AIEd-kennisbankAIEd KB
Op deze pagina

Lees deze pagina in het Engels

Concepten

Agency van de leerling

Aangemaakt 2026-08-13 · Bijgewerkt 2026-11-08

Automatische machinale vertaling van deze Engelse pagina, nog niet nagekeken door een moedertaalspreker.

Agency van de leerling — het vermogen van leerlingen om intentioneel te handelen, keuzes te maken en controle uit te oefenen over hun eigen leren. In AI in het onderwijs is agency een centrale zorg, omdat AI-tools de controle van leerlingen zowel kunnen ondersteunen als ondermijnen: goed ontworpen AI behoudt en versterkt de autonomie van de leerling, terwijl overmatige afhankelijkheid of passieve acceptatie van AI-output die kan uithollen. Agency hangt samen met zelfregulerend leren, motivatie, zelfeffectiviteit en het ethische ontwerp van AI-systemen, en is nauw verwant aan de psychologische begrippen autonomie en gevoel van agency.

Vragen om over na te denken

  • Agency van de leerling — uw vermogen om intentioneel te handelen en uw eigen leren te sturen — staat centraal in AI in het onderwijs. Wanneer u een AI-tool gebruikt, hoeveel controle behoudt u dan werkelijk over het leerproces, en hoeveel gaat naar de tool?
  • AI kan agency zowel ondersteunen als ondermijnen: goed ontworpen AI versterkt uw autonomie, terwijl overmatige afhankelijkheid die uitholt. Denk aan een moment waarop u een AI gewoon 'het liet doen'. Leerde u minder, ook al zag de output er beter uit?
  • Studenten die de interpretatie aan AI delegeren, kunnen agency over hun eigen redeneren verliezen. Wanneer u een taak aan AI overdraagt, welk deel van uw eigen denken geeft u dan stilletjes weg?
  • Eén studie vond dat eerdere zelfgeïnitieerde AI-leerervaring van studenten voorspelde hoeveel zij aan instructie hadden — leerlingen met veel agency profiteerden het meest. Als agency deels een vaardigheid is die u meebrengt, hoe zou uw eigen context die kunnen opbouwen in plaats van veronderstellen?
  • Agency is niet alleen een trek — het ontstaat moment voor moment in groepswerk, waar AI kan herverdelen wie een samenwerking vormgeeft zonder dat leerlingen het merken. Wanneer merkte u voor het laatst dat een tool de richting van een groep stilletjes stuurde?
  • Contrarian AI-persona's konden groepen in productieve uitdaging duwen, maar verlaagden ook de tevredenheid over samenwerking en de psychologische veiligheid. Kan productieve wrijving bestaan zonder psychologische veiligheid — en wat betekent dat voor het ontwerpen van AI-teamgenoten?

Inleiding

Agency doet ertoe omdat leren het effectiefst is wanneer leerlingen actieve, intentionele deelnemers zijn in plaats van passieve ontvangers. AI-systemen — of het nu tutoringagenten, robots of chatbots zijn — bepalen hoeveel controle leerlingen over hun leerproces behouden. Het behouden van agency is daarom een kernontwerpprincipe in verantwoorde AI in het onderwijs, naast het ondersteunen van zelfeffectiviteit, het opbouwen van vertrouwen en het vermijden van overmatige afhankelijkheid.

Mishra et al. kaderen controle versus agency als de essentiële, terugkerende spanning in AI in het onderwijs — van vroege ITS tot de generatieve AI van vandaag — waardoor agency van de leerling de blijvende as van de debatten in het veld is.

Een zero-sumvisie op agency bij agentieke tools: Prieto & Dimitriadis (2026) betogen dat hoe meer agency educatieve AI-tools krijgen, hoe minder leerlingen behouden — dat agency in feite een zero-sumspel is, en dat huidige mensgerichte ontwerpbenaderingen (bijvoorbeeld value-sensitive design) onvoldoende zijn omdat overmatige afhankelijkheid en isolement worden gedreven door bredere systemische factoren en de menselijke neiging de gemakkelijkste weg te nemen. Hun emancipatoire ontwerpvisie, gericht op het floreren van de leerling binnen complexe systemen, behandelt het behouden en cultiveren van agency van de leerling als het centrale doel van generatief AI-ontwerp in plaats van als bijzaak.

Agency als doel, niet alleen als vermogen: Waar de bovenstaande kaders vragen hoeveel agency leerlingen behouden, vragen Fagerlund et al. (2026) waarvoor AI in het onderwijs dient. Zij interviewden dertien Finse leraren van de voorschoolse educatie tot en met jaar 9 over de doelen van onderwijs met en over AI, en lazen hun verslagen door Biesta's drie domeinen van onderwijskundig doel (kwalificatie, socialisatie, subjectificatie). Competentie vonden zij het duidelijkste en meest concrete doel. Leraren wilden dat leerlingen AI als een sociotechnisch fenomeen begrijpen en de tools ervan gebruiken. Subjectificatie, dat wil zeggen zelfbepaalde en persoonlijk betekenisvolle omgang met AI, werd als belangrijk bevestigd maar bleef zonder concrete instructiestrategieën; leraren grepen naar algemene gesprekken en contemplatie in plaats van ontworpen activiteiten. De auteurs stellen geïnformeerde AI-agency voor als heuristiek die subjectificatie centraal zet en competenties als haar verklarende fundament behandelt, zodat leerlingen zien welke opties er zijn en kunnen kiezen welke zij nastreven. De praktische consequentie is direct: een competentie-eerst curriculum kan het agentieke doel dat het zou moeten dienen verdringen, en de remedie is het "waarom" van AI-onderwijs expliciet te maken in plaats van nog een competentie aan de lijst toe te voegen.

De richting van de ontwikkeling staat niet vast. Gillette et al. (2026) contrasteren hun Zweedse docenten met de Australische studenten bij Bearman et al. (2025), die "over het algemeen agency wilden" en "zich tegen afhankelijkheid verzetten": hier beschreven verschillende studenten dat zij afhankelijk werden van genAI en noemden dat een verlies, waarbij één zei dat het "een dopaminekick geeft omdat alles minder tijd kost" en "slecht gedrag beloont".

Hoe agency in het onderzoek van de kennisbank verschijnt

  • Robotica en mens-robotinteractie: RoboBlockly Studio is expliciet ontworpen om agency van de leerling te behouden in computationeel denken; een systematische review onderzoekt hoe mens-robotinteractie de menselijke autonomie en het gevoel van agency beïnvloedt, centraal in debatten over welzijn en AI Governance.
  • Samenwerkend leren: mens-AI-samenwerking-onderzoek onderzoekt hoe cognitieve taken tussen leerlingen en AI worden verdeeld, waarbij agency bepaalt of de mens of de AI de interactie stuurt.
  • Gedeelde epistemische agency strekt zich uit tot student-GAI-interactie. Een coderingsschema met 14 categorieën op 6,788 ChatGPT-ondersteunde beurten plaatste 59% van de beurten van zevende-klassers bij gedeelde epistemische agency, en de auteurs betogen dat het construct — dat eerder vooral in peer-samenwerking werd bestudeerd — moet worden verbreed met cognitieve en metacognitieve dimensies (Chang et al., 2026).
  • Agency kan worden gegradeerd op basis van de prompt zelf. De Human Agency Depth Taxonomy scoort de engineeringbijdrage van een student op zes niveaus, onafhankelijk van de output van de AI; over 962 prompts van 105 eerstejaarssoftware-engineeringstudenten overschreed 84.2% het laagste niveau, maar slechts 5.3% specificeerde systeembeperkingen (Shakiba & Chaffey, 2026).
  • Kritische betrokkenheid: Onderzoek naar cognitieve offloading laat zien hoe studenten die de interpretatie aan AI delegeren agency over hun eigen redeneren kunnen verliezen; kritische en metacognitieve benaderingen zijn erop gericht die te beschermen.

Over tien modellen gebenchmarkt is het ondersteunen van agency waar zij na leren het slechtst presteren. ImpactBench mat Agency & Purpose op 56.0% op positieve criteria (95% CI [49.2, 62.5]) en 43.9% op negatieve criteria ([36.9, 50.8]), het op één na laagste van 14 subgebieden, en de criteria voor autonomiebehoudende ondersteuning vragen of een model context en afwegingen biedt in plaats van een handelwijze voor te schrijven (ImpactBench (2026)). Modellen waren ook veel minder consistent in het vermijden van schade dan in het behulpzaam zijn: een spreiding van 38.6 punten tegen 15.9 punten.

De kosten hangen af van welke laag wordt gedelegeerd: in een schrijfstudie van acht weken had het delegeren van redeneren — warrants, tegenargumenten, interpretatie van bewijs — de sterkste negatieve associatie met onafhankelijke prestatie (ab = −0.34), en zelfregulerend schrijven verzwakte die maar keerde hem nooit om (Chen (2026)).

Een driegolfpanelstudie onder 342 bachelorstudenten in 85 vaste schrijfgroepen geeft die zorg een temporele richting: zodra stabiele verschillen tussen personen waren gescheiden in een random intercept cross-lagged panelmodel, voorspelde hoger-dan-gebruikelijke GenAI-afhankelijkheid een lager later ervaren agency, terwijl paden van agency naar afhankelijkheid zwakker waren en niet statistisch ondersteund. De betrouwbaarheidsintervallen en Monte Carlo-gevoeligheidsanalyses lieten kleine omgekeerde effecten mogelijk. De logdata waarschuwen er ook tegen gebruiksvolume te lezen als verloren agency — zelfgerapporteerde afhankelijkheid kwam wel overeen met de intensiteit van AI-gebruik, maar de logs konden strategische consultatie niet onderscheiden van offloading of deferentie, zodat dashboards intensiteit moeten lezen naast bewijs van discours, reflectie en revisie.(Wu & Lu, 2026) Een complementaire verklaring verbreedt SRL in plaats van die te vervangen: de Barba (2026) onderscheidt regulatie (het beheren van het eigen proces), integratie (het organiseren van zichzelf over tijd en contexten) en positionering (het kritisch interpreteren van wat de omgeving meet), en betoogt dat agencygericht ontwerp leerlingen moet bewegen van "agency binnen voorwaarden" naar "agency over voorwaarden" in plaats van gedragsmatige proxy's te optimaliseren.

  • Ontwerpen voor agency: Kennisgebaseerd ontwerp voor generatieve sociale robots (Teachy Mini) pakt risico's aan als overmatige afhankelijkheid die agency van de leerling ondermijnen.
  • Ontwerpen voor overdracht, niet voor verlengde betrokkenheid. Het Amico-prototype met twee modi behandelt AI als een begrensde, tijdelijke bemiddeling waarvan het succes wordt gemeten aan waarneembare overgangen naar docenten, medeleerlingen of de gemeenschap, niet aan de tijd die met de AI wordt doorgebracht; de pilot in Italië en China vond dat leerlingen het herkenden als een begrensd hulpmiddel in plaats van een relationele vervanger (Benedetti (2026)).
  • Adaptieve scaffolding weegt tegen professionele autonomie. de Jong (2026) betoogt dat, omdat adaptatie vereist dat het systeem de competentie van de gebruiker inschat, het de autoriteit van professionals over hun eigen ontwikkeling vermindert en het risico op over-scaffolding van experts vergroot, en dat een mechanisme dat als onnodig wordt ervaren eenvoudigweg wordt genegeerd — waardoor open blijft wie bepaalt welke gebruikers scaffolding krijgen: het systeem, de organisatie of de professional.
  • Capabelere scaffolding is niet meer agency. Een custom expertontwerptool verhoogde de interactielengte en het aantal zelfgegenereerde prompts van aanstaande leraren, toch daalde de collaboratieve probleemoplossings-agency zowel in die conditie als in de ChatGPT-conditie, omdat deelnemers het met de bot eens werden in plaats van die te bekritiseren (Krushinskaia et al. (2026)).
  • Eerdere agency voorspelt wie profiteert: Liang et al. (2026) toonden, voortbouwend op Bandura's sociaal-cognitieve theorie, dat eerdere zelfgeïnitieerde AI-leerervaring van studenten (een gedragsmatige manifestatie van agency) voorspelde hoeveel zij aan een jaar school-AI-onderwijs hadden — leerlingen met veel agency kwamen binnen met de sterkste gereedheid, terwijl schoolcurricula psychologische kloven verkleinden maar cognitieve kloven intact lieten. Gestructureerde instructie en eerdere agencygerelateerde leerervaring werkten synergetisch, niet als vervangers.
  • Principegeleide selectiviteit als agency van de leraar onder technologische verandering: Adiozaman en Segar (2026) interviewden twee ervaren academici drie keer gedurende een semester en vonden dat zij AI-gemedieerd lesgeven niet navigeerden door adoptie of verzet in het groot, maar door weloverwogen, contextgevoelige beslissingen gestuurd door onderwijskundige waarden, ethische toewijding en professioneel oordeel — een patroon dat de auteurs principegeleide selectiviteit noemen, waarin het weigeren van een bepaald gebruik als oordeel geldt in plaats van als mislukte adoptie. Het is de docentkant tegenover de leerlingbevindingen hierboven: ongelijkmatig AI-gebruik kan een uitoefening van agency zijn, geen bewijs van het ontbreken daarvan.
  • Agency van de leraar als de mediërende voorwaarde voor agency van de leerling: De nieuwste bevindingen aan de docentkant maken een scheiding expliciet die de leerlingbevindingen hierboven impliciet laten: agency van de leraar is ontwerptijdig en mediërend, agency van de leerling wordt in het moment ten uitvoer gebracht, en de eerste schept de voorwaarden voor de tweede. Canonigo (2026) volgde tien leraren wiskunde in het secundair onderwijs gedurende acht weken van een ChatGPT-4-interventie. Waar leraren AI-output cureerden en ondervroegen (open problemen stellen, de tool via prompt engineering vooraf zo instellen dat hints vrijkomen terwijl oplossingen worden achtergehouden, studenten hun AI-output naast hun eigen werk laten leggen en laten beargumenteren welke methode beter was), werd die een voorlopig artefact voor kritiek en bewogen studenten zich naar vermoedens en metacognitieve vragen. Waar mediatie ontbrak, migreerde autoriteit naar het algoritme en werden leraren validators in plaats van eerste kennisbronnen, een verschuiving die één leraar beschreef als de overgang van "orakel" naar "redacteur". Ongelijke toolkwaliteit verhoogt wat die mediatie moet dragen: over 50 prompts die driemaal per model werden ingediend, was de gratis laag onnauwkeurig in 49 van 150 antwoorden (32.7%) tegen 18 van 150 (12%) voor de premiumlaag (χ2(1) = 17.5, p < .001). Charles (2026) trekt de gereedheidsimplicatie: agency van de leraar is een professionele hulpbron die wordt gemobiliseerd via ontwerpbeslissingen en artefacten, dus gereedheid moet worden beoordeeld op basis van de ontwerpen die leraren produceren in plaats van op hoe vaak zij AI gebruiken, en een beredeneerde beslissing om AI achterwege te laten kan zelf gereedheid aantonen. Samen gelezen waarschuwen deze bevindingen ertegen hoog AI-gebruik te lezen als bewijs van een agentiek klaslokaal, omdat de dispositie die agency van de leerling behoudt wordt uitgeoefend in wat een leraar ontwerpt en bekritiseert, niet in of de tool aan staat.
  • Controle tussen leraar en student is geen zero-sumspel — maar de juiste verdeling hangt af van de fase. Een participatief speed-datingonderzoek onder 17 leraren en 13 studenten die 34 hybride controledesigns rangschikten, vond dat beide groepen sterke controle door de leraar prefereerden tijdens voorbereiding en aanvang, en daarna geleidelijk meer inbreng van studenten naarmate de samenwerking zich ontvouwde — en geen van beide groepen prefereerde ooit volledige controle door studenten. De voorkeuren spiegelden elkaar: leraren wilden meer controle over de timing van koppelen, terwijl studenten zelfsignalering van gereedheid wilden; studenten vertrouwden de partnerkeuze van de leraar, terwijl leraren studentenstem over partners wilden. De ontwerpimplicatie: verdeel agency per beslispunt en fase, met begrensde, gestructureerde voorstellen van studenten die door lerarengerichte leeranalyses worden gevalideerd in plaats van vrije override. (Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing)
  • Toegang tot keuze is niet hetzelfde als agency in actie: Su, Nair en Nagashima (2026) randomiseerden 69 universiteitsstudenten in een 2 × 2-design dat parametercontrole van een flocking-simulatie kruiste met toegang tot een optionele conversationele agent. Zij vonden geen betrouwbaar effect van beide affordances op leerwinst zodra voorkennis was gecontroleerd (parametercontrole F(1, 50) = 0.04, p = .849; agent F(1, 50) = 2.68, p = .108). De winst volgde hoe de controle werd gebruikt: schuiftijd in de conceptueel meest complexe les voorspelde hogere winst (β = .11, p = .007), terwijl hetzelfde gedrag in de gemakkelijkere les lagere winst voorspelde (β = −.04, p = .047). De betrokkenheid bij de optionele agent liep van 0 tot 32 vragen per leerling zonder verband met uitkomsten. De auteurs lezen dit als agency die ten uitvoer wordt gebracht in plaats van verleend: de ontwerpvraag is wat een leerling helpt te beslissen wat de moeite waard is om te veranderen en de gevolgen op te merken.
  • Epistemische delegatie in vroeg onderzoekerschap: Han en Liu (2026) kaderen AI-afhankelijkheid onder promovendi en postdocs als epistemische delegatie — de overdracht van probleemkadering, methodekeuze en interpretatieve autoriteit aan het intelligente systeem — en vonden die negatief geassocieerd met zowel onderzoekszelfeffectiviteit als onderzoeksautonomie, waarbij begeleidingssteun het verlies buffert. Het breidt de agencydebatten uit van autonomie van de leerling naar de vorming van de onderzoeker zelf.
  • Interpretatieve autoriteit als ontwerpvariabele (een conceptueel kader). Porath (2026) herkadert de vraag wie beslist als de verdeling van interpretatieve autoriteit — wie problemen definieert, antwoorden evalueert en bepaalt wanneer begrip is bereikt — en brengt vier niet-hiërarchische configuraties in kaart (mensdominant, AI-assisterend, AI-directief, dialogisch partnerschap) waartussen klaslokalen binnen één taak bewegen, en verankert verschuivingen in vijf ecologische lagen van individuele metacognitie tot socioculturele narratieven. De normatieve claim van het artikel sluit aan bij het bewijs op deze pagina: AI-directieve configuraties kunnen, hoe geavanceerd ook, productieve worsteling en metacognitieve regulatie onderdrukken — dezelfde vermogens die deze pagina als het substraat van agency identificeert. Als conceptueel stuk levert het diagnostisch vocabulaire, geen empirisch bewijs.

Agency hangt samen met zelfregulerend leren, motivatie, zelfeffectiviteit, de studentervaring, mens-AI-samenwerking, ethiek, overmatige afhankelijkheid en metacognitie. Het is een kernoverweging in robotica, tutoring en het ontwerp van AI-leeragenten.

  • Begrensd gebruik als epistemische controle, niet als terughoudendheid. Zagami (2026) meldt dat hoger presterende studenten in een universitaire enquête met 484 antwoorden minder actieve AI-betrokkenheid en een lagere ervaren leerimpact toonden, terwijl zij ook minder AI-gerelateerde desengagement rapporteerden, en hun eigen gebruik beschreven als verificatie-intensief: output werd gecontroleerd en vervolgens ondergeschikt gemaakt aan hun eigen redeneren. Gelezen als agency in plaats van vermijding is het patroon een bewust behoud van oordeel — studenten houden het auteurschap van de conclusie terwijl zij de tool gebruiken voor verduidelijking en samenvatting.

Wat agency van delegatie scheidt, is aanhoudend grensarbeid en niet toolvaardigheid: studenten die dezelfde retrieval-gegronde tool gebruikten, produceerden vergelijkbaar gepolijste artefacten, of zij nu de output beperkten en herschreven of de interpretatie vroeg afstonden, zodat het verschil alleen zichtbaar werd in prompts, latentie, correcties en weigeringen (O'Byrne, 2026).

  • Handelen, weten en antwoorden zijn niet hetzelfde. Een corpusondersteunde discoursanalyse van 366 GenAI-abstracts uit het hoger onderwijs noemt AI 2,050 keer als actor zonder haar ooit aanspreekbaar te maken, terwijl verantwoordelijkheid voor het beoordelen van output en het verifiëren van claims bij studenten wordt gelegd: grammaticale activering, functionele agency, epistemische autoriteit en normatieve verantwoording vallen uiteen (Poudyal, 2026).
  • Agency heeft drie modi, en de derde is wat beleid levert. Met slechts 18% van de leraren en 24% van de schoolleiders die een schoolbeleid voor AI rapporteren, oefenen de meeste onderwijsgevenden individuele agency uit zonder proxy-agency die voor hen optreedt — Bandura's derde modus, geleverd door institutionele regels (Tench, Weinstein & James, 2026).

Agency als een emergent, interactioneel fenomeen

Agency is niet één vermogen, en het onderscheid blijft bestaan in AI-gemedieerde praktijk. Bergdahl (2026) bevraagde 47 Zweedse leerlingen uit jaar 7 na een semester AI-onderwijs en vond dat agency gericht op AI-output zich niet uitstrekt tot de systemen die die output produceren. De splitsing hield stand binnen individuele leerlingen: 79% had een scorerange van drie of meer over negen items, en een per-leerling-dissociatie-index gaf de voorkeur aan outputgerichte boven systeemgerichte betrokkenheid bij 35 leerlingen tegen 4 in de omgekeerde richting (tekentest, p < .001). 62% van de meest bronkritische leerlingen onderschreef nog steeds de minst beschermende optie over chatbots die hun eigen schrijfwerk lezen, en slechts één leerling in de steekproef koos het hoogste privacystandpunt. Belangrijk is dat dit een maand na een les werd gemeten waarin leerlingen hun eigen gelogde gedrag live geprojecteerd zagen — zij noemden het "eng" en bleven tijdens de pauze om het platform te blijven gebruiken. Agency als emergente, interactionele eigenschap is hiermee consistent: het komt per praktijk naar boven in plaats van over praktijken heen te worden overgedragen, en wat één les op de voorgrond plaatst, generaliseert niet naar het register dat zij niet aansprak.

Agency van de leerling is niet alleen een statische individuele trek — het is ook een emergent, interactioneel gevormd proces dat wordt uitgevoerd via discours en de moment-tot-moment-coördinatie van groepswerk. In samenwerkend leren is agency verdeeld en wordt die opnieuw onderhandeld via het samenspel van divergente processen (ideeën genereren, alternatieven verkennen) en convergente processen (evalueren, integreren, synthetiseren). Dit perspectief is van belang voor AI omdat agentieke AI-systemen epistemische en regulerende arbeid binnen een groep subtiel kunnen herverdelen, waardoor verandert wie bijdraagt, wie de richting bepaalt en wie de voortgang reguleert — vaak zonder dat leerlingen het zich realiseren.

  • Agency als de emergente kwaliteit van een competentieconfiguratie. Het Human-AI Collaboration Competency-kader sluit agency van de leerling bewust uit als zelfstandige component en behandelt die als wat leerlingen tot uitdrukking brengen wanneer zij domein-, AI- en metacognitieve competentie coördineren — het integratieve werk dat Technological Pedagogical Content Knowledge (TPACK) aan pedagogiek toewijst, gaat over naar de eigen metacognitieve regulatie van de leerling. Onder 24 onderwijsgevenden in het hoger onderwijs verscheen elke dimensie in hun taal, met domein (12–19% van de gecodeerde eenheden) en AI (16–22%) op de voorgrond (Dang et al., 2026).

  • Jin et al. (2026) leveren het meest directe bewijs: in een groot experiment (224 studenten, 97 trio's) waarin AI als een niet-onthulde teamgenoot opereerde, herconfigureerden ondersteunende en contrarian AI-persona's nog steeds emergente agency. Contrarian AI trok het discours naar uitdaging- en reflectiegerichte trajecten (productieve wrijving), terwijl ondersteunende AI overeenstemming stabiliseerde en ideevorming vernieuwde.

  • AI-persona's als mechanismen van discoursbestuur. Contrarian persona's externaliseerden de last van het uitdagen (epistemische arbeid herverdelen naar kritiek), terwijl ondersteunende persona's bevestiging en handhaving van consensus externaliseerden. De studie identificeerde zes emergente agencyprofielen — met name was reflectieve regulatie uniek menselijk (AI externaliseerde kritiek en bevestiging, maar geen monitoring op metaniveau).

  • De affectieve kosten van wrijving. Contrarian AI verlaagde de tevredenheid over samenwerking en de psychologische veiligheid zonder winst in creatieve prestatie, waardoor epistemische stimulatie werd losgekoppeld van ervaren duurzaamheid. Dit waarschuwt dat "productieve" discoursstructuren samen met hun emotionele gevolgen moeten worden gelezen — agency gedijt alleen in een psychologisch veilig klimaat.

  • Impliciete AI-participatie is onzichtbaar bestuur. Omdat de persona's werkten zelfs zonder AI-onthulling, positioneert de studie persoonsontwerp als een vorm van onzichtbaar bestuur over samenwerkingsprocessen — een bevinding met directe implicaties voor schrijfassistenten, peerassessment-systemen en teamwerkplatforms die bijdragen kunnen vormgeven zonder hun aanwezigheid aan te kondigen.

  • Drie patronen van agency in groepsgebaseerde beoordeling. Chen en Zou (2026) interviewden 15 focusgroepen van aanstaande leraren over een authentieke groepspresentatie en vonden agency die in drie richtingen tegelijk werkte: vijf groepen intensiveerden GenAI-gebruik als coördinatie-infrastructuur (samenwerkingsgerichte agency — de secties van medeleerlingen ontcijferen, onderdelen op elkaar afstemmen, een gedeeld cijfer beschermen), zeven beperkten het (normatieve agency — grenzen getrokken om authenticiteit, eerlijkheid, originaliteit en diversiteit van perspectieven te beschermen), en drie veranderden hun praktijk nooit ten opzichte van individueel werk (niet-uitgeoefende agency, waarbij individueel vermogen nooit collectief werd gemobiliseerd). Hun onderscheid is van belang omdat terughoudendheid hier normatieve zelfregulering was in plaats van gehoorzaamheid of terugtrekking, en omdat vermogen alleen geen collectieve agency opleverde. Groepslidmaatschap keerde ook de verantwoording om die groepswerk geacht wordt te creëren: een permissief collectief klimaat verlaagde het ervaren risico op misbruik in plaats van de betrokkenheid te verhogen.

  • Agency als relationeel zelfzijn. Xie (2026) betwist het individualistische model van agency dat volgens hem zelfs AI-kritieken vooronderstellen. Voortbouwend op Daoïstisch relationeel zelfzijn — een "stromend en heterogeen" zelf dat wordt gevormd door relaties met anderen en de kosmos — concludeert hij dat een digitale kloof of algoritmische discriminatie "een schending van de fundamentele constitutie van het zelf" is, waardoor gelijkheid van toegang tot leren "niet alleen een ethische opdracht maar een ontologische gegevenheid" wordt, en dat asymmetrische macht en milieukosten "integrale dimensies van het zelf" zijn in plaats van externaliteiten. Zijn tegenideaal, de "Zhenren" (真人) of natuurlijke leerling, behandelt AI als een "instrumenteel adjunct" in plaats van een cognitieve plaatsvervanger — agency als gecultiveerde heelheid, niet als wrijvingsloze optimalisatie.(Alternative AI Philosophy: Daoism as Method for AI in Education)

Voor samenwerkingssettings herkadert dit de ontwerpvraag: niet of AI als teamgenoot kan deelnemen, maar hoe haar gepaalde participatie epistemische strengheid, emotionele veiligheid en het eigenaarschap van leerlingen in balans brengt. Begrensde wrijving (beperkte uitdaging, gecombineerd met integratieve en herstelbewegingen) en expliciete metacollaboratieve geletterdheid zijn de aanbevolen waarborgen.

Een structurele lezing van agency verschijnt in het joyful assessment-kader van El Khoury en Ma, waar agency als ontwerpeigenschap wordt behandeld in plaats van als motivatie: studenten kiezen de volgorde van taken, bepalen het tempo en geven aan wanneer een interactie eindigt, zodat ondersteuning beschikbaar is terwijl de verantwoordelijkheid voor het werk bij de leerling blijft. Het mechanisme dat zij noemen is appraisal — oefenen zonder publiek en zelf kiezen wanneer je begint verandert wat een taak betekent, van vonnis naar iets wat een student kan vormgeven — en zij betogen dat herhaalde ervaring met die verschuiving is wat incidentele gevoelens van bekwaamheid omzet in een alledaagse houding tegenover beoordeling.

  • "Meer AI gebruiken vermindert het gevoel van auteurschap bij studenten." Niet lineair. In een geïnstrumenteerde essaystudie daalde het ervaren eigenaarschap alleen voor de groep die hele essays delegeerde, terwijl studenten die het model gebruikten voor planning of review het eigenaarschap evenaarden van studenten die het nooit openden. Dezelfde groep scoorde ook hoger op leesbaarheid van het essay, zodat het artefact beter leek naarmate het auteurschap dunner werd. Agency volgde hoe de tool werd gebruikt in plaats van of die werd gebruikt. Auteurschap is een functie van delegatie, niet van gebruik.

Agency versus de identiteit van de leerling

Identiteit van de leerling en agency van de leerling zijn gemakkelijk te verwarren, toch benoemen zij verschillende dingen — en beide worden door AI hervormd.

  • Agency wordt uitgeoefend; identiteit wordt bewoond. Agency is het gesitueerde vermogen om intentioneel te handelen en het eigen leren nu te sturen — een variabele, interactionele eigenschap. Identiteit is het duurzamere, narratieve besef van wie men is en wordt als leerling. Agency is een proces; identiteit is een toestand van zijn die daaruit voortkomt.
  • Identiteit is geïnternaliseerde agency. Herhaalde agentieke handelingen — kiezen, schrijven, volhouden — zijn hoe een leerling zichzelf gaat zien als een agentiek, competent persoon. Identiteit is het sediment van agency over de tijd, versterkt door erkenning en erbij horen.
  • Verschillende faalmodi. Agency wordt uitgehold door overmatige afhankelijkheid en passieve acceptatie (de leerling stopt met het sturen van het redeneren); identiteit wordt uitgehold door verlies van auteurschap en competentiedreiging (de leerling voelt niet meer dat de output van hem is, of dat hij in het domein thuishoort). Impliciete AI-herverdeling van epistemische arbeid is vooral een agencykwestie; de competentieparadox in creatieve velden is vooral een identiteitskwestie.
  • Beide moeten worden ontworpen. Agencygericht ontwerp behoudt controle en keuze (begrensde wrijving, human-in-the-loop-toezicht, transparantie); identiteitsgericht ontwerp beschermt auteurschap en erkenning (authentieke beoordeling, duidelijke toeschrijving van AI- versus menselijke bijdrage, taken waarmee leerlingen een domein kunnen claimen). Agency beschermen zonder auteurschap te beschermen behoudt controle maar niet eigenwaarde — en omgekeerd.

Dit onderscheid tussen uitgeoefende agency en stabiele identiteit geldt ook voor weigering. Zoals Zagami (2026) beschrijft, zijn het afwijzen van een chatbot voor beoordeeld schrijven, het verbieden ervan voor onbegeleid redeneren, het zich verzetten tegen geautomatiseerde triage in leerlingondersteuning of het uitstellen van inkoop afzonderlijke relaties tot afzonderlijke systemen, die persoonlijke, pedagogische, professionele, administratieve en institutionele niveaus bestrijken in plaats van één duurzame dispositie. Dat recht is ongelijk verdeeld: studenten met academisch zelfvertrouwen kunnen weigeren zonder sanctie, terwijl degenen die taal-, toegankelijkheids- of snelle-feedbackondersteuning nodig hebben weigering als gemiste kans lezen, en gevestigde academici weigeren op principiële gronden terwijl tijdelijke medewerkers druk voelen om te adopteren. Waar AI in de infrastructuur zit, verschuift weigering van individuele opt-out naar inkoop, audit en betwistbaarheid.

  • Weigering als identiteitsconstructie, niet alleen als beslissing (studenten van kleur in leerlingschap-leren). Gyekye (2026) interviewde vijf leerlingen in het secundair beroepsonderwijs gedurende 9 maanden en vond dat zij zichzelf via AI vormgaven in drie bewegingen: weigering (niet-gebruik als institutionele aansluiting), onderhandeling (het repareren van institutionele mismatches, privacy als abstractie op afstand) en erkenning (eerlijkheid gelijkstellen aan de afwezigheid van zichtbare bias — een "culturele vlakheid" waarin hun identiteiten onvertegenwoordigd blijven in AI-antwoorden). De twee interpretatieve concepten van de studie — Institutionele AI-geletterdheid en Recognition Bandwidth — benoemen het vermogen om AI-gebruik institutioneel leesbaar te maken en de ruimte die studenten hebben om zich erkend te zien in AI-output. Een narratief onderzoek met vijf studenten in één programma; de bijdrage is aantonen dat AI-gebruik, -beperking en -weigering verweven zijn met hoe leerlingen zichzelf begrijpen als auteurs en aankomende professionals.

Het Ecological Co-Agency Framework: agency als een epistemisch ontwerpprobleem

Poudyal (2026) herkadert agency van de leerling als fundamenteel een epistemische kwestie: generatieve AI voegt niet simpelweg een tool toe, maar herverdeelt epistemologische autoriteit — het vermogen om kennis te produceren, claims te valideren en bewijs van leren te creëren — van leraren naar studenten naar machines. Het Ecological Co-Agency Framework van het artikel behandelt co-agency als de relatie tussen drie onderling afhankelijke dimensies, alle begrensd door een niet-onderhandelbare voorwaarde van menselijke epistemische verantwoording:

  • Relationele co-agency — agency als product van interactie tussen student, tool en context, wat een transparante verdeling vereist van welke taken aan AI worden gedelegeerd en welke behouden, plus ethische co-agency waarin mensen primaire verantwoording houden en in een monitorende rol handelen.
  • Regulerende co-agency — de cyclus van zelfregulerend leren (vooruitdenken, presteren, reflecteren) in kaart brengen op AI-mediatie. Of GenAI vóór of na de poging van de leerling binnenkomt, bepaalt of die de ervaren controle versterkt of uitholt; strategische cognitieve offloading ondersteunt transformatief leren alleen wanneer de offloadingbeslissing intentioneel is in plaats van routinematig.
  • Pedagogische co-agency — leraren centraal stellen, langs een continuüm van observeerder–adopteerder–collaborator–innovator dat afhangt van institutionele steun, niet van individuele dispositie.

De randvoorwaarde van het kader vereist betwistbaarheid (het vermogen om AI-output te bevragen en kruisling te controleren), herkomst (weten waar trainingsdata en output vandaan komen) en niet-delegatie van morele en intellectuele eer (beslissingen met hoge inzet over leerlingwelzijn, academische status en cijfers mogen niet uitsluitend door AI worden bepaald). Dit geeft onderwijsgevenden en beleidsmakers een preciezer vocabulaire dan de vage "balans" tussen menselijke en kunstmatige bijdragen, en verbindt agency met ethiek, beoordeling, gelijkwaardigheid in AI-onderwijs en AI Governance.

Een nauw verwant kader is relationele epistemische agency (Du & Yuan 2026), dat ermee instemt dat agency sociaal mogelijk gemaakt en technologisch gemedieerd is in plaats van een kwestie van isolement van afhankelijkheid. Waar het Ecological Co-Agency Framework menselijke epistemische verantwoording als niet-onderhandelbare grens benadrukt, behouden Du en Yuan een expliciete asymmetrie: AI-systemen kunnen redeneren vormgeven en uitbreiden zonder wederzijdse verantwoordelijkheid of legitieme autoriteit te bezitten. Hun zes diagnostische criteria — betwistbaarheid, herstelbaarheid, overdracht, traceerbaarheid, verdeelde verantwoordelijkheid en epistemische pluraliteit — bieden een praktische test voor wanneer een mens-AI-relatie het vermogen van de leerling behoudt om deel te nemen aan hoe claims worden gevormd, beoordeeld en aanvaard, versus wanneer die slechts een product levert. Agency is in deze opvatting niet onafhankelijkheid van tools maar het vermogen om verantwoord te oordelen met, door en tegen de systemen die kennis mediëren.

  • Gedelegeerde agency als mechanisme, niet alleen als risico. Yan en Gašević (2026) behandelen de delegatie van cognitief werk aan AI als deel van hoe leren gebeurt, niet louter als een bedreiging ervan: in hun opvatting wordt ondersteunde prestatie pas duurzaam vermogen wanneer de leerling verantwoordelijkheid houdt voor het kaderen van het probleem, het vaststellen van criteria en het rechtvaardigen van antwoorden, een arbeidsverdeling die zij gedelegeerde agency noemen. Daarmee wordt de toewijzing zelf de ontwerpvariabele, omdat dezelfde tool agency van de leerling kan behouden of oplossen, afhankelijk van welke verantwoordelijkheden die absorbeert.

Veelvoorkomende misverstanden

  • "Studenten oefenen agency uit wanneer zij AI vrij gebruiken." Een coderingsschema met 14 categorieën op 6,788 ChatGPT-ondersteunde beurten plaatste 59% van de beurten van zevende-klassers in categorieën die geen agentiek gebruik vertegenwoordigen. Gebruiksvolume en agency zijn verschillende maten.
  • "Huidige modellen ondersteunen agency van de leerling goed." Over tien modellen gebenchmarkt is het ondersteunen van agency waar zij na leren het slechtst presteren: ImpactBench mat Agency and Purpose op 56.0% op positieve criteria. Agency is de dimensie die AI-systemen het minst goed aankunnen, geen bijproduct van capaciteit.
  • "Mediatie door de leraar is een beperking van agency." Canonigo (2026) volgde tien leraren wiskunde in het secundair onderwijs gedurende een interventie van acht weken met ChatGPT-4 en de mediatie is het mechanisme in plaats van het obstakel.

Verbonden concepten

Verbonden artikelen

Gerelateerde FAQ's

Metadata

Beoogde doelgroepLearners
Leren en onderwijzenMotivation, Self-Regulated Learning
Gelijkheid, ethiek en verantwoord gebruikEthics
Grondslagen van AI in het onderwijsAgency van de leerling, Cognitieve offloading, Mens–AI-samenwerking
BronGeschiedenisBewerkenChat

Deze pagina insluiten

Kopieer de onderstaande code om deze pagina in een leeromgeving of op een andere website in te sluiten. De ingesloten versie toont alleen de inhoud van de pagina — de sitekop, navigatie en voettekst zijn verborgen.