Gaan native AI-leersystemen het leermanagementsysteem vervangen?
Zijn de huidige leermanagementsystemen (LMS) toe aan vervanging door AI-gedreven alternatieven, die van meet af aan zijn gebouwd rond AI? In een blogpost op de Npuls Community AI en Data betoogt JaapJan Vroom dat native AI-leersystemen een principieel andere benadering vertegenwoordigen dan het toevoegen van AI-functionaliteiten aan bestaande systemen. In onderstaande blogpost bekritiseer ik zijn visie.
In het artikel Voorbij de add-on: De opkomst van native AI-leersystemen maakt JaapJan onderscheid tussen twee typen systemen. Volgens de auteur is een LMS in de kern een administratief systeem waaraan AI nu als extra laag wordt toegevoegd, bijvoorbeeld voor het samenvatten van teksten of het genereren van toetsvragen. Een native AI-systeem is volgens hem anders van aard: daarin is AI geen toevoeging, maar de centrale motor die leerinhoud, leerprocessen en inzichten van docenten met elkaar verbindt. JaapJan baseert zijn betoog op een gesprek met de ontwikkelaars van Eduvare. Dat is een systeem dat hij als voorbeeld gebruikt van een native AI-leerplatform.
In een traditioneel LMS bepaalt de docent de mappenstructuur, de volgorde van de leerstof en de leeractiviteiten. AI wordt hooguit als losstaand hulpmiddel ingezet. Volgens JaapJan is een native systeem van de grond af opgebouwd met AI als kern, waardoor de structuur zelf adaptief wordt. De relatie tussen leerdoelen, voorkennis en vervolgstappen wordt daarin voortdurend opnieuw bepaald op basis van de voortgang van de lerende.
Een tweede kenmerk dat hij bespreekt, is de rol van data. Waar traditionele systemen vooral vastleggen wat al heeft plaatsgevonden, probeert een native AI-systeem ook te anticiperen op wat waarschijnlijk gaat gebeuren: welke kennis fragiel is, waar stagnatie dreigt en welke interventie op dat moment het meeste effect heeft. Data worden daarmee niet alleen gebruikt voor terugkijken, maar ook voor het in real time bijsturen van het leerproces. JaapJan noemt dit een nieuwe fase voor learning analytics.
Het artikel raakt ook aan de vraag wat deze ontwikkeling betekent voor het delen van open leermaterialen. Hij stelt dat als een lerende zelf leermateriaal op maat kan genereren, het concept van statische, vooraf gedeelde leermaterialen minder relevant wordt. De focus verschuift dan van het beschikbaar stellen van content naar het aansturen van de generatieve mogelijkheden van AI. In een native systeem is content vloeibaar en wordt deze realtime gegenereerd op basis van de behoeften van de lerende.
Voor het mbo heeft dit volgens JaapJan Vroom grote gevolgen voor de curricula, die doorgaans voor meerdere jaren zijn vastgelegd. Hij stelt voor om actuele materialen uit het regionale bedrijfsleven rechtstreeks als bron aan het AI-systeem te voeden, zodat de leerstof, de contentcreatie en de toetsing direct aansluiten op de beroepspraktijk. Dat vraagt om een andere manier van kijken naar curriculumontwikkeling: niet als eenmalige oefening, maar als een doorlopend, datagedreven proces.
Mijn opmerkingen
De dood van het LMS wordt al jaren voorspeld. De kritiek op deze systemen is ook bepaald niet nieuw. Toch worden LMS’en nog op grote schaal gebruikt, en dat is niet zonder reden. Een LMS biedt structuur, ondersteunt de planning van het onderwijs, maakt communicatie en samenwerking mogelijk, en biedt docenten en lerenden een herkenbare en betrouwbare omgeving. Door het LMS te omschrijven als louter een administratief systeem, doet JaapJan de huidige generatie LMS’en tekort. Systemen als Canvas, Brightspace of Moodle bieden inmiddels aanzienlijk meer dan puur administratieve functionaliteit. Met name ook vanwege de integratie met andere applicaties.
Het zou ook zinvol zijn om terug te kijken op eerdere concepten die vergelijkbare beloften maakten maar nooit volledig zijn gerealiseerd. De persoonlijke leeromgeving (PLE) is daar een duidelijk voorbeeld van. De gedachte dat lerenden hun eigen leeromgeving samenstellen uit losse tools en bronnen, heeft in de praktijk weinig structurele voet aan de grond gekregen. Mogelijk heeft de sturende rol van de docent daarin toch meer waarde dan de voorstanders van volledig zelfgereguleerd leren destijds aannamen. We mogen het zelfregulerend vermogen van lerenden niet overschatten. Het versterken van dit vermogen is immers een doel van onderwijs. Bovendien moeten we ons realiseren dat het onderwijs behoorlijk resistent is tegen veranderingen, terwijl LMS-en hebben laten zien behoorlijk in staat te zijn om nieuwe inzichten te incorporeren (denk aan learning experience, learning analytics, integratie van leertechnologieën en in toenemende mate ook AI). Uiteraard ben ik me ervan bewust dat we vandaag de dag over andere, krachtige, technologie beschikken dan vijftien jaar geleden. Maar ook nu al worden de hooggespannen verwachtingen ten aanzien van persoonlijke begeleiding dankzij AI bijgesteld.
JaapJan’s redenering stoelt op een combinatie van een tekortschietend LMS én een goed werkend native AI-alternatief. Beide aannames verdienen m.i. nuancering. Native AI-leersystemen bevinden zich nog in een vroeg stadium van ontwikkeling. Systemen als Eduvare moeten zich in de onderwijspraktijk nog bewijzen. De beloften klinken aannemelijk, maar de vraag is hoe deze systemen presteren in de dagelijkse realiteit van -bijvoorbeeld- het mbo-onderwijs, met zijn specifieke kwalificatiedossiers, exameneisen en institutionele beperkingen. Mijn conclusie is dan ook: experimenteer, maar wees terughoudend met brede uitrol. Eerst zien, onderzoek doen, en dan geloven.
JaapJan stelt dat native AI-leersystemen een schat aan data opleveren die docenten realtime inzicht geven, en dat die data de basis vormen voor gepersonaliseerde begeleiding. Deze data zijn op zich waardevol en het gebruik voor gepersonaliseerde leerpaden klinkt aantrekkelijk. Maar er zit een serieuze beperking in dit beeld. Veel van het leren vindt namelijk buiten digitale systemen plaats: in gesprekken, tijdens stages, in samenwerkingsopdrachten of tijdens informeel leren buiten de instelling. Al die leeractiviteiten worden niet vastgelegd in een AI-leersysteem, net zomin als in een LMS. We hebben daardoor per definitie een onvolledig beeld van de lerende. Wat betekent dat voor de vloeibare, gepersonaliseerde leerpaden die JaapJan beschrijft? Een leerpad dat gebaseerd is op partiële data, schiet ongetwijfeld tekort. Het samenstellen van gepersonaliseerde leerpaden op basis van onvolledige data is een hoog risico.
Tot slot valt op dat JaapJan schrijft over leerstijlen als onderdeel van personalisering. Dat is een opvallende keuze. Al in 2008 concludeerden Pashler en collega’s in een uitgebreide review dat er geen empirisch bewijs bestaat voor de effectiviteit van ‘leerstijlgericht’ onderwijs. Sindsdien is dit standpunt breed overgenomen in de onderwijswetenschap. Ik heb hier vaker over geblogd. Het inzetten van AI om in te spelen op leerstijlen bouwt daarmee voort op een concept dat wetenschappelijk achterhaald is. Dat verzwakt de onderbouwing van het betoog.
De richting die JaapJan beschrijft is een serieuze ontwikkeling die aandacht verdient. Maar goede vragen worden in het artikel grotendeels in de commentaren gesteld, niet in de tekst zelf: wie houdt de regie over het leerproces? Wat betekent het voor de privacy van lerenden als steeds meer data over hun leergedrag worden opgeslagen en geanalyseerd? En maakt een te soepel en aanpasbaar leerpad lerenden niet juist afhankelijker, terwijl een deel van het leren nu eenmaal bestaat uit het omgaan met weerstand en onzekerheid?
Mijn bronnen over (generatieve) artificiële intelligentie
Deze pagina bevat al mijn bijdragen over (generatieve) artificiële intelligentie.
Lees het hele
artikel