Becoming a dietitian in the age of artificial ıntelligence: attitudes, concerns, and educational needs

Öz

Aim: This study qualitatively examines nutrition and dietetics students' attitudes towards artificial intelligence (AI), their perceived benefits and risks, ethical and privacy concerns, and educational needs in the AI era, while evaluating how these views vary by academic grade level. Method: The study employed a qualitative and exploratory design.Purposive sampling was used to select 16 students (four per class) for face-to-face, semi-structured interviews. The interviews were audio-recorded, transcribed verbatim, and anonymized. Data were analyzed using Reflexive Thematic Analysis, and class-level comparisons were conducted using the Framework Method. Reliability was supported through iterative coding, field notes, decision trails, and COREQ/SRQR-informed reporting. Results: The analysis revealed five themes: (1) Convenience and practical benefits; lower-grade students viewed AI as a time-saving tool that facilitates academicprocesses. (2) Ethical, privacy, and trust concerns; upper-grade students emphasized risks related to inaccuracy, privacy, and professional responsibility. (3) Professional role perception; AI was seen as either complementary or potentially threatening. (4) Required skills and educational needs; students emphasized verification, ethical awareness, data literacy, and effective prompting. (5) Access and inequality; a sense of unfairness was reported, particularly regarding access to paid AI tools. The framework analysis showed that lower –grade studentsapproached AI in a more practical and positive manner, whereas upper-grade classeswere more critical and risk-focused. Conclusion: The findings indicate that student perceptions of AI become more critical and risk-focused as academic grade level increases. This situation highlights the necessity of a phased AI literacy education program in nutrition and dietetics departments that covers ethics, verification, and responsible use skills.

Anahtar Kelimeler

• Artificial intelligence
• attitude
• dietitian
• education
• nutrition and dietetics

Destekleyen Kurum

The study was not funded by any institution.

Etik Beyan

Ethical approval was obtained from the Non-Interventional Clinical Ethics Committee of Cappadocia University (Date/Decision No: 09.10.2025/25.10). Written informed consent was obtained from all participants prior to data collection.

Teşekkür

I would like to express my gratitude to the Nutrition and Dietetics students who participated in the study and to Sudenur Güven, Şebnem Şımarmaz, Dilay Uslu, Esma Gül Yörük, Ayşegül Selçuk and Esra Sena Kapucu for their support in the data collection process.

Yapay zekâ çağında diyetisyen adayı olmak: tutumlar, endişeler ve eğitim ihtiyaçları

Öz

Amaç: Bu çalışma, beslenme ve diyetetik bölümü öğrencilerinin yapay zekâya (YZ) yönelik tutumlarını, algıladıkları yarar–riskleri, etik ve gizlilik kaygılarını ve YZ çağındaki eğitim ihtiyaçlarını nitel olarak incelemekte ve YZ’ye ilişkin görüşlerin sınıf düzeyine göre değişimini değerlendirmektedir. Yöntem: Araştırma, nitel ve keşfedici bir tasarım ile yürütülmüştür. Amaçlı örnekleme yoluyla seçilen 16 öğrenci (her sınıftan dört öğrenci) ile yüz yüze yarı yapılandırılmış görüşmeler yapılmıştır. Görüşmeler ses kaydı ile kaydedilmiş, kelimesi kelimesine deşifre edilerek anonimleştirilmiştir. Veriler, Refleksif Tematik Analiz (RTA) yaklaşımıyla analiz edilmiştir. Sınıf düzeyleri arasındaki sistematik karşılaştırmalarda Çerçeve Yöntemi kullanılmıştır. Güvenirlik; yinelemeli kodlama, alan notları, karar izi ve COREQ/SRQR ilkelerine dayalı raporlama ile desteklenmiştir. Bulgular: Analiz sonucunda beş tema ortaya çıkmıştır: (1) Kolaylık ve pratik yararlar; alt sınıflar YZ’yi zaman kazandıran ve akademik süreçleri kolaylaştıran bir araç olarak görmüştür. (2) Etik, gizlilik ve güven sorunları; üst sınıflarda hatalı bilgi, mahremiyet ve profesyonel sorumluluk endişeleri öne çıkmıştır. (3) Mesleki rol algısı; YZ öğrencilerin bir kısmı tarafından tamamlayıcı, bir kısmı tarafından mesleği tehdit eden bir unsur olarak değerlendirilmiştir. (4) Eğitim ve müfredat beklentileri; öğrenciler doğrulama, etik farkındalık, veri okuryazarlığı ve etkili prompt yazma gibi yetkinliklere ihtiyaç duymuştur. (5) Erişim ve adalet algısı; özellikle ücretli YZ araçlarına erişimde adaletsizlik hissi bildirilmiştir. Çerçeve yöntemi, alt sınıfların YZ’ye daha pratik ve olumlu; üst sınıfların ise daha eleştirel ve risk odaklı yaklaştığını göstermiştir. Sonuç: Bulgular, YZ’ye ilişkin öğrenci algılarının sınıf düzeyi arttıkça daha eleştirel ve risk odaklı olduğunu göstermektedir. Mevcut durum, beslenme-diyetetik bölümlerinde etik, doğrulama ve sorumlu kullanım becerilerini kapsayan aşamalı YZ okuryazarlığı eğitiminin gerekliliğini vurgulamaktadır.

Anahtar Kelimeler

• Beslenme ve diyetetik
• diyetisyen
• eğitim
• tutum
• yapay zekâ

Destekleyen Kurum

Çalışmayı destekleyen kurum bulunmamaktadır.

Etik Beyan

Etik onay, Kapadokya Üniversitesi Girişimsel Olmayan Klinik Etik Kurul’dan alınmıştır (Tarih/Karar No: 09.10.2025/25.10). Veri toplama öncesinde tüm katılımcılardan yazılı bilgilendirilmiş onam alınmıştır.

Teşekkür

Çalışmaya katılım gösteren Beslenme ve Diyetetik bölümü öğrencilerine ve veri toplama sürecine destek olan Sudenur Güven, Şebnem Şımarmaz, Dilay Uslu, Esma Gül Yörük, Ayşegül Selçuk ve Esra Sena Kapucu’ya teşekkürlerimi sunarım.

Kaynakça

1. Liu F, Zhou H, Gu B, Zou X, Huang J, Wu J, Li Y, Chen SS, Hua Y, Zhou P, Liu J, Mao C, You C, Wu X, Zheng Y, Clifton L, Li Z, Luo J, Clifton DA. Application of large language models in medicine. Nature Reviews Bioengineering. 2025;3:445–464. doi:10.1038/s44222-025-00279-5
2. Sosa-Holwerda A, Park OH, Albracht-Schulte K, Niraula S, Thompson L, Oldewage-Theron W. The role of artificial intelligence in nutrition research: A scoping review. Nutrients. 2024;16(13):2066. doi: 10.3390/nu16132066
3. World Health Organization. Ethics and governance of artificial intelligence for health: WHO guidance. Geneva, Switzerland: World Health Organization. https://www.who.int/publications/i/item/9789240029200 Haziran 2021’de basıldı. 21 Eylül 2025’de erişildi.
4. World Health Organization. WHO releases AI ethics and governance guidance for large multi-modal models. Ethics and governance of artificial intelligence for health. Guidance on large multi-modal models Mart 2025’de basıldı. 21 Eylül 2025’de erişildi.
5. Amiri H, Peiravi S, Rezazadeh Shojaee SS, Rouhparvarzamin M, Nateghi MN, Etemadi MH, ShojaeiBaghini M, Musaie F, Anvari MH, Asadi Anar M. Medical, dental, and nursing students’ attitudes and knowledge towards artificial intelligence: A systematic review and meta-analysis. BMC Med Edu. 2024;24(1):412. doi:10.1186/s12909-024-05406-1
6. Mousavi Baigi SF, Sarbaz M, Ghaddaripouri K, Ghaddaripouri M, Mousavi AS, Kimiafar K. Attitudes, knowledge, and skills towards artificial intelligence among healthcare students: A systematic review. Health Sci Rep. 2023; 6(3): e1138. doi:10.1002/hsr2.1138
7. Elmaoğlu E, Güleç HY. Hemşirelik öğrencilerinin yapay zekâya yönelik tutumları ile tıbbi yapay zekâya hazır bulunuşlukları arasındaki ilişkisinin incelenmesi; Bir üniversite örneği. Bingöl Üniversitesi Sağlık Dergisi. 2025;6(1):127-133. doi:10.58605/bingolsaglik.1600963
8. Yılmaz Y, Uzelli Yılmaz D, Yıldırım D, Akın Korhan E, Özer Kaya D. Yapay zekâ ve sağlıkta yapay zekânın kullanımına yönelik sağlık bilimleri fakültesi öğrencilerinin görüşleri. Süleyman Demirel Üniversitesi Sağlık Bilimleri Dergisi. 2021;12(3):297-308. doi:10.22312/sdusbed.950372

9. Malterud K, Siersma VD, Guassora AD. Sample size in qualitative interview studies: guided by ınformation power. Qual Health Res. 2016;26(13):1753-1760. doi: 10.1177/1049732315617444.
10. Byrne D.. A worked example of Braun and Clarke’s approach to reflexive thematic analysis. Quality & Quantity. 2022; 56:1391–1412. doi:10.1007/s11135-021-01182-y
11. Gale NK, Heath G, Cameron E, Rashid S, Redwood S. Using the framework method for the analysis of qualitative data in multi-disciplinary health research. BMC Med Res Methodol. 2013;13:117. doi: 10.1186/1471-2288-13-117.
12. Tong A, Sainsbury P, Craig J. Consolidated criteria for reporting qualitative research (COREQ): a 32-item checklist for interviews and focus groups. Int J Qual Health Care. 2007;19(6):349-357. doi: 10.1093/intqhc/mzm042
13. O'Brien BC, Harris IB, Beckman TJ, Reed DA, Cook DA. Standards for reporting qualitative research: a synthesis of recommendations. Acad Med. 2014;89(9):1245-1251. doi: 10.1097/ACM.0000000000000388.
14. Alqaissi N, Qtait M. Knowledge, attitudes, practices, and barriers regarding the ıntegration of artificial ıntelligence in nursing and health sciences education: A systematic review. SAGE Open Nurs. 2025;11:23779608251374185. doi: 10.1177/23779608251374185.
15. El Arab RA, Alshakihs AH, Alabdulwahab SH, Almubarak YS, Alkhalifah SS, Abdrbo A, Hassanein S, Sagbakken M. Artificial intelligence in nursing: a systematic review of attitudes, literacy, readiness, and adoption intentions among nursing students and practicing nurses. Front Digit Health. 2025;7:1666005. doi: 10.3389/fdgth.2025.1666005.
16. Alhur AA, Alrmahi SN, Alanazi HR, Alsuhiman TK, Alshammari SA, Alhur AA. Attitudes towards AI in healthcare among the University of Hail health sciences students: a qualitative exploration. Journal of Pioneering Medical Sciences. 2025;14(3):1-6. doi:10.47310/jpms2025140301
17. Hou J, Cheng X, Liao J, Zhang Z, Wang W. Ethical concerns of AI in healthcare: A systematic review of qualitative studies. Nurs Ethics. 2026;33(2):428-449. doi:10.1177/09697330251385024
18. Rony MKK, Parvin MstR, Wahiduzzaman Md, Debnath M, Bala SD, Kayesh I. “I wonder if my years of training and expertise will be devalued by machines”: Concerns about the replacement of medical professionals by artificial ıntelligence. Sage Open Nurs. 2024;10:23779608241245220 doi:10.1177/23779608241245220
19. Güner E, Mutlu TÜ. “Can artificial ıntelligence replace dietitians? A conversation with ChatGPT”. Toros University Journal of Food, Nutrition and Gastronomy. 2024;3(1):49-56. doi:10.58625/jfng-2474
20. Ang CS. Developing AI literacy in healthcare education: bridging the gap in competency assessment. Discover Education. 2025;4:372. doi:10.1007/s44217-025-00812-z
21. Hopson S, Mildon C, Hassard K, Kubalek C, Laverty L, Urie P, Corte DD. Enhancing AI literacy in undergraduate pre-medical education through student associations: an educational intervention. BMC Med Edu. 2025;25(1):999. doi:10.1186/s12909-025-07556-2
22. Gurevich E, El Hassan B, El Morr C. Equity within AI systems: What can health leaders expect? Healthc Manage Forum. 2023;36(2):119-124. doi: 10.1177/08404704221125368.
23. Osonuga A, Osonuga AA, Fidelis SC, Osonuga GC, Juckes J, Olawade DB. Bridging the digital divide: Artificial intelligence as a catalyst for health equity in primary care settings. Int J Med Inform. 2025;204:106051. doi:10.1016/j.ijmedinf.2025.106051.
24. Joseph J. Algorithmic bias in public health AI: A silent threat to equity in low-resource settings. Front Public Health. 2025;13:1643180. doi:10.3389/fpubh.2025.1643180
25. Chan KS, Zary N. Applications and challenges of implementing artificial intelligence in medical education: Integrative review. JMIR Med Educ. 2019;5(1):e13930. doi: 10.2196/13930