Hij onderzoekt vooral de invloed van vooringenomenheid in taalmodellen die in de medische sector worden gebruikt. Dergelijke bias, waaronder gender-, religieuze en politieke vooroordelen, kan leiden tot onnauwkeurige diagnoses en de kwaliteit van de zorg voor minderheidsgroepen beïnvloeden. Zijn onderzoek richt zich in de beginjaren van zijn lectoraat op het identificeren en aanpakken van deze vooringenomenheid in grootschalige taalmodellen, waaronder ChatGPT en andere modellen die gespecialiseerd zijn in medische terminologie. Daarnaast onderzoekt hij hoe AI menselijke besluitvorming kan ondersteunen in complexe situaties, vooral binnen de zorgsector. Dit omvat projecten gericht op de vroege opsporing van ziekten, een taak waarbij AI en NLP essentieel kunnen zijn vanwege de complexiteit en de moeilijkheid om vroege symptomen te herkennen zonder deze technologieën.
Hij behaalde zijn doctoraat met als thema semantiek van gesproken taal (Spoken Language Understanding - SLU), als onderdeel van een project met sociale impact, gericht op de ontwikkeling van een stemgestuurde communicatiemodule voor een smart home voor senioren, gebruikmakend van deep learning-technieken, aan de Universiteit Grenoble-Alpes (2017-2020). Vervolgens werkte hij als postdoctoraal onderzoeker aan de Universiteit Gent (2021-2023), waar hij zich richtte op informatie-extractie voor een nieuwsaanbevelingssysteem door het gebruik van grote taalmodellen.