📄 medicine

Conditional readiness for AI-assisted pathology education: a cross-sectional survey of students’ expectations, concerns, and preferences

Een dwarsdoorsnede-enquête onder 100 medische studenten aan de Xiangya School of Medicine onthult een hoge maar voorwaardelijke bereidheid voor AI-ondersteunde pathologie-educatie, gekenmerkt door sterke voorkeuren voor praktische, pathologie-specifieke hulpmiddelen zoals dia-identificatie en casussimulatie, naast aanzienlijke zorgen met betrekking tot nauwkeurigheid en het behoud van de interactie tussen docent en student.

Oorspronkelijke auteurs: Bingjie Lian, Zhou Jin, Yuhan Chen, Luqing Zhao

Gepubliceerd 2026-07-06

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Bingjie Lian, Zhou Jin, Yuhan Chen, Luqing Zhao

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

Stel je de medische opleiding voor als een enorme bibliotheek waar studenten proberen een nieuwe taal te leren: de taal van ziekte. In het vak Pathologie wordt deze taal geschreven in minuscule plaatjes van cellen en weefsels onder een microscoop. Het is berucht moeilijk omdat studenten moeten onthouden hoe dingen eruitzien, moeten begrijpen waarom ze er zo uitzien, en moeten uitzoeken wat dit betekent voor een patiënt.

Dit artikel is als een enquête die een groep medische studenten vraagt: "Als we je een superintelligente digitale assistent (Artificiële Intelligentie) zouden geven om je te helpen bij het studeren van dit moeilijke vak, wat zou je willen dat het doet, en wat zou je nerveus maken?"

Hier is de uitslag van wat de studenten zeiden, met behulp van eenvoudige analogieën:

1. De studenten zijn er klaar voor, maar ze hebben voorwaarden

Beschouw de houding van de studenten tegenover AI als die van een bestuurder die enthousiast is om een nieuwe, technologisch geavanceerde auto uit te proberen, maar alleen als de auto een veiligheidsgordel en een reservebestuurder heeft.

Het goede nieuws: De studenten staan zeer open voor het gebruik van AI. Ze scoorden hoog op een "gereedheidsschaal". Ze zien AI als een hulpmiddel dat het studeren minder saai en minder gericht op het stampen van feiten (zoals het uit het hoofd leren van een telefoonboek) kan maken.
De crux: Ze willen niet dat de AI de auto alleen bestuurt. Ze willen een docent-gestuurde aanpak. Ze geloven dat AI de "bijrijder" of de "studiepartner" moet zijn, en niet de vervanging van de docent.

2. Wat ze willen dat de AI doet (De "Superkrachten")

De studenten wilden geen generieke chatbot die over van alles en nog wat praat. Ze wilden een gespecialiseerd hulpmiddel voor Pathologie. Hun belangrijkste verzoeken waren:

De "Zaklamp": Ze willen dat AI hels bij het opsporen van specifieke structuren in microscopische preparaten. Stel je voor dat je in een donkere kamer kijkt; de AI is een zaklamp die de belangrijke meubels uitlicht, zodat je ze niet mist.
De "Vertaler": Ze willen dat AI uitlegt waarom een ziekte ontstaat (het mechanisme), door complex medisch jargon te vertalen naar begrijpelijke taal.
De "Personal Trainer": Ze willen dat AI op maat gemaakte oefentoetsen en studiegidsen maakt op basis van de specifieke zaken die zij fout hadden, in plaats van dat iedereen dezelfde generieke huiswerkopdrachten krijgt.
De "Repetitiepartner": Ze willen oefenen met het diagnosticeren van fictieve patiëntencases met de AI om echte arts-patiëntgesprekken te simuleren.

3. Waar ze zich zorgen over maken (De "Drempels")

Hoewel ze enthousiast zijn, hebben ze vier angsten, zoals een reiziger die bezorgd is over een nieuwe vlucht:

De angst voor "Hallucinaties" (88%): Ze zijn doodsbang dat de AI zelfverzekerde maar onjuiste antwoorden geeft. In de geneeskunde kan een foutief feit gevaarlijk zijn. Ze willen dat de AI toegeeft wanneer het het niet zeker weet en hen vertelt om dubbel te checken met een tekstboek of docent.
De angst voor een "Lui Brein" (50%): Ze vrezen dat als de AI al het denkwerk doet, ze zullen stoppen met zelf nadenken. Ze willen niet afhankelijk worden van het hulpmiddel tot het punt waarop ze vergeten hoe ze zelfstandig problemen moeten oplossen.
De "Privacy"-zorg (42%): Ze maken zich zorgen over het feit dat hun persoonlijke leergegevens gestolen of misbruikt kunnen worden. Ze willen weten wie hun studiegewoonten in de gaten houdt.
De "Verveling"-angst (56%): Ze willen niet dat de AI ingewikkeld is of extra uren verplicht werk toevoegt aan hun al drukke schema's.

4. De Gouden Regel: De docenten blijven de baas

De belangrijkste bevinding is dat studenten niet willen dat AI de plaats inneemt van hun docenten.

Zij geloven dat AI de capaciteit van een docent om de "logica" achter een ziekte uit te leggen, niet kan vervangen.
Ze geven de voorkeur aan een model waarbij de docent eerst het concept uitlegt, waarna de student de AI gebruikt om te oefenen en feedback te krijgen.
Interessant genoeg waren studenten die al tevreden waren over hun huidige docenten overeind meer geneigd om AI als een hulpmiddel te willen gebruiken. Ze zagen AI niet als een oplossing voor slecht onderwijs; ze zagen het als een manier om goed onderwijs nóg beter te maken.

5. Een klein verschil tussen jongens en meisjes

De studie vond een klein verschil in geslacht: mannelijke studenten vonden het iets waarschijnlijker dat AI uiteindelijk het traditionele onderwijs zou kunnen vervangen dan vrouwelijke studenten. Het artikel merkt echter op dat dit een kleine bevinding is en niet te breed geïnterpreteerd moet worden.

De Kern van de zaak

Het artikel concludeert dat medische studenten klaar zijn om AI te gebruiken in hun pathologiecolleges, maar alleen als het zorgvuldig is ontworpen.

Ze willen een hulpmiddel dat:

Specifiek is voor hun vakgebied (Pathologie), en geen algemene chatbot.
Onder toezicht staat van een menselijke docent.
Accuraat is en toegeeft wanneer het het niet zeker weet.
Hun privacy beschermt.
Helpt om te leren denken, in plaats van simpelweg de antwoorden te geven.

Kortom, de studenten zeggen: "Geef ons de AI, maar laat de docent in de bestuurdersstoel zitten."

Technische Samenvatting: Conditionele Gereedheid voor AI-ondersteunde Pathologie-educatie

Probleemstelling
Hoewel Kunstmatige Intelligentie (AI) steeds vaker wordt geïntegreerd in het medisch onderwijs, richt de bestaande literatuur zich voornamelijk op algemene attitudes, bewustzijn of gedragsintenties van studenten, in plaats van op specifieke behoeften binnen bepaalde vakken. Pathologie presenteert unieke pedagogische uitdagingen, waarbij studenten microscopische morfologie, ziekemecanismen en clinicopathologische redenering moeten integreren. Het blijft onduidelijk welke specifieke pathologie-leertaken studenten geschikt achten voor ondersteuning door AI en welke zorgen de acceptatie van AI-gestuurd onderwijs kunnen beperken. Deze studie adresseert de kloof in het begrip van hoe medische studenten verwachten dat AI het leren van pathologie ondersteunt, waarbij specifiek wordt onderzocht naar hun verwachtingen, zorgen en voorkeuren met betrekking tot docentgestuurde versus door AI geleide implementatie.

Methodologie
De studie maakte gebruik van een exploratief cross-sectioneel enquêteontwerp, uitgevoerd tussen april en mei 2026 aan de Xiangya School of Medicine, Central South University.

Deelnemers: 100 bachelorstudenten geneeskunde die een cursus pathologie hadden voltooid. De cohort bestond uit studenten van verpleegkunde, basisgeneeskunde, klinische geneeskunde, anesthesiologie, preventieve geneeskunde en medische laboratoriumtechnologie, waarvan een meerderheid (76%) in hun tweede jaar zat.
Instrument: Een anonieme vragenlijst bestaande uit demografische gegevens, tevredenheid met het huidige onderwijs, zelfgerapporteerd AI-gebruik, 19 vijfpunts Likert-type items, twee vragen met meerdere antwoordopties en drie open vragen.
Maten:
- Gereedheidsscore: Een schaal van 10 items die interesse, waargenomen nut, gedragsintentie en de vraag naar AI-ondersteund leren meet (Cronbach's $\alpha$ = 0,897).
- Zorgen: Items die angst, overafhankelijkheid, nauwkeurigheid, gegevensprivacy en afkeer van verplichte taken beoordelen.
- Voorkeuren: Items die de voorkeur evalueren voor een door de docent geleid model versus een AI-vervangingsmodel.
Analyse: De gegevens werden geanalyseerd met SPSS versie 26.0. Beschrijvende statistiek, analyse van interne consistentie, onafhankelijke steekproef t-testen (of Welch's t-testen) en Spearman-correlatieanalyse werden uitgevoerd. Open antwoorden werden geanalyseerd met een beschrijvende thematische benadering.

Belangrijkste Resultaten

Gereedheid en Acceptatie: Studenten vertoonden een hoge maar conditionele gereedheid voor AI-ondersteunde pathologie-educatie, met een gemiddelde gereedheidsscore van 4,22 ± 0,62 (op een 5-puntsschaal).
- Bereidheid: 92% was bereid om een door de school aanbevolen pathologie-specifiek AI-platform te proberen; 90% was bereid AI te gebruiken om onbekende structuren op te zoeken tijdens labsessies; 87% wilde gesimuleerde pathologiecasussen.
- Voorkeuren: Er was een sterke voorkeur voor een door de docent geleid model. 93% was het erover eens dat docenten eerst concepten moeten uitleggen, waarbij AI dient als een hulpmiddel voor extra oefening. Slechts 17% was het ermee eens dat AI traditioneel onderwijs kan vervangen.
Verwachte Functies: Studenten gaven prioriteit aan praktische leerknelpunten boven algemene chatbot-interacties. De meest gewenste functies waren:
1. Identificeren van microscopische slide-structuren (91,0%).
2. Uitleggen van ziekemecanismen (76,0%).
3. Ophalen van typische casusbeelden (72,0%).
4. Genereren van gepersonaliseerde oefeningen en overzichtsschema's voor herhaling (68,0%).
5. Simuleren van clinicopathologische diagnostische dialogen (51,0%).
Zorgen: De gereedheid werd getemperd door significante zorgen:
- Nauwkeurigheid: 88% noemde technologische onvolkomenheid en het risico op foutieve antwoorden als een primaire zorg.
- Bruikbaarheid: 56% maakte zich zorgen over operationele complexiteit of extra tijdsbelasting.
- Privacy: 42% uitte zorgen over gegevensbeveiliging en ongepaste gegevensverzameling.
- Interactie: 38% vreesde verminderde interactie tussen docent en student.
Correlaties: Tevredenheid met het huidige pathologieonderwijs correleerde positief met AI-gereedheid ( $\rho$ = 0,525, $p$ < 0,001) en de voorkeur voor een door de docent geleid AI-model ( $\rho$ = 0,569, $p$ < 0,001). Mannelijke studenten waren significant eerder geneigd dan vrouwelijke studenten om ermee in te stemmen dat AI traditioneel onderwijs zou kunnen vervangen (2,65 vs. 1,99, $p$ = 0,036), hoewel de algehele instemming laag bleef.

Belangrijkste Bijdragen

Specificiteit van Behoeften: De studie gaat verder dan algemene AI-attitudes door te identificeren dat pathologiestudenten AI-ondersteuning zoeken voor specifieke cognitieve transities: van het herkennen van microscopische structuren naar het begrijpen van mechanismen en clinicopathologische redenering.
Conditionele Gereedheid: De bevindingen karakteriseren de gereedheid van studenten niet als onvoorwaardelijk enthousiasme, maar als "conditioneel", afhankelijk van het vermogen van de AI om verifieerbare ondersteuning te bieden zonder het toezicht van de docent of de gegevensprivacy in gevaar te brengen.
Pedagogisch Model: Het onderzoek ondersteunt een "door de docent gestuurd, door AI ondersteund" model boven een "AI-vervanging" narratief. Studenten zien AI als een instrument voor oefening, feedback en herhaling, in plaats van een vervanging voor klinische logica of docentuitleg.
Inzichten voor Implementatie: De studie benadrukt dat weerstand tegen AI kan voortkomen uit het ontwerp van de implementatie (bijv. verplichte platformuren, gebrek aan verificatie) in plaats van de technologie zelf.

Betekenis en Claims
De auteurs stellen dat deze bevindingen een fundament bieden voor het ontwikkelen van pathologie-specifieke AI-tools die aansluiten bij werkelijke leerproblemen. De studie betoogt dat succesvolle integratie vereist:

Pathologie-Specifiek Ontwerp: Tools moeten verder gaan dan algemene chatbots en slide-herkenning, mechanisme-uitleg en casus-retrieval aanbieden.
Docentelijk Toezicht: AI moet functioneren binnen een structuur waarin docenten materialen cureren, verificatiestandaarden definiëren en feedback interpreteren.
Verificatie en Ethiek: Gezien de zorgen over nauwkeurigheid, moeten AI-outputs gekoppeld zijn aan verifieerbare referenties, en moet het gegevensbeheer transparant zijn om privacyzorgen aan te pakken.
Vermijden van Belasting: Implementatie moet de cognitieve en tijdsbelasting verminderen in plaats van extra verplichte administratieve taken toe te voegen.

Het artikel concludeert dat hoewel medische studenten openstaan voor AI, hun acceptatie afhankelijk is van het vermogen van het instrument om het menselijke onderwijselement te versterken in plaats van te vervangen, specifiek door de transitie van visuele herkenning naar klinische redenering te ondersteunen. De auteurs merken de beperkingen op van een steekproef uit één instelling, zelfgerapporteerde gegevens en het gebrek aan experimentele beoordeling van leerresultaten, en roepen op tot toekomstig multicenter en longitudinaal onderzoek om deze bevindingen te valideren.