Fra mikroskop til algoritme: Erfaringer med at undervise bioanalytikerstuderende i machine learning gennem konkret simulations-øvelse

Introduktion:
Grundlæggende viden om avancerede digitale teknologier, herunder kunstig intelligens og machine lear-ning (ML), er i stigende grad nødvendig for bioanalytikere (1,2).
ML anvendes allerede i laboratoriediagnostik, og bioanalytikere har derfor behov for at forstå, hvordan ML fungerer samt hvilke potentialer og begrænsninger teknologierne har. Samtidig mangler der velbe-skrevne undervisningstilgange, der kan anvendes til at udvikle de studerendes forståelse af ML i tråd med klinisk praksis. Simulation og computational thinking (CT) er lovende tilgange (3), men der mangler kon-krete eksempler på praksisrelevant integration af ML i uddannelse. Kernen i CT er systematisk problem-løsning og strukturering af data i mindre dele Udvikling af ML-undervisning er derfor central for at styrke bioanalytikerstuderendes teknologiforståelse og professionelle dømmekraft.

Materiale og metode:
Vi præsenterer en simulationsøvelse med CTs fire faser som didaktisk ramme, hvor principper i ML intro-duceres gennem klassifikation af leukocytter. De studerende arbejder i grupper med et digitalt billedgen-kendelsesværktøj til at udvikle, træne og teste en klassifikationsmodel baseret på leukocytbilleder. Øvel-sen omfatter udvælgelse og organisering af data, træning af modellen samt fortolkning og vurdering af modellens klassifikationer gennem dialog og fælles analyse. For at undersøge de studerendes læreproces blev tre studiegruppers samtaler under øvelsen optaget og efterfølgende analyseret.

Resultat:
Simulationsøvelsen engagerer de studerende aktivt i udvikling, træning og test af en ML-model. Studie-gruppernes samtaler viser, at de studerende udvikler forståelse af sammenhængen mellem datagrundlag, algoritmiske processer og klassifikationsresultater. De reflekterer desuden over, hvordan datakvalitet påvirker modellens pålidelighed.

Diskussion:
Resultaterne peger på, at CT kan anvendes som didaktisk ramme til at strukturere undervisning i kom-plekse teknologier og gøre abstrakte principper konkrete. Dialog og det at tænke sammen kan understøt-te de studerendes kritiske tænkning og forståelse af teknologiens muligheder og begrænsninger.

Referencer:
1) Adler J, et al. Digital competence in laboratory medicine. J Lab Med. 2023;47(4):143–8.
2) Sharma A, Al-Haidose A, Al-Asmakh M, Abdallah AM. Integrating Artificial Intelligence into Bio-medical Science Curricula: Advancing Healthcare Education. Clin Pract. 2024;14(4):1391–403.
3) Jørgensen SF, Heiberg T, Lorenzen H, Birk T, E. Møller M, Liikanen E, et al. Case-study of teaching technological literacy for laboratory technological professions in the framework of computational thinking. Læring og Medier. 2025;18(32).