Bloggers

Van Wilfred Rubens (redactie) | 15-05-2026 | | (0) reacties

Bespreking twee Nederlandse publicaties over AI en toetsen

Twee recente Nederlandse publicaties –de AI-waaier voor het mbo van Lotte Kips (Npuls) en het artikel De gevolgen van AI op toetsing van David Maij en Hans Visser- bieden elk vanuit een eigen invalshoek handvatten voor onderwijsprofessionals die zoeken naar een werkbare aanpak bij AI en toetsing. Beide stukken laten zien dat AI niet alleen de toetsvorm raakt, maar de hele keten van leerdoel tot beoordeling. In deze bijdrage bespreek ik deze bijdragen aan de hand van een aantal eerdere blogposts over dit onderwerp.

De AI-waaier is ontwikkeld door een samenwerking van twintig mbo-instellingen en Npuls, en gepresenteerd op de Npuls Communitydag Toetsing en AI. Het instrument bouwt voort op de Australische AI Assessment Scale (AIAS) van Leon Furze en collega’s, die in 2024 vijf niveaus van AI-gebruik beschrijft: van geen AI tot volledig co-creatief gebruik. De AI-waaier van Npuls is in feite een Nederlandse bewerking van dit model, maar dan gericht op de specifieke context van het mbo. Daarbij zijn de categorieën drie (verbeteren) en vier (samenwerken) verder geconcretiseerd ten opzichte van het origineel.

De vijf categorieën van de AI-waaier zijn: geen AI, plannen met AI (idee en structuur), verbeteren met AI (bewerken), samenwerken met AI (aanvullen) en innoveren met AI (co-creatie). De waaier bevat bewust geen kleurcodering of hiërarchisch oordeel over wat ‘goed’ of ‘fout’ zou zijn. De keuze voor een bepaald niveau is afhankelijk van de leerdoelen en de toets- of examenvorm. Daarmee positioneert de waaier zich volgens de samenstellers niet als een normstellend instrument, maar als een hulpmiddel om het gesprek te structureren en keuzes te onderbouwen. Bij de waaier is een handreiking voor docenten ontwikkeld met aandachtspunten en voorbeelden per categorie. De samenwerkende instellingen en Npuls willen de waaier breed implementeren in het mbo, en hopen dat het instrument ook het gesprek met examenleveranciers over AI-gebruik bij examens op gang brengt.

Het artikel van Maij en Visser, De gevolgen van AI op toetsing, vertrekt vanuit een breder uitgangspunt: wie wil weten of lerenden iets zelfstandig beheersen, moet de hele keten van onderwijsontwerp opnieuw doordenken. De auteurs wijzen erop dat leren en presteren in de huidige toetscultuur met elkaar verward zijn geraakt. Leren vereist hard nadenken, fouten maken en herhaling; presteren is het zichtbaar maken van het resultaat. Beide zones horen in het onderwijs thuis, maar niet door elkaar heen. AI maakt die vermenging scherper zichtbaar: een taalmodel kan een product leveren dat er goed uitziet zonder dat de lerende het denkproces heeft doorlopen.

Maij en Visser werken hun betoog uit langs drie onderdelen van de zogeheten constructieve afstemming: leerdoelen, leeractiviteiten en summatieve toetsing. Bij leerdoelen stellen zij dat instellingen per leerdoel moeten bepalen welke rol AI daarin mag spelen, van geen gebruik tot volledige integratie. Daarvoor verwijzen zij onder meer naar de eerder genoemde AIAS en naar een drieniveaumodel van KU Leuven. Bij summatieve toetsing presenteren zij een risicoanalyse per toetsvorm, waarbij toetsen worden ingedeeld in laag, middelhoog en hoog AI-risico. Mondelinge toetsen, praktijkbeoordelingen en stationstoetsen vallen in de categorie laag risico; thuisgeschreven essays, scripties en portfolio’s met schriftelijke producten in de categorie hoog risico. Voor die laatste categorie beschrijven de auteurs concrete maatregelen, zoals het splitsen van opdrachten in tussenstappen, het toevoegen van een criteriumgericht interview na inlevering, of het vragen om een expliciete AI-verantwoording.

Een afzonderlijke toets kan daarbij volgens Maij en Visser nooit volledig AI-proof worden gemaakt; alleen een toetsprogramma als geheel kan dat beeld dragen.

Maij en Visser werken in een afzonderlijk deel ook de gevolgen van AI voor leeractiviteiten en formatief handelen uit. Zij benadrukken dat de leerfase bepaalt of AI het leren ondersteunt of juist ondermijnt. In een oriëntatiefase kan AI misvattingen zichtbaar maken of casussen aanreiken; in een oefenfase kan diezelfde AI het denkproces kortsluiten door direct antwoorden te geven. Formatief handelen -waarbij feed up, feedback en feed forward elkaar opvolgen- vereist dat docenten zicht houden op het denken van lerenden. AI kan dat zicht zowel ondergraven als versterken: het kan denkstappen overnemen, maar ook patronen in het werk van een groep signaleren die voor een docent moeilijk zichtbaar zijn. In dat laatste geval fungeert AI als informant die misvattingen signaleert en vervolgstappen suggereert, waarna de docent beslist welke didactische stap volgt.

Maij en Visser concluderen dat AI het onderwijs dwingt om leren en presteren helderder van elkaar te scheiden, en dat AI-bestendige toetsing het herontwerp van het hele onderwijsleerproces vraagt. Didactische kennis én AI-geletterdheid -ik geef dus liever de voorkeur aan AI-fluency– bij docenten zijn daarbij een voorwaarde.

Mijn opmerkingen

De AI-waaier is een bruikbaar instrument, maar roept ook vragen op die ik eerder stelde bij vergelijkbare modellen. De waaier is in essentie een Nederlandse bewerking van de AIAS. De meerwaarde zit in de mbo-specifieke taalgebruik en de concretere uitwerking van categorieën drie en vier. AIAS wordt ook doorontwikkeld. Het valt me op dat de betrokken mbo-instellingen en Npuls zich baseren op een oude versie, terwijl een nieuwe versie al geruime tijd beschikbaar is.

Eerder schreef ik over de AIAS en vergelijkbare instrumenten zoals PETRA AI, waarbij ik het onderscheid besprak tussen instrumenten die vooral structuur bieden vanuit de docent, en instrumenten die ook de lerende een stem geven in het gesprek over AI-gebruik. De AI-waaier behoort duidelijk tot de eerste categorie: de docent of instelling bepaalt welk niveau van toepassing is. Wel hebben de samenstellers ook een versie voor de student gemaakt. Dat biedt duidelijkheid, al is er geen sprake van wederzijdse verantwoording die bij AI-gebruik steeds relevanter wordt.

Zoals ik ook eerder beschreef, is het vaak lastig om een scherp onderscheid te maken tussen de hogere niveaus van dit soort schalen. Het verschil tussen samenwerken met AI en innoveren met AI vraagt om nadere toelichting per opdracht. De AI-waaier voorziet daarin omdat elk niveau een beschrijving bevat van hoe AI kan helpen en hoe een voorbeeldopdracht voor een verslag per niveau eruit kan zien.

Het artikel van Maij en Visser is inhoudelijk stevig onderbouwd en biedt een kader dat verder gaat dan het label op een opdracht plakken. De nadruk op constructieve afstemming -het bewust op elkaar afstemmen van leerdoelen, leeractiviteiten en toetsing- is precies wat ik al langer bepleit. Zoals ik schreef in mijn blogpost over gevolgen van generatieve AI voor het curriculum, is het aanpassen van alleen de toetsvorm onvoldoende als de leerdoelen en leerinhouden niet meebewegen. Maij en Visser laten dat goed zien, al ligt de nadruk in hun artikel ook overwegend op toetsing. De bredere curriculumvraag, ook in relatie met wat we willen dat lerenden überhaupt leren in een wereld waarin we te maken hebben met AI-gedreven convergenties, verdient veel aandacht. Bovendien zou technologie een belangrijkere plek moeten krijgen in het concept van constructive alignment.

Wat betreft het gebruik van AI bij beoordelen en feedback: de aanbevelingen van Maij en Visser om AI als informant in te zetten en formatief handelen te versterken, sluiten aan op wat ik eerder beschreef over mogelijkheden en grenzen van AI bij beoordeling. De kanttekening blijft dat AI bij summatieve beslissingen hooguit ondersteunend mag zijn, en dat menselijke controle en transparantie daarbij geborgd moeten worden.

Mijn bronnen over (generatieve) artificiële intelligentie

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