The Impact of AI-Assisted Adaptive Training Approach on Radiation Safety Competence in Healthcare Workers

Abstract

Aim: The aim of this study is to evaluate the effect of an artificial intelligence (AI)- based adaptive training model on the radiation safety competence (knowledge, attitude, and protective behavior) of healthcare professionals.

Method: The research was conducted in a quasi-experimental design with a pre-test–post-test control group. A total of 120 healthcare professionals working with radiation in a university hospital participated in the study. Participants were assigned to experimental (n=60) and control (n=60) groups using computer-assisted random number generation. The experimental group received an AI-assisted adaptive training program for four weeks. The system operated with a rule-based algorithm that dynamically adapted the difficulty level of the content according to predefined success thresholds based on participant performance. The same content was presented to the control group using a traditional classroom-based method. The Radiation Safety Knowledge Test, Attitude Scale, and Protective Behavior Assessment Form were used as data collection tools. Data were evaluated using dependent and independent samples t-test, ANCOVA, and multiple linear regression analyses. The adaptive system operated according to predefined rule-based performance thresholds. The system operated with rule-based adaptive decision logic based on predefined performance thresholds, instead of machine learning-based autonomous model training.

Results: After the intervention, a statistically significant increase was found in the knowledge, attitude, and protective behavior scores of the experimental group compared to the control group (p<0.001). ANCOVA results showed that the type of training had a significant and large effect size on the final test competency scores. A significant improvement was observed, especially in the protective behavior dimension.

Conclusion: The AI-assisted adaptive training model offers a promising approach to increasing the radiation safety competency of healthcare professionals. The findings suggest that performance-based adaptive content and individualized feedback can support sustainable behavioral change in radiation safety training. It is recommended that the generalizability of the model be evaluated with larger sample sizes and long-term studies.

Keywords

• Radiation safety
• artificial intelligence
• healthcare professionals
• adaptive training
• quasi-experimental study

Ethical Statement

The ethics committee approval was obtained from the Clinical Research Ethics Committee of University Istanbul Okan University (Date 05/02/2025, No: 2025-185).

Yapay Zeka Destekli Uyarlanabilir Eğitim Yaklaşımının Sağlık Çalışanlarının Radyasyon Güvenliği Yeterliliğine Etkisi

Abstract

Amaç: Bu çalışmanın amacı, yapay zeka (YZ) destekli uyarlanabilir eğitim modelinin sağlık profesyonellerinin radyasyon güvenliği yeterlilikleri (bilgi, tutum ve koruyucu davranış) üzerindeki etkisini değerlendirmektir.

Yöntem: Araştırma, ön test–son test kontrollü grup ile yarı deneysel bir tasarımda yürütülmüştür. Üniversite hastanesinde radyasyon ile çalışan toplam 120 sağlık profesyoneli çalışmaya katılmıştır. Katılımcılar bilgisayar destekli rastgele sayı üretimi ile deney (n=60) ve kontrol (n=60) gruplarına atanmıştır. Deney grubuna dört hafta boyunca YZ destekli uyarlanabilir eğitim programı uygulanmıştır. Sistem, katılımcı performansına dayalı önceden tanımlanmış başarı eşiklerine göre içeriğin zorluk düzeyini dinamik olarak uyarlayan kural tabanlı bir algoritma ile çalışmıştır. Kontrol grubuna aynı içerik, geleneksel sınıf tabanlı yöntemle sunulmuştur. Veri toplama araçları olarak Radyasyon Güvenliği Bilgi Testi, Tutum Ölçeği ve Koruyucu Davranış Değerlendirme Formu kullanılmıştır. Veriler bağımlı ve bağımsız örneklem t-testi, ANCOVA ve çoklu doğrusal regresyon analizleri ile değerlendirilmiştir. Uyarlanabilir sistem, önceden tanımlanmış kural tabanlı performans eşiklerine göre çalışmış olup, makine öğrenmesine dayalı özerk model eğitiminden ziyade kural tabanlı uyarlanabilir karar mantığı ile işletilmiştir.

Bulgular: Müdahale sonrası deney grubunun bilgi, tutum ve koruyucu davranış puanlarında kontrol grubuna göre istatistiksel olarak anlamlı bir artış gözlenmiştir (p<0,001). ANCOVA sonuçları, eğitim türünün final test yeterlilik puanları üzerinde anlamlı ve büyük etkisi olduğunu göstermiştir. Özellikle koruyucu davranış boyutunda önemli bir gelişme gözlenmiştir.

Sonuç: YZ destekli uyarlanabilir eğitim modeli, sağlık profesyonellerinin radyasyon güvenliği yeterliliklerini artırmak için umut verici bir yaklaşım sunmaktadır. Bulgular, performansa dayalı uyarlanabilir içerik ve bireyselleştirilmiş geri bildirimin radyasyon güvenliği eğitiminde sürdürülebilir davranış değişikliğini destekleyebileceğini önermektedir. Modelin genellenebilirliğinin daha büyük örneklem büyüklükleri ve uzun süreli çalışmalarla değerlendirilmesi önerilmektedir.

Keywords

• Radyasyon güvenliği
• yapay zeka
• sağlık profesyonelleri
• uyarlanabilir eğitim
• yarı deneysel çalışma

Ethical Statement

Çalışma, İstanbul Okan Üniversitesi Klinik Araştırma Etik Kurulu'ndan etik kurul onayı almıştır (Tarih: 05/02/2025, No: 2025-185).

References

1. 1. International Atomic Energy Agency (IAEA). Radiation protection and safety of radiation sources: International basic safety standards (General Safety Requirements Part 3). Vienna: IAEA; 2018.
2. 2. European Commission. Radiation Protection No. 175: Guidelines on radiation protection education and training of medical professionals. Luxembourg: Publications Office of the European Union; 2014.
3. 3. Rehani MM, Ciraj-Bjelac O, Vañó E, et al. Radiological protection in fluoroscopically guided procedures performed outside the imaging department. Radiation Protection Dosimetry. 2017;165(1–4):510-514. doi: 10.1093/rpd/ncv034.
4. 4. Paolicchi F, Miniati F, Bastiani L, et al. Assessment of radiation protection awareness and knowledge about radiological examination doses among healthcare workers. Insights into Imaging. 2016;7(2):233-242. doi: 10.1007/s13244-015-0445-6.
5. 5. Cook DA, Levinson AJ, Garside S, Dupras DM, Erwin PJ, Montori VM. Internet-based learning in the health professions: A meta-analysis. JAMA. 2008;300(10):1181-1196.
6. 6. Woolf BP. Building intelligent interactive tutors: Student-centered strategies for revolutionizing e-learning. Burlington, MA: Morgan Kaufmann; 2021.
7. 7. Chen L, Chen P, Lin Z. Artificial intelligence in education: A review. IEEE Access. 2020;8:75264-75278. doi: 10.1109/ACCESS.2020.2988510.
8. 8. Martin F, Chen Y, Moore RL, Westine CD. Systematic review of adaptive learning research designs, context, strategies and technologies from 2009 to 2018. Educational Technology Research and Development. 2020;68(4):1903-1929. doi: 10.1007/s11423-020-09793-2.

9. 9. Zawacki-Richter O, Marín VI, Bond M, Gouverneur F. Artificial intelligence in higher education: A systematic review of research trends. International Journal of Educational Technology in Higher Education. 2019;16:39. doi: 10.1186/s41239-019-0171-0.
10. 10. Vañó E, Miller DL, Martin CJ, et al. ICRP Publication 135: Diagnostic reference levels in medical imaging. Annals of the ICRP. 2018;46(1):1-144. doi: 10.1177/0146645317717209.
11. 11. Lateef F. Simulation-based learning: Just like the real thing. Journal of Emergencies, Trauma and Shock. 2010;3(4):348-352. doi: 10.4103/0974-2700.70743.
12. 12. Faul F, Erdfelder E, Lang AG, Buchner A. G*Power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behavior Research Methods. 2007;39(2):175-191.
13. 13. IBM Corp. IBM SPSS Statistics for Windows, Version 26.0. Armonk, NY: IBM Corp; 2019.