A cognitive–motivational perspective on AI-assisted pre-clerkship preparation: a theory- informed cross-sectional study

Technische Samenvatting: Een Cognitief-Motivationeel Perspectief op AI-ondersteide Voorbereiding op de Pre-klinische Fase

Probleemstelling
Het medisch onderwijs staat voor een kritieke transitiekloof tussen de verwerving van theoretische kennis en de experimentele klinische praktijk, met name in specialismen zoals verloskunde en gynaecologie. Studenten worden frequent geconfronteerd met structurele barrières tijdens klinische stages, waaronder beperkte toegang tot patiënten vanwege privacyzorgen, beperkte mogelijkheden voor handmatige examinatie en variabiliteit in de blootstelling aan klinische casussen. Deze factoren leiden vaak tot een inadequate voorbereiding en een "pre-klinische cognitieve steunstructuurkloof" (pre-clinical cognitive scaffolding gap), waarbij lerenden het gebrek hebben aan gestructureerde mechanismen om kennis te organiseren en te activeren voordat zij betrokken raken bij authentieke klinische contexten. Hoewel Kunstmatige Intelligentie (AI), in het bijzonder Large Language Models (LLM's), potentieel biedt voor interactief en adaptief leren, blijft de rol ervan in de specifieke voorbereidende fase voorafgaand aan klinische blootstelling ondergeoptimaliseerd en onvoldoende begrepen met betrekking tot de onderliggende leermechanismen en de acceptatie door de lerende.

Methodologie
De studie hanteerde een theorie-gestuurd cross-sectioneel ontwerp om de acceptatie van een AI-ondersteid model voor pre-klinische voorbereiding onder medische studenten te onderzoeken.

• Deelnemers: 176 bachelorstudenten geneeskunde van de Hangzhou City University (China) werden tussen februari en april 2026 ondervraagd, voorafgaand aan hun klinische stage in de verloskunde en gynaecologie. Het effectieve responspercentage was 91,7% (176 geldige reacties van 192 verzamelde reacties).
• Instrument: Een vragenlijst met 32 items werd ontwikkeld op basis van het Technology Acceptance Model (TAM) en literatuur over medisch onderwijs. Het beoordeelde demografische kenmerken, digitale geletterdheid, verwachtingen bij de klinische stage, ervaren bruikbaarheid (5 items), gedragsintentie (bereidheid tot deelname) en implementatievoorkeuren.
• Theoretisch Kader: De studie werd geleid door TAM, waarbij werd gesteld dat ervaren bruikbaarheid de primaire determinant is van de gedragsintentie. Ervaren bruikbaarheid werd geoperationaliseerd als een samengestelde score (gemiddelde van 5 items), en gedragsintentie werd gemeten via een enkel item dat de bereidheid tot actieve deelname beoordeelde.
• Analyse: De statistische analyse omvatte beschrijvende statistiek, Pearson/Spearman correlatieanalyses en meervoudige lineaire regressie met behulp van SPSS versie 26.0. Variabelen die significant waren in de univariate analyse ($P < 0,10$) werden ingevoerd in een multivariabel model om onafhankelijke voorspellers te identificeren.

Belangrijkste Resultaten

• Acceptatieniveaus: Studenten vertoonden een matig-hoge acceptatie van AI-ondersteide voorbereiding, met een gemiddelde bereidheidsscore van $3,73 \pm 0,70$. Ongeveer 63,0% uitte de intentie om deel te nemen aan dergelijke activiteiten.
• Voorspellers van Betrokkenheid: In univariate analyses vertoonden ervaren bruikbaarheid, academische prestaties en digitale geletterdheid associaties met de gedragsintentie. Echter, in de multivariabele regressieanalyse kwam ervaren bruikbaarheid naar voren als de enige significante onafhankelijke voorspeller ($\beta = 0,866, P < 0,001$).
• Verklaarde Variantie: Het model verklaarde 71,8% van de variantie in de gedragsintentie ($Adjusted\ R^2 = 0,718$).
• Niet-significante Factoren: Na aanpassing waren variabelen zoals zelf ingeschatte academische prestaties, cijfers voor theoretische vakken, zelfvertrouwen in digitale geletterdheid, bekendheid met medische databases en carrière-intentie niet onafhankelijk geassocieerd met de gedragsintentie. Dit suggereert dat hun invloed mogelijk gemedieerd wordt door ervaren bruikbaarheid.
• Implementatievoorkeuren: Studenten gaven de voorkeur aan beknopte, gestructureerde formaten. Belangrijke voorkeuren waren:
  • Timing: 2–3 dagen vóór de klinische stage (34,1%).
  • Inhoud: Expliciete leerdoelen (50%) en lijsten met ziekten inclusief sturende vragen (35,3%) kregen de voorkeur boven virtuele patiëntencasussen.
  • Formaat: Geschreven samenvattingen (33,6%) en conceptkaarten (25,8%).
  • Duur: Er was een sterke voorkeur voor efficiëntie, waarbij 69,9% de voorkeur gaf aan taken die binnen 30 minuten voltooid konden worden.

Significantie en Claims
Het artikel beweert een vereenvoudigd Technology Acceptance Model te ondersteunen waarbij ervaren bruikbaarheid de primaire drijfveer is voor de betrokkenheid van studenten bij AI-ondersteide pre-klinische voorbereiding, wat zwaarder weegt dan individuele verschillen in digitale geletterdheid of eerdere academische prestaties.

De auteurs stellen dat deze bevindingen de assumptie uitdagen dat technische bekwaamheid de primaire barrière is voor AI-adoptie in het medisch onderwijs. In plaats daarvan stellen zij een waarde-gestuurd adoptiemechanisme voor: studenten gaan de interactie aan met AI-instrumenten wanneer zij een duidelijke relevantie ervaren voor klinisch leren en presteren. De studie suggereert dat AI-ondersteide voorbereiding de pre-klinische cognitieve steunstructuurkloof kan adresseren door gestructureerde, cognitief ondersteunende leerervaringen te bieden die studenten helpen kennis te organiseren en de cognitieve belasting te verminderen voordat zij de kliniek betreden.

De auteurs concluderen dat de educatieve implementatie prioriteit moet geven aan betekenisvolle leerwaarde en klinische relevantie boven technologische complexiteit. Zij stellen dat AI niet moet worden geconceptualiseerd als een vervanging voor klinisch onderwijs, maar als een voorbereidende steunstructuur (scaffold) die de gedragsmatige betrokkenheid versterkt, waardoor het potentieel bijdraagt aan een verbeterde klinische gereedheid.

Beperkingen
De auteurs erkennen verschillende beperkingen: het ontwerp met één instelling beperkt de generaliseerbaarheid; het gebruik van zelfgerapporteerde metingen introduceert een potentieel voor responsbias; gedragsintentie werd gemeten via een enkel item; en de studie beoordeelde de verwachte betrokkenheid in plaats van daadwerkelijk gebruik of downstream leeruitkomsten. Toekomstig onderzoek wordt aanbevolen om longitudinale en experimentele ontwerpen te gebruiken om de impact op daadwerkelijke klinische prestaties te evalueren.