AI en leren: vergelijkbare patronen als bij bekende leerstrategieën
Volgens Althea Need Kaminske laat recent onderzoek naar AI-gebruik bij huiswerk en probleemoplossing hetzelfde effect zien als bekende bevindingen over interleaving, gespreid oefenen en ‘retrieval practice’: wat op korte termijn gemakkelijk voelt, levert op langere termijn niet per se duurzaam leren op.
Kaminske verwijst naar twee actuele studies. The Economist besprak data over huiswerk- en examencijfers van Chinese leerlingen uit de onderbouw en bovenbouw van het voortgezet onderwijs in relatie tot AI-gebruik. Lerenden die intensief generatieve AI inzetten bij hun huiswerk scoorden daar hoog op, maar deden het minder goed op examens. Lerenden die AI niet of alleen strategisch gebruikten, scoorden lager op huiswerk maar beter op examens. Ik heb onlangs over dit onderzoek geblogd. Wired besprak daarnaast een studie van Liu en collega’s naar AI-ondersteuning bij het oplossen van breukensommen. Eén groep deelnemers kreeg voor twaalf van de vijftien opgaven AI-hulp, die vervolgens zonder waarschuwing werd weggehaald; de andere groep loste alle opgaven zelfstandig op. De AI-groep presteerde beter zolang de hulp beschikbaar was, maar viel bij de laatste opgaven terug ten opzichte van de controlegroep.
Volgens de auteur doet dit patroon sterk denken aan onderzoek van Taylor en Rohrer uit 2010 naar interleaving (afgewisseld oefenen). In dat onderzoek presteerden lerenden die opgaven in blokken oefenden tijdens de oefenfase beter dan lerenden die opgaven afgewisseld kregen, maar bij de toets was sprake van het omgekeerde beeld. Interleaving is lastiger, omdat je vooraf niet weet met welk type opgave je te maken krijgt, maar het dwingt tot het herkennen van het juiste type probleem en het kiezen van de bijpassende strategie. Dat maakt kennis beter overdraagbaar.
Hetzelfde patroon doet zich volgens Kaminske voor bij gespreid oefenen versus stampen. ‘Massed practice’ (in één keer intensief oefenen) leidt tot betere resultaten bij een toets die lerenden onmiddellijk moeten maken, maar tot zwakkere resultaten bij een toets na verloop van tijd, vergeleken met gespreid oefenen. De verklaring ligt in het verschil tussen ophalen uit het kortetermijngeheugen, wat weinig moeite kost omdat de informatie net bestudeerd is, en het moeizamere ophalen uit het langetermijngeheugen bij gespreide herhaling.
Ook bij retrieval practice versus herlezen is dit volgens het artikel zichtbaar. Herlezen van een tekst levert bij een toets direct na afloop van het leren meer op dan het actief ophalen van informatie. Na verloop van tijd valt dat voordeel echter weg en blijkt retrieval practice een effectievere leerstrategie.
De onderliggende mechanismen verschillen volgens de auteur per strategie, maar het patroon is steeds hetzelfde: de gemakkelijkere aanpak geeft betere prestaties op de korte termijn, de moeilijkere aanpak leidt tot beter leren op de langere termijn.
Althea Need Kaminske plaatst hierbij een kanttekening: moeilijkheid is alleen behulpzaam binnen redelijke grenzen. Een taak die te uitdagend is, belemmert juist het leren. Dit sluit aan bij Vygotsky’s zone van naaste ontwikkeling en bij het begrip “desirable difficulties” uit de cognitieve psychologie (van Bjork en Bjork): de leertaak moet net moeilijk genoeg zijn. Volgens Kaminske maakt AI dit vraagstuk actueler dan ooit, omdat de mate van gemak die AI biedt veel groter is dan voorheen mogelijk was. Dat leidt volgens haar tot een bredere vraag: wat is het doel van huiswerk of van een taak in het algemeen: het afronden ervan, of het leren zelf? De auteur noemt in dit verband het begrip “friction-maxxing”, het bewust opzoeken van meer weerstand in het dagelijks leven, en verwijst naar een uitspraak van Kurt Vonnegut over het bewust kiezen voor een omslachtiger manier van werken.
Mijn opmerkingen
Ik heb al eerder geschreven over het risico dat AI leidt tot betere prestaties, maar tot minder leren op de langere termijn. Overigens hebben we meer en meer gedegen onderzoek nodig over dit onderwerp.
Momenteel ben ik bezig met een artikel waarin ik hierop in ga. Ik verzorg de komende tijd ook een aantal workshops hierover. De reden dat ik stil sta bij ‘Unwanted Ease‘ van Althea Need Kaminske is dat zij een relatie legt met wat we weten over effectieve leerstrategieën zoals interleaving, gespreid oefenen en retrieval practice. We weten dat deze strategieën voor de langere termijn effectiever zijn. Toch richten we ons onderwijs, en het bijzonder onze manier van toetsen en beoordelen, zodanig in dat lerenden niet worden gestimuleerd om deze strategieën toe te passen, maar aan de slag gaan met blokgewijs oefenen, stampen en herlezen. Is het dan niet een beetje hypocriet om nu ‘ach en wee’ te roepen nu lerenden over een technologie beschikken die succes op korte termijn wel heel erg bereikbaar maakt?
We moeten ons volgens mij daarom binnen het onderwijs meer focussen op duurzaam leren en op het bevorderen van de leerstrategieën die daarbij horen. Dus meer nadruk op wat effectief leren is, meer nadruk op het leerproces, meer formatief handelen, en betere nadenken over wat lerenden nu echt moeten leren (en hoe we dat op een valide en betrouwbare manier in kaart kunnen brengen).
Mijn bronnen over (generatieve) artificiële intelligentie
Deze pagina bevat al mijn bijdragen over (generatieve) artificiële intelligentie.
Lees het hele
artikel