Als het gaat om het gebruik van (generatieve) AI en leren, opleiden en onderwijs, dan luidt een belangrijke vraag: bevordert of belemmert (generatieve) AI verdiepend leren? In een WhatsApp-groep over onderwijs woedde de afgelopen week (weer) een uitvoerige discussie over deze vraag. In deze bijdrage betoog ik dat dit allebei mogelijk is. Of (generatieve) AI verdiepend leren bevordert of belemmert, is van verschillende factoren afhankelijk.
Verdiepend leren draait om duurzaam begrip, overdraagbare vaardigheden en een kritische, creatieve houding. Traditioneel bereiken we dat via “productieve worsteling”: lerenden puzzelen, fronsen, maken fouten en ontdekken zelf de samenhang. AI kan die worsteling ondersteunen, maar ook helpen vermijden.
Ik heb ChatGPT o3 argumenten op een rij laten zetten rond deze vraag (ik heb de output in de tabel verder niet bewerkt):
| Waarom AI diep leren kan belemmeren | Waarom AI diep leren kan bevorderen |
|---|---|
| 1. Illusie van begrip – LLM-antwoorden klinken overtuigend, waardoor studenten denken dat ze het snappen zonder conceptueel te doorgronden. Dit “illusion-of-understanding”-effect is in college-setting al gesignaleerd. lrc.northwestern.edu | 1. Adaptieve scaffolding – Moderne tutors passen hun hulp live aan, sluiten aan bij de Zone of Proximal Development en bouwen steun langzaam af. Goed uitgevoerde scaffolds vergroten zelfredzaamheid en begrip. RSIS International |
| 2. Cognitieve uitbesteding – Veelvuldig AI-gebruik leidt tot “cognitive offloading”: minder oefening in redeneren, onthouden en kritisch denken. MDPIThe Guardian | 2. Gepersonaliseerde retrieval practice – AI kan voortgang bijhouden, vragen interleaven en feedback genereren, waardoor de bekende voordelen van herhaald ophalen en spacing bereikbaar worden voor elke leerling. The Learning Scientists |
| 3. Afname van productieve worsteling – Wanneer AI direct oplossingen geeft, verdwijnt de noodzakelijke mentale inspanning (productive struggle) en blijft kennis fragiel. The Guardian | 3. Directe, specifieke feedback – Chatbots geven onmiddellijk uitleg op maat; dit versnelt het iteratieve schrijf- en denkproces en stimuleert metacognitie als studenten leren feedback te evalueren. The Learning Scientists |
| 4. Afhankelijkheid door statische hulp – Sommige AI-tools ‘vergeten’ hun steun af te bouwen; studenten blijven leunen op hints en ontwikkelen te weinig transfervermogen. RSIS International | 4. Sterke effectgroottes in meta-analyses – Recente overzichtsstudies tonen gemiddelde positieve effecten op prestaties en motivatie (g ≈ 0,8), met de grootste winst bij goed ontworpen chatbots. ResearchGate |
| 5. Verstoring van foutdetectie – Automatisch gegenereerde, soms foutieve voorbeelden kunnen misconcepties inprenten zonder dat studenten het merken. lrc.northwestern.edu | 5. Visualisaties & simulaties – AI-gestuurde animaties en multimodale uitleg koppelen tekst aan beeld, wat het vormen van robuuste mentale modellen ondersteunt, vooral in STEM-vakken. RSIS International |
| 6. Verlies aan aandachtsspanne – Combinaties als ‘AI-audio + passief kijken’ (het zogeheten “PDF-to-Brain-rot”) bevorderen oppervlakkige consumptie en afleiding. Parents | 6. Inclusieve ondersteuning – Adaptieve systemen kunnen taken en tempo aanpassen voor neurodiverse leerlingen, waardoor zij beter tot verdiepend leren komen. Unleash Learning |
| 7. Beperkte bronnenvariatie – Grote modellen halen veel info uit dezelfde dominante datasets; dat kan leiden tot eenheidsworst en minder confrontatie met alternatieve perspectieven. lrc.northwestern.edu | 7. Verbreding van perspectief – Als studenten prompts gebruiken om contrasterende visies op te vragen, helpt AI juist snel meerdere standpunten te verkennen en dieper te vergelijken. ft.com |
| 8. Extra extraneous cognitive load – Slecht ontworpen AI-interfaces voegen irrelevante opties toe, verhogen mentale belasting en hinderen schema-opbouw. Aisle | 8. Dynamische taakdecompositie – AI kan complexe opdrachten in hapklare deelstappen opdelen, waardoor studenten hun aandacht kunnen richten op hogere-orde analyse in plaats van op randzaken. RSIS International |
AI is dan ook ook geen automatische versneller of rem op verdiepend leren. Het is een hefboom; de richting hangt af van ontwerpkeuzes, didactische aanpakken, het toepassen van metacognitieve vaardigheden en AI-vloeiendheid. In 1983 wees Dick Clark er al op dat het niet gaat om het medium, maar om de methode. Dat geldt ook voor het gebruik van (generatieve) AI-toepassingen.
Hoe kun je als onderwijsinstelling ervoor zorgen dat AI gebruikt wordt voor verdiepend leren?
Stap 1 – Impact verkennen en kaders stellen
Stel een taskforce of AI advisory board samen met docenten, ICT-specialisten, privacy-officer en enkele lerenden. Breng in kaart waar AI al wordt gebruikt—van vertaaltools tot hulp bij huiswerk. Leg er ethische en juridische kaders naast, zoals de EU AI-Act en de AVG. Of gebruik de AI-stoplichtmethode. Zo ontstaat overzicht én rust.
Stap 2 – Bewust verbieden waar nodig
Hanteer een tijdelijke ban op AI bij specifieke hoog-risicotaken, bijvoorbeeld bij beoordelingen. Dat levert een “schaduwmeting” op voor effectanalyses en borgt authenticiteit. Laat lerenden deze taken bij de instelling maken, onder toezicht.
Stap 3 – Gecontroleerd omzeilen
Plan doelbewust AI-vrije leermomenten: handgeschreven mindmaps, mondelinge presentaties, labsessies. Laat lerenden in een logboek reflecteren op verschillen tussen AI-loze en AI-rijke aanpakken. Zo doorbreek je de illusie van begrip en versterk je zelfregulatie. Laat lerenden ook fouten maken zodat zij ervaren dat het uitbesteden van het leren aan ‘AI’ averechts kan werken. Geef hen wel de gelegenheid om die fouten te herstellen.
Stap 4 – Gericht omarmen en ‘scaffolden’
Maak AI verplicht bij literatuurverkenning of brainstorms, maar voeg eisen toe: log elke prompt, vermeld waarom een bron betrouwbaar is, noteer welke aanpassing de lerende doet. Docenten geven voorbeeldprompts en bouwen na verloop van tijd af, zodat de worsteling verschuift naar beoordelen en verbinden in plaats van zoeken.
Stap 5 – Eromheen werken
Ontwerp opdrachten die AI (voorlopig) niet kan uitvoeren: veldobservaties, interviews in de wijk, real-life prototyping. AI mag data ordenen of visualiseren; de kern van het bewijs—ervaring, empathie, creatief oordeel—komt uit eigen handelen.
Stap 6 – Omdenken in curriculum en toetsing
Schakel over op beoordelingen waarbij met name ook het proces wordt beoordeeld: taken opdelen, versies, reflecties, prompt-iteraties. Lerenden tonen hoe hun denken evolueert en hoe zij AI-fouten detecteren. Metacognitie wordt zichtbaar en AI-toepassingen worden een expliciete leerpartner.
Dit vraagt om de ontwikkeling van een eigen AI-strategie waar investeringen in professionalisering van alle gebruikers een belangrijk deel van uit maken. Je zult je onderwijs (deels) moeten herontwerpen, en dat vraagt uiteraard ook tijd en energie. Ook is het van belang dat je bij de selectie van AI-tools kritisch kijkt naar onderliggende didactische bias. Verder zou je ook moeten investeren in praktijkonderzoek. Leren lerenden nu beter of anders? Wat zijn gevolgen voor motivatie, houding ten aanzien van het leren en cognitieve belasting? We moeten daarbij ook los komen van anekdotisch bewijsmateriaal.
Mijn bronnen over (generatieve) artificiële intelligentie
Deze pagina bevat al mijn bijdragen over (generatieve) artificiële intelligentie, zoals ChatGPT.
This content is published under the Attribution 3.0 Unported license.
Geef een reactie