🧬 biology

Learning epidemics: a compartmental and network approach to how artificial intelligence literacy spreads inside organizations

Dit artikel herformuleert de verspreiding van kunstmatige intelligentiegeletterdheid binnen organisaties als een besmettingsproces, waarbij wordt aangetoond door middel van netwerkepidemiologie en machine learning dat het behoud van leerstof primair wordt gedreven door de structurele eigenschappen van communicatienetwerken en de positie van een individu daarin, in plaats van enkel door persoonlijke attributen.

Oorspronkelijke auteurs: Onicio Batista Leal Neto, Julia Nicolau, Alexandre Santilli

Gepubliceerd 2026-07-09

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Onicio Batista Leal Neto, Julia Nicolau, Alexandre Santilli

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Stel je je bedrijf voor als een enorme, bruisende stad. Normaal gesproken denkt het management, wanneer er een nieuw hulpmiddel zoals Kunstmatige Intelligentie (AI) arriveert, dat leren een formele school is: ze sturen een memo uit, houden een trainingssessie en verwachten dat iedereen tegelijkertijd leert.

Maar dit artikel betoogt dat dat niet is hoe leren werkelijk gebeurt. In plaats daarvan verspreidt leren zich als een besmetting of een gerucht door de straten van de stad. Het beweegt van persoon naar persoon tijdens koffiepauzes, korte gesprekken en "hé, kijk eens naar dit"-momenten.

De onderzoekers behandelden de verspreiding van AI-vaardigheden als een epidemie. Ze vroegen zich af: Als we "weten hoe je AI gebruikt" behandelen als een virus, hoe snel verspreidt het zich dan door het kantoor, en waarom blijft het in sommige plekken hangen terwijl het in andere plekken razendsnel gaat?

Hier is het verhaal van wat ze ontdekten, onderverdeeld in eenvoudige concepten:

1. De Drie Steden (Organisaties)

De studie keek naar drie verschillende bedrijven (laten we Stad A, Stad B en Stad C noemen) over drie verschillende momenten. Ze brachten in kaart wie met wie over AI sprak.

Stad A was een goed verbonden metropool. De meeste mensen kenden elkaar en er was een enorme "binnenstad" waar bijna iedereen met elkaar verbonden was.
Stad B was wat meer versnipperd, met een paar drukke knooppunten en veel stille wijken.
Stad C was een verzameling geïsoleerde eilanden. Mensen praatten meestal alleen met één of twee specifieke collega's, en die groepen praatten met niemand anders.

2. Het "Reproductiegetal" (R0)

In de epidemiologie gebruiken wetenschappers een getal genaamd R0 om te voorspellen of een ziekte zich zal verspreiden.

Als R0 onder de 1 ligt, sterft de ziekte uit (één ziek persoon infecteert minder dan één andere persoon).
Als R0 boven de 1 ligt, verspreidt de ziekte zich (één ziek persoon infecteert meer dan één andere persoon).

De onderzoekers berekenden een "Leer-R0" voor elke stad. Dit getal vertelde hen hoe goed het communicatienetwerk van het bedrijf geschikt was om nieuwe vaardigheden te verspreiden.

Stad A had een hoge R0 (2,92). Het netwerk was perfect voor het verspreiden van ideeën.
Stad B zat in het midden (1,93).
Stad C was nauwelijks boven de gevarenzone (1,14). Het netwerk was zo kapot dat ideeën moeite hadden om te reizen.

Het resultaat: Het bedrijf met het beste netwerk (Stad A) hield de meeste mensen betrokken bij het leren. Het bedrijf met het kapotte netwerk (Stad C) verloor bijna iedereen. De structuur van het netwerk voorspelde het succes van het leerprogramma beter dan de inhoud van de training zelf.

3. De Krimpende, Verdichtende Groep

Hier komt het verrassende deel. Naarmate de tijd verstreek, verloor iedereen mensen. Mensen reageerden niet meer op enquêtes of praatten niet meer over AI. De netwerken werden kleiner.

Maar de mensen die overbleven, begonnen vaker met elkaar te praten.

Stel je een groot, losjes feest voor waar mensen langzaam wegdruppelen. De mensen die blijven, eindigen in een kleine, hechte cirkel en praten intensief met elkaar.
Het "leernetwerk" groeide niet; het consolideerde. Het kromp tot een compacte, hechte kern.
In de kapotte stad (Stad C) kromp het netwerk zo sterk in dat het een paar kleine, geïsoleerde groepjes werd. In de verbonden stad (Stad A) bleef de kern sterk en dichtbevolkt.

4. Wie Blijft Er? Het Gaat Niet Alleen Om de Persoon

De onderzoekers gebruikten computermodellen om te achterhalen wie betrokken bleef en wie vertrok. Ze verwachtten dat misschien de slimste mensen, de meest ervaren mensen of de hoogst opgeleide mensen zouden blijven.

Ze vonden iets anders:

Het gaat om je "adres" in het netwerk: De belangrijkste factor was Closeness Centrality. Dit is een chique manier om te zeggen: Hoe dicht sta je bij de rest van het kantoor? Als je in het midden van de informatiestroom zit, is de kans groter dat je blijft leren.
Het gaat om je "buurt": Het departement waarin je werkt, was belangrijker dan je functietitel. Sommige teams hadden een cultuur van delen; andere niet.
De "Dienstjaren"-puzzel: Hoe lang je al bij het bedrijf werkt (dienstjaren) had geen simpel "hoe langer, hoe beter" verband. Het was niet-lineair. Dit betekent dat zowel zeer nieuwe medewerkers als zeer oude medewerkers anders reageerden dan de mensen die er in het midden zaten. De computermodellen konden dit complexe patroon zien, maar een simpele wiskundige lijn niet.

5. De Belangrijkste Les

Het artikel concludeert dat leren een structurele eigenschap is.

Je kunt niet zomaar een nieuwe technologie kopen en verwachten dat het beklijft. Als jouw kantoor als Stad C is (geïsoleerde eilanden), zal geen enkele training helpen omdat de "wegen" tussen mensen kapot zijn. Je moet eerst bruggen bouwen.

Als jouw kantoor als Stad A is (een verbonden stad), zal het leren natuurlijk gebeuren, maar je moet de "binnenstad" (de centrale verbinders) beschermen, want als zij vertrekken, kan het hele systeem instorten.

Kortom: Om je organisatie te laten leren, moet je je niet alleen richten op de individuele werknemer. Richt je op de kaart van wie met wie praat. Als de kaart kapot is, zal het leren niet reizen. Als de kaart verbonden is, zal het leren zich verspreiden als een goed gerucht.

Technische Samenvatting: Leer-epidemieën – Een Compartimentele en Netwerkbenadering van AI-geletterdheid

Probleemstelling
Organisaties vertrouwen steeds vaker op de snelle verspreiding van nieuwe competenties, maar traditionele modellen voor leren op de werkplek beschouwen het individu vaak als de eenheid van verandering, waarbij de communicatiestructuren die kennisoverdracht faciliteren worden genegeerd. Deze kloof is bijzonder acuut bij generatieve Kunstmatige Intelligentie (AI), waar geletterdheid geen vaststaand curriculum is, maar een bewegend doel dat wordt verworven via informele, zijwaartse interacties. De auteurs stellen dat de verspreiding van AI-geletterdheid functioneert als een "complexe besmetting" (complex contagion), die versterking vereist van meerdere bronnen in plaats van een enkele blootstelling. Bestaande literatuur mist een geïntegreerde, empirische behandeling die werkelijke communicatienetwerken meet, expliciete epidemische modellen aanpast aan de verspreiding van competenties, en interpreteerbare reproductiegetallen ( $R_0$ ) afleidt over meerdere organisaties om structurele uitkomsten te vergelijken.

Methodologie
De studie maakt gebruik van een longitudinaal, multi-organisatie ontwerp met drie instellingen (Instelling 1, 2 en 3) van variërende grootte (1.000 tot 7.124 werknemers). Gegevens werden verzameld op drie tijdstippen: baseline (T0), middenfase (T1) en eindfase (T2).

Netwerkconstructie: Deelnemers voltooiden een egocentrisch naamgeneratie-instrument, waarbij zij tot tien collega's opsochten met wie zij in de afgelopen 30 dagen over AI hadden gediscussieerd. Gerichte verbindingen (directed ties) werden gewogen op basis van de frequentie van gesprekken.
Sociale Netwerkanalyse (SNA): Met behulp van Python (NetworkX) berekenden de auteurs standaard descriptoren (densiteit, clustering, reciprociteit, grootte van de giant component) en knoop-specifieke metrieken (graad, centraliteitsmaten).
Compartimentele Modellering (SEIR): De auteurs pasten het Susceptible–Exposed–Infectious–Recovered (SEIR) model aan voor leren:
- Susceptible (Vatbaar): Onwetend/niet betrokken.
- Exposed (Blootgesteld): In contact gekomen maar niet gebruikmakend.
- Infectious (Besmettelijk): Actief toepassend en overdragend.
- Recovered (Hersteld): Gewoonlijk/geconsolideerd gebruik.
- Parameters voor transmissie ( $\beta$ ) en herstel ( $\gamma$ ) werden vastgesteld ( $\beta=0,3, \gamma=0,2$ ) om vergelijkbaarheid tussen instellingen te garanderen.
Schatting van het Reproductiegetal ( $R_0$ ): In plaats van het model aan te passen aan adoptiecurves, werd $R_0$ analytisch geschat vanuit de netwerktopologie met behulp van de configuratie-model expressie: $R_0 = \tau(\langle k^2 \rangle - \langle k \rangle)/\langle k \rangle$ , waarbij $\tau$ de transmissibiliteit is en $\langle k \rangle$ de momenten van de graadverdeling vertegenwoordigt.
Machine Learning voor Retentie: Om te voorspellen welke individuen over alle golven heen betrokken bleven, voegden de auteurs de data samen ( $N=770$ ) en trainden zij Random Forest en Gradient Boosting classifiers. Voorspellers omvatten socio-demografie (dienstjaren, afdeling, rol) en de baseline netwerkpositie. Kenmerkbelang (feature importance) werd geanalyseerd naast lineaire punt-biseriale correlaties om niet-lineaire relaties te detecteren.
Simulatie en Visualisatie: Er werd een browsergebaseerde onderzoeksconsole ontwikkeld waarmee belanghebbenden de netwerkdynamiek kunnen visualiseren, SEIR-simulaties kunnen draaien op echte en synthetische topologieën, en contrafeitelijke scenario's (bijv. personeelsverloop, onboarding) kunnen verkennen.

Belangrijkste Resultaten

Structurele Heterogeniteit: De drie organisaties vertoonden verschillende baseline netwerktopologieën. Instelling 1 vormde een grote, verbonden giant component (79,6% van de knopen); Instelling 2 was meer verdeeld met een kleinere kern; Instelling 3 was sterk gefragmenteerd, gedomineerd door geïsoleerde wederkerige paren.
Netwerkcontractie en Consolidatie: In alle drie de organisaties krompen de discussienetwerken in omvang (minder knopen en randen) over de tijd, maar werden ze wel dichter. Dit suggereert dat hoewel de bredere populatie minder betrokken raakte, de overgebleven deelnemers compactere, meer cohesieve clusters vormden.
Correlatie tussen $R_0$ en Retentie: De baseline $R_0$ -waarden waren 2,92 (Inst. 1), 1,93 (Inst. 2) en 1,14 (Inst. 3). Deze volgorde kwam exact overeen met de retentiegraad van de deelnemers over alle drie de golven (respectievelijk 44,4%, 28,3% en 11,4%). Organisaties met een hogere structurele capaciteit om leren te verspreiden, behielden meer lerende deelnemers.
Predictoren van Retentie: Machine learning-modellen identificeerden Afdeling en Closeness Centrality als de sterkste voorspellers van retentie. Opvallend genoeg vertoonde Dienstjaren (Tenure) een bijna nul correlatie met retentie in lineaire modellen ( $r = -0,001$ ), maar was het een topkenmerk in niet-lineaire boommodellen, wat wijst op een complexe, niet-monotone relatie waarbij zowel zeer nieuwe als zeer ervaren werknemers anders kunnen reageren dan de groep in het midden.
Centraliteitsmetrieken: Closeness centrality was de meest informatieve netwerkmetriek. Eigenvector centrality was oninformatief vanwege netwerkfragmentatie, waarbij het naar nul zakte in gedisconnecteerde componenten.

Belangrijkste Bijdragen

Leren Herdefiniëren als Besmetting: De studie past succesvol instrumenten uit de netwerk-epidemiologie toe op organisatorisch leren, waarbij AI-geletterdheid wordt behandeld als een complexe besmetting die afhankelijk is van netwerkcohesie en redundantie.
Topologische $R_0$ voor Leren: De auteurs bieden een methode om een basisreproductiegetal voor leren direct uit de netwerktopologie te schatten zonder dat er een aanpassing aan adoptiecurves nodig is, wat een structurele metriek biedt voor de leercapaciteit van een organisatie.
Niet-lineaire Inzichten: Door boom-gebaseerde machine learning te combineren met lineaire correlaties, onthult de studie dat individuele attributen zoals dienstjaren de retentie op niet-lineaire manieren beïnvloeden, wat traditionele statistische methoden zouden kunnen missen.
Interactieve Tooling: De ontwikkeling van een zelfstandige onderzoeksconsole stelt niet-technische belanghebbenden in staat om met netwerkdata te interageren, simulaties uit te voeren en diffusiedynamiek te visualiseren zonder de onderliggende analytische pijplijn uit te voeren.

Betekenis en Claims
Het artikel beweert dat of een organisatie leert om een nieuwe technologie te gebruiken, in grote mate een structurele eigenschap is van het communicatienetwerk en niet slechts een optelsom van individuele inspanningen. De overeenkomst tussen de baseline topologische $R_0$ en de uiteindelijke retentie suggereert dat de netwerkstructuur de bovengrens bepaalt van de diffusie van leren.

De auteurs stellen dat dit kader organisaties in staat stelt om van diffuse intuïties over cultuur over te gaan naar meetbare hoeveelheden. Specifiek kan de $R_0$ dienen als een diagnostisch instrument: in gefragmenteerde netwerken (lage $R_0$ ) moet de prioriteit liggen bij het bouwen van bruggen tussen geïsoleerde groepen voordat er inhoud wordt toegevoegd; in cohesieve netwerken (hoge $R_0$ ) moet de focus liggen op het beschermen van de verbonden kern. De studie concludeert dat hoewel individuele attributen ertoe doen, ze vaak opereren via interacties met de netwerkpositie en lokale context, wat een aanpak vereist die niet-lineaire structurele relaties vastlegt. De auteurs blijven bescheiden en merken op dat de overeenkomst tussen $R_0$ en retentie gebaseerd is op drie organisaties en moet worden beschouwd als een hypothese voor verdere toetsing, vooral gezien de beperkingen van verschillen in de dekking van de enquêtes binnen de steekproef.