Bloggers

Van Wilfred Rubens (redactie) | 28-08-2026 | | (0) reacties

Scoping paper AI in het onderwijs van Dirk van Damme

Wat is de huidige stand van zaken als het gaat om de impact van AI op leren en instructie, het leraarschap, het curriculum, leermiddelen, assessment en certificering, studievoortgang en leerlingbegeleiding, governance, en publieke waarden? Tot welke beleidsvragen leidt deze synthese als het gaat om de interactie tussen leerling en leraar (micro), de organisatie van scholen (meso) en de sturing van het onderwijsstelsel (macro)? De Vlaamse onderwijsonderzoeker en -adviseur Dirk van Damme behandelt deze vragen in het 72 pagina’s tellende ‘scoping paper’ “Artificiële intelligentie in het onderwijs”.

Volgens de auteur vormt AI geen volgende stap in een reeks eerdere onderwijstechnologieën, omdat GenAI niet alleen informatie kan opslaan of verspreiden, maar ook cognitieve bewerkingen als redeneren, samenvatten en evalueren kan overnemen. Verder benadrukt de auteur in de inleiding onder meer het belang van betrouwbaarheid van technologieën voor het onderwijs. Hij refereert daarbij aan vier dimensies van betrouwbaarheid van AI-systemen die Rabanser et al (2016) onderscheiden: consistentie, robuustheid, voorspelbaarheid en operationele veiligheid.

Voor leren en instructie signaleert het rapport dat recente meta-analyses gemiddeld positieve effecten laten zien van AI-ondersteuning op leerprestaties, met effectgroottes die in verschillende syntheses uiteenlopen van rond de 0,40 tot 0,80 standaarddeviatie. De spreiding tussen studies is echter groot en hangt samen met vakgebied, interventieduur en de manier waarop de technologie in het onderwijsleerproces is ingebed. Of GenAI leidt tot leerwinst hangt volgens Van Damme af van de combinatie van leerdoel, de instructional design, inhoud, leerlingactiviteit, feedback, menselijke begeleiding en wijze van evaluatie. Vier mechanismen, die AI-tools kunnen faciliteren spelen hierbij een rol: beschikbaarheid van onmiddellijke feedback, toegenomen oefentijd en variatie, mogelijkheid tot dialogische ondersteuning en ondersteuning van zelfregulatie.

Van Damme gaat ook in op de prestatieparadox: een lerende kan met AI een beter product afleveren zonder dat de onderliggende kennis en vaardigheid daadwerkelijk worden opgebouwd. Een wiskundestudie die in het rapport wordt aangehaald, illustreert dit: lerenden presteerden tijdens het oefenen met een chatbot beter, maar vielen terug bij een toets zonder het hulpmiddel. Een variant die alleen hints gaf zonder het antwoord te tonen, beperkte dit verlies. Ook het onderscheid tussen kritisch en creatief denken krijgt bij Van Damme aandacht: bij ongestructureerd gebruik nam de creatieve output toe, terwijl de kritische diepgang stagneerde of afnam. Terwijl beide elkaar in gestructureerde, onderzoekende leeromgevingen juist konden versterken. Hij benadrukt het belang van “pedagogische orkestratie”.

Op het gebied van leraarschap stelt Van Damme dat de beschikbare evidentie geen grootschalige vervanging van docenten ondersteunt, maar wel een herconfiguratie van taken. Een Engelse studie onder 259 wetenschapsdocenten liet zien dat het gebruik van ChatGPT de voorbereidingstijd met ruim dertig procent verminderde zonder meetbaar kwaliteitsverlies in het lesmateriaal. Er werd overigens niet onderzocht of dit ook tot meer leerwinst bij leerlingen leidde. Een recenter, nog niet gepubliceerd veldexperiment in een Turkse scholengroep laat een minder gunstig beeld zien: gemiddeld verbeterden leerprestaties niet, ervoeren lerenden de lessen als minder interessant, en daalden bij docenten die vooraf al lager scoorden zowel de prestaties als de motivatie van hun leerlingen verder. Van Damme koppelt dit aan het risico van de-skilling: wanneer controlewerk aan de achterkant van het lesontwerp routine wordt, kan een docent sneller maar professioneel armer gaan werken. Hij onderscheidt daarbij automatiseringsagenten, die grotendeels zelfstandig taken uitvoeren, van samenwerkingsagenten, die opties genereren en op menselijke correcties reageren; voor de kern van het leraarschap acht hij de laatste categorie doorgaans veiliger.

Voor het curriculum stelt Van Damme dat de fundamentele vraag die AI oproept niet over het “hoe” van onderwijs gaat, maar over het “wat”: welke kennis en vaardigheden moeten lerenden in een AI-omgeving nog zelfstandig beheersen? Hij verzet zich tegen de opvatting dat kennis minder belangrijk wordt omdat informatie direct beschikbaar is, en verwijst hierbij naar de voormalige Engelse minister van onderwijs, Lucy Powell, die het nut van het onthouden van kennis destijds in twijfel trok. Een kennisrijk curriculum blijft volgens de auteur nodig, juist omdat de beoordeling van overtuigend geformuleerde AI-output veel domeinkennis veronderstelt. Een kennisrijk curriculum is volgens de auteur een voorwaarde “voor autonomie in een omgeving waarin overtuigend geformuleerde informatie voortdurend beschikbaar is”. Hij beschrijft dit als de noviceparadox: wie weinig van een onderwerp weet, heeft ook minder aanknopingspunten om een onjuist antwoord te herkennen, waardoor AI het verschil tussen beginners en experts eerder kan vergroten dan verkleinen. Op basis van eerder werk voor het Center for Curriculum Redesign presenteert Van Damme een model met vijf lagen van cognitieve competentie, van fundamentele menselijke capaciteiten als aandacht en geheugen tot epistemische metacompetentie zoals oordeelsvorming en toolkeuze, met voor elke laag een andere verhouding tot automatisering.

Als het gaat om assessment, toetsing en certificering stelt Van Damme dat de kwestie verder reikt dan fraude of het detecteren van AI-gebruik. Wanneer AI meeschrijft aan een tekst, analyse of oplossing, wordt de gebruikelijke inferentie van prestatie naar competentie problematisch: een foutloos werkstuk levert dan niet langer vanzelfsprekend bewijs van wat een lerende zelf kent en kan. Hij onderscheidt daarom vier functies die uiteenlopende eisen stellen:

1. Assessment of learning toetst wat een lerende zelfstandig beheerst en vraagt soms om taken zonder AI
2. Assessment for learning zet AI in voor snellere, meer gepersonaliseerde feedback binnen het leerproces, al blijkt uit onderzoek dat meer feedback niet automatisch betere feedback betekent.
3. Assessment with AI beoordeelt het competente gebruik van AI zelf, bijvoorbeeld door een essayopdracht op te splitsen in een fase met AI-ondersteuning en een fase waarin de lerende zelfstandig herschrijft.
4. Assessment by AI betreft het gebruik van AI voor itemontwikkeling en scoring.

Bij dat laatste punt beschrijft hij een studie waarin door AI gegenereerde algebra-items psychometrisch vergelijkbaar presteerden met door mensen ontwikkelde vragen, al doorstond niet elk item de inhoudelijke kwaliteitscontrole, wat wijst op een hybride proces van AI-productie en menselijke beoordeling. Een terugkerend thema hierbij is ook dat een zuiver op detectie gerichte aanpak geen houdbare strategie is, omdat de technische grens tussen menselijke en gegenereerde tekst blijft vervagen, Dirk van Damme pleit in plaats daarvan voor assessments die het te meten construct centraal stellen en waar nodig verschillende bewijsvormen combineren, zoals een mondelinge toelichting naast een schriftelijk product.

Bij leermiddelen wijst Van Damme onder meer op de sterke concentratie van de markt voor AI-modellen en clouddiensten, wat vragen oproept over publieke infrastructuur, met name voor kleinere taalgebieden waar lokale kennis en curriculaire tradities minder goed in generieke modellen zijn vertegenwoordigd.  Bij studievoortgang en leerlingbegeleiding benadrukt Van Damme dat voorspellende nauwkeurigheid van learning analytics nog geen onderwijsverbetering betekent: een risicoscore verklaart niet waarom een lerende vastloopt en bepaalt evenmin welke ondersteuning passend is, en digitaal observeerbare gegevens als kliks of aanwezigheid zijn geen directe metingen van begrip, motivatie of welzijn. Het hoofdstuk over governance en beleid gaat in op de vraag hoe scholen, overheden en aanbieders verantwoordelijkheden verdelen, en pleit voor gezamenlijke capaciteit op het gebied van procurement, contractvorming en onafhankelijke evaluatie, omdat afzonderlijke instellingen moeilijk zelf modelupdates kunnen volgen of privacyclaims kunnen controleren. Het hoofdstuk over publieke waarden plaatst AI in relatie tot autonomie, gelijke kansen, privacy en epistemische integriteit, en bespreekt hoe deze waarden als toetssteen kunnen dienen bij de beoordeling van concrete toepassingen. De paper sluit af met een reeks beleidsvragen, onder meer over welke evidentie en evaluatie nodig zijn, wat lerenden zelfstandig en met AI moeten beheersen, welke data en beslissingen aan AI mogen worden toevertrouwd, en of kinderen specifieke waarborgen nodig hebben binnen een gelaagde en adaptieve beleidsarchitectuur.

Mijn opmerkingen

Veel van wat Van Damme beschrijft, is op zichzelf niet nieuw voor wie de discussie over AI in het onderwijs al langer volgt: de prestatieparadox (volgens mij gemunt door Khosravi en collega’s), de spanning tussen automatisering en ondersteuning van docenten, het belang van een kennisrijk curriculum en de zorgen over learning analytics zijn thema’s die de afgelopen jaren in verschillende publicaties -en ook mijn weblog- zijn behandeld. Toch bevat het paper voor mij nieuws, bijvoorbeeld de dimensies van betrouwbaarheid. De waarde van dit paper zit dan ook vooral in het feit dat Van Damme deze uiteenlopende aspecten bijeenbrengt tot een samenhangend ‘informatiedicht’ geheel over 72 pagina’s, met een consistent analytisch kader dat leren, leraarschap, curriculum, assessment, governance en publieke waarden met elkaar verbindt. De losse deelonderwerpen worden in samenhang gepresenteerd in plaats van als aparte discussies.

Het valt me wel op dat Dirk van Damme ‘curriculum’ smal interpreteert. Ik gebruik meestal het curriculaire spinnenweb van Van den Akker om het curriculum te beschrijven. Een aantal aspecten bespreekt Van Damme in het paper (zoals leerdoelen en de rol van de docent), maar andere aspecten niet. Bijvoorbeeld het fenomeen dat AI-functionaliteit in toenemende mate wordt geïntegreerd binnen bestaande leertechnologie. Of: leidt de opkomst van AI tot andere visies op leren en onderwijs?

De vraag die Van Damme stelt over welke cognitieve bewerkingen een lerende zelf moet blijven uitvoeren, verdient een plek in de discussie over toetsing en onderwijsontwerp. Tegelijk is de paper sterk gebaseerd op internationale, vaak Angelsaksische literatuur en kortlopend onderzoek uit het hoger onderwijs. Van Damme wijs zelf ook op methodologische beperkingen.

Wat ik eveneens waardeer, is dat Van Damme nuance aanbrengt waar de discussie over AI en onderwijs vaak in uitersten vervalt: hij plaatst zowel de vervangingsangst rond het lerarenberoep als de belofte van gepersonaliseerd leren in perspectief. Voor instellingen die nu keuzes maken over de inzet van AI-tools bij lerenden en docenten, is die nuchtere toon een bruikbaar tegenwicht tegen zowel overdreven optimisme als principiële en vaak ongefundeerde afwijzing.

Het rapport biedt in elk geval goed overzicht voor de onderwijspraktijk, dat je kunt gebruiken voor de ontwikkeling van eigen beleid.

Mijn bronnen over (generatieve) artificiële intelligentie

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