Taal op recept: de vereenvoudiging van medische brochures door mensen en AI: Een onderzoek naar taalvariabelen waarmee menselijke redacteuren en ChatGPT pogen medische brochures te vereenvoudigen voor een hogere mate van begrijpelijkheid

Deze masterscriptie onderzoekt in hoeverre generatieve AI (ChatGPT) in staat is medische brochures begrijpelijker te herschrijven dan menselijke redacteuren, gemeten aan de hand van empirisch gevalideerde leesbaarheidskenmerken. Begrijpelijke communicatie in de gezondheidszorg is cruciaal om functionele geletterdheid te bevorderen, maar veel medische brochures blijven te complex voor brede patiëntengroepen. Hoewel AI-toepassingen beloven om tekst automatisch te vereenvoudigen, ontbreekt systematisch onderzoek naar hun effectiviteit in het Nederlands. Deze studie positioneert zich binnen de wetenschappelijke kaders van tekstkwaliteit (CCC-model), tekstbegrijpelijkheid (lezersperspectief) en tekstvereenvoudiging (NLP-gebaseerde herschrijftechnieken). Het onderzoek vergelijkt herschrijvingen door ChatGPT en menselijke redacteuren op dertien linguïstische variabelen via de LiNT-formule, een empirisch gevalideerde maat voor tekstbegrip. Een mixed-methods ontwerp werd toegepast, met...Show moreDeze masterscriptie onderzoekt in hoeverre generatieve AI (ChatGPT) in staat is medische brochures begrijpelijker te herschrijven dan menselijke redacteuren, gemeten aan de hand van empirisch gevalideerde leesbaarheidskenmerken. Begrijpelijke communicatie in de gezondheidszorg is cruciaal om functionele geletterdheid te bevorderen, maar veel medische brochures blijven te complex voor brede patiëntengroepen. Hoewel AI-toepassingen beloven om tekst automatisch te vereenvoudigen, ontbreekt systematisch onderzoek naar hun effectiviteit in het Nederlands. Deze studie positioneert zich binnen de wetenschappelijke kaders van tekstkwaliteit (CCC-model), tekstbegrijpelijkheid (lezersperspectief) en tekstvereenvoudiging (NLP-gebaseerde herschrijftechnieken). Het onderzoek vergelijkt herschrijvingen door ChatGPT en menselijke redacteuren op dertien linguïstische variabelen via de LiNT-formule, een empirisch gevalideerde maat voor tekstbegrip. Een mixed-methods ontwerp werd toegepast, met kwantitatieve analyse van leesniveaus via Cumulative Link Mixed Models (CLMM) en Linear Mixed Models (LMM), aangevuld met een kwalitatieve vergelijking van herschrijfstrategieën. De resultaten tonen significante verschillen in woordgebruik, syntactische complexiteit en persoonsgerichtheid, waarbij AI-herschrijvingen gemiddeld kortere zinnen en een lager leesniveau genereren. Tegelijkertijd blijven inhoudelijke nuance en gepaste woordkeuze bij AI-output aandachtspunten. De studie benadrukt het belang van prompt engineering en menselijke controle bij AI-gestuurde tekstvereenvoudiging. Deze bevindingen dragen bij aan theorievorming over begrijpelijke gezondheidscommunicatie en bieden praktische implicaties voor het inzetten van generatieve AI in medische voorlichting. Aanbevelingen voor vervolgonderzoek richten zich op effectstudies met patiëntpopulaties en verdere validatie van leesbaarheidsmodellen in Nederlandse context.Show less

Leiden University Student Repository

Documents

In Collections

Taal op recept: de vereenvoudiging van medische brochures door mensen en AI: Een onderzoek naar taalvariabelen waarmee menselijke redacteuren en ChatGPT pogen medische brochures te vereenvoudigen voor een hogere mate van begrijpelijkheid