Advancing Problem-Based Learning in Biomedical Engineering in the Era of Generative AI

Dit artikel beschrijft een driejarige case study waarin een geavanceerd probleemgebaseerd leermodel (PBL) succesvol is toegepast om studenten biomedische engineering te trainen in kunstmatige intelligentie, waarbij gebruik werd gemaakt van generatieve AI als zowel onderwijsinhoud als leermiddel om de uitdagingen van diverse achtergronden en ethische beperkingen te overwinnen.

De kern

Stel je voor dat je een groep jonge artsen en ingenieurs moet opleiden om de toekomst van de gezondheidszorg te bouwen. Ze moeten niet alleen weten hoe het menselijk lichaam werkt, maar ook hoe ze slimme computers (kunstmatige intelligentie of AI) kunnen programmeren om ziektes te detecteren.

Dat is precies wat deze paper beschrijft. Het is een verhaal over hoe twee universiteiten in de VS (Georgia Tech en Emory) een oude, bewezen lesmethode hebben gemoderniseerd met de nieuwste AI-tools.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Oude Probleem: De "Zware Raket"

Vroeger leerden studenten via Probleem-Based Learning (PBL). Dit is als een grote, echte reddingsmissie. Je krijgt een complex medisch probleem (bijvoorbeeld: "Hoe vinden we een tumor op een röntgenfoto?") en je moet in een team de oplossing bedenken.

• Het probleem: Dit was heel zwaar werk voor de docenten. Het was alsof elke docent een persoonlijke coach moest zijn voor elke groep studenten. Bovendien veranderde de technologie zo snel dat de lesmateriaal vaak al verouderd was voordat het af was.
• De kloof: Studenten die goed waren in biologie wisten niets van code, en studenten die goed waren in programmeren wisten niets van medische ethiek. Ze praten vaak langs elkaar heen.

2. De Oplossing: De "Slimme Navigatie"

De auteurs hebben een nieuw systeem bedacht: PBL + Generatieve AI.

Stel je voor dat studenten een auto rijden door een onbekend, gevaarlijk landschap (de wereld van medische AI).

• Zonder AI: Ze moeten de kaart zelf lezen, elke steen controleren en de motor zelf repareren. Dat kost eeuwen.
• Met AI: Ze krijgen een ultra-slimme navigatie (de GenAI). Deze navigatie helpt hen niet door de route voor hen te rijden (dat zou bedrog zijn), maar wel door:
  • De snelste route naar de juiste informatie te tonen (samenvatten van duizenden medische artikelen).
  • De motor te helpen repareren (code schrijven en fouten opsporen).
  • Waarschuwingen te geven over glijdende wegen (ethische risico's).

De docent is dan niet langer de chauffeur die alles doet, maar de co-piloot die kijkt of de studenten de juiste beslissingen nemen.

3. Hoe het Werkte: De "Bouwplaats"

Tussen 2021 en 2023 deden 248 studenten mee aan dit experiment. Ze werden ingedeeld in teams, net als een bouwteam voor een ziekenhuis.

• De Opdracht: Ze kregen echte, echte medische problemen (geen fictieve oefeningen).
• De Regels: De AI mocht helpen, maar er waren strenge regels, net als bij een bouwproject:
  • Geen geheimen: Als je AI gebruikt, moet je dat melden (zoals een bouwheer die aangeeft wie wat heeft gedaan).
  • Geen vals bewijs: Je mag geen gegevens van echte patiënten in de AI steken (privacy).
  • Controle: Alles wat de AI zegt, moet je zelf controleren. Je mag niet zomaar geloven wat de computer zegt.

4. Het Resultaat: Van "Theorie" naar "Gedaan"

Wat gebeurde er toen ze deze "Slimme Navigatie" gebruikten?

• Beter cijfer: De studenten scoorden aanzienlijk beter. Het aantal 'A'-cijfers steeg, en het aantal 'zakken' daalde.
• Meer innovatie: In plaats van alleen maar plannen te maken, bouwden ze werkende prototypes. Ze maakten zelfs 16 wetenschappelijke publicaties (artikelen die door andere experts zijn goedgekeurd) over hun werk.
• Samenwerking: De teams werkten beter samen. De studenten die goed waren in code hielpen de biologen, en vice versa.

5. De Grootte van de Uitdaging: De "Schaduwkant"

Natuurlijk is er een risico. Als je te afhankelijk wordt van je navigatie, leer je nooit zelf de weg te vinden.

• Hallucinaties: Soms verzint de AI dingen die er niet zijn (alsof de navigatie zegt dat er een brug is, terwijl er een afgrond is). De studenten leerden daarom kritisch te zijn en alles te verifiëren.
• Oneerlijkheid: Niet iedereen heeft even goede apparatuur of taalvaardigheid. De universiteit zorgde ervoor dat iedereen dezelfde tools kreeg, zodat niemand achterbleef.

Conclusie: De "Toekomst-Kit"

De kernboodschap van dit paper is heel simpel: AI vervangt de leraar niet, maar het maakt de leraar superkrachtig.

Ze hebben een "bouwset" (een handleiding met syllabi, regels en voorbeelden) gemaakt die elke universiteit kan kopiëren. Hierdoor kunnen ze meer studenten opleiden die niet alleen weten hoe ze een computer moeten programmeren, maar ook hoe ze die computer ethisch en slim kunnen gebruiken om mensenlevens te redden.

Het is alsof ze een oude, handmatige fabriek hebben omgebouwd naar een moderne, geautomatiseerde fabriek, maar waar de arbeiders (de studenten) nog steeds de leiding hebben en de creatieve ideeën bedenken.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Advancing Problem-Based Learning in Biomedical Engineering in the Era of Generative AI", geschreven in het Nederlands.

Titel:

Het bevorderen van Probleemgeoriënteerd Leren (PBL) in Biomedische Techniek in het Tijdperk van Generatieve AI

1. Het Probleem

Biomedische techniek (BME) en kunstmatige intelligentie (AI) convergeren steeds sneller, maar de bestaande onderwijscurricula kampen met significante uitdagingen bij het integreren van AI-competenties:

• Kenniskloof: Studenten in BME-programma's missen vaak technische diepgang in AI, terwijl studenten in informatica vaak het biomedische contextkennis ontberen.
• Beperkingen van traditioneel PBL: Traditionele methoden voor Probleemgeoriënteerd Leren (PBL) zijn effectief voor kritisch denken, maar vereisen enorme faculteitsresources, specifieke domeinkennis en constante curriculaire updates om bij te blijven met de snelle technologische ontwikkelingen.
• Schalingsproblemen: Het is moeilijk om PBL op grote schaal toe te passen met hands-on experimenten vanwege beperkte rekenkracht, privacyzorgen rondom biomedische data en het gebrek aan gepersonaliseerd mentorship.
• Risico's van GenAI: Het ongecontroleerde gebruik van Generatieve AI (GenAI) en Large Language Models (LLM) kan leiden tot "hallucinaties" (verzonnen feiten), bias en academische oneerlijkheid, wat de leerdoelen ondermijnt.

2. Methodologie

De auteurs presenteren een gemodulariseerd, implementatieklaar PBL+AI-raamwerk dat GenAI integreert als een "beveiligde" hulpmodule binnen het leerproces. Dit werd getest in een driejarig case study (2021–2023) aan de Georgia Institute of Technology en Emory University, met 248 studenten (zowel bachelor als master) verdeeld over 62 interdisciplinaire teams.

Het Raamwerk (PBL+AI):
Het proces is opgedeeld in vier onderling afhankelijke modules, waarbij GenAI fungeert als een "scaffolding" (steunstructuur) en niet als vervanging van redenering:

1. Probleemvorming: Studenten starten met gedefinieerde, echte biomedische probleemkaders (bijv. diagnostische beeldvorming, fysiologische sensoren) en geanonimiseerde datasets, in plaats van abstracte projectkeuzes.
2. Kennisvraag ondersteund door AI: GenAI-tools worden gebruikt voor literatuursynthese, het samenvatten van state-of-the-art methoden en het initiëren van code. Studenten moeten echter kritisch evalueren en bronnen verifiëren.
3. Probleemoplossing: Teams ontwikkelen functionele prototypes. GenAI helpt bij het debuggen en optimaliseren van code, maar de teams zijn verantwoordelijk voor robuustheid, reproduceerbaarheid en ethische validatie.
4. Presentatie: Studenten presenteren hun werk via rapporten, demo's en peer reviews, met nadruk op de validiteit van AI-outputs en ethische overwegingen.

Beveiligingsmaatregelen (Guardrails):
Om de integriteit te waarborgen, werden strikte regels ingesteld:

• Disclosure: Studenten moesten documenteren wanneer en hoe ze AI gebruikten.
• Bronverankering: Alle literatuurbeweringen moesten worden onderbouwd met primaire bronnen, niet alleen AI-gegenereerde tekst.
• Dataprotectie: Geen persoonsgegevens (PII) of beschermde gezondheidsinformatie (PHI) mochten aan AI-tools worden doorgegeven.
• Code Provenance: AI-ondersteunde code-segmenten moesten worden gemarkeerd met commentaar voor transparantie.
• Toegankelijkheid: Goedgekeurde tools (zoals GitHub Copilot) werden beschikbaar gesteld om gelijke toegang te garanderen.

3. Belangrijkste Bijdragen

1. Architectuur: Een operationeel raamwerk dat GenAI positioneert als een bewaakte module voor kennis-samenvatting en code-ondersteuning binnen de PBL-cyclus, zonder het leerproces te omzeilen.
2. Reproductiepakket: Een compleet pakket voor andere instellingen, inclusief syllabi, mijlpalen, beoordelingsrubrics, teamvormingsprocedures en sjablonen voor AI-gebruik en disclosure.
3. Empirisch Bewijs: Data uit historische cohorten die aantonen dat deze aanpak leidt tot meetbare verbeteringen in leerresultaten, inclusief 16 door studenten geschreven, peer-reviewed publicaties.

4. Resultaten

De implementatie van het AI-ondersteunde PBL-raamwerk toonde significante verbeteringen ten opzichte van de controlegroep (jaren 2016-2020, zonder GenAI-ondersteuning):

• Cijferverdeling: Er was een duidelijke verschuiving naar hogere cijfers. Het percentage 'A'-cijfers steeg van 39,1% (controle) naar 66,4% (interventie). Het percentage lage cijfers (C/D/F) daalde van 22,4% naar 6,1%.
• Statistische Significantie: Deze verschuiving bleef significant zelfs na uitsluiting van het COVID-19-jaar (2020-2021).
• Productiviteit: Studenten produceerden 16 peer-reviewed publicaties in technische conferenties over complexe biomedische AI-problemen (bijv. COVID-19 detectie via draagbare sensoren, single-cell RNA sequencing).
• Teamwork: Peer-evaluaties waren consequent hoog (rond de 90-94%), wat wijst op effectieve samenwerking en professionele ontwikkeling.
• Coding Ervaring: Er was een positieve correlatie tussen coding-ervaring en prestaties, wat suggereert dat fundamentele programmeervaardigheden essentieel zijn voor het effectief gebruik van GenAI-tools.

5. Betekenis en Impact

Dit onderzoek is van groot belang voor de toekomst van biomedisch onderwijs:

• Schalbaarheid: Het raamwerk lost het probleem van schaarste aan faculteitsresources op door GenAI te gebruiken voor gepersonaliseerde feedback en literatuurbegeleiding, waardoor PBL schaalbaar wordt zonder de kwaliteit te verlagen.
• Balans tussen AI en Kritisch Denken: Het bewijst dat AI niet hoeft te leiden tot passiviteit, maar juist studenten kan helpen sneller van informatieverzameling naar hogere orde denkactiviteiten (evaluatie, synthese, innovatie) te gaan, mits er strikte "guardrails" zijn.
• Voorbereiding op de Toekomst: Het bereidt studenten voor op een gezondheidszorgsector die steeds meer afhankelijk is van AI, door hen te leren werken met real-world data, ethische overwegingen en reproduceerbare methodologieën.
• Educatieve Gelijkheid: Door gestructureerde toegang tot geavanceerde tools en duidelijke richtlijnen, helpt het raamwerk om onderwijskloven te overbruggen en studenten met verschillende achtergronden te ondersteunen.

Kortom, de studie biedt een bewezen, praktische blauwdruk voor het integreren van Generatieve AI in technische vakken, waarbij de kernprincipes van actief, probleemgeoriënteerd leren worden behouden en versterkt.