Hoe AI praktijkgericht leren kan helpen faciliteren
Oefenen, uitproberen, het geleerde toepassen. Dat zijn beproefde effectieve leeractiviteiten. In “How to Build Practice-Based Learning Activities with AI” laat Philippa Hardman zien hoe je AI-technologie daarvoor kunt inzetten. Zij presenteert vier op onderzoek gebaseerde methoden waarmee L&D-professionals en docenten zonder code of ontwikkelteam direct bruikbare oefenactiviteiten kunnen ontwikkelen met een large language model naar keuze.
Hardman refereert in haar bijdrage aan het Synthesia 2026 AI in L&D Report. Daaruit blijkt onder meer dat de snelst groeiende toepassingen van AI in L&D geen betrekking hebben op contentcreatie, maar op assessments en simulaties, adaptieve leertrajecten en AI-tutors. L&D-teams beginnen volgens haar in te zien dat de meest waardevolle toepassing van AI niet het produceren van leermateriaal is, maar het creëren van omgevingen waarin lerenden daadwerkelijk oefenen en toepassen.
Elke methode die ze in haar bijdrage beschrijft, levert een werkend interactief prototype op en is voorzien van een briefingscherm, een live AI-interactie en een debrieffase.
De eerste methode is structured roleplay: de lerende oefent lastige gesprekken in realtime door te reageren op een AI-personage met een specifieke rol, zoals een weerstandige teamlid, een bezorgde patiënt of een kritische belanghebbende. De theoretische basis ligt in het principe van deliberate practice (Ericsson, 1993): prestaties verbeteren het meest wanneer lerenden oefenen in omstandigheden die de echte taak benaderen, met gerichte feedback op de grens van hun competentie. Een casusbespreking lezen over een moeilijk gesprek is fundamenteel anders dan dat gesprek zelf voeren. De methode is bij uitstek geschikt voor interpersoonlijke vaardigheidsdoelen zoals onderhandelen, coachen, de-escaleren en stakeholdermanagement. Lerenden moeten al over basiskennis van de theorie beschikken. Een belangrijk ontwerpprincipe is het expliciet inperken van het AI-personage: de systeeminstructie bepaalt dat het personage in rol blijft en de lerende niet corrigeert of coacht, omdat taalmodellen van nature geneigd zijn behulpzaam te zijn.
De tweede methode, de decision simulator, presenteert de lerende een scenario met een reeks vertakkende beslissingen waarvan de gevolgen cumulatief doorwerken. Statische keuzescenario’s reageren alleen op wát de lerende kiest. De AI-toepassing reageert ook op hóé de beslissing tot stand is gekomen. Hardman verwijst daarbij naar het concept van de hele of complexe taak-benadering uit het vier componenten instructiemodel (4C/ID-model) van Van Merriënboer en Kirschner (2017): lerenden oefenen met de volledige complexiteit van een situatie, in plaats van met geïsoleerde deelvaardigheden. De methode is volgens haar geschikt voor doelen als projectprioritering, incidentrespons en klantstrategieën. De methode werkt het beste voor lerenden op gemiddeld tot gevorderd niveau die de verschillende onderdelen (beleidsregels, kaders) al kennen en moeten oefenen met coördinatie en toepassing, maar is minder geschikt voor eenvoudige procedurele taken met één juiste volgorde. Hardman adviseert om de debrief zo te structureren dat lerenden eerst hun eigen redenering verwoorden voordat ze de AI-analyse ontvangen: onderzoek naar zelfverklaring laat zien dat dit begrip verdiept en transfer van het leren ondersteunt.
De derde methode is de feedback simulator. Hierbij levert de lerende een werkproduct in, zoals een conceptmail, een projectplan of een adviesnotitie. De AI-toepassing geeft daarna feedback vanuit een specifiek perspectief: dat van een financieel directeur, een senior leidinggevende of een patiënt met bepaalde behoeften. Hardman stelt dat generieke AI-feedback weinig leerzaam is, maar dat gesitueerde feedback vanuit een herkenbaar en consistent perspectief aanzienlijk effectiever is voor transfer van het leren (Nicol & Macfarlane-Dick, 2006). Het ontwerp vereist dat de waarden en prioriteiten van de AI-beoordelaar expliciet in de systeeminstructie zijn vastgelegd. Een revisiecyclus is ingebouwd: de lerende past het werkproduct aan op basis van de ontvangen feedback en dient het opnieuw in. Eenmalige feedback is volgens haar een beoordeling; iteratieve feedback is oefening.
De vierde methode noemt Hardman de adaptieve casestudy. Deze aanpak wijkt af van de traditionele casusstudie. In plaats van alle informatie vooraf aan te bieden, speelt AI de rol van een personage binnen de casus dat de lerende kan interviewen om de werkelijke situatie te diagnosticeren. Jonassen (2000) omschrijft dit als ‘problem finding’. De lerende weet welke vragen te stellen en aan wie. Volgens Hardman is dat een vaardigheid die in veel L&D-programma’s onderbelicht blijft. Het AI-personage beschikt bewust over beperkte en perspectief-gekleurde kennis. Dat dwingt de lerende kritisch te denken over de betrouwbaarheid van wat de lerende hoort. Deze methode is volgens Hardman aan te bevelen als lerenden moeten leren omgaan met ongestructureerde problemen waarbij geen eenduidig antwoord bestaat en informatie onvolledig of tegenstrijdig is, zoals bij organisatieverandering, complexe casuïstiek of beleidsvraagstukken. De methode is minder geschikt als taken goed gestructureerd zijn met een duidelijke probleemstelling en een bekende oplossingsroute. Directe instructie en begeleide oefening zijn dan effectiever. Voor complexe casussen kunnen meerdere personages worden ingezet met tegenstrijdige informatie, zodat de lerende inconsistenties moet herkennen en op elkaar afstemmen.
Hardman beschrijft ook hoe men van idee naar inzet gaat.
Stap 1: Maak een prototype voor goedkeuring. Plak een prompt in Claude, ChatGPT of Gemini en je krijgt direct een klikbare oefening. Neem een schermopname en deel die met een vakinhoudelijk expert of opdrachtgever. Zo krijg je sneller bruikbare feedback dan via een uitgebreid ontwerpdocument.
Stap 2: Test het leereffect, niet alleen de techniek. Laat een expert de activiteit doorlopen en beoordeel of het scenario realistisch is en de debriefvragen kloppen. Test daarna met drie tot vijf lerenden: begrijpen ze wat ze moeten doen, klopt de moeilijkheidsgraad, en nodigen de reflectievragen uit tot nadenken? Pas het prompt aan op basis van wat je ziet.
Stap 3: Voeg tracking toe als dat nodig is. De gegenereerde code werkt als een zelfstandige webpagina. Zet die online via een gratis hostingdienst en plak de link in je leeromgeving. Wil je automatische voortgangsregistratie, gebruik dan een tool die de activiteit verpakt als SCORM-module.
In haar conclusie benadrukt Hardman nog drie aspecten:
- Koppel de debriefvragen aan jouw standaarden, niet aan die van de AI-tool. De AI-tool baseert feedback op zijn trainingsdata, niet op het beleid of de waarden van jouw organisatie. Geef in het prompt expliciet aan welke standaard de AI-tool moet hanteren.
- Structuur werkt beter dan openheid. Onderzoek laat zien dat afgebakende, gestructureerde gesprekken betere leerresultaten opleveren dan volledig open interacties. Hoe scherper je het scenario, de rol en de debriefcriteria omschrijft, hoe effectiever de oefening.
- Praktijkgerichte oefeningen zijn waardevol voor het opdoen van herhaalde, laagdrempelige oefenmomenten. Ze vervangen geen begeleide oefening, peerfeedback of coaching door een expert.
Mijn opmerkingen
Ik vind dit interessante didactische toepassingen van het gebruik van AI-toepassingen voor leren, opleiden en onderwijs. De vier methodes zijn uitgebreid uitgewerkt. Ik heb ze hier alleen samengevat. Je kunt ze zelf uitproberen en met de inhoud ook zelf aan de slag gaan. De theoretische onderbouwing is ook sterk, al vraag ik me bij de decision simulator af waar de drie andere componenten uit het 4C/ID model zijn gebleven. Hardman wijst ook op de context waarbinnen deze methoden goed kunnen werken, en op beperkingen: wanneer kun je beter voor een andere benadering kiezen? De kwaliteit van vier methoden wordt verder vooral bepaald door de input en de inhoudelijke vormgeving. AI-toepassingen zoals Claude maken het ontwikkelen van online praktijkgericht oefenen meer toegankelijk, maar daarmee nog niet heel eenvoudig. Verder vraag ik me af of je daadwerkelijk kunt borgen dat AI-personages consistent blijven over meerdere sessies. Bij herhaald oefenen is dat immers wel relevant.
Mijn bronnen over (generatieve) artificiële intelligentie
Deze pagina bevat al mijn bijdragen over (generatieve) artificiële intelligentie.
Lees het hele
artikel