教育程度（0.281）>职业资历（0.215）>年龄（0.159）——培训的影响力最大。
6.1 主要统计结果
现状： 数字素养68.95±9.02分，中等水平
相关分析： 年龄、教育程度、职称、工作经验、培训均与数字素养正相关
共线性诊断： 职称与工作经验高度相关（r=0.782）
回归模型： 4个独立预测因子（年龄、教育程度、职业资历、培训），R²=0.370，培训最强（β‘=0.370）
6.2 统计显著性的判断规则
Pearson相关P<0.05 → 两个变量间存在统计学上的线性相关关系
VIF>10 → 存在严重多重共线性（需处理）
回归中自变量的p<0.05 → 该因素是独立预测因素
R²值 → 模型解释力（0.370=37.0%）
6.3 临床/护理管理意义
可修改因素优先： 培训和教育程度是可干预的，而年龄和资历不可改变。培训是最强预测因子，说明投入培训是提升数字素养最有效的策略。
结构化培训： 培训应结合儿科护理场景（如电子健康记录操作、远程家庭访视等），而非泛泛的信息技术培训。
7.1 撰写报告
标题建议： “临床儿科护士数字素养现状及影响因素分析”
方法关键点：
报告量表开发的完整流程（条目池、专家评价、预调查）
报告探索性因子分析的结果（KMO、Bartlett检验、因子载荷、累积方差解释率）
报告Cronbach‘s α系数
报告共线性诊断的VIF值
报告多元线性回归的自变量进入方法
7.2 投稿前自查清单
是否报告了量表开发的完整流程？
是否报告了探索性因子分析的关键指标？
是否报告了Cronbach‘s α系数？
是否报告了共线性诊断的VIF值？
是否报告了复合变量“职业资历”的构建方法？
是否报告了回归模型的自变量进入方法？
7.3 推荐期刊
Nurse Education Today
Journal of Nursing Management
Nurse Education in Practice
Journal of Clinical Nursing
中华护理杂志
给小白的总体时间表
1.1 横断面研究设计
定义： 横断面研究是指在特定时间点上，对样本群体进行数据收集，以评估不同变量间的关系。本研究在单一时间点通过问卷收集儿科护士的数字素养、人口学特征及培训经历等数据。
特点：
现状描述： 适合估计临床儿科护士数字素养的总体水平。
相关性检查： 能够探讨年龄、教育程度、职称、工作经验、培训与数字素养之间的关联，但无法确定因果关系。
本研究的应用： 描述儿科护士数字素养处于中等水平（68.95±9.02分），并识别四个独立预测因素。
1.2 便利抽样
定义： 便利抽样是一种非概率抽样方法，研究者选择最容易接触到的研究对象。本研究在某三级甲等儿童医院发放问卷300份。
特点：
操作简便、成本低、可快速获取样本。
但样本代表性有限，外推需谨慎。
本研究的应用： 便利抽样284名儿科护士，结果不能直接推广至所有儿科护士，需在讨论中承认此局限性。
1.3 样本量考虑
定义： 多元线性回归通常要求样本量为自变量数的10-20倍。本研究中自变量约4-5个，按10倍标准至少需40-50人，按20倍标准需80-100人。284人远超要求。此外，探索性因子分析通常要求样本量为条目数的5-10倍。
本研究的应用： 284份有效问卷为量表的因子分析和回归分析提供了充足的统计效能。
2.1 数字素养（因变量）
定义： 数字素养是有效、安全、合乎伦理地使用数字技术获取、处理、评价和交流健康信息的能力。本研究使用自行设计的《临床儿科护士数字素养量表》进行测量。得分越高表示数字素养越高。连续变量。
本研究的应用： 作为多元线性回归的因变量（Y），被四个自变量联合预测。
2.2 年龄、教育程度、职称、工作经验、近期培训（自变量）
评估方式： 通过自行设计的一般资料问卷收集。
年龄： 连续变量
教育程度： 分类变量（如专科/本科/硕士），回归时转为哑变量
职称： 分类变量（如护士/护师/主管护师）
工作经验： 连续变量（工作年数）
近期数字技术培训： 二分类变量（有/无）
2.3 数字素养量表（测量工具）
定义： 由于没有现成的儿科护士数字素养量表，研究者自行开发。量表需经过严格的信效度检验方可使用。
3.1 量表编制的信效度检验
3.1.1 内容效度指数（CVI）
定义： 内容效度反映量表条目是否真正测量了研究者想要测量的概念。请5-7名专家评价每个条目与“数字素养”的相关性（如4级评分：1=不相关，4=非常相关）。
关键指标：
I-CVI（条目水平内容效度指数）： 每个条目中，专家评分为3或4的比例。I-CVI≥0.78表示该条目内容效度良好。
S-CVI（量表水平内容效度指数）： 所有I-CVI的平均值。S-CVI≥0.90表示整个量表内容效度优秀。
本研究的应用： 通过专家咨询确认量表条目的相关性和代表性。
3.1.2 探索性因子分析（EFA）
定义： 探索性因子分析是一种数据降维方法，用于探索一组观测变量（量表条目）背后的潜在结构（因子/维度）。它将几十个条目“浓缩”成几个维度。
操作步骤（SPSS）：
分析→降维→因子分析
提取方法：主成分法
旋转方法：最大方差法（使因子结构更清晰）
关键指标：
本研究的应用： 确认了四因子结构（如信息获取、信息评价、信息应用、信息伦理），说明量表能清晰区分数字素养的不同维度。
小白理解： 假设你设计了30道题测“数字素养”，但你不知道这30道题可以分成几个“小类”。因子分析就是让数据自己告诉你有几个小类——比如10道题属于“信息获取”，8道题属于“信息评价”，7道属于“信息应用”，5道属于“信息伦理”——四因子结构就是这么来的。
3.1.3 Cronbach‘s α系数（信度检验）
定义： 信度是量表的“一致性”——多次测量结果是否稳定。Cronbach‘s α是最常用的内部一致性信度指标。
判断标准：
总量表α≥0.8 → 信度良好
各维度α≥0.7 → 信度可接受
α<0.6 → 需要修订量表
本研究的应用： 计算总量表和四个维度的Cronbach‘s α系数，确认量表信度良好。
3.2 描述性统计分析
目的： 描述样本的基本特征及数字素养的总体水平。
方法：
连续变量报告均值±标准差（如数字素养68.95±9.02分）
分类变量报告频数和百分比
判断“中等水平”：将样本均值与量表理论中值比较
本研究的应用： 报告数字素养处于中等水平。
3.3 Pearson相关分析
定义： 衡量两个连续变量之间线性关系的强度和方向，相关系数r的范围为-1到1。P<0.05表示相关性具有统计学意义。
效应量判断：
|r|≥0.8为强相关
0.5≤|r|<0.8为中等相关
0.3≤|r|<0.5为弱相关
|r|<0.3为极弱相关
本研究的应用： 年龄、教育程度、职称、工作经验与数字素养呈中度正相关（r=0.426~0.478），近期培训与数字素养呈弱正相关（r=0.395）。
3.4 共线性诊断（关键步骤）
定义： 检查自变量之间是否高度相关。如果两个自变量高度相关（如职称与工作经验r=0.782），它们包含的信息大量重叠，同时纳入回归模型会导致系数估计不稳定、标准误增大、显著性检验失真。
诊断指标：
相关系数r>0.7 → 可能存在共线性
VIF（方差膨胀因子） ：VIF>10表示存在严重共线性；VIF>5为中等共线性，需谨慎；VIF<5为可接受
本研究的发现： 职称与工作经验之间存在高度共线性（r=0.782）。这意味着二者本质上是同一件事的两种度量——职称高的人通常工作经验也长。
小白理解： 就像“身高”和“臂展”——它们高度相关，你不能同时用它们来预测“篮球水平”，因为它们说的是同一件事。本研究中职称和工作经验也是如此。
3.5 复合变量构建（处理共线性）
定义： 当两个自变量高度相关时，将它们合并为一个综合变量，既保留了信息，又避免了共线性问题。
构建方法：
标准化求和法（本研究使用）： 将职称和工作经验分别标准化为Z-score，然后相加（或取平均）
主成分法： 提取两个变量的第一主成分
理论法： 基于理论将职称和工作经验整合为一个有序分类变量（如“职业资历”等级）
本研究的应用： 构建复合变量“职业资历”，将职称和工作经验合并为一个变量纳入回归模型。
3.6 多元线性回归——核心方法
定义： 用于分析多个连续/分类自变量与一个连续因变量之间关系的回归模型，输出以下关键指标：
B（非标准化系数）： 自变量每变化1个单位，因变量变化多少个单位（原始单位）
β‘（标准化系数）： 自变量和因变量都标准化为均值为0、标准差为1后的回归系数，表示自变量每变化1个标准差，因变量变化多少个标准差。β’的绝对值越大，该自变量对因变量的相对贡献越大——用于比较不同量纲自变量的效应强弱
p值： 若p<0.05，该自变量是显著预测因素
R²（决定系数）： 模型解释了多少百分比的因变量变异；调整后R²对自变量数量进行惩罚，防止过拟合
本研究的应用：
因变量（Y）： 数字素养得分
自变量（X）： 年龄、教育程度、职业资历（复合变量）、近期数字技术培训
协变量： 可选的Enter法（所有变量同时进入）或逐步法
结果解读：
年龄β‘=0.159：年龄越大，数字素养越高
教育程度β’=0.281：教育程度越高，数字素养越高
职业资历β‘=0.215：资历越深，数字素养越高
近期培训β’=0.370：最强预测因子——参加过培训的人数字素养得分更高
调整后R²=0.370：四个因素合起来解释了数字素养37.0%的变异
小白理解： 如果所有自变量都标准化为“平均数为0、标准差为1”的同一把尺子，β‘就可以直接比较——β’=0.370的培训是最大的“推手”，β‘=0.159的年龄是较小的“推手”。
3.7 自变量进入方法
定义： 多元线性回归中自变量进入模型的不同策略：
Enter法（强制进入法）： 所有自变量同时进入模型，不论是否显著。适合理论驱动的研究。
逐步回归（Stepwise）： 模型根据统计标准自动筛选变量。缺点是可能放大随机变异，不建议在探索性研究中作为主要方法。
本研究的应用： 应在论文中报告使用了何种方法。
4.1 主要统计结果
量表信效度： 探索性因子分析确认四因子结构；信度良好
现状： 数字素养68.95±9.02分，中等水平
相关分析： 年龄、教育程度、职称、工作经验、培训均与数字素养正相关（r=0.395~0.478）
共线性诊断： 职称与工作经验高度相关（r=0.782）→ 构建复合变量“职业资历”
回归模型： 4个独立预测因子（年龄、教育程度、职业资历、培训），调整后R²=0.370，培训最强（β‘=0.370）
4.2 统计显著性的判断规则
Pearson相关P<0.05 → 两个变量间存在统计学上的线性相关关系
VIF>10 → 存在严重多重共线性（需处理）
回归中自变量的p<0.05 → 该因素是独立预测因素
R²值 → 模型解释力（0.370=37.0%）
4.3 临床/护理管理意义
可修改因素优先： 培训和教育程度是可干预的，而年龄和资历不可改变。培训是最强预测因子（β‘=0.370），说明投入培训是提升数字素养最有效的策略。
祝大家发文顺利，有什么不懂可以在评论区留言，吴老师尽量解答！零基础的同学可以咨询一对一辅导，快速发表SCI文章！
吴老师微信：wzp1670423539
还在担心没有SCI论文，缺少竞争力？找专人学习、快速发表人生第一篇SCI，点⬇️链接报名咨询！
0基础发护理SCI！一对一全程教学指导（教到发表模式）招生报名！
护研SCI专注护士SCI论文一对一指导，让每个护士都学会从０到１发表SCI！
我们定期解读优质文献，分享文章的具体思路和方法学。此外，我们面向护士提供高端一对一科研线上辅导，让零基础的普通人快速学会从0到1发表临床科研SCI论文。
感兴趣请扫描文末吴老师的二维码具体咨询如何加入SCI论文辅导项目。微信：wzp1670423539
本期编辑
你的分享、点赞、在看
我都喜欢
授人以鱼不如授人以渔
学无止境，终身学习！
