AI in het onderwijs: beleid versus praktijk
Als het gaat om het gebruik van AI-technologie in het onderwijs is er sprake van een groeiende kloof tussen beleid en praktijk. Dat concluderen twee Australische onderzoekers in het artikel “From policy to practice: what does GenAI use in classrooms actually look like?”. Australische universiteiten hebben inmiddels breed beleid geformuleerd voor het gebruik van generatieve AI, maar in de praktijk blijft het de vraag hoe docenten dat beleid concreet kunnen invullen.
Vrijwel alle Australische universiteiten beschikken over richtlijnen voor generatieve AI: wat is toegestaan, wat moet worden verantwoord, en waar liggen de risico’s op het gebied van academische integriteit. Maar die richtlijnen gaan niet over de alledaagse onderwijsrealiteit. Ze bieden volgens de auteurs weinig houvast voor concrete vragen: hoe ontwerp je toetsen waarbij AI-gebruik zichtbaar is én zinvol, hoe voorkom je overmatige afhankelijkheid zonder het gebruik volledig te verbieden, en hoe leer je lerenden AI-output kritisch te beoordelen in plaats van klakkeloos te aanvaarden? Het gevolg is dat docenten deze vertaalslag zelf moeten maken. Dat leidt tot ongelijke praktijken: sommige klassen werken met doordachte en gestructureerde aanpakken, andere staan nog aan het begin.
Om te verkennen hoe goede praktijk eruit kan zien, testten de auteurs twee werkwijzen binnen ICT-vakken op postdoctoraal niveau. In het eerste geval moesten lerenden wekelijks een sjabloon over het gebruik invullen: welk AI-hulpmiddel hadden ze gebruikt, hoe hadden ze het ingezet, welk bewijs konden ze overleggen zoals prompts of schermafbeeldingen, en wat waren hun reflecties op de kwaliteit van de uitvoer. Aanvankelijk waren lerenden onzeker: sommigen gebruikten AI te veel, anderen vermeden het geheel. Maar naarmate de verwachtingen duidelijker werden, verschoof de vraag van “mag ik AI gebruiken?” naar “hoe gebruik ik het hier het best?”. Het sjabloon functioneerde daarmee niet alleen als verantwoordingsinstrument, maar ook als leermiddel.
De tweede aanpak integreerde AI direct in een gestructureerde leeractiviteit. Lerenden genereerden eerst een antwoord met behulp van AI, evalueerden dat antwoord vervolgens kritisch, stelden het waar nodig bij, en deelden hun bevindingen met mede-lerenden. Daarmee werd AI nadrukkelijk als beginpunt gepresenteerd, niet als eindproduct. Lerenden ontdekten al snel dat AI-output ogenschijnlijk overtuigend kan zijn, maar vaak te algemeen is. Verder mist de output relevante details en is deze soms feitelijk incorrect. Volgens de auteurs vond het meest waardevolle leren plaats in de fase waarin lerenden fouten begonnen te herkennen, aannames te bevragen en ideeën aan te scherpen op basis van eigen kennis.
Uit beide aanpakken trekken de auteurs een aantal conclusies:
- Lerenden hebben structuur nodig, geen loutere toestemming.
- Transparantie over het gebruik van AI bevordert integer gedrag, omdat de nadruk verschuift van controle naar verantwoordelijk gebruik.
- Het meeste leerrendement zit niet in het genereren van inhoud, maar in het beoordelen ervan.
- Lerenden vertrekken vanuit sterk uiteenlopende niveaus van AI-vaardigheid.
- Het ontwerpen van passend onderwijs voor al die niveaus vraagt extra inzet van docenten.
- Je loopt het risico dat lerenden zonder zorgvuldige onderwijsopzet AI gaan gebruiken als sluiproute naar snel geproduceerde antwoorden, zonder de leerstof werkelijk te doorgronden.
De auteurs besluiten met vier aanbevelingen:
- Maak AI-geletterdheid een kernvaardigheid in het curriculum.
- Zorg voor gedeelde hulpmiddelen voor docenten zodat niet iedereen het wiel opnieuw hoeft uit te vinden.
- Herontwerp toetsing zodat het denkproces zichtbaar wordt en niet alleen het eindproduct.
- Deel de verantwoordelijkheid over docenten, onderwijskundigen, bibliotheken en leidinggevenden.
Mijn opmerkingen
Deze bijdrage beschrijft herkenbare dilemma’s die in Nederland even relevant zijn als in Australië. Ook hier is beleid inmiddels op veel instellingen aanwezig, terwijl de praktische invulling grotendeels de verantwoordelijkheid is van individuele docenten. De twee beschreven aanpakken -het sjabloon voor gebruik en de kritische evaluatiecyclus- kunnen bij ons ook worden toegepast, ook binnen verschillende onderwijssectoren. Uiteraard moet je de werking ervan wel gedegen evalueren. De Australische ervaringen zijn gebaseerd op twee kleinschalige toepassingen. Wees ook nu dus voorzichtig met het trekken van bredere conclusies.
Toen generatieve AI aan de opmars begon, werd in diverse platforms snel gevraagd om beleidsvorming. Ik was daar kritisch op aangezien de ‘beleidscyclus’ traag verloopt. Je loopt snel achter de feiten aan, gezien de snelle ontwikkeling en adoptie van deze technologieën. Ik was en ben wel voorstander van richtlijnen en kaders. Die kun je ook formuleren op basis van praktijkervaringen om vervolgens iteratief door te ontwikkelen.
Het sterke van de benadering van de twee Australische onderzoekers is dat zij het gebruik van generatieve AI als gegeven beschouwen. Je moet het hanteerbaar maken, gebruikers ondersteunen om ‘AI-fluent‘ te worden en kijken hoe je lerenden kunt helpen om AI-technologie leerzaam te gebruiken. Ook wijzen zij op het belang van het aanpassen van toetsen. Dat pleidooi hebben we al vaker gehoord. Interessant is ook de constatering dat transparantie bijdraagt aan integer gedrag. Of dit in alle contexten werkt?
De oproep om de verantwoordelijkheid te delen is terecht. Je moet de invulling van kaders en richtlijnen m.i. niet aan individuele docenten overlaten. Dat kan leiden tot onduidelijkheid en willekeur. Pak dit in teamverband aan.
Mijn bronnen over (generatieve) artificiële intelligentie
Deze pagina bevat al mijn bijdragen over (generatieve) artificiële intelligentie.
Lees het hele
artikel