Deze scoping-review toont aan dat VR en GenAI nieuwe manieren bieden om klinisch redeneren in oncologietraining te beoordelen. Beide vereisen echter robuustere validatie en ethische kaders voordat er breed onderwijsgebruik mogelijk is, aangezien het huidige bewijs nog voorlopig is.
Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.
Reviewartikel
Het landschap van virtual reality en generatieve AI in het oncologieonderwijs: een scoping review van klinische redeneerbeoordelingstools
In dit artikel
Samenvatting
Samenvatting
Oncologie is een omgeving waarin klinisch redeneren een fundamentele competentie is die de synthese van complexe klinische informatie in een setting met hoge inzet vereist. Conventionele beoordelingsmethoden, zoals schriftelijke tests, Objective Structured Clinical Examinations (OSCEs) en werkplekgerichte beoordelingen, bieden waardevolle kennis, maar zijn nog steeds niet effectief in het weerspiegelen van de dynamische en iteratieve kwaliteit van klinisch redeneren. Nieuwe kansen om deze beperkingen te overwinnen worden geboden door opkomende digitale technologieën, met name Virtual Reality (VR) en Generatieve Kunstmatige Intelligentie (GenAI). VR faciliteert simulatie-gebaseerde omgevingen, die immersief kunnen zijn en die het mogelijk maken om procedurele en situationele redeneerfactoren te evalueren op basis van waarneembare klinische acties. GenAI biedt op zijn beurt een meer op dialoog gebaseerde interactie, waarmee cognitieve en analytische processen kunnen worden beoordeeld, inclusief belangrijke cognitieve processen. Literatuur toont aan dat deze technologieën complementaire voordelen hebben, maar conceptueel onsamenhangend zijn. VR registreert voornamelijk gedragsprestaties, maar GenAI legt de nadruk op cognitieve processen, en de twee zijn minder geïntegreerd. Bovendien wordt de huidige bewijsbasis gekenmerkt door methodologische heterogeniteit, afhankelijkheid van voorlopig onderzoek en gebrek aan validiteitsbewijs, met name wat betreft betrouwbaarheid en impact in de praktijk. Andere factoren om rekening mee te houden zijn het effect van cognitieve belasting, variabiliteit van gebruikers en ethische kwesties, bijvoorbeeld algoritmische bias en transparantie. De haalbaarheid van implementatie wordt verder beïnvloed door organisatorische factoren zoals infrastructuur en institutionele paraatheid. Over het algemeen zijn VR en GenAI bemoedigend, maar ontwikkelen ze methoden voor de beoordeling van klinisch denken in de oncologie. In de toekomst zal de evolutie van het vakgebied coherente beoordelingskaders, rigoureuze validatie en duidelijke ethische structuren vereisen.
Inleiding
Klinisch redeneren, de cognitieve en metacognitieve processen die ten grondslag liggen aan diagnose en behandeling, vormen de hoeksteen van veilige en effectieve oncologische praktijk1. Het is een bijzonder ingewikkeld proces in de context van oncologie, omdat clinici probabilistische besluitvorming moeten navigeren in het licht van onzekerheid, snel veranderende bewijzen van therapieën moeten synthetiseren en moeten deelnemen aan multidisciplinaire discussies in tumorboards. Bovendien moeten oncologen een balans vinden tussen biomedisch en patiëntgericht denken, waaronder het informeren van patiënten over hun slechte prognoses, het omgaan met ethische kwesties en het aanpassen van behandelplannen aan de veranderende ziekteverloop 2,3. Deze gelaagde eisen maken de ontwikkeling en beoordeling van klinisch redeneren bijzonder belangrijk in het oncologieonderwijs. Traditioneel is klinisch redeneren beoordeeld met schriftelijke examens, Objective Structured Clinical Examinations (OSCEs) en werkplekgerichte beoordelingen zoals de Mini-Clinical Evaluation Exercise (Mini-CEX)4. Hoewel dergelijke methoden achtergrondinformatie kunnen bieden over de competentie van de leerling, hebben ze aanzienlijke nadelen. Schriftelijke tests zijn meer geneigd tot het toepassen van statische kennis in plaats van dynamische processen; OVSE's zijn veeleisend en mogelijk ecologisch ongeldig zijn; En werkplekgebaseerde tests zijn meestal episodisch en subjectief en gevoelig voor contextuele biasing. Al deze beperkingen samen maken het moeilijk om het iteratieve, context-afhankelijke en longitudinale karakter van klinisch redeneren te bestuderen, vooral in specialismen met hoge inzet en cognitieve belasting, zoals oncologie5. Gezamenlijk belemmeren deze beperkingen het vermogen om de iteratieve, contextafhankelijke en longitudinale aard van klinisch redeneren vast te leggen, vooral in hoogbelaste en cognitief veeleisende specialismen zoals oncologie6.
Nieuwe ontwikkelingen in digitale technologieën in recente tijden bieden goede kansen om deze uitdagingen te overwinnen. Twee daarvan zijn Virtual Reality (VR) en Generatieve Kunstmatige Intelligentie (GenAI), die krachtige medische educatietools zijn geworden. VR biedt simulatie-gebaseerde omgevingen die meeslepend, zeer ruimtelijk en contextueel zijn, en die het complexe klinische scenario nabootsen. In het oncologieonderwijs kunnen deze simulaties scenario's simuleren zoals oncolologische noodgevallen, complicaties tijdens chemotherapie en gevoelige patiëntinteracties, en stellen leerlingen in staat om beslissingen te nemen op een ervaringsgerichte manier in een veilige en gecontroleerde omgeving 7,8,9. Belangrijk is dat VR-systemen gedetailleerde gedragsgegevens kunnen vastleggen—zoals actiesequenties, timing en beslissingspaden—waardoor de beoordeling van procedurele en situationele dimensies van klinisch redeneren mogelijk is.
Tegelijkertijd hebben GenAI, vooral grote taalmodellen (LLM's), nieuwe mogelijkheden geopend om de cognitieve architectuur van redeneren te evalueren. GenAI-systemen hebben de mogelijkheid om via natuurlijke taal met leerlingen te communiceren om hen te betrekken bij adaptatieve, dialooggebaseerde omgevingen die hypothesegeneratie, het vormen van differentiële diagnoses en de rechtvaardiging van management bevragen. Deze systemen kunnen de antwoorden van leerlingen onderzoeken op basis van technieken van natuurlijke taalverwerking die een potentieel gepersonaliseerde en schaalbare beoordeling bieden van redeneerprocessen die voorheen moeilijk objectief te meten waren 10,11,12.
Bovendien is de bestaande literatuur onsamenhangend en heterogeen qua methodologie. Veel van het bestaande bewijs is gebaseerd op pilotstudies, technische rapporten of toepassingen die vooral gericht zijn op training in plaats van op een daadwerkelijke evaluatie. Daarom zijn de meeste argumenten over de evaluatiemogelijkheden van VR en GenAI gebaseerd op technologische functionaliteit en niet op strenge empirische validatie. Het gerapporteerde bewijs van validiteit is gevarieerd, waarbij de inhoudsvaliditeit overwegend wordt gerapporteerd en er minimale verwijzingen naar interne structuur, betrouwbaarheid of correlaties met eerder vastgestelde beoordelingsmetingen.
Deze beperkingen worden verder verergerd door nieuwe kwesties rond bruikbaarheid, cognitieve belasting en ethische kwesties. Als voorbeeld bieden GenAI-systemen een interactieve oplossing die schaalbaar is; Echter, de problemen van informatieredundantie, variabiliteit in systeemrespons en vertrouwdheid van de gebruiker kunnen de interactie en prestaties van de leerling beïnvloeden. Evenzo kan het gebrek aan transparantie, eerlijkheid en verantwoording in de beoordelingsscenario's worden beschouwd als een probleem van het black box-karakter van AI-gedreven scores. Qua implementatie hebben VR-systemen een enorme investering in infrastructuur nodig, terwijl de adoptie van GenAI gebaseerd is op institutionele paraatheid, governance en afstemming met de onderwijsdoelen. Deze factoren onderstrepen het belang van een meer conceptueel en organisatorisch kader bij het beoordelen van hoe dergelijke technologieën in het oncologieonderwijs kunnen worden geïntegreerd.
In lijn hiermee zal deze review een diepgaande narratieve synthese bieden van actuele literatuur over VR en GenAI in het oncologieonderwijs, met een specifieke focus op hun toepassing bij het evalueren van klinisch redeneren. Het is met name bedoeld om (1) technologische ontwerpen en contexten van implementatie van deze tools te beschrijven; (2) het bewijs van de gerapporteerde validiteit en onderwijsresultaten te beoordelen; en (3) schetst de belangrijkste uitdagingen, zoals cognitieve, ethische en organisatorische zorgen, en de toekomstige richtingen van onderzoek en praktijk. Belangrijke academische databases werden systematisch doorzocht om relevante literatuur te vinden, maar zoals gebruikelijk bij overzichtsartikelen, richt dit artikel zich op interpretatie, synthese en niet op procedurele rapportage.
Figuur 1 geïntegreerd model dat VR-gebaseerde beoordeling van klinische acties combineert met GenAI-gebaseerde beoordeling van klinische cognitie. Deze dubbele benadering omvat zowel gedrags- als analytische dimensies van klinisch redeneren voor uitgebreide evaluatie en feedback.
Figuur 1: Geïntegreerd model van klinische redeneerbeoordeling met VR en GenAI. Deze figuur toont een geïntegreerd model dat Virtual Reality (VR) combineert voor het beoordelen van actiegedreven klinisch redeneren (bijv. workflow, procedures, teamwork) met Generatieve AI (GenAI) voor het beoordelen van cognitief en dialogisch redeneren (bijv. diagnose, rechtvaardiging, reflectie). Klik hier om een grotere versie van deze figuur te bekijken.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Review en perspectief
Technologietypologie en implementatie
De huidige situatie op het gebied van digitale technologieën voor klinische redeneerevaluatie in het oncologieonderwijs wordt gekenmerkt door twee paradigma's van digitale technologieën. Huidige benaderingen zijn gebaseerd op systemen gebaseerd op VR en GenAI. Hoewel beide methoden streven naar het verbeteren van de evaluatie van complexe klinische competenties, verschillen ze aanzienlijk op technologisch fundament, interactie en beoordelingslogica13,14. Deze systemen plaatsen leerlingen in realistische oncologische omgevingen, of het nu gaat om een poliklinisch consult, het in-kamerbeheer van oncologische noodgevallen, of in een multidisciplinaire besluitvormingscontext met behulp van hoofdgemonteerde displays en interactieve interfaces6.
Een voordeel van VR-systemen is dat ze gedetailleerde gedragsgegevens kunnen vastleggen met behulp van embedded analytics. Deze gegevens bestaan uit een reeks acties, een beslissingsschema, navigatie en naleving van klinische richtlijnen. Deze maatregelen stellen docenten in staat om de procedurele elementen van klinisch redeneren te beoordelen, zoals gegevensverzameling, prioritering van diagnostische acties en implementatie van managementpaden15. Het implementeren van VR-gebaseerde beoordelingstools gaat echter gepaard met aanzienlijke infrastructurele en logistieke uitdagingen. Hoge initiële kosten voor hardwareaanschaf, softwareontwikkeling en onderhoud kunnen de toegankelijkheid beperken, vooral in omgevingen met beperkte middelen16. Daarnaast bemoeilijkt de behoefte aan toegewijde fysieke ruimte, technische ondersteuning en opleiding van docenten de grootschalige inzet verder. Deze beperkingen beperken VR-toepassingen vaak tot gespecialiseerde simulatiecentra, waardoor hun schaalbaarheid en brede integratie in oncologiecurricula worden beperkt.
Omgekeerd worden GenAI-gebaseerde tools uitgevoerd via natuurlijke taalinteractie, wat een nieuwe evaluatiemethode biedt. Ontwikkeld op basis van grote taalmodelarchitecturen, betrekken ze leerlingen in interactieve, tekst- of spraakgebaseerde gesprekken, die klinische redeneermechanismen nabootsen. De leerlingen worden aangemoedigd om de differentiële diagnoses te beschrijven, de onderbouwing achter managementbeslissingen te beschrijven en te antwoorden op de veranderende klinische situaties, waarbij het systeem formatieve feedback en beoordeling biedt10,11.
Het belangrijkste voordeel van GenAI-systemen is dat ze de cognitieve en analytische aspecten van klinisch redeneren kunnen evalueren. Deze tools kunnen de structuur, samenhang en diepgang van redeneren door een leerling beoordelen door naar de taaloutput te kijken en verder te gaan dan correctheid om kwalitatieve informatie te verkrijgen over het denkproces. Bovendien hebben GenAI-oplossingen aanzienlijke voordelen op het gebied van schaalbaarheid en toegankelijkheid. Ze kunnen ook worden geïmplementeerd in externe en asynchrone leercontexten, in tegenstelling tot VR-systemen, die alleen via webgebaseerde interfaceskunnen worden geïmplementeerd.
Ondanks de voordelen zijn er aanzienlijke nadelen aan op GenAI gebaseerde beoordelingstools. De afhankelijkheid van natuurlijke taalverwerking brengt problemen met zich mee rond de betrouwbaarheid van scores, interpreteerbaarheid en transparantie. Veel systemen zijn black boxes, dat wil zeggen dat de logica van de beoordelingsbeslissing niet altijd beschikbaar is voor de docenten of leerlingen17. Het belangrijkste thema dat in de literatuur duidelijk is, is de intrinsieke afweging tussen ecologische validiteit en schaalbaarheid tussen de twee technologische paradigma's. VR-systemen zijn goed in hun vermogen om realistische klinische omgevingen na te bootsen en belichaamde besluitvorming vast te leggen, maar zijn resource-intensief en daardoor beperkt qua schaalbaarheid. GenAI-systemen daarentegen kunnen worden gebruikt om cognitieve processen op een schaalbare en dialooggebaseerde manier te beoordelen7.
Cruciaal is dat er een aanzienlijk gebrek is aan bestaande literatuur die geïntegreerde of hybride platforms omvat die de voordelen van zowel VR als GenAI op één lijn brengen. Dit type integratie kan gelijktijdige meting van procedurele prestaties en cognitief redeneren vergemakkelijken, aangezien de aard van klinische besluitvorming onderling verbonden is18. Vanuit implementatieperspectief zijn technische capaciteiten niet de enige factoren die de adoptie van technologie bepalen; Organisatorische en omgevingsfactoren spelen ook een rol. Modellen zoals het Technology-Organization-Environment (TOE) model zijn een goed perspectief om deze dynamiek te verklaren19.
In het algemeen verlicht de typologie van VR- en GenAI-tools een discontinu maar snel evoluerende ruimte. Hoewel beide technologieën hun unieke voordelen hebben bij het meten van een bepaald aspect van klinisch redeneren, biedt hun bestaande scheiding niet de mogelijkheid om ze volledig te evalueren. Het dichten van deze kloof door middel van conceptuele integratie, technologische innovatie en contextgevoelige implementatiestrategieën zal noodzakelijk zijn om het veld richting meer uitgebreide en effectieve beoordelingsmodellen te brengen.
Klinische redeneerconstructies en iteratieve beoordeling
Klinisch redeneren is een multidimensionaal concept dat cognitieve, metacognitieve en gedragsmatige processen omvat die diagnostische en therapeutische besluitvorming ondersteunen. In de oncologie maken onzekerheid, dynamisch bewijs en de noodzaak van interdisciplinaire coördinatie deze processen verder ingewikkeld. De literatuur conceptualiseert klinisch redeneren steeds meer als een continuüm dat het verwerven van informatie, het genereren van hypothesen, het verfijnen van diagnose, het besluitvormingsproces en de reflectieveevaluatie omvat.
De op VR gebaseerde systemen zijn grotendeels consistent met de evaluatie van de waarneembare en actiegerichte aspecten van klinisch redeneren. Door leerlingen in gesimuleerde klinische omgevingen te plaatsen, maken deze platforms het mogelijk om te testen hoe mensen kennis verwerven, zich richten op diagnostische processen en een reeks operaties uitvoeren. Het richt zich op de vertaling van redeneren naar actie, waarbij de klinische beslissingen gebaseerd zijn op interactiepatronen in de gesimuleerde omgeving22.
GenAI-gebaseerde systemen richten zich daarentegen op de processen van het opwekken en analyseren van interne cognitieve processen die ten grondslag liggen aan klinisch redeneren. Natuurlijke taalinteractie moedigt leerlingen aan om de verschillende diagnoses te uiten, klinische behandelingskeuzes te rechtvaardigen en na te denken over klinische onzekerheden. Dergelijke systemen bepalen redeneren door semantische coherentie, logische structuur en diepte van de antwoorden van de leerling te meten, meestal door natuurlijke taalverwerkingsmethoden toe te passen om een benadering te geven van deskundig oordeel13,10.
Hoewel dit complementaire sterke punten zijn, is een zwakte die in de literatuur het meest kritisch is gebleken de adversariële fragmentatie van beoordeling tussen cognitieve en gedragsdomeinen. Een praktijk van klinisch redeneren is van nature iteratief, wat betekent dat er constante feedback is tussen denken en handelen. Dit is een belangrijk cyclisch proces in een effectief klinisch besluitvormingsproces, vooral in de oncologie, waarbij de omstandigheden en reacties van patiënten op de behandeling in de loop van de tijd veranderen11.
Deze dynamische interactie wordt vaak niet weerspiegeld in de huidige VR- en GenAI-tools. VR-systemen leiden over het algemeen redeneren af uit waarneembaar gedrag zonder noodzakelijkerwijs de onderliggende mentale processen te bereiken, terwijl GenAI-systemen gearticuleerd redeneren buiten de context van klinisch gedrag analyseren. Daardoor presenteren beide strategieën bevooroordeelde beelden van klinische competentie en kunnen ze het volledige scala aan redeneeractiviteiten niet adequaat evalueren. De andere belangrijke zwakte is het gebruik van geautomatiseerde analyse als belangrijkste evaluatieinstrument. In VR wordt de analyse van logbestanden gebruikt om het gedrag van gebruikers te begrijpen, maar deze metingen zijn mogelijk niet voldoende om de redenering achter klinische keuzes te begrijpen. Evenzo wordt algoritmische interpretatie van taal vaak gebruikt om GenAI-systemen te beoordelen en kan het taalnuances zoals klinische intuïtie, onzekerheidshantering of contextspecifieke redenering negeren23.
Daarnaast merkt de literatuur het ontbreken op van gestandaardiseerde methoden om technologie-uitkomsten te koppelen aan bekende modellen van klinisch redeneren. Hoewel er studies zijn die VR impliciet verbinden met procedureel redeneren en GenAI met cognitief redeneren, plaatsen niet veel studies deze tools in de context van gevalideerde theoretische constructies. Dit verschil beperkt de mogelijkheden om vergelijkingen te maken met de resultaten van andere studies en het vormen van een consistente structuur van technologie-ondersteunde beoordeling24.
De focus van toekomstig onderzoek op dit gebied zou moeten liggen op het integreren van cognitieve en gedragsmatige beoordelingsmodaliteiten. Combinatie-hybride systemen Hybride systemen die immersieve simulatie integreren met realtime, door AI gemedieerde dialogen kunnen het iteratieve karakter van klinisch redeneren beter omarmen. Hierbij kan het gedrag van leerlingen in een virtuele omgeving een vragend antwoord van een AI-agent uitlokken, waardoor ze zowel kunnen beoordelen wat leerlingen doen als waarom ze het doen op hetzelfde moment25,26.
Al met al, hoewel VR- en GenAI-technologieën nuttige inzichten bieden in specifieke aspecten van klinisch redeneren, blijft hun toepassing momenteel onsamenhangend. Integratie van concepten, methodologische strengheid en technologische innovatie zal nodig zijn om deze fragmentatie aan te pakken en uitgebreide, betekenisvolle beoordelingsstrategieën in het oncologieonderwijs te ontwikkelen. Tabel 1 belicht belangrijke verschillen tussen Virtual Reality (VR) en Generatieve AI (GenAI) voor het beoordelen van klinisch redeneren, waarbij hun respectievelijke focuspunten, interacties, sterke punten, beperkingen en data-output worden vergeleken. Bovendien illustreert Figuur 2 de iteratieve klinische redeneercyclus, die laat zien hoe VR gegevensverzameling, actie en reflectie ondersteunt, terwijl GenAI helpt bij het genereren, verfijnen en diagnostische uitleg van hypothesen. Samen maken ze een continue loop van geïnformeerde besluitvorming en ervaringsgericht leren mogelijk.
| Dimensie | Virtuele Realiteit (VR) | Generatieve AI (GenAI) |
| Beoordelingsfocus | Procedureel / gedragsmatig | Cognitief / analytisch |
| Interactiemodus | Immersieve simulatie | Dialooggebaseerd |
| Sterkte | Hoge ecologische validiteit | Hoge schaalbaarheid |
| Beperking | Resource-intensief | Beperkte transparantie |
| Datatype | Gedragslogboeken | Natuurlijke taalreacties |
Tabel 1: Vergelijking van VR versus GenAI in klinische redeneringsbeoordeling. Vergelijking van Virtual Reality (VR) en Generatieve AI (GenAI) voor klinische redeneerbeoordeling over belangrijke dimensies, waaronder de focus op beoordeling, interactiemodus, sterke punten, beperkingen en datatype.
Figuur 2: Iteratieve klinische redeneercyclus: bijdragen van VR en GenAI. De iteratieve klinische redeneercyclus illustreert hoe VR acties en prestaties vastlegt tijdens simulatietaken (informatieverzameling en besluitvorming), terwijl GenAI hypothesegeneratie, differentiële diagnose, uitleg en verfijning ondersteunt, wat samen continue reflectie en leren uit ervaring mogelijk maakt. Klik hier om een grotere versie van deze figuur te bekijken.
Validiteitsbewijs en meetbeperkingen
Het ontwikkelen van sterk validiteitsbewijs is essentieel voor het implementeren van elk beoordelingsinstrument, vooral in gebieden met hoge inzet zoals oncologieonderwijs. De moderne conceptualisering van de validiteitstheorie ziet geldigheid als een enkel construct dat wordt ondersteund door verschillende bronnen van bewijs, zoals inhoud, responsproces, interne structuur, relaties tot andere variabelen en de gevolgen van beoordeling27,28.
De meerderheid van de studies richt zich op de validiteit van de inhoud, wat doorgaans wordt aangetoond door deskundige beoordeling van klinische situaties, taakontwerp of beoordelingscriteria. Hoewel deze methoden ervoor zorgen dat het beoordelingsmateriaal relevant en consistent is met de oncologische praktijk, geven ze weinig informatie over het vermogen van de instrumenten om de onderliggende constructies van klinisch redeneren te meten. In de meeste situaties wordt de validatie van de inhoud beschouwd als voldoende bewijs van effectiviteit, ook al ontbreken strengere psychometrische praktijken29.
Er is minder consistente rapportage van bewijs over de validiteit van het responsproces – hoe leerlingen beoordelingsactiviteiten waarnemen en ermee omgaan. Andere studies gebruiken gebruiksvriendelijkheidstests, feedback van leerlingen of think-aloud-protocollen om te suggereren dat deelnemers op een gewenste manier met VR-omgevingen of GenAI-systemen omgaan. Bovendien is het nog niet duidelijk in hoeverre deze interacties het echte klinisch redeneren nauwkeurig kunnen vastleggen, vooral in gesimuleerde of door AI gemedieerde scenario's30.
Een van de belangrijkste beperkingen voor zowel VR- als GenAI-modaliteiten is het gebrek aan bewijs voor interne structuur. Betrouwbaarheidsmaten, waaronder interne consistentie, overeenstemming tussen beoordelaars of stabiliteit van test-hertest, worden zelden gerapporteerd. Dit is vooral problematisch voor tools die gebaseerd zijn op geautomatiseerde scores. GenAI-systemen zijn verder variabel in termen van scorealgoritmen die worden aangedreven door natuurlijke taalverwerking, waarbij resultaten kunnen variëren afhankelijk van promptontwerp, modelparameters of contextuele interpretatie31.
Evenzo is er beperkt bewijs voor relaties met andere variabelen. Niet veel studies hebben geprobeerd prestaties op VR- of GenAI-platforms te relateren aan bestaande beoordelingstechnieken, waaronder OSCE's, schriftelijke toetsen of werkplekbeoordelingen. Zonder dergelijke vergelijkingen wordt het moeilijk te bepalen of deze technologieën constructies meten die consistent zijn met de huidige kaders van klinische competentie. Zo'n tekort aan convergente en discriminerende validiteit beperkt de interpretatie en geloofwaardigheid van beoordelingsresultaten32.
De grootste kloof in de literatuur is echter het gebrek aan overdrachtsgeldigheid. Er zijn weinig tot geen gegevens die het concept ondersteunen dat praktijk in VR-simulaties of op GenAI gebaseerde tests correleert met beter klinisch redeneren in de daadwerkelijke oncologiepraktijk. Aangezien het uiteindelijke doel van medische opleiding het verbeteren van de patiëntenzorg is, is deze beperking een van de grootste obstakels bij het implementeren van dergelijke instrumenten in formele beoordelingsprogramma's. Bij afwezigheid van longitudinale of uitkomststudies is het educatieve effect van deze technologieën beperkt tot de gesimuleerde of experimentele situatie waarin ze worden geïmplementeerd33.
Naast deze psychometrische nadelen zijn er andere uitdagingen door het groeiende gebruik van geautomatiseerde analyse. Zowel VR als GenAI zijn sterk afhankelijk van algoritmische interpretatie van gebruikersgedrag of taal, wat vragen oproept over transparantie en interpreteerbaarheid. De black-box aard van grote taalmodellen in de context van op GenAI gebaseerde beoordelingen maakt het bemoeilijken hoe scores worden geproduceerd en hoe onbevooroordeelde scores gegarandeerd kunnen worden. Dergelijke onverklaarbaarheid kan het vertrouwen tussen leraren en leerlingen vernietigen, vooral in omgevingen met hoge inzet34.
Een ander belangrijk probleem is vooringenomenheid in AI-gebaseerde evaluatie. De trainingsgegevens die worden gebruikt om taalmodellen te maken, kunnen verschillen in klinische kennis, communicatiepatronen of culturele praktijken vastleggen, wat leidt tot systematische verschillen in scores tussen de leerlinggroepen. Als ze niet worden aangepakt, kunnen dergelijke vooroordelen ernstige gevolgen hebben voor de aspecten van eerlijkheid en gelijkheid in het medische onderwijs35.
Daarnaast worden de implicaties van beoordeling, een ander belangrijk aspect van validiteit, zelden besproken in de bestaande literatuur. Zeer weinig onderzoek onderzoekt de effecten van het gebruik van VR- of GenAI-tools op het gedrag, het onderwijspad of de besluitvorming van leerlingen in klinische omgevingen. Het gebrek aan studies over de downstream-effecten beperkt de kennis over de positieve en mogelijke onbedoelde effecten van deze technologieën36.
Samenvattend zijn VR- en GenAI-technologieën veelbelovend voor het bieden van nieuwe methoden om klinisch redeneren te evalueren, maar de bestaande bewijsbasis is onvoldoende om ze in situaties met hoge inzet toe te passen. In alle gebieden zal het verbeteren van de validiteit de volgende stap garanderen: het transformeren van deze hulpmiddelen van experimenteel gebruik naar effectieve elementen van evaluatie van oncologie-educatie. Tabel 2 vat validiteitsbewijs voor VR en GenAI samen over vier domeinen—inhoud, interne structuur, relaties tot andere variabelen en gevolgen—terwijl belangrijke beperkingen worden benadrukt, waaronder door experts gedreven ontwerpen, tests met beperkte betrouwbaarheid, schaarse vergelijkende studies en het ontbreken van langetermijnuitkomstgegevens.
| Geldigheidsdomein | VR-bewijs | GenAI-bewijs | Belangrijke beperking |
| Inhoud | Sterk | Gematigd | Voornamelijk door experts gedreven |
| Interne structuur | Beperkt | Beperkt | Gebrek aan betrouwbaarheidstesten |
| Relaties met andere variabelen | Schaars | Schaars | Weinig vergelijkende studies |
| Gevolgen | Minimaal | Minimaal | Geen langetermijnresultaten |
Tabel 2: Validiteitsbewijs over technologieën heen. Deze tabel toont validiteitsbewijs voor VR en GenAI in klinische redeneerbeoordeling over inhoud, interne structuur, relaties tot andere variabelen en gevolgdomeinen
Onderwijsresultaten en interpretatieve voorzichtigheid
De toegenomen adoptie van Virtual Reality (VR) en Generatieve Kunstmatige Intelligentie (GenAI) in het oncologieonderwijs is geaccepteerd door literatuur die over het algemeen positieve onderwijsresultaten documenteert. Deze zijn verbeterde betrokkenheid van leerlingen, motivatie, het waargenomen realisme van leeromgevingen en het vermogen om directe, gepersonaliseerde feedback te ontvangen 37,38,39. Dergelijke bevindingen suggereren dat deze technologieën veelbelovend zijn voor het verrijken van onderwijservaringen en het ondersteunen van de ontwikkeling van klinische redeneervaardigheden.
Een aanzienlijk percentage van de gerapporteerde resultaten wordt zelf gerapporteerd, zoals leertevredenheid, waargenomen zelfvertrouwen of subjectieve leerevaluatie. Hoewel deze indicatoren waardevolle informatie bieden over gebruikerservaring, zijn ze niet altijd geassocieerd met tastbare klinische redenering of verbeteringen in klinische prestaties40. In het geval van objectieve rapportage richten ze zich meestal op de resultaten van prestaties op het technologische platform zelf. Hoewel deze resultaten kunnen suggereren dat het hulpmiddel succesvol is gebruikt, bepalen ze niet of zo'n interactie verder kan worden vertaald naar algemene competentie in klinisch redeneren. De winst die wordt behaald in gecontroleerde of gesimuleerde omgevingen kan worden geassocieerd met vertrouwdheid met het systeem, in tegenstelling tot echte cognitieve of gedragsmatige groei53. De andere beperking is te maken met de methodologische kenmerken van de bestaande studies. Veel van de literatuur bestaat uit kleinschalige, een-instelling studies met beperkte steekproefgroottes en korte interventieperiodes. Deze beperkingen verminderen de statistische kracht en beperken de generaliseerbaarheid van de resultaten naar een breed scala aan onderwijsomgevingen33.
Het overdraagbaarheidsprobleem is van bijzonder belang in kankervoorlichting. Oncologische klinische redenering is een complex en longitudinaal besluitvormingsproces dat plaatsvindt binnen een tijdsbestek en binnen klinische contexten. Toch ontbreekt er literatuur over de vraag of vaardigheden die in VR- of GenAI-interventies zijn getraind blijven na de directe leercontext of de echte klinische praktijk beïnvloeden. Bovendien mengt de literatuur vaak trainings- en beoordelingsresultaten. De meeste VR- en GenAI-toepassingen hebben als primair doel het faciliteren van leren als educatief hulpmiddel, maar hun succes wordt soms gezien als een teken van validiteit van de beoordeling. Om nauwkeurig te interpreteren is het belangrijk om de voordelen van formatief leren en het nut van summatieve beoordeling42 te onderscheiden.
Er zijn ook cognitieve redenen die de interpretatie van onderwijsresultaten ingewikkelder maken. Geavanceerde technologieën brengen een scala aan cognitieve belastingen met zich mee en kunnen de prestaties van leerlingen beïnvloeden. Zo kunnen immersieve VR-systemen overbodige cognitieve belasting hebben op het gebied van navigatie, interactie met de interface of sensorische verwerking. Met het juiste ontwerp en de juiste vertrouwdheid met de gebruiker kunnen deze factoren het lerenvergemakkelijken of belemmeren. De gebruikerservaring en eerdere ervaring met technologie spelen ook factoren. Studenten die meer gewend zijn aan computerinterfaces of AI-gestuurde systemen kunnen beter presteren, niet per se omdat ze meer klinisch redeneren, maar door een handigere interactie met het systeem43.
De mogelijkheid van onbedoelde gevolgen is een andere factor die in overweging moet worden genomen. Ter illustratie: een overmatige afhankelijkheid van door AI ontwikkelde feedback kan de kans op logisch denken of kritische analyse verminderen. Evenzo kunnen goed gearticuleerde VR-situaties onbedoeld besluitvorming beperken door het aantal mogelijke acties te verminderen. De huidige literatuur onderzoekt deze effecten niet uitgebreid, maar ze hebben wel significante implicaties voor onderwijsontwerp44.
Hoewel deze beperkingen bestaan, mogen de positieve tendensen die zijn vastgelegd op het gebied van leerlingbetrokkenheid en ervaringsgericht leren niet worden genegeerd. Veilige oefenomgevingen, realtime feedback en de mogelijkheid om keer op keer aan ingewikkelde situaties te worden blootgesteld, zijn de voordelen van VR- en GenAI-technologieën. Deze kenmerken kunnen worden geassocieerd met de huidige onderwijstheorieën, zoals ervaringsgericht leren en bewuste praktijk, die actief leren en continue verbetering prioriteren45.
Al met al laten VR- en GenAI-technologieën een aanzienlijke belofte zien om het oncologieonderwijs te transformeren, maar de bewijsbasis is momenteel beperkt in methodologie en interpretatie. Een kritische en voorzichtige houding is daarom noodzakelijk om te voorkomen dat de bevindingen worden overgeneraliseerd en om zeker te zijn dat beweringen over de effectiviteit van onderwijs sterk empirisch bewijs hebben.
Cognitieve, ethische en organisatorische overwegingen
Cognitief kan de ontwikkeling van deze technologieën en hun toepassing een aanzienlijke invloed hebben op hoe leerlingen informatie waarnemen en klinisch redeneren toepassen. De cognitieve belastingtheorie biedt een praktisch kader om deze effecten te begrijpen met drie typen cognitieve belasting, namelijk intrinsieke, buitensporige en relevante cognitieve belasting43. Hoewel VR-omgevingen meeslepend en boeiend zijn, kunnen ze een aanzienlijke hoeveelheid buitensporige cognitieve belasting op gebruikers leggen, wat navigatie, zintuiglijke stimulatie en de complexiteit van de interface vereist. Tenzij goed gepland, kunnen dergelijke factoren de cognitieve middelen verschuiven naar andere gebieden dan essentiële redeneerprocessen, waardoor de leer- en beoordelingsprestaties38 worden tenietgedaan.
Op dezelfde manier brengen GenAI-systemen nieuwe cognitieve uitdagingen met zich mee op het gebied van informatiepresentatie en de dynamiek van interactie. Een voorbeeld is dat overmatige of redundante feedback die door AI-systemen wordt geproduceerd kan leiden tot informatie-overload, wat succesvol leren kan belemmeren. Aan de andere kant kan goed ontworpen, adaptieve feedback de relevante cognitieve belasting vergroten door schemavorming en reflectief denken46. De balans tussen begeleiding en cognitieve autonomie is daarom cruciaal, omdat een overmatige afhankelijkheid van door AI gegenereerde reacties de kansen voor zelfstandig probleemoplossend en kritisch denken kan verminderen.
Cognitieve betrokkenheid bij dergelijke technologieën wordt ook bemiddeld door gebruikersvertrouwdheid en digitale geletterdheid44.
Ethiek is ook een belangrijk aspect bij de implementatie van VR en GenAI bij het beoordelen van onderwijs. Een van de meest opvallende kwesties is het concept van algoritmische bias in AI-gebaseerde systemen. Machine learning-modellen, zoals grote taalmodellen, worden getraind op grote hoeveelheden data die mogelijk bevooroordeeld zijn ten opzichte van bestaande sociale, culturele of professionele normen. Daardoor kunnen beoordelingsresultaten leiden tot ongewenste discriminatie van specifieke groepen leerlingen, en worden eerlijkheid en gelijkheid ter discussie gesteld35. Andere ethische kwesties zijn transparantie en uitlegbaarheid. De meeste GenAI-systemen zijn black boxes, zonder expliciete beschrijvingen van het besluitvormingsproces. Deze interpreteerbaarheid in toetsen kan leiden tot een gebrek aan vertrouwen tussen leerlingen en docenten, vooral wanneer het eindproduct ernstige academische implicaties heeft34.
Beveiliging en privacy van de gegevens zijn ook een belangrijke factor om te overwegen, aangezien educatieve en mogelijk klinische gegevens gevoelig zijn. VR kan worden gebruikt om gedetailleerde gedragsgegevens vast te leggen, terwijl GenAI-platforms grote hoeveelheden tekstuele data kunnen verwerken. Om ethische normen en vertrouwen in de instelling te handhaven, is het belangrijk ervoor te zorgen dat de regels voor gegevensbescherming worden nageleefd en dat de informatie van degebruikers beschermd blijft.
Naast individuele kwesties zijn organisatorische kwesties doorslaggevend voor de succesvolle adoptie van deze technologieën. Het implementeren van VR en GenAI in het oncologieonderwijs moet in lijn zijn met de doelstellingen van de instellingen, toegang tot middelen en de ondersteunende governance-kaders. Het Technology-Organization-Environment (TOE) model is een waardevol hulpmiddel om deze factoren te onderzoeken en zich te richten op de interactie tussen technologische paraatheid, organisatorische capaciteiten en de impact van de externe omgeving48.
De organisatorische gereedheid omvat de competentie van de faculteit, training en de acceptatie van nieuwe technologieën. De mogelijke weerstand tegen adoptie kan verband houden met angst voor betrouwbaarheid, overbelasting of simpelweg onbekendheid met AI-gestuurde systemen. Deze beperkingen kunnen worden overwonnen door gerichte opleidingsprogramma's voor docenten en door expliciete regels te hebben over hoe technologie wordt gebruikt in beoordeling49.
Een nieuwe benadering van het vakgebied richt zich op het idee van verlichte autonomie, waarbij AI-systemen worden gecreëerd om menselijk oordeel te ondersteunen en niet te vervangen. Deze methode stelt de harmonieuze combinatie van geautomatiseerde analyse en menselijke controle voor, waarbij technologie besluitvorming zou verbeteren zonder verantwoording of professionaliteit te verstoren50. In de context van klinische redeneerbeoordeling kan dit inhouden dat AI-gegenereerde inzichten worden gecombineerd met deskundige evaluatie om een meer uitgebreid en betrouwbaar beoordelingsproces te bereiken.
Al met al omvat de introductie van VR en GenAI in het oncologieonderwijs meer dan alleen technische innovatie; Het onderzoekt ook complexe cognitieve, ethische en organisatorische aspecten. Deze overwegingen zijn cruciaal om ervoor te zorgen dat deze technologieën maximaal worden benut qua educatieve waarde en verminderde risico's. Een interdisciplinaire strategie die rekening houdt met het gebruikersgerichte ontwerp, ethische overwegingen en institutionele paraatheid zal essentieel zijn voor de ontwikkeling van verantwoord gebruik van technologie in klinische redeneerbeoordeling. Figuur 3 Het Technology-Organization-Environment (TOE) kader dat belangrijke implementatiefactoren identificeert voor de integratie van VR en GenAI in het oncologieonderwijs. Succesvolle adoptie vereist afstemming over systeemcapaciteiten, organisatorische ondersteuning en externe omgevingsomstandigheden.
Figuur 3: Technology-Organization-Environment (TOE) kader voor het implementeren van VR en GenAI in het oncologieonderwijs. Het Technology-Organization-Environment (TOE) raamwerk werd toegepast op de integratie van VR en GenAI in het oncologieonderwijs, waarbij belangrijke factoren werden benadrukt zoals systeemcapaciteit, leiderschap en curriculum, evenals regelgevende, financierings- en culturele overwegingen voor een succesvolle implementatie. Klik hier om een grotere versie van deze figuur te bekijken.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Conclusies
Klinisch redeneren in de oncologie is een groeiend en uitdagend onderwerp dat al lange tijd een complex, dynamisch, risicovol en contextspecifiek aspect is van oncologische besluitvorming. Deze review heeft de nieuwe functies van Virtual Reality (VR) en Generatieve Kunstmatige Intelligentie (GenAI) besproken als innovatieve oplossingen voor de beperkingen van conventionele beoordelingstechnieken. Gezamenlijk suggereert het bewijs dat deze technologieën niet-overlappende voordelen bieden,...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Dankbetuigingen
Financiering: Fonds: Algemeen Onderzoeksproject (Natuurwetenschappelijke Categorie) van het Provinciaal Departement Onderwijs van Zhejiang (Subsidie nr. Y202558353).
Fonds: Onderzoeksproject over hoger onderwijs Speciaal project: Kunstmatige intelligentie die onderwijs en onderwijstoepassingen versterkt (KT2025426)
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Referenties
- Shimizu, H., Nakayama, K. I. Artificial intelligence in oncology. Cancer Sci. 111 (5), 1452-1460 (2020).
- Ginsburg, K. B., Curtis, G. L., Timar, R. E., George, A. K., Cher, M. L. Delayed radical prostatectomy is not associated with adverse oncologic outcomes: implications for men experiencing surgical delay due to the COVID-19 pandemic. J Urol. 204 (4), 720-725 (2020).
- Egbuna, I., Olatokun, T., Ozo-Ogueji, P., Ekechi, C., Akinbo, O., et al. Revolutionizing cancer surgery: Harnessing artificial intelligence and augmented reality for next-generation precision oncology. Int J Life Sci Res Arch. 9 (1), 147-176 (2025).
- Sminia, P., et al. Clinical radiobiology for radiation oncology. Radiobiology textbook. , (2023).
- Wood, E. A., Ange, B. L., Miller, D. D. Are we ready to integrate artificial intelligence literacy into medical school curriculum? Students and faculty survey. J Med Educ Curric Dev. 8, 23821205211024078 (2021).
- Kok, D. L., Dushyanthen, S., Peters, G., Sapkaroski, D., Barrett, M., et al. Virtual reality and augmented reality in radiation oncology education: A review and expert commentary. Tech Innov Patient Support Radiat Oncol. 24, 25-31 (2022).
- Rahimi, F., Sadeghi-Niaraki, A., Choi, S. M. Generative AI meets virtual reality: A comprehensive survey on applications, challenges, and future directions. IEEE Access. 13, 1-20 (2025).
- von Ende, E., Ryan, S., Crain, M. A., Makary, M. S. Artificial intelligence, augmented reality, and virtual reality advances and applications in interventional radiology. Diagnostics (Basel). 13 (5), 892 (2023).
- Esmail, S., Concannon, B. Immersive virtual reality and AI (generative pretrained transformer) to enhance student preparedness for objective structured clinical examinations: Mixed methods study. JMIR Serious Games. 13, e69428 (2025).
- Gilson, A., Safranek, C. W., Huang, T., Socrates, V., Chi, L., et al. How does ChatGPT perform on the United States Medical Licensing Examination (USMLE)? The implications of large language models for medical education and knowledge assessment. JMIR Med Educ. 9 (1), e45312 (2023).
- Kung, T. H., Cheatham, M., Medenilla, A., Sillos, C., De Leon, L., et al. Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models. PLoS Digit Health. 2 (2), e0000198 (2023).
- Xu, L., Sanders, L., Li, K., Chow, J. C. Chatbot for health care and oncology applications using artificial intelligence and machine learning: Systematic review. JMIR Cancer. 7 (4), e27850 (2021).
- Pottle, J. Virtual reality and the transformation of medical education. Future Healthc J. 6 (3), 181-185 (2019).
- Farina, E., Nabhen, J. J., Dacoregio, M. I., Batalini, F., Moraes, F. Y. An overview of artificial intelligence in oncology. Future Sci OA. 8 (4), FSO787 (2022).
- Hamilton, A. Artificial intelligence and healthcare simulation: The shifting landscape of medical education. Cureus. 16 (5), e00000 (2024).
- Siddiqui, F. M., Jabeen, S., Alwazzan, A., Vacca, S., Dalal, L., et al. Integration of augmented reality, virtual reality, and extended reality in healthcare and medical education: A systematic review. J Med Educ Curric Dev. 12, 23821205251342315 (2025).
- Wang, S., Zhang, H. Industrial information integration through autonomous AI agents: Paradoxical effects on transparency, dehumanization, and responsible operations. J Ind Inf Integr. 51, 101089 (2026).
- Tortora, A., Amaro, I., Della Greca, A., Barra, P. Exploring the role of generative artificial intelligence in virtual reality: Opportunities and future perspectives. , 125-142 (2025).
- Wang, S., Zhang, H. Generative AI in international hotel marketing: Impacts on employee creativity and performance. Int J Contemp Hosp Manag. 37 (8), 2601-2626 (2025).
- Christensen, N., Jones, M. A., Rivett, D. A., Jones, M. A., Rivett, D. A. Strategies to facilitate clinical reasoning development. Clinical reasoning in musculoskeletal practice. , 562-582 (2019).
- Cook, D. A., Sherbino, J., Durning, S. J. Management reasoning: Beyond the diagnosis. JAMA. 319 (22), 2267-2268 (2018).
- Croskerry, P. A universal model of diagnostic reasoning. Acad Med. 84 (8), 1022-1028 (2009).
- Norman, G. Research in clinical reasoning: Past history and current trends. Med Educ. 39 (4), 418-427 (2005).
- Topol, E. J. High-performance medicine: The convergence of human and artificial intelligence. Nat Med. 25 (1), 44-56 (2019).
- Durning, S. J., Artino, A. R., Pangaro, L. N., van der Vleuten, C., Schuwirth, L. Redefining context in the clinical encounter: Implications for research and training in medical education. Acad Med. 85 (5), 894-901 (2010).
- Bickmore, T. W., Giorgino, T. Health dialog systems for patients and consumers. J Biomed Inform. 39 (5), 556-571 (2006).
- Messick, S. Validity. educational measurement. , 13-103 (1989).
- Cook, D. A., Beckman, T. J. Current concepts in validity and reliability for psychometric instruments: Theory and application. Am J Med. 119 (2), 166.e7-166.e16 (2006).
- Downing, S. M. Validity: On meaningful interpretation of assessment data. Med Educ. 37 (9), 830-837 (2003).
- Artino, A. R., La Rochelle, J. S., Dezee, K. J., Gehlbach, H. Developing questionnaires for educational research: AMEE Guide No. 87. Med Teach. 36 (6), 463-474 (2014).
- Gwet, K. L. . Handbook of inter-rater reliability. , (2021).
- Norcini, J., Anderson, M. B., Bollela, V., Burch, V., Costa, M. J., et al. Criteria for good assessment: Consensus statement and recommendations from the Ottawa 2010 Conference. Med Teach. 33 (3), 206-214 (2011).
- Cook, D. A., Hatala, R., Brydges, R., Zendejas, B., Szostek, J. H., et al. Technology-enhanced simulation for health professions education: A systematic review and meta-analysis. JAMA. 306 (9), 978-988 (2011).
- Topol, E. J. . Deep medicine: How artificial intelligence can make healthcare human again. , (2019).
- Obermeyer, Z., Powers, B., Vogeli, C., Mullainathan, S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 366 (6464), 447-453 (2019).
- van der Vleuten, C. P. M., Schuwirth, L. W. T. Assessing professional competence: From methods to programmes. Med Educ. 39 (3), 309-317 (2005).
- Radianti, J., Majchrzak, T. A., Fromm, J., Wohlgenannt, I. A systematic review of immersive virtual reality applications for higher education: Design elements, lessons learned, and research agenda. Comput Educ. 147, 103778 (2020).
- Makransky, G., Petersen, G. B. Immersive virtual reality and learning: A meta-analysis. Educ Psychol Rev. 31 (4), 915-943 (2019).
- Luckin, R., Holmes, W., Griffiths, M., Forcier, L. B. . Intelligence unleashed: An argument for AI in education. , (2016).
- Sitzmann, T., Ely, K., Brown, K. G., Bauer, K. N. Self-assessment of knowledge: A cognitive learning or affective measure?. Acad Manag Learn Educ. 9 (2), 169-191 (2010).
- Reeves, S., Fletcher, S., Barr, H., Birch, I., Boet, S., et al. A BEME systematic review of the effects of interprofessional education. Med Teach. 38 (7), 656-668 (2016).
- Issenberg, S. B., McGaghie, W. C., Petrusa, E. R., Lee Gordon, D., Scalese, R. J. Features and uses of high-fidelity medical simulations that lead to effective learning: A meta-analysis. Med Teach. 27 (1), 10-28 (2005).
- Sweller, J. Cognitive load theory. Psychol Learn Motiv. 55, 37-76 (2011).
- Liaw, S. S., Huang, H. M. Perceived satisfaction, perceived usefulness and interactive learning environments as predictors to self-regulation in e-learning environments. Comput Educ. 60 (1), 14-24 (2013).
- Carr, S. AI gone wild: Implications of artificial intelligence for education. Educ Technol. 60 (2), 3-10 (2020).
- Wang, S., Sun, Z. Roles of artificial intelligence experience, information redundancy, and familiarity in shaping active learning. Educ Inf Technol. 30 (2), 2525-2546 (2025).
- European Parliament and Council. General Data Protection Regulation (GDPR). Off J Eur Union. L119, 1-88 (2016).
- Tornatzky, L. G., Fleischer, M. . The processes of technological innovation. , (1990).
- Rogers, E. M. . Diffusion of innovations. , (2003).
- Floridi, L., Cowls, J. A unified framework of five principles for AI in society. Harv Data Sci Rev. 1 (1), 1-15 (2019).
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.