Bloggers

Cognitieve web model als alternatief voor Bloom’s taxonomie (en de relatie met AI)

Dr. Peter Ellerton presenteert in Beyond Bloom’s Taxonomy: the Cognitive Web Model het Cognitieve Web Model als alternatief voor Bloom’s taxonomie. Dominique Sluijsmans vindt dit model het meest elegante alternatief voor Bloom’s taxonomie. In deze blogpost geef ik een samenvatting van dit model, en verken ik ook de relatie met hedendaagse AI-toepassingen.

Bloom’s taxonomie is best wel oud, en ook meerdere keren herzien (bijvoorbeeld door Anderson en Krathwohl). Dominique vat de kritiek op deze taxonomie als volgt samen:

• De taxonomie geeft geen accurate weergave van de onderlinge verhoudingen tussen cognitieve processen.
• Er bestaat een wijdverbreide misvatting dat ‘hogere’ denkvaardigheden zijn opgebouwd uit ‘lagere’ vaardigheden. Dit suggereert dat er sprake is van een hiërarchische structuur (zoals de piramidevorm doet vermoeden), hoewel Bloom dit nergens expliciet heeft beschreven.
• Cognitieve werkwoorden worden ten onrechte gebruikt als basis voor het zwaarder of lichter beoordelen van prestaties, waarbij bijvoorbeeld een lerende die evalueert een hoger cijfer krijgt dan een lerende die analyseert.
• Deze beoordelingsmethode is problematisch omdat als evaluatie niet het doel was van de opdracht, het onderscheid tussen verschillende cognitieve processen zinloos wordt.

Het Cognitieve Web Model beschouwt cognitieve vaardigheden daarentegen als onderling verbonden knooppunten in een web van onderzoek, waarbij het activeren van één vaardigheid automatisch andere vaardigheden activeert. In plaats van de gefixeerde hiërarchie van Bloom’s taxonomie stelt Ellerton voor dat cognitieve vaardigheden zoals analyseren, evalueren en rechtvaardigen dynamisch met elkaar verbonden zijn. De specifieke verbindingen tussen deze vaardigheden verschillen per onderzoekscontext. Wanneer een docent bijvoorbeeld een lerende laat evalueren, zal deze automatisch andere vaardigheden zoals analyseren en rechtvaardigen moeten inzetten.

Uit onderzoek zijn volgens Ellerton vier cognitieve vaardigheden naar voren gekomen die fungeren als cruciale knooppunten in het web: analyseren, rechtvaardigen, evalueren en uitleggen. Deze ‘Gouden Tetrade’ onderscheidt zich door het vermogen andere vaardigheden aan te trekken en hun belang voor de ontwikkeling van het denkvermogen van lerenden.

Analyseren omvat het bestuderen van objecten of constructen, het onderzoeken van samenstellende elementen en hun onderlinge relaties, en het identificeren van relevante patronen. Rechtvaardigen behelst het geven en ontvangen van redenen en het uitleggen waarom deze redenen de beste zijn. Evalueren focust op het bepalen van waarde en het construeren van evaluatiecriteria. Uitleggen gaat over het begrijpen van dynamische, relationele aspecten tussen elementen en het communiceren van dit begrip naar anderen.

De vaardigheden zijn op krachtige manieren met elkaar verbonden, schrijft Ellerton. De kwaliteit van een uitleg hangt vaak af van de diepte van de analyse, terwijl de sterkte van een rechtvaardiging samenhangt met de kwaliteit van de uitgevoerde analyse.

Een belangrijk kenmerk van activiteiten is hun collaboratieve aard. Lerenden leggen uit en rechtvaardigen naar anderen toe, en analyseren en evalueren vaak elkaars denkprocessen. Ellerton illustreert dit met een voorbeeld waarbij lerenden een afbeelding van een beschaving moeten analyseren. Deze activiteit vereist dat lerenden de afbeelding analyseren, conclusies trekken, hun redenering uitleggen en elkaars bevindingen evalueren.

Het model biedt docenten volgens de auteur een alternatieve manier om leeractiviteiten te ontwerpen waarin het denken van lerenden centraal staat. In plaats van te focussen op welke inhoud lerenden hebben behandeld, richt het zich op welke denkvaardigheden zij hebben ontwikkeld. Dit maakt het mogelijk om je met precisie en intentionaliteit op denkvaardigheden te richten. Volgens Ellerton is dit het kenmerk van expertise in het onderwijzen van denken.

Relatie met AI

De naam zegt het al: het cognitieve web model richt zich op cognitieve vaardigheden, en niet op het toepassen ervan. Net als Bloom’s taxonomie. Het model komt m.i. inderdaad tegemoet aan de bezwaren tegen Bloom’s taxonomie.

In deze bijdrage wil ik stilstaan bij de relatie tussen (generatieve) AI-toepassingen en de ‘Gouden Tetrade’: hoe kunnen deze toepassingen bijdragen aan analyseren, rechtvaardigen, evalueren en uitleggen? En hoe voorkomen we dat lerenden deze vaardigheden volledig uitbesteden aan AI, waardoor hun eigen leerproces verzwakt?

Generatieve AI kan hierbij een dubbele rol spelen. Enerzijds kan AI lerenden ondersteunen bij het ontwikkelen van deze vaardigheden, anderzijds schuilt het risico dat AI het denkwerk overneemt. Voor een effectieve inzet is het belangrijk dat zowel de docent als de lerende de regie behouden. AI moet verdiepend leren ondersteunen, en niet worden gebruikt om taken zo snel mogelijk af te ronden.

AI kan m.i. een waardevolle rol vervullen bij het ontwikkelen van de Golden Tetrad-vaardigheden. Bij analyseren kunnen AI-toepassingen helpen bij het verwerken van grote hoeveelheden data, het ontdekken van patronen en het classificeren van informatie. Tools zoals ChatGPT en Claude ondersteunen bijvoorbeeld tekstanalyse en patroonherkenning. Goede prompting-technieken zijn hierbij van belang, net als functies zoals de study mode van ChatGPT en Google Gemini, die helpen voorkomen dat de AI-tool de analyse volledig overneemt. Google Notebook LM maakt het mogelijk om vragen te stellen over documenten en zo patronen te herkennen. Multimodale analyses van teksten, beelden en datasets, gecombineerd met real-time datavisualisatie, bieden extra mogelijkheden. Het gevaar zit echter in automatisering: analyseren draait juist om het zelf leggen van verbanden en het bepalen van relevantie. Wanneer een AI-tool dit proces volledig uitvoert, wordt de lerende een passieve ontvanger. Daarom is het belangrijk dat lerenden zelf vragen stellen, geschikte prompts gebruiken en AI-output kritisch beoordelen. Een effectieve aanpak is om eerst zelfstandig een analyse te maken en vervolgens AI-feedback te vragen, zonder deze klakkeloos over te nemen.

Bij rechtvaardigen en evalueren, die de basis vormen voor argumentatie, kan een AI-toepassing functioneren als sparringpartner. De zogeheten Sparring Partner-strategie werkt als volgt: de lerende formuleert eerst een eigen antwoord en vergelijkt dit daarna met de AI-output. AI kan hierbij tegenargumenten genereren of alternatieve perspectieven bieden. Dat dwingt lerenden hun redenering te onderbouwen en kritisch te evalueren. Dit maakt het metacognitieve proces – nadenken over het eigen denken – explicieter en versterkt de ontwikkeling van deze vaardigheden.

Ook uitleggen is een belangrijke vaardigheid, omdat dit het overbrengen van relationeel begrip vraagt. Een AI-toepassing kan hierbij alternatieve formuleringen, uitgewerkte voorbeelden, metaforen of casestudy’s genereren. Het risico is echter het ontstaan van schijnbegrip: de lerende neemt de AI-uitleg over zonder zelf het concept te doorgronden. Docenten kunnen dit voorkomen door opdrachten te ontwerpen waarin de lerende AI-output moet bekritiseren, aanvullen of toepassen in nieuwe contexten. Daarnaast kan de lerende een AI-toepassing inzetten om feedback te krijgen op eigen uitleg of zelf AI-uitleg herformuleren en laten controleren.

Om te voorkomen dat lerenden de Golden Tetrad-vaardigheden uitbesteden, is het essentieel dat opdrachten de lerende centraal stellen. De Sparring Partner-strategie is hierbij een goed voorbeeld: door eerst een eigen antwoord te formuleren en dit daarna te vergelijken met AI-output, ontstaat een actieve feedbackloop. Lerenden worden zo gestimuleerd om hun eigen analyse en rechtvaardiging te heroverwegen. Docenten hebben daarnaast een belangrijke rol in het bevorderen van AI-vloeiendheid: lerenden moeten leren hoe ze AI effectief, efficiënt, ethisch en veilig gebruiken. Het AI-fluency-raamwerk onderscheidt vier kerncompetenties:

• Delegation (Delegeren): weten wanneer en hoe AI-tools effectief in te zetten, bijvoorbeeld door eerst zelf te analyseren of uit te leggen voordat AI wordt geraadpleegd. Ook zul je je bewust moeten zijn van afhankelijkheid van AI, bijvoorbeeld als het gaat om feedback.
• Description (Beschrijven): helder en nauwkeurig ideeën, eisen en beperkingen formuleren voor AI-systemen.
• Discernment (Beoordelen): kritisch evalueren van AI-output, inclusief kwaliteit, relevantie en mogelijke vooroordelen.
• Diligence (Zorgvuldigheid): AI verantwoord gebruiken, rekening houdend met ethiek, transparantie en het nemen van verantwoordelijkheid voor het eindresultaat.

Deze vier kerncompetenties zijn onmisbaar om AI-toepassingen op een zinvolle manier in te zetten voor leren. AI-tools moeten niet alleen goed ontworpen zijn om effectief leren te ondersteunen, maar lerenden moeten ook leren hoe zij AI wijs en bewust gebruiken. Daarnaast moet je als docent, zoals gezegd, kritisch kijken naar opdrachten die je geeft.

Mijn bronnen over (generatieve) artificiële intelligentie

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

The post Cognitieve web model als alternatief voor Bloom’s taxonomie (en de relatie met AI) first appeared on WilfredRubens.com over leren en ICT.
Lees het hele artikel