Nieuws

Een overzicht van nieuwsbericht van onze redactie en aanbieders die zich hebben aangesloten bij e-Learning.nl.


Van Wilfred Rubens (redactie) | 02-07-2025 | Article Rating | (0) reacties

Nieuwsgierigheid als motor van ontwikkeling (en de invloed van AI daarop)

Nieuwsgierigheid als motor van ontwikkeling (en de invloed van AI daarop)

Nieuwsgierigheid is van groot belang voor leren en ontwikkelen. Volgens Robert-Jan Simons zijn er acht vormen van nieuwsgierigheid. Wat is de mogelijke invloed van het gebruik van (generatieve) AI-toepassingen op deze acht vormen? Die vraag probeer ik in deze bijdrage te beantwoorden.

Robert-Jan Simons is onder meer emeritus-hoogleraar “didactiek in digitale context” aan de Universiteit Utrecht, en mijn voormalig directeur van het Expertisecentrum ICT in het onderwijs aldaar (lang geleden). Hij heeft onlangs twee blogposts geschreven over nieuwsgierigheid als motor van ontwikkeling.

Nieuwsgierigheid wordt volgens hem vaak gezien als een vaste eigenschap die mensen wel of niet bezitten. Volgens hem is deze benadering te beperkt. In plaats van te vragen hoe nieuwsgierig iemand is, stelt hij dat we moeten onderzoeken hoe iemands nieuwsgierigheid zich manifesteert. Nieuwsgierigheid is namelijk ontwikkelbaar, varieert per situatie en komt voor in verschillende vormen.

Bestaande indelingen van nieuwsgierigheid schieten volgens Robert-Jan tekort. Stefaan van Hooydonk onderscheidt drie typen: cognitieve nieuwsgierigheid (willen weten over de wereld), persoonlijke nieuwsgierigheid (willen weten over jezelf) en sociale nieuwsgierigheid (willen weten over anderen). Kashdan en collega’s identificeerden in 2018 vijf dimensies: plezier in vrijelijk exploreren, deprivation sensitivity (problemen niet kunnen loslaten), sociale nieuwsgierigheid, stresstolerantie en sensatie zoeken.

Deze vijfdeling bevat volgens Simons tekortkomingen. Cognitieve nieuwsgierigheid (ook wel epistemische nieuwsgierigheid of leergierigheid) ontbreekt, evenals persoonlijke nieuwsgierigheid. Bovendien past stresstolerantie niet goed in het rijtje, omdat dit meer over veranderbereidheid gaat dan over nieuwsgierigheid zelf.

Daarom ontwikkelde Simons een nieuwe indeling van acht soorten nieuwsgierigheid, waarmee hij aansluit op learning agility. Learning agility bestaat uit vijf aspecten: verandervermogen, mentale veerkracht, mensgerichtheid, prestatiegerichtheid en reflectiviteit.

Verandervermogen houdt nieuwsgierigheid in naar nieuwe werkwijzen, diensten of producten. Mensen experimenteren hierbij vanuit intrinsieke motivatie. Mentale veerkracht behelst analyseren en out-of-the-box denken, waarbij nieuwe duidelijkheden ontstaan door openheid voor nieuwe ideeën. Mensgerichtheid kenmerkt zich door een constructieve houding naar anderen met verschillende achtergronden en het willen begrijpen van andermans behoeften. Prestatiegerichtheid richt zich op het behalen van resultaten en succesvol zijn, gecombineerd met zelfverzekerdheid en ambitie. Het gaat om nieuwsgierigheid naar wat je kunt bereiken, zoals het verbreken van records of het realiseren van innovaties. Reflectiviteit houdt in dat je je sterke en zwakke punten kent, gekoppeld aan een kritische houding en gerichtheid op leren en verbeteren.

Deze aspecten vertegenwoordigen volgens Robert-Jan verschillende vormen van nieuwsgierigheid die mensen in organisaties kunnen ontwikkelen.

De acht soorten nieuwsgierigheid zijn:

  1. sensorische nieuwsgierigheid (vrijelijk exploreren en verwondering),
  2. leergierigheid (willen weten en begrijpen),
  3. cognitieve nieuwsgierigheid (problemen willen oplossen),
  4. sociale nieuwsgierigheid (empathische nieuwsgierigheid),
  5. sensatie zoeken (spannende ervaringen willen meemaken),
  6. willen veranderen (op zoek naar innovaties),
  7. intrapersoonlijke nieuwsgierigheid (nieuwsgierig naar jezelf) en
  8. verbeternieuwsgierigheid (willen presteren en verbeteren).

Deze acht typen laten zich volgens hem samenvatten in onderliggende drijfveren: willen waarnemen en ervaren, willen weten en verklaren, willen oplossen, anderen willen kennen, extreme dingen willen meemaken, willen veranderen, jezelf willen kennen, en willen presteren en verbeteren.

Simons heeft voor zijn nieuwe indeling een vragenlijst ontwikkeld waarmee het patroon van nieuwsgierigheden van individuen zichtbaar wordt. Dit instrument verschijnt in zijn boek “Lerende organisaties 2.0: nieuwsgierigheid als motor”. Met deze tool kunnen organisaties de gewenste vormen van nieuwsgierigheid doorontwikkelen en aansluiten bij de favoriete nieuwsgierigheden van medewerkers en teams.

De invloed van generatieve AI op nieuwsgierigheid

Robert-Jan gaat in zijn bijdrage niet in op de invloed van generatieve AI op de vormen van nieuwsgierigheid. Aangezien generatieve AI ons leren kan versterken en verstoren, en aangezien (generatieve) AI in toenemende mate wordt gebruikt door professionals, vind ik dat wel een relevante vraag. Hoe kunnen deze technologieën werken als versneller van nieuwsgierigheid, en waar liggen mogelijke valkuilen?

Generatieve AI in de vorm van beeld- en video-tools biedt lerenden ongekende mogelijkheden om virtueel te exploreren: met een paar trefwoorden creëert AI levensechte afbeeldingen of simulaties die verwondering wekken. Een lerende kan bijvoorbeeld een historisch tafereel of exotische locatie door AI laten visualiseren en zo sensorische nieuwsgierigheid bevorderen. Tegelijk is er een risico dat een overdaad aan spectaculaire AI-content de sensorische nieuwsgierigheid afvlakt. Als elke foto of video met één prompt iets buitengewoons oplevert, verdwijnt op den duur de schaarste die echte verwondering oproept (verwondering kan m.i. trouwens positief en negatief zijn). Dit kan de oorspronkelijke verwondering en exploratiedrang bij de lerende paradoxaal genoeg doen afnemen.

Als het gaat om leergierigheid, dan ondersteunt generatieve AI-technologie de lerende door 24/7 antwoorden en uitleg paraat te hebben. Een lerende kan op elk moment van de dag via een tool als ChatGPT een vraag stellen of om verduidelijking vragen. Dit kan  zelfgestuurd leren op eigen tempo mogelijk maken. Deze laagdrempelige toegankelijkheid kan de leergierige nieuwsgierigheid versterken: wie iets wil weten, krijgt meteen iets te weten. Tegelijkertijd weten we dat deze toepassingen ook onjuiste of gefingeerde antwoorden kunnen genereren. Verder weten we dat een verkeerd gebruik van generatieve AI-toepassingen er toe kan leiden dat we het leren uitbesteden aan deze applicaties of er afhankelijk van worden. Dit zal de leergierigheid juist niet aanwakkeren. Lerenden kunnen denken dat ze iets niet meer hoeven te weten en begrijpen omdat ze dit ten alle tijden kunnen vragen aan een AI-applicatie. Zie: De geheugenparadox: waarom informatie onthouden nog steeds belangrijk is (ook nu we de beschikking hebben over AI-toepassingen).

Generatieve AI kan cognitieve nieuwsgierigheid positief ondersteunen. Een lerende kan een AI-toepassing vragen om hints bij een wiskundeprobleem, alternatieve oplossingen voor een case, of stap-voor-stap uitleg bij een programmeerfout. De AI-applicatie fungeert dan als geduldige sparringpartner die nieuwe denkrichtingen voorstelt. De keerzijde is ook nu weer dat gemakzucht op de loer ligt. Als een lerende te snel naar een AI-toepassing grijpt bij ieder obstakel, leert de lerende minder door zelf te worstelen met het probleem. De nieuwsgierigheid om zelf te puzzelen kan afnemen als een AI-chatbot telkens direct de oplossing voorzegt. Zie: Laat ‘productief worstelen’ niet aan AI-toepassingen over.

Sociale nieuwsgierigheid betreft empathie en interesse in andermans ervaringen en ideeën. De meningen zijn verdeeld of Generatieve AI-toepassingen empatisch kunnen zijn of empathie hooguit kunnen ‘faken’. Lerenden kunnen in elk geval een AI-chatbot gebruiken om bijvoorbeeld een dialoog te simuleren met een historisch figuur of om met een coach te converseren. In een veilige omgeving kunnen zij op ontdekking gaan: AI-technologie maakt het mogelijk om op elk gewenst moment een gesprekspartner te hebben en zelfs gespreksvaardigheid te oefenen zonder schaamte. Dit kan de sociale nieuwsgierigheid prikkelen. Lerenden kunnen vrijuit vragen stellen en perspectieven verkennen die ze in het echt niet direct kunnen opzoeken. De technologie heeft echter ook beperkingen. Een gesprek met een AI-applicatie blijft een simulatie – het lijkt een gesprekspartner met emoties en meningen. Echte wederkerigheid ontbreekt echter omdat de tool geen mens is en geen oprechte gevoelens of bewustzijn heeft. Zoals Pedro schrijft: achter de schermen zit een taalmodel dat patronen voorspelt, geen empathie. Bovendien zal menigeen een conversatie met een AI-chatbot nog steeds ‘akward‘ vinden. Daarnaast kan intensief AI-gebruik ten koste gaan van échte interactie. Als lerenden voor antwoorden of feedback vooral op een AI-chatbot leunen, kunnen zij minder gestimuleerd worden om met ‘echte mensen’ in gesprek te gaan.

Generatieve AI kan aan sensatiezoekende nieuwsgierigheid tegemoetkomen door unieke, spannende content en interacties te genereren. Denk aan een lerende die met een AI-model een fantasierijk verhaal creëert, of visuele kunst in bizarre stijl genereert – het verrassende resultaat kan een adrenalineboost geven en bevredigt de drang naar iets nieuws. Je leest soms dat het genereren van AI-beelden zelfs als verslavend kan werken; je weet nooit precies wat er uit de “magische doos” komt, vergelijkbaar met de spanning van een gokautomaat. Maar juist door die overvloed aan “spectaculaire resultaten” kan de prikkel van het nieuwe afvlakken. De verrassing verdwijnt als de uitkomsten te voorspelbaar goed worden. Je merkt dat bijvoorbeeld aan de gewenning die optreedt. We vinden het vrij normaal dat Claude een essay produceert op basis van een opdracht. Terwijl dat begin 2023 nog heel bijzonder was. Dit betekent dat GenAI zowel positieve sensaties kan geven als een zekere afgestomptheid kan veroorzaken. Net als bij de sensorische nieuwsgierigheid het geval kan zijn.

Generatieve AI fungeert bij de nieuwsgierigheid om te willen veranderen als katalysator van innovatie. Een lerende kan AI-toepassingen gebruiken om te brainstormen – van alternatieve oplossingen voor een bedrijfsproces tot creatieve concepten voor een project – en daarmee de veranderingsgerichte nieuwsgierigheid te bevredigen. Dankzij interactie met AI-toepassingen kom je op nieuwe invalshoeken waar je zelf nog niet aan hebt gedacht. Je kunt ook snel een prototype laten genereren of verschillende scenario’s uitwerken. De keerzijde is dat deze toepassingen leunen op bestaande patronen. Het gevaar bestaat dat een lerende vooral variaties van het bekende ziet, in plaats van echt baanbrekende inzichten.Er kan dus ook eenvormigheid in ideeën ontstaan. De lerende moet dus aangespoord worden om AI-toepassingen vooral te benutten om verder te denken.

Intrapersoonlijke nieuwsgierigheid kan worden bevorderd door generatieve AI-toepassingen als middel voor reflectie te gebruiken. Een lerende kan bijvoorbeeld ChatGPT inzetten als een altijd beschikbare, onbevooroordeelde gesprekspartner om de eigen gedachten op een rij te zetten. AI-toepassingen bieden een veilige, oordeelvrije ruimte waarin iemand zich vrij voelt om te delen en te reflecteren – een AI-chatbot onthoudt wat je vertelt en helpt je verbanden te zien in je eigen verhaal. Dit kan intrapersoonlijke nieuwsgierigheid stimuleren doordat de lerende via AI nieuwe inzichten over zichzelf opdoet die de lerende eerder over het hoofd zag. Ook hier heb je echter te maken met beperkingen. Zoals ik al eerder heb geschreven, mist ‘AI’ empathie en ook echt begrip. De adviezen of vragen van een AI-chatbot zijn gebaseerd op patronen, niet op werkelijke menselijke ervaring. Ook vertrouwelijkheid en privacy spelen hierbij een rol: hoe open durf je te zijn tegen een AI-toepassing en waar worden die gegevens bewaard? Je kunt ook bij deze vorm van nieuwsgierigheid AI-toepassingen het beste gebruiken in aanvulling op menselijke ervaring.

Generatieve AI kan een persoonlijke coach worden die verbeternieuwsgierigheid voedt. Zo kan een lerende AI-tools inzetten om direct feedback te krijgen op een uitwerking oefenopdracht of geschreven tekst, met suggesties voor verbetering. Denk aan een tekst die door Google Gemini wordt geanalyseerd: de chatbot kan zwakke punten aanwijzen en alternatieve formuleringen voorstellen, waardoor de lerende gericht de eigen schrijfvaardigheid bijspijkert. Ook kunnen AI-tools oneindig veel oefenmateriaal genereren (bijvoorbeeld extra rekensommen, taaloefeningen of scenario’s) afgestemd op het niveau van de lerende. Daardoor kan deze zich stapsgewijs verbeteren. Wanneer een lerende echter te veel leunt op AI, bestaat het gevaar dat hij vooral sneller klaar is, zonder daadwerkelijk beter te worden in de kernvaardigheid. Hier is inmiddels veel over bekend geworden. Zie bijvoorbeeld Bevorderen AI-toepassingen ‘metacognitieve luiheid’? en AI gebruiken voor het geven van feedback: mogelijkheden en beperkingen. Het is dus zaak om om AI-toepassingen in te zetten als middel om feedback en extra oefening te bieden, maar tegelijkertijd de lerende te stimuleren eigen inspanning te blijven leveren. Je moet er voor zorgen dat AI-tools hulpmotor zijn, en niet de automatische piloot.

Samenvattend kun je stellen dat generatieve AI-toepassingen voor de acht soorten nieuwsgierigheid zowel kansen als risico’s bevat. AI-technologie kan de nieuwsgierigheid kan ondersteunen en ontmoedigen. Ook op dit terrein is het dus zaak om AI-technologie doordacht in te zetten.

Mijn bronnen over (generatieve) artificiële intelligentie

Deze pagina bevat al mijn bijdragen over (generatieve) artificiële intelligentie, zoals ChatGPT.


Hoe waardeert u deze bijdrage?




Reacties

Plaats hieronder uw reactie.

Naam (verplicht)

E-mail (verplicht)

CAPTCHA Afbeelding
Voer de hierboven staande code in:

Meest gelezen nieuws

25-06

Introductie AI-fluency framework

Door: Wilfred Rubens (redactie)

Achtergronden aanbieders

Vacatures in de markt

Er zijn op dit moment geen openstaande vacatures.

Column

0 reacties
Van Let’s Learn! 09-10-2023

Retentie en AI

Helma van den Berg van Let's Learn! beluisterde de bijdrage van Jeanne Bakker aan de podcastserie BrainBakery. Bakker vertelde over de bedreiging en kansen die we nu en in de toekomst van AI kunnen verwachten. In de podcast sprak zij haar verwachtingen uit voor de toekomst van AI in leren. Helma is het met haar eens. Zoals de gedachte om AI voor gepersonaliseerd leren te gebruiken.