Ten recommendations for the use of generative artificial intelligence into epidemiology teaching: Results from an expert workshop
Naar aanleiding van een expertworkshop in 2026 presenteert dit artikel tien op bewijs gebaseerde aanbevelingen, georganiseerd in de domeinen governance, competenties en feedback, om instructeurs in de epidemiologie te begeleiden bij het verantwoord integreren van generatieve AI in het onderwijs, terwijl de kernwetenschappelijke vaardigheden worden behouden en ethische zorgen worden geadresseerd.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de studie van hoe ziekten zich verspreiden en hoe populaties gezond blijven, een vakgebied dat bekend staat als epidemiologie, heeft het kernwerk altijd gebaseerd zijn op menselijk oordeel. Experts moeten naar data kijken, patronen herkennen en beslissen wat die patronen betekenen voor de volksgezondheid. Dit vereist een diep begrip van oorzaak en gevolg, het vermogen om fouten in de manier waarop informatie wordt verzameld te ontdekken, en de vaardigheid om complexe bevindingen duidelijk uit te leggen. Decennialang betekende het onderwijzen van deze vaardigheden het begeleiden van studenten door het zware werk van het zelfstandig denken, om ervoor te zorgen dat zij een solide basis van kennis konden opbouwen voordat ze überhaupt probeerden een probleem op te lossen. Nu is er een nieuw soort technologie gearriveerd dat tekst kan schrijven, getallen kan analyseren en bijna direct antwoorden kan genereren. Deze technologie, genaamd generatieve kunstmatige intelligentie, biedt krachtige hulpmiddelen die kunnen helpen bij het leren, maar het brengt ook een verborgen gevaar met zich mee. Als studenten deze tools te vroeg of te gemakkelijk gebruiken, kunnen ze het zware werk van het denken overslaan, waardoor ze niet in staat zijn om problemen zelfstandig op te lossen wanneer de technologie er niet is. De vraag waar docenten vandaag de dag voor staan is niet óf ze deze tools moeten gebruiken, maar hoe ze ze kunnen gebruiken zonder de zeer specifieke vaardigheden te verliezen die een expert tot een expert maken.
Een groep experts van universiteiten en onderzoeksinstituten uit Duitsland, Noorwegen en Oostenrijk kwam samen om deze vraag te beantwoorden. Zij kwamen drie dagen bijeen tijdens een workshop om een set regels op te stellen voor het onderwijzen van epidemiologie in het tijdperk van kunstmatige intelligentie. Deze tien aanbevelingen zijn ontworpen om instructeurs te helpen de voordelen van nieuwe technologie te balanceren met de noodzaak om studenten scherp en bekwaam te houden. De groep, die ook ervaren docenten, studenten en specialisten in kunstmatige intelligentie omvatte, besloot dat het doel niet is om deze tools te verbieden, maar om ze zorgvuldig te integreren zodat studenten leren ze verantwoord te gebruiken terwijl ze nog steeds de basis van hun vakgebied beheersen.
De eerste en belangrijkste stap die de experts aanbevelen, is het vaststellen van duidelijke regels. Elke klas heeft een schriftelijk beleid nodig dat studenten precies vertelt wat ze wel en niet met kunstmatige intelligentie mogen doen. Dit omvat regels over wat voor soort data gedeeld mag worden met deze tools, aangezien sommige informatie privé is en beschermd moet worden. De regels moeten ook uitleggen hoe studenten moeten toegeven wanneer ze de technologie hebben gebruikt, net zoals een wetenschapper moet toegeven wanneer hij een specifieke methode heeft gebruikt om een resultaat te verkrijgen. Als een student de tool gebruikt om de grammatica te controleren of om hulp te krijgen bij het begrijpen van een moeilijk concept, moeten zij dat melden. Als zij de tool gebruiken om een hele opdracht te schrijven, is dat meestal verboden. De docenten zelf moeten deze regels ook volgen, door studenten te laten zien hoe ze de technologie eerlijk en transparant gebruiken.
Naast het vaststellen van regels benadrukken de experts dat docenten op de hoogte moeten blijven. De technologie verandert zo snel dat een docent die er vorig jaar over leerde, nu al achter kan lopen. Instructeurs hebben regelmatige training nodig om te begrijpen hoe deze tools werken, wat hun beperkingen zijn en hoe ze ze op een manier kunnen gebruiken die studenten helpt leren in plaats van het leerproces te vervangen. Deze training moet niet alleen gaan over hoe je een vraag in de computer typt, maar over hoe je beoordeelt of het antwoord dat de computer geeft correct is. Docenten moeten ook leren herkennen wanneer een student te veel op de machine vertrouwt, een probleem dat de onderzoekers "never-skilling" noemen, waarbij een student een vaardigheid nooit echt leert omdat de machine het werk heeft gedaan.
Om dit te voorkomen, suggereren de experts dat studenten eerst de basis moeten leren zonder hulp van kunstmatige intelligentie. Voordat ze de tools mogen gebruiken om code te schrijven of data te analyseren, moeten ze in staat zijn om deze dingen met de hand of met standaard software te doen. Ze moeten weten hoe ze een risico berekenen, hoe ze een fout in een studie ontdekken en hoe ze een resultaat op eigen kracht interpreteren. Pas nadat ze deze basis hebben opgebouwd, mogen ze de tools gebruiken om hun werk te controleren, hun schrijfwerk te verfijnen of nieuwe ideeën te verkennen. Dit zorgt ervoor dat de technologie fungeert als een helper, niet als een kruk. Als een student niet kan uitleggen waarom hij een bepaalde beslissing in zijn analyse heeft genomen, heeft hij de stof niet echt geleerd, zelfs niet als het uiteindelijke antwoord er correct uitziet.
Wanneer het gaat om het testen van wat studenten hebben geleerd, waarschuwen de experts dat oude methoden zoals essays voor thuis (take-home essays) niet langer voldoende zijn, omdat een student simpelweg de computer kan vragen om het essay te schrijven. In plaats daarvan moeten docenten andere manieren gebruiken om studenten te testen, zoals mondelinge examens, presentaties in aanwezigheid of gesuperviseerde schrijfsessies waarbij het gebruik van kunstmatige intelligentie niet is toegestaan. Deze methoden dwingen studenten om hun denken te tonen en hun redenering in realtime uit te leggen. De experts adviseren ook tegen het gebruik van software die beweert te kunnen detecteren of een student kunstmatige intelligentie heeft gebruikt. Deze detectietools zijn vaak onbetrouwbaar en kunnen fouten maken, waardoor studenten die de academische integriteit niet hebben geschonden, onterecht worden gestraft. Het is beter om te vertrouwen op duidelijke regels, eerlijke openheid en menselijk oordeel om eerlijkheid te garanderen.
De aanbevelingen benadrukken ook het belang van het leren van studenten hoe ze effectief met de computer kunnen communiceren. Dit staat bekend als prompt engineering, wat simpelweg de vaardigheid is om de juiste vragen te stellen om het beste antwoord te krijgen. Een student die een vage vraag stelt krijgt een vaag antwoord, terwijl een student die een specifieke, goed gestructureerde vraag stelt een veel beter resultaat kan krijgen. Docenten moeten studenten begeleiden in deze vaardigheid, door hen te laten zien hoe ze complexe problemen opdelen in kleinere stappen en hoe ze de informatie die de computer geeft kunnen verifiëren. Dit omvat het controleren van feiten, het zoeken naar fouten en het controleren of de computer geen bronnen of data heeft verzonnen die niet bestaan.
Ten slotte dringen de experts er bij docenten op aan om te delen wat zij leren. Omdat dit een nieuw veld is, heeft nog niemand alle antwoorden. Docenten moeten verschillende benaderingen proberen, zien wat werkt en wat niet, en dit vervolgens aan hun collega's vertellen. Dit kan het delen van een lesplan betekenen dat goed werkte, of het toegeven dat een bepaalde tool meer problemen veroorzaakte dan het oploste. Door samen te werken en van elkaars ervaringen te leren, kan het hele vakgebied van de epidemiologie zich aanpassen aan deze nieuwe technologie op een manier die studenten veilig, bekwaam en klaar voor de toekomst houdt. Het uiteindelijke doel is om epidemiologen voort te brengen die deze krachtige tools kunnen gebruiken om beter werk te leveren, maar die ook beschikken over de kritische denkvaardigheden om te weten wanneer ze de machine moeten vertrouwen en wanneer ze hun eigen oordeel moeten vertrouwen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.