FRAME (TM): AI-toepassingen verantwoord en gestructureerd binnen L&D gebruiken
Philippa Hardman beschrijft in FRAME™: A Practical Method for Integrating AI into L&D Workflows hoe L&D-professionals AI op een betrouwbare manier kunnen integreren in hun werk. In deze bijdrage vat ik deze methode samen en reflecteer ik erop.
Hardman stelt vast dat meer dan de helft van de L&D-teams in 2025 AI-tools zoals ChatGPT, Copilot, Gemini en Claude gebruikt. Deze technologie versnelt het ontwerpproces, maar brengt ook risico’s met zich mee: onnauwkeurige informatie, gebrek aan kwaliteitscontrole en overmatig vertrouwen in AI-systemen. Uit onderzoek, onder meer van Boston Consulting Group, blijkt dat kenniswerkers ‘AI’ vaak verkeerd inschatten: ze vertrouwen AI-tools bij taken waarvoor ‘AI’ minder geschikt is, en benutten deze applicaties onvoldoende op terreinen waar de toepassingen juist erg geschikt voor zijn.
Zij schrijft dat grote taalmodellen functioneren als voorspellingsmachines die patronen genereren, niet als systemen met begrip of waarheidsbesef. Daardoor varieert de betrouwbaarheid van hun adviezen, zeker wanneer ze zijn getraind op uiteenlopende en deels onbetrouwbare bronnen. Zelfs gespecialiseerde modellen zoals Google’s LearnLM, die zijn afgestemd op didactische toepassingen, blijven in de kern afhankelijk van generieke trainingsdata.
Hardman concludeert dat de oplossing niet ligt in het wachten op perfectere AI-modellen, maar in het ontwikkelen van betere werkprocessen. Daarom introduceert ze het FRAME™-model. Dit is een vijfstappenmethode die AI-gebruik structureert en kwaliteitsbewaking borgt. De vijf stappen zijn:
- Find the Evidence. Verzamel ‘evidence-based’ richtlijnen over de taak voordat AI wordt ingezet, met behulp van gespecialiseerde onderzoekstools.
- Role & Rules Definition. Leg vast wie welke rol heeft, wat de taak is, welke kwaliteitscriteria gelden en in welke vorm het resultaat moet worden opgeleverd.
- Assemble Inputs. Lever alle relevante documenten aan (zoals leerdoelen en persona’s) en zorg ervoor dat de AI-tool zich beperkt tot deze bronnen.
- Model, Measure, Modify. Laat AI meerdere versies genereren, beoordeel deze kritisch en verbeter ze iteratief.
- Expand & Embed. Zet succesvolle workflows om in herbruikbare sjablonen, bots of geautomatiseerde processen.
Hardman stelt dat FRAME™ leidt tot betrouwbare, uitlegbare en herhaalbare resultaten. De methode combineert menselijke expertise met de snelheid en creativiteit van AI, en helpt L&D-professionals om de risico’s van onnauwkeurigheid, drift en middelmatigheid te beheersen. Niet betere AI, maar betere workflows maken het verschil.
Mijn opmerkingen
Het FRAME™-model is een waardevolle en praktische poging om AI-gebruik bij L&D te structureren. Hardman vertrekt vanuit een realistisch begrip van wat AI kan en niet kan. De nadruk op evidence-informed -al spreekt Hardman van evidence-based- werken is sterk. De eerste stap –Find the Evidence– helpt professionals om niet blind op AI-uitvoer te vertrouwen, maar keuzes te baseren op onderzoek en onderwijskundige principes. Sterk aan het model is ook de aandacht voor kwaliteitsborging en transparantie. Door elk ‘AI-resultaat’ te koppelen aan onderliggende bronnen en ontwerpbeslissingen, dwingt FRAME™ tot reflectie en verantwoording.
Wel is FRAME™ vooral een procesmodel. Het geeft vooral houvast in het structureren van taken. De methode beschrijft hoe je AI inzet, maar niet wanneer en waarom het een meerwaarde heeft voor bepaalde taken. Ook lijkt Hardman zich vooral te focussen op complexe werkzaamheden zoals het ontwerpen van leerinterventies. Voor minder complexe taken is dit model m.i. wat ‘overdone’. Tegelijkertijd mis ik aandacht voor ethische aspecten binnen de diverse stappen. Ook vraag ik me af of dit model makkelijk te integreren is binnen bestaande werkzaamheden. Je zult je werkprocessen behoorlijk moeten aanpassen. Docenten in het onderwijs hebben bovendien weinig tijd voor het ontwerpen en ontwikkelen van onderwijs. Hoe verhoudt FRAME™ zich hiertoe? Een aanvullende ‘light’ versie en een meer kortcyclische versie van FRAME™ zou handzamer zijn.
Hoe waardeert u deze bijdrage?