Voorwaardelijke effecten van bronnenexpertise en vooraf bestaande houdingen op objectieve kennis bij AI-ondersteunde verificatie van gezondheidsinformatie

Waarom deze studie ertoe doet voor alledaagse lezers

Veel van ons vragen nu hulpmiddelen zoals ChatGPT om hulp bij het beoordelen van gezondheidsadviezen die we online zien, van dieetadviezen tot wondermiddelen. Deze studie onderzoekt een simpele maar belangrijke vraag: wanneer mensen een populaire bewering over glutenvrije diëten dubbelchecken met behulp van AI, wat bepaalt dan echt wat ze leren — of het bericht eruitziet alsof het van een expert komt, wat ze al denken over gluten, of hoe zeker ze zijn van hun eigen kennis? De antwoorden laten zien wanneer AI begrip kan ondersteunen en wanneer onze eigen overtuigingen nog steeds in de weg zitten.

Gezondheidstips, AI-hulp en gemengde boodschappen

De onderzoekers concentreerden zich op een veelvoorkomende situaties uit de praktijk: een Facebook-bericht over glutenvrije diëten dat accurate feiten mengt met misleidende beweringen. Glutenvrij eten is essentieel voor mensen met coeliakie, maar het is ook een lifestyletrend geworden die voor iedereen als gezonder wordt aangeprezen, ondanks dat het bewijs zwak is. Die mix van wetenschap, marketing en geruchten maakt gluten tot een nuttige casus om te bestuderen hoe mensen waarheid van opsmuk scheiden wanneer AI beschikbaar is als controlemiddel. In plaats van ChatGPT te behandelen als een overtuigende bron, zagen de auteurs het als onderdeel van een “verificatie-omgeving” waarin mensen het denkwerk met technologie delen, en nog steeds moeten beoordelen wat te vertrouwen.

Hoe het experiment werkte

In een online studie met 103 deelnemers zagen alle deelnemers hetzelfde bericht over glutenvrije diëten met gemengde juistheid, maar de veronderstelde bron werd veranderd. Voor sommige deelnemers leek het bericht afkomstig van een op voeding gericht mediabedrijf dat expertise signaleerde; voor anderen kwam het van een gewone individuele gebruiker. Na het lezen van het bericht kregen deelnemers de opdracht ChatGPT op welke manier dan ook te gebruiken om de informatie te controleren. Daarna maakten ze een gedetailleerde quiz die objectief testte wat ze nu over gluten wisten, naast vragen over hoe ze over glutenvrije diëten dachten en hoeveel ze hun ChatGPT-zoekactie vertrouwden en waardeerden.

Wanneer expertlabels helpen — en wanneer niet

Verassend genoeg leidde het simpelweg labelen van het Facebook-bericht als afkomstig van een expertbron op zich niet tot betere feitelijke kennis na de ChatGPT-zoekactie. Gemiddeld behaalden mensen die het expertgelabelde bericht zagen geen hogere scores op de kennistoets dan degenen die de niet-expertversie zagen. Het beeld veranderde echter toen de onderzoekers keken naar de vooraf bestaande houdingen van mensen. Onder deelnemers die al positief stonden tegenover glutenvrije diëten maakte het expertlabel wel verschil: die lezers hadden uiteindelijk meer juiste antwoorden. Voor mensen met neutrale of negatieve houdingen maakte het expertlabel weinig uit. Dit suggereert dat expertsignalen vooral helpen bij mensen die al gemotiveerd zijn zich met het onderwerp bezig te houden, in plaats van automatisch leren voor iedereen te bevorderen.

Onzeker versus zelfverzekerd fout

De studie onderscheidde ook twee typen kennisproblemen: mensen die openlijk toegaven "ik weet het niet" en degenen die duidelijke onjuiste overtuigingen met vertrouwen hadden. Met patronen van juiste, foutieve en "weet niet"-antwoorden classificeerden de auteurs deelnemers als relatief onzeker of relatief misinformeerd. Hun geplande test van een drieledige samenloop — expertlabel, houding en kennisstatus samen — bereikte niet de strikte drempel voor statistisch bewijs, waarschijnlijk door de beperkte steekproefgrootte. Verkennende analyses wezen er echter op dat het expertlabel en gunstige houdingen samenwerkten vooral voor de onzekere groep, die ontvankelijker leek voor het gebruik van aanwijzingen zoals expertise en AI-feedback, terwijl misinformeerde deelnemers minder reagerend waren.

Een betere AI-ondersteuning voor gezondheidsbeslissingen ontwerpen

Voor een niet-specialistische lezer is de belangrijkste conclusie dat AI en expertlabels geen magische oplossingen zijn voor verwarring over gezondheid online. In deze studie fungeerde generatieve AI als een nuttige partner, maar of mensen daadwerkelijk meer leerden hing af van hun motivatie en hoe sterk hun overtuigingen al vastzaten. Expertsignalen verbeterden feitelijk begrip alleen bij degenen die geneigd waren zich te verdiepen, en mensen die zelfverzekerd fout zaten waren moeilijker te bereiken dan degenen die simpelweg niet wisten. De auteurs bepleiten dat toekomstige AI-tools en gezondheidscommunicatie zich zouden moeten aanpassen aan deze verschillen — aanmoedigen tot diepere reflectie, expertise duidelijker zichtbaar maken en antwoorden afstemmen op of iemand onzeker of misinformeerd is — zodat AI echt geïnformeerde, en niet alleen meer beïnvloedde, gezondheidskeuzes ondersteunt.

Bronvermelding: Oh, J., Montag, C., Kohne, J. et al. Conditional effects of source expertise and pre-existing attitudes on objective knowledge in AI-assisted health information verification. Sci Rep 16, 13291 (2026). https://doi.org/10.1038/s41598-026-43698-z

Trefwoorden: generatieve AI, gezondheidsmisinformatie, bronbetrouwbaarheid, glutenvrij dieet, online gezondheidsinformatie