📄 medicine

Measuring AI Readiness in Health Professions Education: Development and Validation of the AI Competence and Preparedness Evaluation Resource (AICPER)

Deze studie presenteert de ontwikkeling en rigoureuze psychometrische validatie van de AICPER, een multidimensionaal instrument ontworpen om de percepties van trainees in de gezondheidszorg met betrekking tot AI te beoordelen over functionele, ethische en educatieve domeinen, waarbij sterke betrouwbaarheid en structurele validiteit worden aangetoond binnen verpleegkunde-, farmacie- en volksgezondheidsprogramma's.

Oorspronkelijke auteurs: Divya Kewalramani, Oluwaseun J. Adeyemi, Stuti Shah, Justin L. Benton, Dylan R. Nieman, Advaith Bongu, Nell Maloney Patel, Archana Pradhan, Laura Sclafani, Joseph A. Barone, Christine Repsha, Steven G

Gepubliceerd 2026-07-14

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Divya Kewalramani, Oluwaseun J. Adeyemi, Stuti Shah, Justin L. Benton, Dylan R. Nieman, Advaith Bongu, Nell Maloney Patel, Archana Pradhan, Laura Sclafani, Joseph A. Barone, Christine Repsha, Steven Glogocheski, Angela R. Starkweather, Laura E. Liang, Claire Brown, Perry N. Halkitis, Amy P. Murtha, Mayur Narayan

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 voor dat je een hele school vol toekomstige artsen, verpleegkundigen en experts op het gebied van volksgezondheid probeert te leren hoe ze met een nieuwe, superintelligente robotassistent moeten werken. Voordat je de perfecte trainingshandleiding kunt maken, moet je precies weten wat de studenten over de robot denken. Houden ze ervan? Zijn ze bang dat hij fouten zal maken? Vinden ze het valsspelen als ze de robot gebruiken voor hun huiswerk?

Lama lang waren de instrumenten die werden gebruikt om deze vragen te stellen een beetje alsof je een liniaal gebruikte om de temperatuur te meten — ze pasten er simpelweg niet bij. Ze waren vaak te eenvoudig, gericht op slechts één type student, of geschreven vóór de explosie van "generatieve AI" (het soort AI dat essays schrijft en afbeeldingen creëert).

Maak kennis met de AICPER. Denk aan dit als een gloednieuwe, hoogtechnologische "AI-attitude thermometer" die specifiek is ontworpen voor studenten in de gezondheidszorg in de Verenigde Staten. Een team van onderzoekers van Rutgers University heeft dit instrument ontwikkeld om te zien hoe studenten in de verpleegkunde, farmacie en volksgezondheid over kunstmatige intelligentie denken.

De Grote Ontdekking: Het Gaat Niet Om Waar, Maar Om Hoe

Toen de onderzoekers de AICPER eerst bouwden, dachten ze dat ze drie specifieke plekken aan het meten waren waar AI wordt gebruikt: Klinische Praktijk (in het ziekenhuis), Onderzoek (in het lab) en Educatie (in het klaslokaal). Ze verwachtten dat de antwoorden zich netjes in deze drie stapels zouden sorteren.

Maar hier komt de wending: de hersenen van de studenten sorteerden de antwoorden niet op die manier. Toen de onderzoekers de cijfers doorliepen, herschikten de "stapels" zich in drie volkomen andere categorieën gebaseerd op gevoelens in plaats van locaties.

Functionele Voordelen (De "Cool Tool"-factor): Deze groep meet in ho welke mate studenten denken dat AI hun werk gemakkelijker, sneller en slimmer zal maken. Het is alsof je vraagt: "Zal deze robot mij helpen met het tillen van zware dozen?"
Ethiek en Vertrouwen (De "Zorg"-factor): Deze groep vangt de angsten op. Zal de robot fouten maken? Is hij bevooroordeeld? Kunnen we hem vertrouwen met patiëntgeheimen? Het is de stapel: "Gaat deze robot mijn baan stelen of tegen mij liegen?"
Educatieve Betrokkenheid (De "Laten We Leren"-factor): Dit meet het niveau van betrokkenheid van studenten bij AI-gerelateerd leren. Het is de stapel: "Ik wil een cursus over dit onderwerp volgen."

Het artikel stelde vast dat deze nieuwe drieledige structuur een veel betere manier is om studenten te begrijpen dan alleen vragen: "Vind je AI in het ziekenhuis leuk?" Een student kan vinden dat AI een fantastisch hulpmiddel is om tijd te besparen (Hoge Functionele Voordelen), maar tegelijkertijd doodsbang zijn voor de ethische risico's (Lage Ethiek en Vertrouwen). De oude instrumenten zouden die nuance hebben gemist, maar AICPER vangt het wel op.

Hoe Ze Het Getest Hebben (De "Stress Test")

Om er zeker van te zijn dat deze nieuwe thermometer ook echt werkte, hebben de onderzoekers niet alleen maar gegokt. Ze onderwierpen het aan een rigoureuze stress test met 193 studenten en 7 deskundige beoordelaars.

De Experts: Zeven slimme mensen met gevorderde graden controleerden elke vraag om te zien of deze wel logisch was. Ze waren het met elkaar eens dat de vragen relevant waren, wat de tool een "content validity" score gaf van 0,86 (wat een zeer goede score is).
De Studenten: 193 studenten uit opleidingen in de verpleegkunde, farmacie en volksgezondheid namen deel aan de enquête.
De Wiskunde: De onderzoekers gebruikten zware statistiek (zoals "Exploratory Factor Analysis" en "Confirmatory Factor Analysis") om te zien of de vragen goed bij elkaar pasten. Het resultaat? Het instrument hield zich prachtig staande. De interne consistentiescore was 0,86, wat betekent dat de vragen betrouwbaar dezelfde onderliggende gevoelens maten.

Wat de Cijfers Zeggen

De studie zei niet alleen "het werkt". Het gaf specifieke cijfers om het te onderbouwen:

Het uiteindelijke instrument heeft 18 vragen (ze lieten er twee vallen omdat ze niet goed pasten).
De drie factoren (Functionele Voordelen, Ethiek en Betrokkenheid) zijn verschillend maar gerelateerd, met correlaties tussen de 0,42 en 0,61.
Het instrument werkt op dezelfde manier voor studenten in de verpleegkunde, farmacie en volksgezondheid. De onderzoekers controleerden dit door de groepen te vergelijken en vonden dat het verschil in hoe het instrument hen mat minuscuul was (-0,001), wat betekent dat een verpleegkundige en een apotheker de vragen in dezelfde "taal" beantwoorden.

Wat Het NIET Is (De "Nee"-lijst)

Het is belangrijk om te weten wat dit artikel niet beweert.

Het is geen toverstaf: Het artikel stelt expliciet dat dit voor sommige onderdelen een "voorlopige" stap is. Ze gebruikten dezelfde groep studenten om zowel de structuur te ontdekken als deze te bevestigen. Hoewel ze geavanceerde wiskunde gebruikten (bootstrap resampling met 2.000 herhalingen) om te bewijzen dat de resultaten stabiel waren, geven ze toe dat het testen ervan op een andere groep studenten de volgende noodzakelijke stap is.
Het is nog niet perfect: De onderzoekers merkten op dat sommige van de "omgekeerd gescoorde" vragen (de vragen waarbij je "nee" moet denken om "ja" te bedoelen) voor een beetje extra ruis in de data zorgden. Ongeveer 24,8% van de variatie in die specifieke antwoorden werd veroorzaakt door de manier waarop de vraag was geformuleerd, en niet alleen door de mening van de student. Ze suggereren dat toekomstige versies deze duidelijker moeten formuleren.
Het is nog niet voor iedereen (nog niet): De studie omvatte alleen studenten in de verpleegkunde, farmacie en volksgezondheid. Het bevatte geen medische studenten (toekomstige artsen), dus we kunnen nog niet zeker weten of het voor hen ook werkt.

De Kernboodschap

De AICPER is een grondig geteste, 18-staps tool die succesvol meet hoe gezondheidsstudenten over AI denken. Het bewees dat de attitudes van studenten niet alleen gaan over waar ze AI gebruiken, maar over drie kerngevoelens: nut, vertrouwen en betrokkenheid.

De onderzoekers suggereren dat schoolleiders deze tool kunnen gebruiken om er precies achter te komen waar hun studenten vastlopen. Als een klas uitblinkt in het zien van de voordelen maar bang is voor de ethiek, kunnen ze een specifieke les bouwen om die angst weg te nemen. Als ze ethisch sterk zijn maar de techniek niet willen leren, kunnen ze een andere onderwijsaanpak proberen.

Hoewel het artikel niet beweert een "definitieve oplossing" te zijn (aangezien er meer testen nodig zijn), biedt het de eerste solide, gevalideerde kaart voor het navigeren door de complexe wereld van AI-gereedheid in de gezondheidszorgopleidingen. Het verandert een mistige gok in een helder, driedimensionaal beeld.

Technische Samenvatting: Ontwikkeling en Validatie van het AICPER-instrument

Probleemstelling
Ondanks de snelle integratie van kunstmatige intelligentie (AI) in de gezondheidszorg, het onderwijs en onderzoek, bestaat er een aanzienlijke kloof in psychometrisch gevalideerde instrumenten voor het meten van de percepties van trainees in de gezondheidszorg met betrekking tot AI binnen de Amerikaanse populaties. Bestaande instrumenten lijden aan drie primaire beperkingen:

Gebrek aan interdisciplinaire validatie: Geen enkel instrument is gevalideerd over een interdisciplaire steekproef (verpleegkunde, farmacie en volksgezondheid) waar AI-curricula gelijktijdig opkomen.
Onvoldoende granulariteit: Huidige schalen falen vaak in het onderscheiden van percepties over verschillende subconstructen (klinische praktijk, onderwijs en onderzoek), waarbij AI-gereedheid als een monolithisch concept wordt behandeld. Dit belemmert onderwijzers in het afstemmen van interventies op specifieke zorgen (bijv. een trainee kan AI klinisch vertrouwen, maar wantrouwen bij wetenschappelijk schrijven).
Veroudering: Veel bestaande instrumenten dateren van vóór de brede beschikbaarheid van generatieve AI en missen items die relevant zijn voor hedendaagse kwesties zoals academische integriteit, AI-ondersteund schrijven en vertrouwen in chatbot-outputs.

Methodologie
De studie maakte gebruik van een cross-sectioneel online enquêteontwerp om het Artificial Intelligence Competence and Preparedness Evaluation Resource (AICPER) te ontwikkelen en te valideren.

Deelnemers: De studie omvatte 193 studenten uit verpleegkunde-, farmacie- en volksgezondheidsprogramma's aan een Amerikaanse universiteit, samen met een panel van zeven experts op het gebied van de inhoud voor inhoudsvalidatie.
Instrumentontwikkeling: Een voorlopige schaal van 20 items werd ontwikkeld op basis van een literatuuronderzoek en iteratief verfijnd door een institutioneel panel. Items maakten gebruik van een vierpunts Likert-schaal met een "Ik weet het niet" (IDK) optie om het verschil tussen een gebrek aan mening en neutraliteit te onderscheiden.
Psychometrische Analyse:
- Inhoudsvaliditeit: Beoordeeld via de Item Content Validity Index (I-CVI), Scale Content Validity Index (S-CVI) en gemodificeerde kappa-statistieken.
- Dataverwerking: Ontbrekende gegevens (inclusief IDK-reacties die als ontbrekend werden behandeld) werden aangepakt met Multiple Imputation by Chained Equations (MICE) met 20 geïmputeerde datasets.
- Betrouwbaarheid: Interne consistentie werd geëvalueerd met behulp van Cronbach's alfa, ordinale alfa en McDonald's omega.
- Structurele validiteit: De studie maakte gebruik van Exploratory Factor Analysis (EFA) met maximum likelihood extractie en oblimine rotatie, gevolgd door Confirmatory Factor Analysis (CFA) met diagonally weighted least squares (DWLS/WLSMV).
- Geavanceerde Modellering: De analyse omvatte een methode-effectenmodel om de variantie in omgekeerd gescoorde items te verklaren, bootstrap 95% betrouwbaarheidsintervallen voor factorladingen, en tests voor meetinvariantie (configuratie en metriek) over de drie gezondheidsdisciplines.

Belangrijkste Resultaten

Instrumentverfijning: De initiële schaal van 20 items werd teruggebracht naar een definitief 18-item instrument na het verwijderen van twee items (A16 en A20) vanwege plafondeffecten en slechte item-totaalcorrelaties.
Factorstructuur: In tegenstelling tot het a priori ontwerp gebaseerd op toepassingsdomeinen (klinisch, onderzoek, onderwijs), toonden EFA en CFA een stabiele driefactorenstructuur gebaseerd op attitudinale dimensies:
1. Functionele Voordelen (FB): Percepties van efficiëntie, workflowoptimalisatie en nut.
2. Ethiek en Vertrouwen (ET): Zorgen over fouten, bias, verantwoordelijkheid en academische integriteit.
3. Educatieve Betrokkenheid (EE): Bereidheid om AI-gerelateerde leerprocessen en certificeringen na te streven.
Betrouwbaarheid en Validiteit:
- De 18-item schaal vertoonde een goede interne consistentie (Totaal $\alpha$ = 0,86).
- CFA-fitindices waren uitstekend (CFI = 0,987, TLI = 0,984, RMSEA = 0,032).
- Meetinvariantie: Metrische invariantie werd ondersteund over de programma's verpleegkunde, farmacie en volksgezondheid ( $\Delta$ CFI = -0,001), wat suggereert dat het instrument dezelfde constructen equivalent meet over deze disciplines.
- Methode-effecten: Hoewel een methodefactor een niet-verwaarloosbaar deel van de variantie (gemiddeld 24,8%) in omgekeerd gescoorde items verklaarde, bleef de substantiële driefactorenstructuur behouden wanneer deze effecten werden gemodelleerd.
Inhoudsvaliditeit: De schaal vertoonde een acceptabele inhoudsvaliditeit met een gemiddelde S-CVI van 0,86 en sterke overeenstemming tussen experts.

Significantie en Claims
De auteurs positioneren AICPER als het eerste psychometrisch gevalideerde, multidimensionale instrument dat specifief is ontworpen voor Amerikaanse trainees in de gezondheidszorg. De significantie ligt in drie gebieden:

Gedifferentieerde Beoordeling: Door het scheiden van Functionele Voordelen, Ethiek/Vertrouwen en Educatieve Betrokkenheid, stelt het instrument onderwijzers in staat om specifieke tekortkomingen te identificeren (bijv. hoog functioneel optimisme maar laag ethisch vertrouwen), in plaats van te vertrouwen op een samengestelde score die genuanceerde behoeften maskeert.
Interdisciplinaire Bruikbaarheid: Het aantonen van metrische invariantie over verpleegkunde, farmacie en volksgezondheid ondersteunt het gebruik van AICPER voor interprofessionele benchmarking en vergelijkende studies, waarmee een gat wordt gedicht waar voorheen discipline-specifieke schalen domineerden.
Hedendaagse Relevantie: De inclusie van items die generatieve AI adresseren (bijv. academische integriteit, AI-ondersteund schrijven) sluit het instrument aan bij de huidige ervaringen van trainees, in tegenstelling tot instrumenten van vóór 2023.

Het artikel concludeert dat AICPER een rigoureuze meetinfrastructuur biedt om onderwijskundige ontwikkeling op basis van bewijs, evaluatie van interventies en accreditatierapportage te ondersteunen, waardoor de beoordeling van AI-gereedheid verschuift van assumptiegestuurde naar datagedreven strategieën. De auteurs merken beperkingen op met betrekking tot de steekproef van één enkele instelling, de uitsluiting van medische studenten en het cross-sectionele ontwerp, waarbij zij onafhankelijke replicatie met een nieuwe steekproef identificeren als de noodzakelijke volgende stap.