Nieuws

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


Van Wilfred Rubens (redactie) | 18-11-2026 | Article Rating | (0) reacties

Gaan we naar hybride ‘mens-AI-tutoring’?

Gaan we naar hybride ‘mens-AI-tutoring’?

Hybride tutoring kan, dankzij het verdelen van tutor-taken tussen mensen en ‘AI’, mogelijk de spanning verkleinen tussen de effectiviteit, de betaalbaarheid en het schaalbaar bereik van tutoring. Dat valt te lezen in het working paper The New Kid on the Tutoring Block: Definitions, Developments, and Future Directions for Hybrid Human-AI Tutoring, Daarin beschrijven Tiffany Wu, Ashish Gurung, Kenneth Koedinger en Danielle Thomas van Carnegie Mellon University vier hybride modellen.

Tutoring, oftewel intensieve begeleiding van een lerende of een klein groepje lerenden door een vakinhoudelijk deskundige, heeft volgens de auteurs aantoonbaar positieve effecten op leerprestaties. De auteurs refereren aan recente meta-analyses met effecten van 0,29 tot 0,40 standaarddeviatie. Dat is niet klein (minder dan 0,2), maar ook niet groot (0,8 of hoger). Deze effecten worden minder naarmate programma’s omvangrijker worden. De auteurs spreken van een ‘ijzeren driehoek’: als je de effectiviteit verhoogt met kleinere groepen en meer uren, verhoog je de kosten en verklein je het schaalbare bereik. Een Amerikaanse schatting komt uit op gemiddeld ruim 1.000 dollar per lerende per jaar. Daarbij gaat het voornamelijk om personeelskosten.

Volgens de auteurs vervult een tutor vijf functies:

  • de voorkennis van de lerende vaststellen en de instructie daarop afstemmen,
  • feedback en ondersteuning geven,
  • extra oefentijd bieden,
  • een relatie opbouwen die motivatie en een gevoel van erbij horen versterkt,
  • en lerenden aanspreken op hun voortgang.

AI-tutors kunnen de eerste drie functies steeds beter overnemen. De auteurs onderscheiden adaptieve systemen, intelligente tutorsystemen en tutors op basis van grote taalmodellen, zoals Khanmigo. Het bewijs voor hun effectiviteit is echter minder stevig dan bij tutoring door een mens. Een review van Stanford University vond dat slechts 20 van de 800 publicaties over AI-tutors op basis van taalmodellen sterk causaal bewijs leveren.

Een belangrijk knelpunt is het gebruik. In een gerandomiseerd onderzoek naar Khanmigo gebruikte de doorsnee lerende de tutor op een derde van de oefendagen, en in slechts 17 procent van de sessies waarin de lerende een fout maakte. Volgens de auteurs heeft AI bovendien nog niet aangetoond dat het de relationele functies van een tutor kan vervullen. Wu en collega’s verwijzen in dit verband naar een onderzoek van Robinson en collega’s waarbij de inzet van menselijke tutoren het gebruik van een AI-leesplatform met 71 tot 80 procent verhoogden. Daarbij bleef het gebruik beperkt en verbeterden de prestaties niet. Zij concluderen:

evidence suggests that human attention is needed for functions that depend more heavily on motivation and engagement.

Daarom kijken Wu cs naar de mogelijkheden om van hybride tutoring, waarbij intensieve begeleiding plaatsvindt door een mens en een AI-toepassing. Zij onderscheiden vier hybride architecturen.

  1. Bij AI-gestuurde tutoring met menselijke controle beoordelen tutoren de berichten van een taalmodel voordat lerenden die te zien krijgen.
  2. Bij AI-gestuurde tutoring met menselijke ondersteuning verzorgt AI de instructie en richten tutoren zich op motivatie of grijpen ze op basis van data gericht in.
  3. Bij afwisselende tutoring wisselen dagen met software en dagen met een menselijke tutor elkaar af. Dat leverde in een onderzoek een winst van 0,23 standaarddeviatie op.
  4. Bij tutoring door mensen met ondersteuning van AI doet een taalmodel tijdens de sessie didactische suggesties aan de tutor. Vooral lerenden van minder goed beoordeelde tutoren profiteerden daarvan.

De auteurs benadrukken dat de modellen lastig te vergelijken zijn, omdat kosten en effecten op verschillende manieren worden gemeten. Ze formuleren onderzoeksvragen over welke functies AI kan overnemen, op welke momenten menselijke aandacht het meeste toevoegt en wat de effecten zijn op zelfstandig leren op de lange termijn. Ook staan zij stil bij gelijke kansen: hybride tutoring kan ertoe leiden dat lerenden uit kansarme milieus vooral met AI werken, terwijl beter bedeelde leeftijdsgenoten menselijke begeleiding behouden.

Mijn opmerkingen

De waarde van dit paper zit voor mij vooral in de verschuiving van de vraag ‘mens of AI?’ naar de vraag welke functies je aan wie toewijst. Ook vind ik het onderscheid in de vier ‘architecturen’ interessant.

Toen ik dit working paper las, moest ik ook denken aan mijn blogpost van ongeveer 3,5 jaar geleden: Zijn er grenzen aan de mate waarin mensen geholpen willen door of willen interacteren met computers? Ik stelde toen dat de mate waarin AI wordt toegepast, mede afhangt van de mate waarin mensen accepteren dat ze door computers worden geholpen. Op basis van het Technology Acceptance Model verwachtte ik dat die acceptatie zou groeien, omdat generatieve AI gebruiksvriendelijk en nuttig is. Het Khanmigo-onderzoek nuanceert dat. De tutor was één klik verwijderd, maar lerenden gebruikten deze tutor nauwelijks. De grens ligt dus mogelijk niet alleen in onbehagen over een te menselijke interface (de ‘uncanny valley‘-theorie), maar ook in een gebrek aan motivatie om op eigen initiatief hulp te zoeken bij een systeem waarmee je geen relatie hebt. Interactie met een AI-tutor kan ongemakkelijk en vreemd overkomen en daarom op terughoudendheid of zelfs weerstand stuiten.

In Over sociale relaties, leren en AI betoogde ik dat processen waarin persoonlijk contact een kleine rol speelt, eerder worden gedigitaliseerd dan processen waarin dat contact belangrijk is. De hybride architecturen laten precies die verdeling zien: AI neemt de instructieve functies over, mensen de relationele. Het is daarbij volgens mij ook de vraag of die functies en de bijbehorende taken altijd eenvoudig te scheiden zijn of onderscheiden worden.

In Risico’s bij het gebruik van AI voor leren, opleiden en onderwijs wees ik er vanuit het perspectief van zorgethiek op dat fouten van een betrokken menselijke tutor minder zwaar wegen dan die van een AI-toepassing zonder relatie met de lerende. Met een menselijke tutor kun je mogelijk meer laagdrempelig interacteren, bijvoorbeeld bij het maken van fouten. Een mens kan ook makkelijker improviseren en daarmee fouten herstellen dan een AI-tutor. De mens ken ook de context van de lerende beter, en kan daar rekening mee houden bij het intensief begeleiden.

Het punt over gelijke kansen is m.i. ook relevant. Lerenden van hoogopgeleide en draagkrachtige ouders maken in ons land bijvoorbeeld vaker gebruik van betaalde bijles. Als scholen AI-tutors inzetten om kosten te besparen, terwijl deze ouders blijven investeren in menselijke bijles, ontstaat een tweedeling waarvoor de auteurs waarschuwen. Verder kan de discussie over schermtijd de bereidheid om AI te gebruiken voor tutoring beperken.

Ik verwacht dat hybride modellen meer toekomst hebben dan volledig door AI verzorgde tutoring, juist omdat er grenzen zijn aan de mate waarin lerenden met AI willen interacteren. Wel is het, zoals gezegd, de vraag of de functies die wel en functies die niet gemakkelijk vervuld kunnen worden door ‘AI’ zo makkelijk te scheiden zijn. Soms wel, maar wellicht niet altijd. Dat hangt bijvoorbeeld af van de redenen waarom een lerende bijvoorbeeld minder goed leert, dan verwacht (en behoefte heeft aan tutoring).

Mijn bronnen over (generatieve) artificiële intelligentie

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


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

Geen artikelen gevonden

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.