Hoe kun je AI-tools ontwerpen die daadwerkelijk helpen bij het leren?
Het artikel “From AI Tutors to AI Study Mates” van Dr. Philippa Hardman is een bevestiging van wat al een tijd duidelijk is: AI-tools die lerenden helpen om taken sneller af te ronden, bevorderen het leren niet noodzakelijk, maar kunnen het leren juist ondermijnen. Hardman gaat echter een stap verder dan deze constatering en legt ook een relatie met L&D. Daar zit ‘m de toegevoegde waarde van deze bijdrage.
Hardman opent haar artikel met de al vaker aangehaalde studie van Bastani et al. (2025). Dat was zo’n beetje de eerste studie waaruit bleek dat lerenden die ChatGPT gebruikten met de AI-tool aanzienlijk beter presteerden dan de controlegroep. Toen zij een toets moesten maken zonder steun van ChatGPT, bleken zij vervolgens 17% slechter te scoren dan de controlegroep die nooit AI had gehad.
Dit onderzoek is het vertrekpunt van het paper van Khosravi en collega’s (mei 2026), dat Hardman aanduidt als de meest onderbouwde argumentatie tot nu toe voor een nieuw type AI-tool voor leren. De auteurs noemen het geschetste probleem de “leer-prestatieparadox”: AI-tools zijn geoptimaliseerd voor voltooien van taken en ondermijnen daarmee de processen die duurzaam leren mogelijk maken. Twee aanvullende studies ondersteunen deze analyse. Corbett & Tangen (2026) toonden aan dat het voordeel van AI-dialoog bij het veranderen van opvattingen van lerenden na twee maanden volledig was verdwenen. Fan et al. (2024) beschreven wat zijn “metacognitieve luiheid” noemen: wanneer AI beschikbaar is, laten lerenden het plannen, bewaken en evalueren van hun eigen leerproces los. Terwijl dat precies de vaardigheden zijn die leren duurzaam maken.
Hardman benadrukt daarbij dat de grote taalmodellen die het onderwijs binnenkomen, niet gebouwd zijn voor leren, maar voor werk. De logica die ze nuttig maakt op de werkvloer -minimaliseer cognitieve inspanning, optimaliseer de output, behandel elke interactie als eenmalig- is precies wat ze ongeschikt maakt als leermiddel. Het paper werkt dit uit in een vergelijking langs negen dimensies tussen “AI voor werk” en “AI voor leren”. Waar “AI voor werk” succes meet aan de kwaliteit en efficiëntie van uitvoer, meet “AI voor leren” succes aan retentie, transfer en metacognitieve groei. Waar “AI voor werk” fouten beschouwt als inefficiënties die moeten worden gecorrigeerd, ziet “AI voor leren” fouten als diagnostische signalen en kansen voor het leren.
Op basis hiervan pleiten de auteurs voor een nieuwe categorie AI-tools: “AI learning companions”, of in Hardmans eigen terminologie: “study mates”. Deze AI-leerbegeleider verschikt dan van een AI-tutor. Een tutor behandelt elke interactie als los en transactioneel: de lerende stelt een vraag, krijgt een antwoord en vertrekt. Een leerbegeleider kent de lerende, onthoudt waar die vorige week vastzat, en stuurt de lerende richting het denken dat wordt vermeden. De relatie is ontwikkelingsgericht en cumulatief. Een AI-leerbegeleider is dan gebaseerd op twee fundamenten.
- Het pedagogisch-didactische fundament gaat ervan uit dat een AI-leerbegeleider de lerende actief laatdenken; passief informatie aanbieden is pedagogisch-didactisch niet beter dan een video. Dat vereist interactief leren, begeleide ondersteuning, metacognitieve vaardigheden en contextgebonden oefening.
- Het adaptieve fundament gaat over hoe AI de lerende leert kennen: door digitale sporen vast te leggen, een model te bouwen van cognitieve, affectieve en gedragsmatige dimensies, curriculum en feedback daarop aan te passen, en het systeem continu te verbeteren.
Samen geven deze twee fundamenten volgens Hardman richting aan hoe AI-leertools ontworpen zouden moeten worden.
Het paper beschrijft vijf bestaande implementaties hiervan. Hardman licht er drie uit. RiPPLE, ontwikkeld aan de Universiteit van Queensland, laat lerenden zelf oefenvragen en uitgewerkte voorbeelden maken, die ze vervolgens elkaars werk laten beoordelen. Een AI-begeleider begeleidt dit proces en past de inhoud aan op basis van wat de lerende eerder heeft gedaan, hoe die presteert en hoe betrokken die is. Recast, van de University of Technology Sydney, is geen enkelvoudige begeleider maar een platform waarmee docenten zelf AI-begeleiders bouwen voor hun eigen vakken; van reflectie-assistenten tot rollenspelassistenten voor moeilijke gesprekken. Khanmigo van Khan Academy begon als socratische tutor die altijd met tegenvragen reageerde, maar moest worden herontworpen nadat bleek dat lerenden die het antwoord werkelijk niet wisten, gefrustreerd raakten en afhaken. De nieuwe aanpak stimuleert lerenden eerst een poging te doen, geeft een aanwijzing als ze vastlopen, en toont pas een uitgewerkt voorbeeld als ze het werkelijk hebben geprobeerd.
Hardman formuleert op basis hiervan acht kenmerken waaraan een AI-begeleider moet voldoen om substantieel leren te ondersteunen, waaronder: antwoorden architecturaal achterhouden (niet alleen via een prompt), een persistent en meerdimensionaal lerende-model bijhouden, ondersteuning geleidelijk afbouwen naarmate de lerende sterker wordt, en resultaten meten aan retentie en transfer in plaats van aan tevredenheid. Wanneer ze de huidige tools langs deze lat leggen, scoort een standaard large language model 0,5 op 8, een studie modus binnen een LLM 3,5 op 8, en bestaande intelligente tutorsystemen uit de jaren tachtig 6 tot 7 op 8. Alleen een volledig uitgewerkte AI-leerbegeleider haalt 8 op 8. Deze zijn volgens Hardman echter nauwelijks op grote schaal beschikbaar.
Bron: “From AI Tutors to AI Study Mates” van Dr. Philippa Hardman
Aan het eind stelt Hardman nog de gewetensvraag: do workplaces actually want to build tools for human learning at work? Or do we just want AI tools which help to get the work done?
Mijn opmerkingen
Ik heb ook al vaker geschreven dat we technologieën voor leren, opleiden en onderwijs gebruiken, die daar oorspronkelijk niet voor bedoeld zijn. Daarbij kun je tegen beperkingen aanlopen. Bij AI-applicaties zijn die beperkingen dat het leren zelfs belemmerd kan worden. Daar is dus een steeds sterkere kennisbasis voor. Ontwerpers moeten dus veel aandacht besteden aan het pedagogisch-didactisch ontwerp van AI-applicaties. Gebruikers moeten deze AI-applicaties pedagogisch-doordacht gebruiken. De twee beschreven fundamenten en de acht kenmerken waaraan een AI-begeleider moet voldoen, bieden hiervoor concrete handvatten. Tegelijkertijd illustreert Hardman m.i. dat het pedagogisch-didactisch ontwerpen van AI-applicaties om veel expertise vraagt (technologisch en pedagogisch-didactisch). Het is niet een kwestie van even een ‘GPT of ‘Gem’ in elkaar zetten.
Wat me verder opvalt aan de bijdrage van Hardman is dat zij aangeeft dat juist leren belangrijk is voor het duurzaam presteren. Binnen L&D wordt regelmatig gesteld dat het niet gaat om leren, maar om presteren. Performance support is er dan op gericht om werknemers te ondersteunen bij de uitvoering van belangrijke taken. Daarom zijn veel arbeidsorganisaties ook nieuwsgierig naar de mogelijkheden van ‘AI’ om het werk meer efficiënt te maken. ‘Leren’ wordt vaak eerder gezien als kostenpost, in plaats van als investering. Wat in dit kader ook opvalt: alle vijf implementaties die het paper beschrijft, komen uit het reguliere onderwijs. Geen enkele is een corporate L&D-tool. Of komt dat omdat Khosravi cs zich, zoals zoveel onderwijsonderzoekers, hebben gefocust op het reguliere onderwijs.
Het blijft belangrijk dat ervaren professionals tijdens hun werk ondersteund worden bij de uitvoering van taken. Het paper van Khosravi en collega’s benadrukt m.i. echter dat de nadruk op presteren ten koste kan gaan van het leren, en van duurzaam presteren. Bovendien zou je ook als professional zonder AI-hulp taken moeten kunnen uitvoeren. Je mag er niet van uit gaan dat je altijd de beschikking hebt over AI-technologie. Het blijft ook nuttig om routeaanwijzingen en kaarten te gebruiken, voor het geval je navigatiesysteem uitvalt.
Leren -ook het versterken van metacognitieve vaardigheden- en performance support zijn dus allebei van belang op het gebied van L&D.
Wat me tenslotte ook opvalt is de interpretatie van tutoring. Een tutor is m.i. juist iemand die begeleidt en niet een expert die antwoorden op vragen geeft.
Mijn bronnen over (generatieve) artificiële intelligentie
Deze pagina bevat al mijn bijdragen over (generatieve) artificiële intelligentie.
Lees het hele
artikel