Hoe kunnen we zorgen voor AI-gebaseerde intentionele wrijving?
AI maakt leren sneller en makkelijker. Dat gaat echter ten koste van de cognitieve ontwikkeling van lerenden op de lange termijn. In de bijdrage “Why AI Needs Vygotsky: The Case for AI-Based Intentional Friction” laat Atefeh Ferdosipour, mede aan de hand van acht ontwerpprincipes, zien hoe het ook anders kan.
Atefeh Ferdosipour stelt dat AI in snel tempo zijn intrede heeft gedaan op het gebied van leren, opleiden en onderwijs. De technologie faciliteert actief leren en bespaart tijd. Taken die vroeger minuten of uren vergden, worden nu in seconden afgehandeld door grote taalmodellen. Maar wat betekent dit op de lange termijn voor de cognitieve vermogens van lerenden?
Die zorg typeert de auteur als de “frictionless trap“: de valkuil van het wegnemen van elke mentale uitdaging bij het leren via AI. Zonder tussenliggende stappen, zonder scaffolding en zonder cognitieve weerstand wordt output, zoals het oplossen van een probleem, direct beschikbaar gesteld. De moeite die normaal gepaard gaat met denken en redeneren, verdwijnt.
Ferdosipour baseert haar betoog mede op neurowetenschappelijk onderzoek. Neurale plasticiteit -oftewel het vermogen van de hersenen om zich aan te passen- vereist inspanning, uitdaging en cognitieve belasting. Wanneer de hersenen worden geconfronteerd met nieuwe informatie zonder herkenbaar patroon, neemt de cognitieve belasting toe. Dat gevoel van moeite of “mentaal vastzitten” is juist de noodzakelijke wrijving die leidt tot structurele veranderingen in de hersenen en daarmee tot verdiepend leren. Er is dan sdprake van optimale mentale wrijving. Als ‘AI’ die wrijving volledig wegneemt, worden weliswaar problemen opgelost, maar vindt de biologische leercyclus niet plaats.
Atefeh Ferdosipour verwijst daarbij naar het werk van Vygotsky, met name zijn concept van de Zone van Naaste Ontwikkeling (ZNO). Dit beschrijft het gebied tussen wat een lerende zelfstandig kan en wat de lerende met ondersteuning kan bereiken. Vygotsky werkte dit uit via scaffolding: tijdelijke ondersteuningsstructuren die geleidelijk worden opgebouwd en later afgebouwd naarmate de lerende vordert. Het begrip scaffolding werd verder uitgewerkt door Wood, Bruner en Ross, die het beschreven als de ondersteuning die een meer ervaren persoon biedt aan een minder ervaren lerende, met als doel toenemende zelfstandigheid. Cognitieve uitdaging is daarin aanwezig, maar gestructureerd en afgestemd op de lerende. Dat verschilt wezenlijk van wat AI-technologie momenteel doet (cognitieve uitbesteding). In plaats daarvan is sprake van het verplaatsen van het denkproces naar een machine, waardoor de biologische leercyclus niet wordt geactiveerd.
Vanuit deze analyse pleit Ferdosipour voor AI-gebaseerde intentionele wrijving: het bewust inbouwen van cognitieve uitdaging in AI-systemen, zodat lerenden worden uitgedaagd in plaats van ontzorgd. De auteur richt zich hierbij op instructional designers, platformontwikkelaars en makers van AI-tools: zij kunnen bepalen hoe een systeem reageert, niet slechts wat het antwoordt.
Daarvoor beschrijft het artikel acht ontwerpprincipes:
- Verschuif de focus van snelheid en gemak naar diepgang en duurzaamheid van het leren, door lerenden te laten pauzeren, reflecteren en hun aannames te toetsen.
- Prioriteer het denkproces boven het eindproduct, door stappen van redeneren en beslissen zichtbaar te maken, ook als het uiteindelijke antwoord onvolledig is.
- Positioneer AI als mentor en cognitieve partner in plaats van als probleemoplosser.
- Instrueer lerenden eerst in het denken met AI, eventueel met aanvankelijke beperkingen op toegang tot volledige antwoorden.
- Vervang cognitieve prothesen door scaffolding via gefaseerde reacties en afnemende machinale ondersteuning.
- Gebruik de socratische methode met open vragen als “Waarom is dit de beste optie?” of “Welk bewijs ondersteunt deze bewering?”
- Vertraag of faseer reacties bewust in plaats van direct volledige oplossingen te bieden.
- Creëer intentionele uitdagingen die kritisch denken en creativiteit stimuleren door lerenden een analytischer pad te laten volgen.
De auteur besluit met de stelling dat het ontbreken van wenselijke moeilijkheid in AI-interacties de biologie van menselijk leren negeert. AI kan volgens de auteur dienen als mentor en partner. Maar dan moet de tooling zo zijn ontworpen dat het lerenden uitdaagt, laat groeien en cognitieve inspanning stimuleert in plaats van die te vervangen.
Mijn opmerkingen
Atefeh Ferdosipour is niet de eerste auteur die wijst op het risico van cognitieve uitbesteding dat op de loer ligt als lerenden AI-technologie -en dan met name de algemene grote taalmodellen- gebruiken als tutor. Het mooie van deze bijdrage is dat de auteur het concept “desirable difficulties” van Bjork, inzichten over de werking van het brein en Vygotsky’s Zone van Naaste Ontwikkeling (en met name scaffolding) met elkaar verbindt.
De acht ontwerpprincipes zijn herkenbaar en sluiten ook aan op eerder bijdragen over AI en ’tutoring’ en AI en verdiepend leren. Zie ook: Als een AI-tutor rekening houdt met de zone van naaste ontwikkeling. Large language models zijn echter niet niet primair ontworpen met verdiepend leren als doel. Zelfs als je werkt met zorgvuldige instructies, blijkt dit een uitdaging te zijn. De ontwerpprincipes richten zich op het ontwikkelaars van AI-tools en op het geven van begeleiding bij het gebruik ervan.
Daarnaast is het niet problematisch als AI-technologie bepaalde taken wel degelijk overneemt. Omdat die taken cognitieve overbelasting kunnen voorkomen (ik denk aan het checken van grammatica als taalontwikkeling niet het doel is) of als die taken anders niet zouden worden uitgevoerd (denk aan het maken van flash cards). De context doet er ook toe. Een expert kan baat hebben bij het laten maken van een samenvatting, een ‘novice’ kan zo’n samenvatting beter eerst zelf maken (ook al is het maken van een goede samenvatting op zich ingewikkeld).
Mijn bronnen over (generatieve) artificiële intelligentie
Deze pagina bevat al mijn bijdragen over (generatieve) artificiële intelligentie.