ChatGPT hemşirelik öğrencilerinde tanıda üstünlük göstermedi

Makalenin dört yazarı var. Sevinç Meşe, Kahramanmaraş İstiklal Üniversitesi Sağlık Bilimleri Fakültesi Hemşirelik Eğitimi Anabilim Dalı'nda görevli. Can Meşe aynı üniversitenin İletişim Fakültesi'nde, Dijital Oyun Tasarımı Bölümü'nde yer alıyor. Yanjun Pan ve Gözde Sirganci ise ABD'deki Southern Methodist Üniversitesi'nin eğitim fakültesine bağlı.

Dergi sayfasına göre etik onay, 30 Nisan 2025 tarihinde Kahramanmaraş İstiklal Üniversitesi Bilimsel Araştırma ve Yayın Etiği Kurulu'ndan alındı. Uygun 108 lisans öğrencisi rastgele üç gruba ayrıldı. Birinci grup vakaları tek başına çözdü. İkinci grup tek başına ama ChatGPT desteğiyle, üçüncü grup ise bir arkadaşıyla birlikte ChatGPT kullanarak çalıştı.

ChatGPT, OpenAI'nin büyük dil modeli (LLM; metin üreten yapay zekâ modeli) tabanlı sohbet botu. Üç haftalık vaka temelli öğrenme sürecinde öğrenciler cerrahi vakalar için hemşirelik tanıları formüle etti. Veriler Hemşirelik Tanısı Değerlendirme Formu, Bilişsel Yük Ölçeği ve yapay zekânın "kişilik" algısını ölçen bir araçla toplandı.

Bu yazıyı çalışmanın özetine ve dergi sayfasında erişilebilen bölümlere dayanarak hazırladık; tam metnin tamamını göremedik. Analize 91 öğrenci girdi: tek başına grubunda 28, bireysel ChatGPT grubunda 31, akranlı ChatGPT grubunda 32 kişi. Başlangıçtaki 108 kişiden 17'si analiz dışı kaldı. Kayıpların sekizi yapay zekâsız gruptandı; bu dengesizlik sonuçları etkilemiş olabilir.

Özete göre tanı becerisi müdahaleden sonra arttı; grup bazında ayrıntı özette yok. Ancak grup ile zaman arasında anlamlı bir etkileşim görülmedi (p=0,936). Yani ChatGPT'li koşulların klasik yönteme üstünlüğü gösterilemedi.

Bilişsel yük kuramı, öğrenme sırasında harcanan zihinsel çabayı türlerine ayırır. Toplam bilişsel yük üç grupta da azaldı. Öğrenmeye doğrudan yatırılan çaba anlamına gelen "yararlı bilişsel yük" akranlı ChatGPT grubunda sayısal olarak arttı. Bu artış istatistiksel anlamlılığa ulaşmadı; yazarlar da bulgunun daha büyük örneklemlerde tekrarlanması gerektiğini vurguluyor.

Çalışmanın güçlü yanı randomize ve üç kollu olması. Zayıf yanları ise tek merkezde yapılması, küçük örneklem ve üç haftalık kısa süre. Kullanılan ChatGPT sürümü ile tanı formunu kimin, körlenerek puanlayıp puanlamadığı erişebildiğimiz bölümlerde yer almıyor. Yazarlar çıkar çatışması bildirmedi; çalışma için özel bir fon alınmadı.

Bulgu, hemşirelik tanısıyla sınırlı olsa da klinik eğitimin geneline dair bir uyarı taşıyor. Öğrencinin eline bir sohbet botu vermek, tek başına daha iyi klinik akıl yürütme üretmiyor. Aracın hangi görevde, hangi yönlendirmeyle ve kiminle birlikte kullanıldığı belirleyici olabilir.

Stajyer, intörn ya da hemşirelik öğrencisi yetiştiren hekimler şunlara dikkat edebilir:

• Yapay zekâ kullanımını serbest bırakmak yerine hangi adımda ve nasıl kullanılacağını tanımlayın.
• Akran tartışmasını koruyun; bu çalışmada en umut verici sinyal akranlı grupta görüldü.
• Değerlendirmede öğrencinin kendi gerekçesini yazmasını isteyin; yalnız son tanıya bakmayın.
• Tek merkezli, küçük çalışmaları müfredat kararı için yeterli kanıt saymayın.

Bu sonuç, ChatGPT'nin işe yaramadığını da kanıtlamıyor. Küçük örneklemde gerçek ama küçük bir fark gözden kaçmış olabilir.

Çalışmanın ilk yazarı, Türkiye'deki bir üniversitenin hemşirelik eğitimi kadrosunda yer alıyor ve makale ABD'li eğitim araştırmacılarıyla ortak yazıldı. Etik onayın Kahramanmaraş İstiklal Üniversitesi'nden alınması, verinin orada toplandığını düşündürüyor; erişebildiğimiz bölümlerde bu açıkça yazmıyor. Yine de tek fakültede, sınırlı sayıda öğrenciyle yapıldığı için ülke geneline genelleme yapmak doğru olmaz.

Eğitimde sohbet botlarına gerçek hasta bilgisi girilecekse veri koruma boyutu da unutulmamalı. 6698 sayılı Kişisel Verilerin Korunması Kanunu (KVKK), sağlık verisini özel nitelikli kişisel veri sayar. Eğitim vakalarının kimliksizleştirilmiş ya da kurgusal olması güvenli bir varsayılandır.