AIEd-kennisbankAIEd KB
Op deze pagina

Lees deze pagina in het Engels

Concepten

AI-geletterdheid

Aangemaakt 2026-10-15

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

AI-geletterdheid — de kennis, vaardigheden en kritische disposities die nodig zijn om AI Technologies in onderwijscontexten te begrijpen, te evalueren en effectief te gebruiken. AI-geletterdheid omvat een fundamenteel begrip van hoe AI werkt, praktische bekwaamheid in het gebruik van AI-tools, kritische evaluatie van AI-resultaten en ethisch bewustzijn van de maatschappelijke implicaties van AI.

Vragen om over na te denken

  • Wat betekent het om 'AI-geletterd' te zijn? Is het weten hoe je de tools gebruikt, begrijpen hoe ze werken, of in staat zijn om hun output kritisch te evalueren — en wat weegt het zwaarst voor je eigen doelen?
  • Zelfgerapporteerde AI-geletterdheid wijkt sterk af van gemeten prestaties — docenten overschatten hun vaardigheden met ongeveer 40%. Hoe zeker bent u van uw eigen AI-vaardigheden, en welk bewijs zou u vertrouwen om dat vertrouwen daadwerkelijk te toetsen?
  • AI-geletterdheid wordt omschreven als een metacognitieve sociale praktijk, niet als een checklist van vaardigheden. Omdat LLM's probabilistisch en ondoorzichtig zijn, wat betekent het dan om output 'kritisch te evalueren' wanneer u niet in het model kunt kijken?
  • Er is een spanning tussen geletterdheid voor kritisch gebruik in academische settings en geletterdheid voor workflowintegratie op de arbeidsmarkt — onderwijsgevenden en werkgevers hechten waarde aan verschillende vaardigheden. Welke soort AI-geletterdheid geeft uw context eigenlijk?
  • Alleen technische training in AI-geletterdheid, zonder ondersteuning voor zelfeffectiviteit en zelfregulatie, kan de afhankelijkheid van AI juist vergroten. Hoe zou leren om AI te gebruiken u meer afhankelijk kunnen maken in plaats van capabeler?
  • AI-geletterdheid is ook een herkenningsvaardigheid: merken wanneer een AI met u eens is omdat het behagerig is, in plaats van omdat u gelijk heeft. Heeft u ooit betrapt hoe een AI u gewoon vertelde wat u wilde horen?

Inleiding

AI-geletterdheid is snel opgekomen als een kerncompetentie voor leerlingen, onderwijsgevenden en instellingen nu Generative AI in onderwijs wordt ingebed. In tegenstelling tot algemene digitale geletterdheid vereist AI-geletterdheid begrip van probabilistische systemen die kunnen hallucineren, bias vertonen en Learner Agency van mens naar machine verplaatsen — wat Critical Thinking en overmatige afhankelijkheid centraal stelt in het construct.

Dimensies van AI-geletterdheid

Onderzoek naar AI-geletterdheid in deze kennisbank omvat vier met elkaar verbonden dimensies:

Kaders traceerden in toenemende mate hoe deze dimensies in de praktijk worden gerealiseerd: Dai & Chan (2026) tonen aan hoe postdoctorale onderzoekers alle vier dimensies realiseren wanneer ze Generative AI inzetten in de onderzoeksworkflow, en hoe ze daaruit onderzoekspecifieke richtlijnen voor verantwoord gebruik opbouwen, terwijl Şan & Orhan Karsak (2026) Word-Association-mapping gebruiken om te laten zien dat het AI-cognitieniveau van Turkse bachelorstudenten instrumenteel gedomineerd wordt door een "black-box"-opvatting, waarbij ethisch-governanceconcepten structureel geïsoleerd zijn (τ=−0.819) — bewijs dat credentialontwerp bewust ervaringgericht toolgebruik en ethische kaders met elkaar moet verbinden.

De vraag hangt af van wat de leerling en het systeem samen doen. Geletterdheidskaders beschrijven meestal één generieke set competenties, maar wat een door GenAI ondersteunde activiteit werkelijk vereist, varieert met de vraag hoe epistemisch werk daarbinnen verdeeld is. Sun, Dohn en Rehm (2026) classificeerden 102 empirische studies uit het hoger onderwijs aan de hand van de taxonomie van Strobel et al. over GenAI-toepassingen en vonden Assistant- en Enabler-verstrengelingen die het corpus elk voor 42.16% domineren, terwijl Generator, Reimaginator en Synthesizer samen minder dan een vijfde besloegen — een scheefheid die zij toeschrijven aan institutionele legitimiteit in plaats van aan modelcapaciteit, aangezien dezelfde modellen alle vijf ondersteunen. Elk type lezen aan de hand van Dohn's drie contextniveaus (domein-intern, activiteit-intern, activiteit-kaderend) toont dat vraagstukken samenvallen bij Assistant-werk en uiteenvallen bij de marginale types, waarbij wat de activiteit van studenten vraagt afwijkt van wat de instelling als legitieme competentie erkent. Hun conclusie haalt geletterdheid volledig weg bij toolvloeiendheid: GenAI-geletterdheid is het vermogen om te herkennen hoe epistemisch werk en verantwoordelijkheid verdeeld zijn in een gegeven verstrengeling, en daarbinnen passend te handelen.

Fundamentele kennis: Begrijpen wat LLM's zijn, hoe ze verschillen van regelgebaseerde systemen, en wat hun fundamentele beperkingen zijn. Dit omvat bewustzijn van modelcapaciteiten, biases in trainingsdata, en het onderscheid tussen taken-specifieke AI en general-purpose modellen. Onderzoek binnen Prompt Engineering onderzoekt hoe begrip van promptmechanismen effectief AI-gebruik beïnvloedt.

Praktische bekwaamheid: Het vermogen om AI-tools effectief te gebruiken — van Prompt Engineering tot het interpreteren van resultaten. Studies naar gebruikspatronen van GenAI door studenten tonen aan dat toegang tot tools alleen geen bekwaamheid oplevert; gestructureerde oefening en Scaffolding zijn essentieel. Het vibe-codingkader laat zien hoe K-12-docenten praktische AI-geletterdheid kunnen ontwikkelen door begeleide toolontwikkeling. Miles, Haber-Curran en Arar (2026) betogen dat deze dimensie een deel bevat dat optimalisatietraining mist: promptgeletterdheid, als iets anders dan prompt engineering, behandelt prompting als een retorische en ethische handeling, zodat instructie die alleen output afstelt voor betere prestaties de ethische en epistemologische dimensies van LLM-gebruik onaangeroerd laat.

Kritische evaluatie: Het vermogen om AI-resultaten te beoordelen op nauwkeurigheid, bias en geschiktheid. Onderzoek naar geletterdheidsassessment toont een kloof van 40% tussen zelfgerapporteerde en op prestaties gebaseerde AI-geletterdheid — mensen overschatten hun evaluatievaardigheden consequent. Die divergentie is in deze kennisbank het duidelijkste geval van een zelfrapportagemaat die de competentie die ze benoemt niet volgt. Dit hangt samen met onderzoek naar overmatige afhankelijkheid dat laat zien dat studenten die AI Trust onkritisch vertrouwen, minder leren. Recent conceptueel werk duwt evaluatie in de richting van verificatie: het PEARLS-kader (Wang) behandelt AI-output als een voorlopige kennisclaim waarvan de rechtvaardiging over zes dimensies (Process, Evidence, Access, Reproducibility, Legitimacy, Source) verzameld en onderzocht moet worden, en brengt verificatiegestuurd leren naar voren als het mechanisme waarmee leerlingen expertise opbouwen terwijl ze AI-claims controleren. Complementair biedt het studentgerichte kader voor verantwoord gebruik (Alsammani) tien leerlinggerichte richtlijnen over de pijlers Learning and Growth, Ethics and Integrity, en Awareness and Safety die metacognitieve prompts externaliseren op het moment van de beslissing. Voor voortgezet leerlingen verankert het AI-Assisted Research Competency (AARC)-kader (Beau, Flaquière & Lazar 2026) dit in deugdenepistemologie en AI-intuïtie, en definieert het onderzoeksgeletterdheid als het voeren van onderzoek met AI zonder auteurschap, oordeel, verificatie of verantwoordelijkheid op te geven — geoperationaliseerd als een analytische rubric en een verify–cite–reflect-commitmentroutine. Aan het Assessment-uiteinde stelt Saleh (2026) een human capability test voor dat evaluatie omzet in een ontwerpprincipe: vraag wat een student zelfstandig moet kunnen laten zien, wat door AI-augmentatie versterd kan worden, en wat de student moet verifiëren, verdedigen en waarvoor hij verantwoordelijkheid moet nemen.

Disciplinaire verificatie legt de lat nog hoger. Vega-Baudrit en Rivera Alvarez (2026) betogen dat in universitair scheikundeonderwijs de kernvraag van AI-geletterdheid representatieve vertaling is over Johnstone's macroscopische, submicroscopische en symbolische domeinen, omdat een resultaat in het ene domein lokaal overtuigend kan zijn terwijl het ladingbalans, een mechanisme of een veiligheidsgrens in het andere domein tegenspreekt. Hun oplossing is verificatiegerichte integratie: maak verificatie een beoordeelde activiteit, bewaar promptlogs en revisiehistories als redeneersporen, en behandel prompting als een epistemische handeling die beperkingen, aannames en adequaatheidscriteria specificeert, waarbij studenten een valse aanname identificeren of de afwijzing van een gegenereerd antwoord onderbouwen.

Ethisch en institutioneel bewustzijn: Begrijpen van de bredere implicaties van AI — van Academic Integrity tot Equity tot Privacy. AI-geletterdheid op institutioneel niveau omvat beleidsontwikkeling, Educational Development en governancekaders — institutionele AI-geletterdheid is een kwestie van beleid in even hoge mate als van pedagogiek. Het EPIQ-AI-kader kadert institutionele AI-geletterdheid als een sociotechnische uitlijningsuitdaging, niet slechts als individuele training.

  • AI-geletterdheid als governancecapaciteit voor duurzame ontwikkeling. Islam, Morshed en Islam (2026) reconceptualiseren AI-geletterdheid als een governancegerichte capaciteit in plaats van een puur educatieve of technische vaardigheid, en koppelen die aan alle zeventien Sustainable Development Goals van de VN. Hun zes niveau's omvattende AIRE Taxonomy (Recognize → Comprehend → Apply → Analyze → Integrate → Govern) breidt Bloom's hierarchie uit door ethische synthese en strategisch vooruitzicht toe te voegen, en positioneert geavanceerde competenties (Analyze–Govern) als het pad van fundamentele geletterdheid naar institutioneel en beleidsniveau-governance — een "18e SDG"-heuristiek die geletterdheid behandelt als een overkoepelende cognitieve en ethische brug. Een enquête onder 300 professionals in een nationale context vond sterk technisch bewustzijn maar beperkte ethische en governance-gereedheid, waarbij ethisch redeneren en reflectief denken de sterkste voorspellers zijn van duurzaam, betrouwbaar AI-gebruik en governancegeletterdheid de sterkste voorspeller van bewustzijn van de AI–SDG-nexus (β = 0.64). Dit onderbouwt empirisch de nadruk van de kennisbank op geletterdheid voor kritisch gebruik en koppelt AI-geletterdheid direct aan Sustainability en integratie van beleid. De aanvoer van kaders is inmiddels zelf het probleem. Fitsilis (2026) vergeleek 16 institutioneel onderschreven AI-competentiekaders voor onderwijs en ontwikkeling van de beroepsbevolking en vond een gedeelde kern van tien competentiegebieden maar brede variatie in structuur, progressie en implementatiebegeleiding — de praktische moeilijkheid is kiezen tussen die kaders, niet een tekort.

Hoe AI-geletterdheid wordt ontwikkeld

Onderzoek wijst op collaboratieve en actieve benaderingen als doeltreffendst. Rismanchian & Doroudi positioneren AI-geletterdheid als meer dan een toegepaste vaardigheid: in hun AI×Ed-kader is de leerling een aparte eindgebruiker van AI (toegankelijk via AI-geletterdheid en AI-onderwijs), en zij pleiten voor vernieuwd werk aan AI-geletterdheid dat reflectie op het leren zelf aanmoedigt — geletterdheid behandelen als een weg terug naar onderzoek naar "AI als analogie van menselijke intelligentie" over hoe mensen leren, een stroming die het veld grotendeels heeft verlaten. Het ICAP Framework (Interactive → Constructive → Active → Passive) biedt een bruikbare taxonomie van cognitieve betrokkenheid: studenten leren AI-geletterdheid het beste wanneer ze kennis gezamenlijk construeren in plaats van informatie passief ontvangen. Ontwerpers moeten de modus kiezen die past bij het leerdouel en waar mogelijk de diepere (constructieve en interactieve) modi favoriseren. Praktische activiteiten — prompts ontwerpen, resultaten in groepen evalueren, debatteren over AI-Ethics — presteren beter dan hoorcolleges.

Compositie start bij geleefde ervaring — maar begripsdiepte heeft scaffolding nodig. Burriss et al. (2026) vonden dat jongeren abstracte AI-Ethicsprincipes verankeren in systemen die ze dagelijks tegenkomen — elektronische "pasjes," door school gereguleerde laptops, plagiaatdetectors — waarbij één groep uitlegde dat AI op school "persoonlijk was voor alle groepsleden," en 15 van 18 enquête-antwoorden aan het eind van de eenheid aangaven dat het maken van de video hun begrip van AI-ethiek had veranderd. De auteurs zijn expliciet over de grens: componeren op zich garandeerde geen conceptuele verankering — "informed consent" werd vertaald als "We gotta approve," en sommige termen (bijv. "failsafe") werden nooit uitgelegd, waardoor ze dieper conceptueel werk in latere iteraties planden. Creatieve productie ontwikkelt AI-geletterdheid het beste wanneer expliciete conceptuele Scaffolding het maken vergezelt in plaats van ervan uit te gaan dat het vanzelf opkomt.

AI-intuïtie als de ervaringsmatige aanvulling op geletterdheid. Een terugkerend hiaat is dat K-12-kaders ervan uitgaan dat leerlingen AI benaderen via declaratieve, regelgebaseerde kennis, terwijl ze in de praktijk eerst een praktisch "gevoel" ontwikkelen voor hoe AI reageert — experimenteren met prompts, gedrag observeren, strategieën aanpassen — voordat ze formele principes kunnen articuleren. Beau & Lazar (2026) formaliseren dit als AI-intuïtie: een ervaringsmatig, inductief, vaak impliciet begrip dat zich ontwikkelt door iteratieve interactie met AI-systemen en contextgevoelig oordeel onder onzekerheid ondersteunt. Hun dual framework plaatst AI-geletterdheid (gestructureerde, grotendeels statische competenties) naast AI-intuïtie (een dynamisch leerproces), waarbij beide worden geprojecteerd op de standaarddimensies — begrijpen van concepten, tools gebruiken, kritisch evalueren, ethisch toepassen, reflecteren — zodat leerlingen conceptuele helderheid en Guardrails (geletterdheid) combineren met de praktische wijsheid om te vertrouwen-maar-te-verifiëren en te besluiten wanneer af te haken (intuïtie). Omdat intuïtie "deskundige observatie" van AI cultiveert (bijv. prompts onder druk zetten om te vinden waar een model faalt, wat in het Nederlands "het testen van prompts" wordt genoemd), betogen de auteurs dat het een waarborg is tegen overmatige afhankelijkheid en erosie van kritisch denken; het onderscheidt zich van Prompt Engineering (dat resultaten optimaliseert) door epistemisch oordeel op de voorgrond te plaatsen. Dit verbindt geletterdheid aan Experiential Learning, Constructivism en ontwikkelingspsychologisch gefundeerde klaspraktijk, en wijst voorbereiding van leraren in de richting van het faciliteren van inductieve exploratie in plaats van alleen het overbrengen van concepten.

Motivatie is een voorwaarde, niet slechts een uitkomst. Liang et al. (2026) vonden, over 2,086 leerlingen uit het voortgezet onderwijs in een jaar lang AI-curriculum, dat studenten die overgingen naar of bleven in een Zelfbepaald motivatieprofiel (hoge autonomie, competentie- en verbondenheidsbehoeftebevrediging) de grootste winst in AI-geletterdheid lieten zien. AI-geletterdheid ontwikkelt zich door aanhoudende betrokkenheid, en die betrokkenheid wordt zelf gevormd door motivatie en ondersteuning van psychologische behoeften — doeltreffende instructie in AI-geletterdheid zou dus aandacht moeten hebben voor de motivatie van leerlingen, niet alleen voor hun vaardigheden.

Instructienadruk en taakopenheid bereiken prestaties via verschillende behoeften. Yu, Lin en Chen (2026) randomiseerden 320 bachelorstudenten naar vier groepen in een 2 x 2-experiment over een beeldgeneratietaak met AIGC, beoordeeld met een objectieve rubric (ICC = 0.89), en vonden dat denkgerichte instructie, die modelbeperkingen, kritische evaluatie en ethiek bestreek, beter presteerde dan vaardigheidsgerichte instructie in prompting (M = 9.21 vs 7.69, F(1, 316) = 50.79, p < 0.001, partieel etakwadraat = 0.138), met de ruimere marge bij open taken (10.10 vs 8.00). Het structurele model toont dat de twee ontwerpkeuzes via verschillende routes reizen: instructie werkte indirect via autonomie (beta = 0.035) en competentie (beta = 0.079), terwijl taakopenheid voornamelijk via autonomie werkte (beta = 0.029), competentie de sterkste voorspeller van prestaties was (beta = 0.358) en verbondenheid geen onafhankelijk effect had. Wat de instructie bevat, weegt daarom zwaarder dan of leerlingen oefening in prompting krijgen, en het weegt het zwaarst wanneer de taak open is.

De variabelen rond AI-geletterdheid zijn sindsdien breder in kaart gebracht. Een systematische review uit 2025 over wat met AI-geletterdheid correleert synthetiseerde 31 studies over 14 landen (N = 12,071) en vond de meest consistente verbanden in de affectieve en gedragsband: AI-zelfeffectiviteit, positieve AI-houdingen, motivatie en digitale competentie bewogen allemaal met AI-geletterdheid mee, terwijl AI-angst en negatieve houdingen ertegen bewogen. Demografische variabelen registreerden nauwelijks iets, met leeftijd en sociaaleconomische status die zwak of helemaal niet correleerden. De voorzichtigheid van de review gaat over instrumenten: dezelfde studies die sterke correlaties uit zelfbeoordeling opleverden, toonden veel zwakkere wanneer AI-geletterdheid werd getoetst in plaats van zelf ingeschaald.

Een structurele-vergelijking-studie onder 502 faculteitsrespondenten aan één Chinese onderzoeksuniversiteit vond AI-geletterdheid de sterkste voorspeller van AI-welzijn (β = 0.713), tegenover een klein technologisch zelfeffectiviteitspad (β = 0.082), waarbij sociale en organisatorische ondersteuning het welzijn alleen indirect bereikten (Liu et al. (2026)).

Een schijnbaar negatief verband keert onder controle om: onder 303 bachelorstudenten uit Hongkong correleerde technologieangst negatief met AI-geletterdheid (r = −0.14) maar voorspelde het toch β = 0.15 in een gezamenlijk model, een effect dat beperkt bleef tot kritische evaluatie en ethische competentie (Chow et al. (2026)).

Hu (2026) voegt een geordend verslag toe van wat AI-geletterdheid voorspelt in plaats van wat het voorspelt. Bij een enquête onder 450 universiteitsstudenten in het vasteland van China die ChatGPT al gebruiken, bleek AI-geletterdheid direct gerelateerd aan voortgezet gebruik (beta = 0.16, p = 0.002) en indirect langs een serieel pad via Trust en academische Self-Efficacy (indirect effect = 0.07, 95%-CI [0.04, 0.10]), waarbij de koppeling tussen geletterdheid en vertrouwen de grootste verband was in het model (beta = 0.50). AI-angst matigde dat eerste verband (interactie-beta = -0.25, eenvoudige hellingen vallend van 0.76 naar 0.25 over het angstbereik), zodat de keten dunner werd voor angstiger studenten en niet aangenomen mag worden dat instructie in geletterdheid alleen hen al bereikt. Het ontwerp is dwarsdoorsneden en de steekproef beperkt tot bestaande gebruikers, dus de ordening is een modelleeraanname in plaats van een waargenomen reeks.

Een kern toegepast doel van AI-geletterdheid is Reducing AI Misuse: studenten leren om AI ethisch en productief te gebruiken in plaats van het te laten dienen als vervanging van hun eigen cognitieve werk. Waar AI-geletterdheid het vermogen opbouwt om AI kritisch te evalueren en te gebruiken, is het verminderen van misbruik de gedrags- en structuuropbrengst — een combinatie van ontwerp van tools met waarborgen, herontwerp van assessment, en educatieve hefbomen zoals scaffolding voor eerst-denken/AI-second reeksen en oefening in prompting met bewuste Feedback. De twee concepten versterken elkaar wederzijds: AI-geletterdheid levert de kritische disposities die misbruikreducerende interventies duurzaam maken, terwijl bewijs over misbruikreductie (bijv. de prestatie–leerkloof) motiveert waarom geletterdheid verder moet gaan dan operationele vaardigheid naar kritisch oordeel.

AI-geletterdheid heeft ook ontwikkelingsadequate vormen nodig voor de jongste leerlingen. AI-Play vertaalt competenties uit AI-geletterdheid naar speelse, niet-aangesloten (unplugged) activiteiten voor leerlingen van Pre-K tot en met K2 — georganiseerd rond AI Body (AI als een systeem opgebouwd uit onderdelen), AI Food (AI leert van voorbeelden), AI Brain (AI verbetert door patronen en terugkoppeling) en een Pre/Post-AI-ethische lens — waarmee een aanhoudend gebrek aan ontwikkelingspsychologisch gefundeerde begeleiding voor AI-geletterdheid voor vroege kinderjaren wordt aangepakt en AI-geletterdheid toegankelijk wordt gemaakt voor niet-technische onderwijsgevenden en gezinnen. Complementair hieraan vonden Vahedian Movahed & Martin (2025) dat kinderen van 6–14 een op leeftijd afgestemde chatbot over het algemeen vertrouwden als informatiebron en de meesten hem modelleerden als "een slim computerprogramma dat leert" (beginnend Machine Learning-begrip), maar toch lacunes lieten zien in kritische betrokkenheid en bewustzijn van digitale veiligheid — bewijs dat het vertrouwen van jonge leerlingen hun kritische evaluatievaardigheden kan overstijgen, waardoor expliciete Trust Calibration en veiligheidsinstructie een noodzakelijk onderdeel worden van AI-geletterdheid voor kinderen.

Meting houdt gelijke tred met die ontwikkelingsevenwending aan de jongere kant. De validatie uit 2025 van een zelfbeoordelingsvragenlijst voor AI-geletterdheid voor leerlingen van de bovenbouw van de basisschool door Thianwan en Srikoon ontwikkelde een instrument met 15 items voor leerjaar 4 tot en met 6, georganiseerd rond Learning About AI, Learning About How AI Works, en Learning for Life with AI, en bevestigde een driedimensionale structuur in twee steekproeven (n = 335 en n = 579) met een algehele Cronbach's alpha van .934. De auteurs kaderen het als een formatieve diagnose van waargenomen in plaats van gedemonstreerde geletterdheid, en merken op dat de nauwkeurigheid van zelfbeoordeling door kinderen beperkt wordt door metacognitief vermogen dat nog in ontwikkeling is.

Projectmatig leren als toedieningsmechanisme. Zhu & Kong (2026) ontwikkelden en valideerden een schaal voor AI-projectmatig leren (AI-PBLS) en gebruikten in een steekproef uit Hongkong van 1,027 leerlingen uit het voortgezet onderwijs en universiteitsstudenten (446 met volledige gegevens) structurele-vergelijking-modellering om te laten zien dat empowerment in het gebruik van AI voor probleemoplossing en AI-ethisch bewustzijn gezamenlijk de relatie tussen waargenomen Project-Based Learning en tevredenheid met een cursus AI-geletterdheid mediëren. Dit positioneert PBL niet slechts als een toedieningsformaat maar als een mechanisme dat het vertrouwen van leerlingen en ethisch redeneren naast competentie opbouwt, wat de koppeling tussen PBL en zinvolle ontwikkeling van AI-geletterdheid versterkt. Het levert ook een gevalideerd meetinstrument op voor toekomstige meting van ervaringen met cursussen AI-geletterdheid.

Het verhogen van de ethische dimensie van geletterdheid heeft een tekenprobleem. Onder 584 bachelorstudenten die zichzelf AI leerden, verhoogde competentie ethisch bewustzijn (β = 0.644, p < .001), en ethisch bewustzijn verhoogde vervolgens AI-angst (β = 0.439, p < .001) in plaats van het te verlagen, het tegenovergestelde van de voorspelde richting (Mu et al. (2026)). De les die de auteurs trekken is dat het onderwijzen van hoe ethische bezwaren bestuurd worden het ethische aspect zelf moet vergezellen, anders kan werk aan geletterdheid leerlingen angstiger achterlaten dan het ze aantrof.

AI-geletterdheid als kernhiaat in Conversational AIkaders. De umbrella review over conversationele AI-agenten (Ganguly et al. 2025, 34 reviews) identificeert beperkte ondersteuning voor AI-geletterdheid als een belangrijke hiaat in CAI-kaders, en maakt van fundamentele beoordeling (waaronder het versterken van AI-geletterdheid) de eerste pijler van zijn ethisch-gebruik-roadmap, naast participatief ontwerp, richtlijnen voor ethisch gebruik en continue evaluatie van cognitieve impact. Verder constateert het dat AI-geletterdheid, training en bewustzijn tot de meest benadrukte ethische richtingen in de CAI-literatuur behoren.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

Effectiviteit van interventies voor AI-geletterdheid. Een drieniveau-meta-analyse van 59 studies (172 effectgroottes, 7,211 deelnemers) schat een groot algeheel effect van interventies voor AI-geletterdheid (g = 0.837, p < .001) — maar met een breed voorspellingsinterval [−0.292, 1.966], dus de effectiviteit varieert aanzienlijk over settings. Interventies in Oost-Azië en Europa presteerden beter dan die in Noord-Amerika, en kennisgerichte interventies presteerden beter dan interventies die op vaardigheden, houdingen of ethiek gericht waren. De auteurs betogen dat AI-geletterdheidsonderwijs zich daarom verder dan kennis zou moeten bewegen naar vaardigheden, praktijken, ethiek en houdingen, ondersteund door geïntegreerde en reflectieve pedagogieken (project- en probleemgebaseerd, onderzoekend, ervaringsgericht) en door GenAI ondersteunde tools — een verschuiving die aansluit bij de participatieve, producentgerichte vormen van Computational Thinking die elders in deze kennisbank beschreven staan.

Een tweede synthese bereikt een vergelijkbare omvang op een smallere basis en scherpt het meetprobleem aan. Yu, Kim, Chang en Huang (2026) bundelden 57 effectgroottes uit 16 studies over 3,837 K-12-leerlingen aan wie AI zelf werd onderwezen in plaats van met AI, en schatten Hedges' g = 0.892 (95%-CI [0.548, 1.236], p < .001), robuust voor aangenomen pre-post-correlaties van 0 tot 1 en stabiel na trim-and-fill op g = 0.952. Elk van de 57 effecten wees positief (bereik 0.16 tot 4.93), en geen enkele moderator (publicatiebron, jaar, schoolniveau) verklaarde de aanzienlijke heterogeniteit (I² = 94.68%). De voorkeursverklaring van de auteurs is meting: de geïncludeerde studies noemden alles, van AI-kennis en ethiek tot houdingen, motivatie, zelfeffectiviteit en loopbaaninteresse, "AI-geletterdheid," dus het gebundelde cijfer beschrijft een distributie van positieve bevindingen onder één los label in plaats van één uniforme interventie. Gelezen naast Liu et al. stemmen de twee schattingen ermee in dat instructie in AI-geletterdheid werkt en in weinig meer, wat op zichzelf het meetsignaal van het veld is.

Klasbewijs voor bewust korte ontwerpen is dunner, maar het gaat in dezelfde richting en voegt een uitkomst op gedagsniveau toe die enquêtes niet kunnen leveren. Clerc et al. (2026) gaven 116 Franse leerlingen uit leerjaar 8–9 een workshop van twee uur over hoe LLM's werken en falen, gekoppeld aan oefening in het voorspellen of een prompt een bruikbaar antwoord zou oproepen, het evalueren van het antwoord en het herzien of opnieuw vragen. Twee dagen later, tijdens zes door LLM ondersteunde natuurwetenschappelijke problemen met een controlegroep, accepteerden getrainde leerlingen onvoldoende gespecificeerde prompts minder vaak (51.5% vs. 66.7%, OR = 0.47), stelden ze na een zwak antwoord veel vaker vervolgvragen (59.2% vs. 27.9%, d = 0.80) en oordeelden ze de juistheid van antwoorden gevoeliger voor promptkwaliteit (interactie-OR = 2.52), met een bescheiden scoreverschil (11.38 vs. 10.29 van 20, p = .040). De workshop repeteerde de toetstaken nooit, dus wat overgedragen werd was een regulerende houding in plaats van taakvertrouwdheid — en de auteurs zijn expliciet dat twee dagen geen duurzaamheid is.

AI-ondersteunde kritische mediageletterdheid in de basisschool. Demir en Akar (2026) geven een concrete demonstratie in de basisschool van door GenAI ondersteunde geletterdheidsinstructie: een programma van 18 uur volgens het 5E-model voor Turkse leerlingen uit groep 7, waarin ChatGPT en Grammarly fase na fase waren ingebed als pedagogische agenten (ChatGPT voor reflectieve vragen en V&A, Grammarly en Canva AI voor het verfijnen van inhoud, Padlet voor peerfeedback), afgestemd op de Turkse leerplannen voor taal en sociale studies. De door AI ondersteunde groep toonde grote winsten in medialezen (+3.50), schrijven (+1.67) en totale mediageletterdheid (+5.17, alle p < .01) met effectgroottes tussen groepen van Cohen's d = 1.12–1.31, terwijl de controlegroep slechts bescheiden vorderde. Kwalitatieve analyse bracht zes domeinen van groei in kritische mediageletterdheid aan het licht — digitale zelfbescherming en gegevensprivacy, doelgericht en verantwoord mediagebruik, veilige communicatie en grenzenbewustzijn, kritische evaluatie en bewustzijn van desinformatie, bewustzijn van online risico's, en media-ethiek/digitaal burgerschap — bewijs dat ontwikkelings adequaat, in de discipline ingebed GenAI-gebruik de kritisch-evaluatieve en ethische dimensies van AI-geletterdheid kan opbouwen, niet alleen operationele vaardigheid.

Kaders voor het structureren van AI-geletterdheid. Verschillende recente bijdragen bieden gestructureerde progressies voor het opbouwen van AI-geletterdheid. Marienko, Markova en Semerikov (2026) stellen een kader van vijf niveaus voor (Awareness, Application, Evaluation, Creation, Ethics) geïntegreerd met drie paradigma's van AI in onderwijs (AI-directed, AI-supported, AI-empowered), ontwikkeld via een mixed-methods studie onder Oekraïense onderwijskrachten in het voortgezet onderwijs (nationale enquête n = 2018; PD-evaluatie n = 1130). Zij vonden dat 84% van de onderwijskrachten AI gebruikt maar slechts 11% gespecialiseerde diensten naast ChatGPT kan benoemen, en dat een interventie op het gebied van beroepsontwikkeling een verbetering van 24% in AI-competentie opleverde — bewijs dat gerichte PD geletterdheid voorbij oppervlakkige vertrouwdheid met tools brengt. De verankering van het kader in Constructivism, connectivisme en TPACK verbindt aan Technological Pedagogical Content Knowledge (TPACK) en Teacher AI Competency. Complementair hieraan gebruikten Moore et al. (2026) een tweejarig DBR-proces met een adviesraad van jongeren en AI-deskundigen om een met wetenschap geïntegreerd ML-curriculum te ontwerpen voor jongeren uit het voortgezet onderwijs, waarbij zij kenniswinst over ML vonden in beide cohorten (Cohort 2 M2−M1 = 0.175 vs Cohort 1 0.076) en grotere winsten onder vrouwelijke en niet-Blanke deelnemers — bewijs dat participatief, in de discipline geïntegreerd ontwerp zowel AI-geletterdheid als Equity kan bevorderen.

Een PRISMA-review van 39 STEAM-studies (2016–2025) vond dat die implementaties voornamelijk technische geletterdheden ontwikkelen — fundamentele AI-concepten, computationeel denken, datageletterdheid — terwijl ze ethisch bewustzijn, creatieve verbeelding en creëren, managen en ontwerpen met AI onderontwikkelen, dus in de discipline ingebedde eenheden kunnen de hogere-orde elementen nog steeds missen (Niri et al., 2026).

Het construct is precies daar betwist waar het onderwijsgevenden betreft. Een review van 34 studies over AI-geletterdheid in lerarenopleidingen vond dat het veld geen consensus heeft over wat AI-geletterdheid betekent voor professionele onderwijskrachten, onderscheiden van algemene digitale geletterdheid, en dat UNESCO's AI Competency Framework for Teachers 15 competenties over vijf dimensies specificeert terwijl het functioneert als een mondiale beleidsreferentie in plaats van implementatiebegeleiding. De faculteit in de institutionenoverstijgende samenwerkingsverband voor voorbereiding van leraren behandelde AI-geletterdheid als een geïntegreerde dimensie van professionele voorbereiding in plaats van een aparte technologievaardigheid, dus van kandidaten werd verwacht dat ze AI-output audit, vergelijk en rechtvaardigden binnen vakgebonden cursuswerk in plaats van vertrouwdheid met tools te demonstreren.

In de initiële lerarenopleiding is de structuur het dunst. Pinto et al. (2026) onderzochten 11 studies over AI in de initiële lerarenopleiding voor aankomende onderwijzers in het basisonderwijs op het gebied van rekenen-wiskunde en vonden dat negen ervan één sessie of een handvol sessies waren, ingebed in bestaande cursussen, dat prompting in slechts enkele ervan expliciet trainingsinhoud was, en dat Ethics in slechts drie voorkwam, waarvan geen enkele transparantie, algoritmische bias of verantwoordingsplicht behandelde. De risico's die zij rapporteren zijn mislukkingen op het niveau van geletterdheid: aankomende onderwijzers merkten conceptuele fouten die door ChatGPT werden geproduceerd niet op, accepteerden gegenereerde inhoud onkritisch, en deelden meer probleemoplossing uit aan de tool naarmate de taken moeilijker werden. Hun aanbeveling is om AI-competentie over de hele opleidingssequentie op te bouwen, van een voorbereidende fase tot het stage, in plaats van in een geïsoleerde module.

Verhalen van leraren over waarom AI-onderwijs gegeven wordt voegen een doel laag toe die competentiekaders impliciet laten. Fagerlund et al. (2026) interviewden 13 Finse leraren van kleuterschool tot en met groep 9, grotendeels nieuwkomers in AI-onderwijs, en lazen hun doelverklaringen aan de hand van Biesta's drie domeinen. Kwalificatie, het verwerven van competenties, was het duidelijkste en meest concrete doel, en het fungeerde als een weg naar de andere twee: studenten moesten AI begrijpen als een sociotechnisch fenomeen en zijn tools gebruiken, waarbij AI zowel als doel diende als als hulpmiddel bij het leren. Socialisatie verscheen als het kweken van enthousiasme, AI presenteren als "cool," en studenten kaderen als toekomstige AI-kundige werknemers die aan competentie-eisen moeten voldoen. Subjectivering, de zelfbepaalde en persoonlijk zinvolle betrokkenheid die Biesta als centraal behandelt, werd als belangrijk benoemd maar had geen concreet instructierepertoire buiten bespreken en beschouwen, en leraren boden geen uitgewerkte voorbeelden voor het betwisten van de autoriteit van AI. De auteurs stellen informed AI agency voor, een heuristiek die subjectivering centraal plaatst terwijl competenties als verklarende kaders voor zelfbepaalde keuzes worden behandeld. De ontwerpimplicatie is dat het "waarom" van AI-onderwijs evenveel ontwerpaandacht nodig heeft als het "hoe": wanneer subjectivering rust op generiek bespreken, vervalt instructie in AI-geletterdheid naar de kwalificatie die het ernaast moest staan.

Gereedheid zelf is een betwist doel. Charles (2026) betoogt dat gereedheid van leraren voor AI-rijk leren gelezen moet worden uit de kwaliteit van de ontwerpen die leraren produceren, niet uit adoptie, vertrouwen of digitale competentie, en bouwt een kader rond design mediation: waarneembare beslissingen zoals toolselectie, taak- en promptontwerp, scaffolding, verificatie, transparantie, herontwerp van assessment, toegankelijkheidsplanning en menselijk toezicht. Twee van zijn beweringen hebben directe gevolgen voor beroepsontwikkeling. Ten eerste is Self-Efficacy een mobiliserende bron in plaats van een kwaliteitsindicator, omdat vertrouwen zonder AI-specifieke pedagogische kennis of ethische oriëntatie slecht ontwerp kan versnellen in plaats van voorkomen, wat de gebruikelijke lezing van lerarenvertrouwen als een signaal van gereedheid nuanceert. Ten tweede zijn beleidsduidelijkheid en institutionele ondersteuning aparte moderatoren, dus materiële ondersteuning kan hoog zijn terwijl verwachtingen vaag blijven en gereedheid zich toch slecht vertaalt. Het kader weigert ook niet-gebruik gelijk te stellen aan ongereedheid, aangezien een beredeneerde beslissing om AI achterwege te laten zelf ontwerpoordeel kan tonen. Het is conceptueel en ongevalideerd, dus het levert proposities en bewijsbronnen in plaats van vastgestelde effecten.

AI-interactiegeletterdheid: de interactionele dimensie. Brunnström en Palmqvist (2026) stellen een smallere, interactionele competentie voor — het vermogen om iteratieve interactie met GenAI te sturen, evalueren en eruit te leren — als een specifieke realisatie van de applicatieve, evaluatieve en integratieve dimensies in bredere kaders zoals de AI Literacy Heptagon. Hun reflectieve demonstratie laat zien waar het in de praktijk uit bestaat: herkennen dat een vloeiend antwoord boven het eigen schema is geplaatst, om vereenvoudiging vragen, de reikwijdte verkleinen, en het systeem richten op gefocuste oefening. Twee ontwerpgevolgen volgen — de vaardigheid is ongelijk verdeeld, dus ongeleid gebruik kan al zelfverzekerde studenten bevoordelen en kloof groter maken (Equity), en het moet expliciet onderwezen worden in plaats van ervan uit te gaan, waarbij leraren behandelen hoe je productieve prompts formuleert en wanneer je stopt met het gebruiken van de tool (Self-Regulated Learning).

Kritieke AI-geletterdheid: voorbij vaardigheden naar macht en weerstand

Een aparte stroming in de kennisbank behandelt AI-geletterdheid niet slechts als vaardigheden of kritische evaluatie maar als een kritische en politieke praktijk die macht, autoriteit en de vraag wiens kennis telt ondervraagt. Dit verbindt AI-geletterdheid aan Critical Pedagogy en Equity:

Deze kritieke stromingen complementeren de operationele en cognitieve dimensies van AI-geletterdheid: waar de laatsten vragen "kan de leerling AI gebruiken en evalueren?", vraagt kritieke AI-geletterdheid "begrijpt de leerling de machtsstructuren die AI belichaamt en daagt hij die uit?"

AI-geletterdheid in STEM-onderwijs

De meest ontwikkelde disciplinaire bewijsbasis voor AI-geletterdheid komt uit STEM-onderwijs, en Hallström, Chiu, Ding, Koretsky en Li (2026) synthetiseren de tien meest geciteerde studies (2022–2026) uit die basis om zowel de uitgangspositie als haar grenzen te tonen. Over het corpus heen wordt AI-geletterdheid gedefinieerd via zes overlappende constructen — kennis/vaardigheden/houdingen (Su & Yang 2024), conceptueel-procedureel-contextuele kennis (Stolpe & Hallström 2024), know-understand/use-apply/evaluate-create/ethics (Ng et al. 2022), en de use–communication–evaluation-kadering van Long & Magerko (Hornberger et al. 2023) — dus de „conceptuele ambiguïteit" van het veld is een meetprobleem: twee studies kunnen beide „AI-geletterdheid" meten zonder hetzelfde construct te meten. Slechts twee van de tien bieden volledige kaders. De scherpste bevinding van de review is een asymmetrie — het corpus meet bijna uitsluitend de geletterdheid van leerlingen terwijl het bijna niets die van docenten ontwikkelt, een hiaat dat docentgerichte interventies voor AI-geletterdheid op aanname in plaats van op bewijs laat rusten, en een hiaat dat de auteurs verbinden aan de praktische eis dat docenten zelf AI-geletterd moeten zijn om dergelijke interventies uit te voeren.(AI Literacy and STEM Education: Emerging Frontiers and Research Priorities)

Het chatbotbewijs in dat corpus loopt tegen vloeiendheidsgerichte training in. Ding et al. (2023) vonden dat ChatGPT-bijles in universitair natuurkunde vertrouwen en kennis verhoogde maar een „bovennatuurlijke en onfeilbare" misvatting over AI versterkte, en concludeerden dat AI-geletterdheidsonderwijs „in de eerste plaats de kritische denkvaardigheden van leerlingen bij het beoordelen van informatie moet verbeteren". Xu et al. (2026) vonden dat door ChatGPT ondersteund STEM-programmeren vertrouwen en kennis verbeterde maar computationeel denken en zelfstandig denken onveranderd liet — winsten in vloeiendheid die samengaan met geen enkele winst in denken. Beide bevindingen spiegelen de zorgen over vertrouwenskalibratie en overmatige afhankelijkheid elders op deze pagina: een tutor die de leerling nooit tegenspreekt, kan zelfverzekerde leerlingen voortbrengen die niet kunnen evalueren. Houding, niet gereedheid of zelfeffectiviteit, bleek de sterkste determinant van daadwerkelijk AI-toolgebruik onder STEM-bachelorstudenten (Falebita & Kok 2025), en de review merkt op dat de disciplinaire dekking van STEM scheef is naar biologie en natuurkunde, met technologie als vak bijna afwezig. Voor disciplinespecifiek ontwerp is de praktische waarschuwing van de review dat allesomvattende competentiekaders (UNESCO, EU/OECD) „vaak geen verbinding hebben met empirisch onderzoek of voldoende theoretische onderbouwing" en dat er weinig klaslokaal toepasbaar zijn.

Wiens AI-vaardigheden tellen? De kloof tussen het kader van docenten en dat van werkgevers

Een centrale open vraag in AI-geletterdheid is welke vaardigheden belangrijk zijn en voor wie. Een Ithaka S+R-studie die vergeleek hoe Amerikaanse docenten en werkgevers prioriteiten toekennen aan de 26 vaardigheden van het HiBob AI Skills Framework vond dat ze het slechts over één belang eens zijn (realistische verwachtingen stellen van AI-ondersteund werk). Docenten hechten waarde aan een kritische, op verantwoord gebruik gerichte oriëntatie — de grenzen van AI herkennen, transparantie en attributie, menselijke verantwoordelijkheid, proactief controleren van output — wat aansluit bij academische waarden van attributie, review en informatiegeletterdheid. Werkgevers hechten waarde aan productiviteitsgerichte vaardigheden — workflowevaluatie en -herontwerp, automatisering, en mens–AI-samenwerking in teams — die de efficiëntie van teamgebaseerde werkplekken weerspiegelen. Omdat slechts drie van de 26 vaardigheden door de helft of meer docenten worden onderwezen, en die onderwezen vaardigheden hellen naar de categorieën van kritisch gebruik, identificeert het rapport een concrete kloof in AI-vaardigheden: hele categorieën die werkgevers waarderen worden in collegecurricula noch geprioriteerd noch onderwezen.(AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently) Deze kloof kadert AI-geletterdheid als een betwist construct — geletterdheid voor kritisch gebruik in academische settings versus geletterdheid voor workflowintegratie op de arbeidsmarkt — een spanning die relevant is voor Framing AI Use for Students, Curriculum Design en Workplace Learning.

De eigen inschattingen van studenten vertellen een verwant maar anders geordend verhaal. ElSayary en Ragab (2026) onderzochten 380 universiteitsstudenten, grotendeels STEM-studenten die AI veelvuldig gebruiken, en vonden dat zelfgerapporteerde AI-geletterdheid het grootste deel van de verklaring van waargenomen inzetbaarheidsgereedheid droeg: vier geletterdheidsdimensies voegden ΔR² = 0.554 (p < .001) toe bovenop achtergrondcontroles ter waarde van slechts 0.054, en het volledige model bereikte 60.8% van de variantie. Binnen de geletterdheidsset was de evaluatieve dimensie het sterkst (Analyze & Evaluate, β = 0.286), gevolgd door de affectieve (Attitudes & Mindsets, β = 0.266), met hands-on gebruik (β = 0.217) en fundamentele kennis (β = 0.187) erachter; voor waargenomen loopbaangereedheid specifiek waren alleen Analyze & Evaluate (β = 0.216, p < .001) en Attitudes & Mindsets (β = 0.192, p = .004) significant geassocieerd. Gelezen tegen de Ithaka-kloof helt het eigen gevoel van werkplekgereedheid bij studenten naar de kritisch-evaluatieve oriëntatie die docenten favoriseren, in plaats van naar de vaardigheden voor workflowintegratie die werkgevers zwaar wegen. Het ontwerp is een zelfrapportage van één sessie met door de hoog hoog hoge gemiddelden (4.17 tot 4.57 van 5) en zonder maat voor werkgever of tewerkstelling, dus wat het toont is dat zelfingeschatte AI-geletterdheid en zelfingeschatte inzetbaarheid met elkaar meebewegen, waarbij de evaluatieve en dispositionele delen het meeste werk doen, niet dat deze studenten aantoonbaar klaar zijn voor de arbeidsmarkt.

Ontwerpen van interventies voor AI-geletterdheid

De kaders en empirische studies in de kennisbank komen uit in een reeks praktische richtlijnen voor onderwijsgevenden en instructieontwerpers die interventies voor AI-geletterdheid bouwen:

1. Gebruik een gestructureerd competentiekader als scaffolding, niet als een checklist. Volwassen kaders geven ontwerpers een gedeelde woordenschat en een ontwikkelingsmatig geordend doel. Het SAIL-kader organiseert AI-geletterdheid in drie domeinen (AI Concepts; Application and Technical Skills; AI Digital Citizenship) over vier met scaffolding omklede niveaus — Understand and Explore → Apply and Integrate → Evaluate and Create → AI++. De AI Literacy Heptagon doorkruist zeven dimensies (technische kennis, toepassing, kritisch denken, ethiek, sociale impact, integratie, juridisch/regulatorisch) met vier op Bloom afgestemde vaardigheidsniveaus, en benadrukt dat de nadruk moet worden aangepast aan de disciplinaire context — technische programma's wegen toepassing zwaarder, geesteswetenschappelijke programma's wegen ethisch en sociaal redeneren zwaarder.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

2. Betrek leerlingen over alle ICAP-modi heen. Bij toepassing van het ICAP Framework geeft doeltreffende instructie leerlingen gelegenheid om op meerdere cognitieve niveaus te participeren — passieve blootstelling (colleges over AI-concepten), actieve manipulatie (praktisch toolgebruik), constructief genereren (AI-artefacten maken, zichzelf uitleggen), en interactieve dialoog (collaboratief Problem Solving met peers en AI) — waarbij de modus wordt gekozen die past bij het leerdouel. Een systematische review vond dat succesvolle collaboratieve interventies voor AI-geletterdheid alle vier ICAP-modi omspanden.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

3. Beoordeel gedemonstreerde competentie, niet zelfperceptie. Zelfgerapporteerde AI-geletterdheid wijkt sterk af van gemeten prestaties — docenten overschatten hun AI-vaardigheden met ~40%, en op prestaties gebaseerde maatregelen correleren veel beter met AI-integratie in de klas dan zelfrapportages (r≈0.72 vs 0.31). Ontwerp interventies rond op prestaties gebaseerde assessment en kalibratie in plaats van vertrouwensenquêtes, en gebruik diagnostische profielen (overschatters vs. echte novicen) om ondersteuning te richten.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)

4. Bouw metacognitieve en kritische disposities, niet alleen operationele vaardigheid. AI-geletterdheid wordt beter begrepen als een metacognitieve sociale praktijk dan als een checklist van vaardigheden: omdat LLM's probabilistisch en ondoorzichtig zijn, moeten leerlingen hun strategieën monitoren en aanpassen, wetenschappelijke scepsis kweken, en ondervragen hoe algoritmen kennisproductie vormgeven — niet slechts leren om tools te bedienen. Participatieve co-design en experimentele, projectgebaseerde ruimtes (geen eenmalige tooltraining) zijn waar dit bewustzijn groeit.(Metacognitive AI literacy: going beyond the AI skills gap agenda)

5. Bed geletterdheid in de discipline en maak het aanhoudend. Beweging naar hogere stadia van AI-geletterdheid (van onkritisch gebruik → geïnformeerd gebruik → kritische evaluatie → verbetering) is het zichtbaarst wanneer ervaringen aanhoudend en in de discipline ingebed zijn in plaats van te worden aangeboden als losse workshops. Ontwerp voor herhaald, contextueel oefenen binnen authentiek cursuswerk.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education) Een concreet model van in de discipline ingebedde kritische geletterdheid is de taakgebaseerde taxonomie van Dierickx et al. (2026) voor journalistiek: die brengt door LLM ondersteunde taken in kaart over de vier stadia van de nieuwsworkflow (nieuwsvergaring, zinvorming, redactie, publicatie/distributie), elk gekoppeld aan een baseline-prompt en een risico-en-mitigatiestrategie. Door taakdefinitie en prompting te behandelen als een gesitueerde vorm van professioneel oordeel — niet als een neutrale technische vaardigheid — maakt het prompting zelf tot een drager van kritieke AI-geletterdheid (bias, hallucinatie, overmatige afhankelijkheid, en de blijvende waarde van menselijk redactioneel toezicht), en zijn onderliggende logica overdraagbaar naar andere kennisintensieve beroepen (recht, geneeskunde, publiek beleid). Complementair aan dergelijke disciplinespecifieke taxonomieën classificeert de taxonomie van Dohn et al. (2026) GenAI-leeractiviteiten langs zes dimensies, waarvan Epistemic Engagement (GenAI begrijpen / gebruiken / bekritiseren / construeren) AI-geletterdheid direct operationaliseert als de diepte van de cognitieve relatie van leerlingen met de technologie — van passieve blootstelling tot actieve kritiek en constructie.

6. Behandel rechtvaardigheid en de digitale kloof als ontwerpbeperkingen. AI-geletterdheid is een mechanisme om de digitale kloof op drie niveaus aan te pakken (toegang, vaardigheden, uitkomsten): het dichten van de apparaatkloof is onvoldoende tenzij vaardigheden en kritisch gebruik worden opgebouwd zodat voordelen eerlijk verdeeld worden. Interventies zouden expliciet moeten plannen voor leerlingen die met minder eerdere AI-toegang binnenkomen, en culturele en governance-perspectieven moeten opnemen in plaats van geletterdheid te behandelen als cultuurneutraal.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(Digital Divide)

7. Koppel geletterdheid aan hefbomen voor het verminderen van misbruik. Omdat AI-misbruik duurzaam leren actief schaadt, zou instructie in geletterdheid gekoppeld moeten worden aan de structurele en educatieve hefbomen die onder Reducing AI Misuse gedocumenteerd zijn — ontwerp van tools met waarborgen volgens "hint-niet-antwoord", herontwerp van assessment, en met scaffolding omklede eerst-denken/AI-second reeksen met bewuste oefening in prompting.

8. Start bij het werkelijke instappunt van leerlingen. Leerlingen komen binnen met verschillende oriëntaties — vermijding gedreven door angst, wantrouwen of gebrek aan toegang, versus onkritisch vertrouwen dat misverstand maskeert. Een diagnostische, op stadia gebaseerde aanpak (in plaats van een uniform curriculum) laat ontwerpers studenten daar tegenkomen waar ze zijn en hen naar kritische, verantwoorde betrokkenheid brengen.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education)

9. Breid het aanbod uit voorbij de publieken die formeel onderwijs al bereikt. Het AI Literacies-kader voor publieke media pleit, vanuit een landschapsreview van meer dan 40 kaders en 35 deskundigeninterviews, dat het aanbod heeft geheld naar technische en functionele vaardigheden, en dat AI-geletterdheden elkaar overlappen en verbonden zouden moeten worden aan digitale, media- en informatiegeletterdheid in plaats van als een standalone vak onderwezen te worden. Zijn structuur — zes competentiegebieden, vijf waarden en drie progressieniveaus (Understanding and Applying, Analysing and Evaluating, Synthesising and Specialising) met een beoordelingsgids — is een bruikbaar sjabloon voor aanbieders buiten formeel onderwijs, en zijn rechtvaardigheidsargument is een ontwerpinstructie: jongeren bereiken die digitaal of anderszins gemarginaliseerd zijn vergt bewuste partnerschappen, geen universele publicatie.(Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations)

AI-geletterdheid meten

Een aparte onderzoeksdraad behandelt AI-geletterdheid niet alleen als een doel voor instructie maar als een construct dat gemeten moet worden. De assessmentdraad van de kennisbank onderscheidt zelfgerapporteerde van op prestaties gebaseerde geletterdheid: zelfrapportages wijken sterk af van gedemonstreerde competentie (docenten overschatten met ~40%), en op prestaties gebaseerde maatregelen voorspellen AI-integratie in de klas veel beter dan vertrouwensenquêtes (r≈0.72 vs 0.31). Interventiewerk reproduceert die divergentie op het niveau van gedrag: in Clerc et al. (2026) voorspelden noch GenAI-houdingen noch een algemene schaal voor metacognitief bewustzijn de regulatie van LLM-interactie door studenten of hun eindtake scores (r = .01 en r = .04, beide niet significant), terwijl de gedragingen die de workshop veranderde — onvoldoende gespecificeerde prompts afwijzen, de juistheid van antwoorden beoordelen, een vervolgvraag stellen — wel samenhingen met antwoordkwaliteit. Gevalideerde instrumenten verschijnen om deze kloof te dichten — de GLAT biedt een psychometrisch gevalideerde assessment van geletterdheid in generatieve AI, en diagnostische profielen (overschatters vs. echte novicen) laten ontwerpers ondersteuning richten waar die nodig is. Guo et al. (2026) brengen dat instrumentenlandschap direct in kaart en onderwerpen 80 gevalideerde kaders aan een review — 69 over digitale geletterdheid en 11 over AI-geletterdheid — gepubliceerd tussen januari 2014 en februari 2025. AI heeft digitale geletterdheid naar ethiek toe getrokken en communicatie herschreven om mens–AI-interactie te omvatten, terwijl metacognitieve regulatie en voor onderwijsgevenden specifieke mens–AI-samenwerking het minst gespecificeerd blijven. Voor ontwerp en onderzoek verbindt dit AI-geletterdheid aan Educational Measurement en aan Assessment in brede zin: een geletterdheidskader is slechts zo bruikbaar als de instrumenten die gebruikt worden om groei te volgen, en op stadia gebaseerde continua vereiken betrouwbare meting om leerlingen erlangs te plaatsen.

Een instrument met 32 items en zes facetten breidt het vierdimensiemodel uit met twee verdere facetten — verantwoord gebruik en zelfontwikkeling — en houdt scalaire invariantie over adolescenten (12–17), jonge volwassenen (18–40) en volwassenen in het midden van het leven (41–60), hoewel de auteurs waarschuwen dat de ΔCFI de gebruikelijke afkapgrens naderde (Liu et al. (2026)).

Zhi, Yang en Huang (2026) bouwen een graduatespecifiek model op de taxonomie van Marzano: grounded-theory-analyse van interviews met 14 professoren condenseerde 329 ruwe labels tot 96 concepten, 15 categorieën en vijf dimensies (cognitieve basis, operationele vaardigheden, hoger-orde denken, metacognitieve reflectie, ethische verantwoordelijkheid), die vervolgens werden geoperationaliseerd als een Likertschaal van 15 items waarvan de vijf factoren naar voren kwamen in exploratieve factoranalyse (83.14% cumulatieve variantie) en standhielden in confirmatieve factoranalyse op een tweede subsectie (CFI = 0.934, RMSEA = 0.083), met betrouwbaarheid van 0.796 tot 0.842 over 308 geldige vragenlijsten.

De Critical 3wAI Literacy Scale (Bozkurt, Ertan & Cömert, 2026) valideert dezelfde driedelige structuur voor volwassen deelnemers als een zelfrapportage-instrument (n = 546 en n = 647; χ²/df = 4.93, CFI = 0.931, α = 0.913). Haar Know-How- en Know-Why-factoren kwamen het nauwst gekoppeld naar voren (HTMT = 0.544), terwijl theoretische kennis alleen niet omzette in praktische werkzaamheid. Als zelfrapportagemaat deelt het het divergentieprobleem dat hierboven gedocumenteerd is, dus het is een gevalideerde diagnose in plaats van een prestatiesmaat — en de auteurs roepen op tot hervalidatie over leeftijdsgroepen en culturele contexten heen.

Een verwante vraag is wat de instrumenten überhaupt kunnen meten. Burriss et al. (2026) merken op dat bestaande schalen voor AI-geletterdheid en competentiekaders ervan uitgaan dat prestaties individueel meetbaar zijn, en daardoor collaboratieve, creatieve expressie structureel uitsluiten — het bewijs van hun eenheid was Multimodal AI filmartefacten, reflecties en civiel discours in plaats van een summatieve score, en de auteurs betogen dat dergelijk bewijs conventionele maatregelen kan complementeren in plaats van vervangen. Het verbreden van het construct zou daarom kunnen vereisen dat het toelaatbare bewijs wordt verbreed, niet slechts dat er modaal-rijke items aan bestaande schalen worden toegevoegd.

Een complementaire draad meet hoe leerlingen en leraren AI-geletterdheidsmaterialen ontvangen in plaats van hun geletterdheid zelf. Wang, Chuang en Wu (2026) lieten 794 studenten en 37 leraren twee gids-edities beoordelen die waren gebouwd naar de leeftijdsdrempel van UNESCO (9-12 en 13-18 jaar) na ongeveer 30 minuten begeleide blootstelling in de klas. Aanvaarding had een vierfactorstructuur (Performance Expectancy, Effort Expectancy, Perceived Playfulness, Behavioral Intention) met meetinvariantie die over de twee studentenedities werd ondersteund, jongere leerlingen scoorden hoger op alle vier de constructen, en waargenomen speelsheid droeg de grootste samenhang met intentie in beide cohorten. De auteurs zijn expliciet over wat dit niet is: waargenomen aanvaarding van een op leeftijd gesegmenteerd middel is geen AI-geletterdheidsprestatie, ethisch redeneren, adoptie of aanhoudend gebruik, en aanvaarding op materialeniveau zou niet gelezen moeten worden als bewijs dat geletterdheid verbeterde.

Meting strekt zich ook uit tot de onderwijsgevenden die de betrokkenheid van leerlingen met AI bemiddelen. De meeste assessments van AI-geletterdheid richten zich op studenten of algemene gebruikers, wat een hiaat laat in lerarenopleidingen — een hiaat dat de Teachers' AI Literacy Scale (TAILS) aanpakt: geworteld in het ED-AI-kader met zes dimensies (knowledge, evaluation, collaboration, contextualization, autonomy, and ethics), werd het gevalideerd door middel van exploratieve en confirmatieve factoranalyse met aankomende taalleraren. Dergelijke instrumenten ondersteunen het meten en ontwikkelen van de AI-geletterdheid van de onderwijsgevenden die de betrokkenheid van leerlingen met AI bemiddelen. Aan de studentenzijde ontwikkelen en valideren Nie et al. (2026) een Generative AI Assessment Literacy Scale (GAA-LS) voor studenten in het hoger onderwijs — een instrument met 18 items en vijf factoren waarvan de scores Feedbackbetrokkenheid, Academic Integrity en verantwoord AI-gebruik volgen, met een indirect pad naar integriteit via feedback — bewijs dat assessmentspecifieke AI-geletterdheid meetbaar is en verbindt aan integriteitsgedrag. Wat dat voor onderwijskrachten bestemde instrumentencorpus werkelijk bevat, is sindsdien geaudit: de review uit 2026 van meetinstrumenten voor AI-geletterdheid van leraren door Zainal, Mohd Matore en Maat beoordeelde 33 instrumenten gepubliceerd tussen 2019 en 2025 en vond dat 31 (93.9%) zelfrapportageschalen van waargenomen vertrouwen waren, slechts twee kennis objectief toetsten, en geen ervan prestatiesgebaseerde taken gebruikte, terwijl bewijs over rechtvaardigheid het zwakste kwaliteitsdomein was, met slechts vijf instrumenten die meetinvariantie of differential item functioning rapporteerden.

De update uit 2026 van die meetliteratuur reorganiseert haar in vier domeinen — kennis en gebruik, epistemisch toezicht, kalibratie van afhankelijkheid, en operationele controle over tool-gebruikende agenten — en rapporteert dat geen enkel gevalideerd instrument op individueel niveau in het corpus de volledige combinatie van reikwijdte, machtigingen, herstel, statusisolatie, onafhankelijke review en op bewijs gebaseerde afsluiting dekt die agentisch toolgebruik vereist. Haar gebundelde subjectief–objectieve correlatie over drie samensample-effecten was r = .055, consistent met de hierboven beschreven divergentie in plaats van met zelfinschattingen als een bruikbare proxy (Verí (2026)).

Het meetlandschap is zelf wanordelijk, en nu deels in kaart gebracht. He, Zhang, Wang en Ji (2026) analyseerden het corpus van AI-geletterdheidsinstrumenten met een op LLM gebaseerd coderingsproces en vonden dat het veld vele constructen meet onder één label — een jangle-probleem, waarbij één construct verschillende namen draagt (Behavioral Commitment verschijnt in acht kandidatenparen, Intrinsic Motivation in vijf), naast kandidaat-jingle-gevallen waarbij instrumenten een label delen maar niet hun item-inhoud. Hun herstel van item- en constructstructuur op basis van semantische gelijkenis correleerde slechts matig met de door instrumenten zelf gerapporteerde betrouwbaarheden (r = 0.49 op itemniveau tegen 0.45 en 0.35 op constructniveau), en zij bieden de methode aan als screening in plaats van als vonnis. De consequentie voor wie een maat selecteert is dat convergente beweringen over studies heen niet veilig aangenomen mogen worden: twee instrumenten met dezelfde naam operationaliseren mogelijk niet hetzelfde construct.

Wat die instrumenten kunnen ondersteunen is inmiddels geaudit, en het audit is nuancerend. Jin, Gašević, Martinez-Maldonado en Yan (2026) screenen 8,056 records af tot 58 studies over 47 unieke instrumenten, beoordeeld met COSMIN tegen een construct wiens instrumentontwikkelingsvenster in drie jaar was samengeperst (twee instrumenten voor 2023, 28 in 2025 alleen). Het corpus blijft voor 37 van 47 zelfrapportage, en het bewijs clustert dicht rond interne structuur: structurele validiteit was toereikend in 32 van 58 studies en interne consistentie in 32, met geen enkele onvoldoende beoordeeld, maar constructvaliditeit werd door slechts 15 studies gerapporteerd (12 toereikend), criteriumvaliditeit door één, meet-invariantie door vijf (alle toereikend), en slechts 2 van 58 verdienden een toereikende algehele beoordeling van inhoudsvaliditeit — comprehensiviteit was in 53 onvoldoende ondanks dat 43 studies cognitieve interviews rapporteerden. Het patroon is dat meetpraktijk precies daar robuust lijkt waar het het goedkoopst is om te demonstreren en dun waar bewijs van buiten het instrument moet komen, dus een schone factorstructuur en een hoge coëfficiënt (die zowel itemredundantie als constructrepresentatie kan weerspiegelen) zou niet gelezen moeten worden als gedemonstreerd vermogen. Het voorschrift van de auteurs is consolidatie in plaats van proliferatie: verfijn bestaande schalen, toets invariantie wanneer een schaal een taal of een onderwijs stadium oversteekt, en voeg criteriumbewijs toe door scores te relateren aan prestatietaken.

Een van de uitzonderingen is gebouwd om groepen te vergelijken. Zhang et al. (2026) ontwikkelden de Generative AI Literacy Scale (GAILS) — 43 items teruggebracht tot 34 door een Delphi-review door vijf deskundigen en een pilot met zeven personen, vervolgens gevalideerd bij 341 Noord-Amerikaanse volwassenen — en toetsten scalaire invariantie, waarbij bleek dat die over vrouwelijke en mannelijke respondenten en over studenten- en beroepsgroepen standhield. Dat is wat de gemiddelde vergelijkingen die het instrument rapporteert rechtvaardigt — mannen scoren bescheiden hoger op Adaptive Operational Skills, studenten hoger op Adaptive Operational Skills en Responsible GenAI Literacy — als competentieverschillen in plaats van differential item functioning, en het is wat de schaal bruikbaar maakt over Higher Education en beroepssettings in plaats van alleen voor studenten. Zijn eigen bewijs is niet onbevlekt: fit was gemengd (CFI = .967 en SRMR = .058 binnen gebruikelijke afkapgrenzen, RMSEA = .087 erboven), totale-schaal α = .973 staat naast één mislukte Fornell–Larcker-discriminantievergelijking (Factor 1 √AVE = .828 tegen r = .873 met Factor 3), en, zoals bij bijna alles in het corpus, meet het waargenomen competentie zonder gedragscriterium. Een gevalideerde schaal is in dit veld een startpunt voor het invariantie- en criteriumwerk dat de review oproept, geen afgewerkte Benchmark.

Verbanden binnen de kennisbank

AI-geletterdheid raakt AI-tutoring (begrijpen wanneer en hoe AI-tutoren effectief zijn), Teacher AI Competency (paraathid van onderwijsgevenden), Academic Integrity (weten wat passend AI-gebruik is), en AI in het onderwijs in brede zin. Het is zowel een voorwaarde voor effectief AI-gebruik als een uitkomst van goed ontworpen AI-integratie — studenten leren AI-geletterdheid DOOR AI kritisch te gebruiken, niet alleen door OVER AI te leren.

AI-geletterdheid is tweesnijdend voor overmatige afhankelijkheid: Maizel et al. (2026) vonden dat de vaardigheidsgebaseerde dimensies van AI-geletterdheid (gebruiken/begrijpen, detecteren) positief geassocieerd waren met gerapporteerde afhankelijkheid van AI, terwijl AI-Self-Efficacy en academisch vertrouwen negatief geassocieerd waren — dus technische training in AI-geletterdheid, zonder scaffolding voor zelfeffectiviteit en Self-Regulated Learning, kan afhankelijkheid vergroten. AI-geletterdheid wordt hier een mogelijk makende capaciteit wier richting afhangt van complementaire motiverende bronnen.

  • Verificatiegewoonten leveren alleen op via regulatie. In de enquête van Davor, Larbi en Boateng (2026) onder 533 universiteitsstudenten in Ghana had AI-verificatiegeletterdheid geen significant direct effect op kritisch denken (beta = .076, p = .090) of technisch Problem Solving (beta = .043, p = .385) en speelde alleen een rol via metacognitieve zelfregulatie (beta = .167, p < .001), een volledige mediatie die de auteurs metacognitieve activatie noemen. Scaffolding van AI-taken voorspelde beide uitkomsten (beta = .185 en .170), terwijl de neiging tot cognitief uitbesteden ze negatief voorspelde (beta = -.240 en -.312) en de regulatie eveneens drukte (beta = -.294). Studenten leren om AI-output te controleren is daarom op zich niet genoeg: evaluatieve gewoonten hebben planning, monitoren en reflectie nodig die in de taak zijn ingebouwd.
  • Kritiek op AI-output als een praktijk van geletterdheid: Hosseini (2026) behandelt het evalueren van door AI gegenereerde fouten als een kernvaardigheid van AI-geletterdheid, waarbij analyse van faalmodi en iteratieve verfijning van prompts worden gebruikt in een database-ontwerp cursus. De studie vond dat studenten hun AI-vaardigheden overschatten (zelfgerapporteerde geletterdheid correleerde zwak en negatief met objectieve competentie), en dat op kritiek gebaseerd leren de kalibratie versterkte.
  • Socialistisch-humanistische AI-geletterdheid (2026): Een literatuurreview bekritiset op compliance gerichte AI-geletterdheid en stelt een socialistisch-humanistische kadering voor van asynchrone AI-geletterdheid en redelijk gebruik in het hoger onderwijs, waarbij de historische digitale kloof wordt verbonden aan moderne AI-geletterdheid en benaderingen worden geëist die menselijke bloei en rechtvaardigheid dienen in plaats van mechanische naleving van beleid (From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education).
  • Goedkope, lichte waarschuwingen verminderen AI-overreding — zonder de algemene trust te kosten. Orchinik en Rand (2026) preregistreerden twee experimenten (totaal N = 3,208 Amerikaanse volwassenen) waarin deelnemers met een Large Language Models (LLMs) converseerden die de opdracht had om hun opvattingen over politieke onderwerpen te verschuiven. Eén korte waarschuwing — dat modellen tot overreding kunnen worden geprompt en informatie selectief kunnen presenteren — halveerde de verandering in overtuiging ongeveer (-48.1%, 95%-CI [-59.5%, -36.8]) ten opzichte van de controle, en het toevoegen van waarschuwingen over specifieke overredingstechnieken leverde geen verdere baten op. De eigenschap die voor onderwijzen aan de andere kant van het effect ertoe doet: het algemene vertrouwen in Generative AI daalde niet, dus de interventie bouwt gekalibreerd vertrouwen op in plaats van allesomvattende scepsis. Het is een interventie van één alinea zonder begeleiding, wat een zeldzaam kostenprofiel is voor een ontwerp van AI-geletterdheid.
  • Governance van AI door leerlingen weegt zwaarder dan het ontwerp van de tool. Azimi (2026) randomiseerde 33 studenten in een master data-analytics cursus tussen een met scaffolding omklede AI Study Coach, ingebed in de notebooks (n = 16), en onbeperkt gebruik van door hen gekozen Generative AI-tools (n = 17), gedurende zeven weken. Prestaties voor opdrachten en winst op concept-inventarissen waren niet te onderscheiden; de Coach-conditie rapporteerde in plaats daarvan hoger vertrouwen. Wat studenten scheidde was AI-geletterdheid in de praktijk: degenen die hun eigen regels hadden geformuleerd voor wanneer AI te gebruiken, scoorden hoger in beide condities, en de studenten met het diepste modelbegrip — alle zelfonderwezen — promptten het meest doordacht. De ontwerpimplicatie loopt tegen de controle-reflex in: leer de zelfregulerende en modelbegripscomponenten van AI-geletterdheid in plaats van tools te beperken.

Verbonden concepten

Verbonden artikelen

Gerelateerde FAQ's

Gerelateerde bronnen

  • Education Agent Skills
    A library of 165 evidence-grounded agent skills covering pedagogy, learning science, curriculum, and assessment, packaged for Claude, Codex, and Hermes.
  • EduGems
    'A growing library of pre-made Google Gemini 'Gems' — shareable, pre-written prompts for planning, feedback, forms, images and AI-use reflection.
  • mglearn Classroom Resources
    A large set of free, browser-based classroom activity suites and print-ready materials from TCEA, including Gen AI literacy and digital citizenship modules.
  • OnMicro.AI
    A no-code builder that lets educators make focused AI apps, publish them by link, embed them in an LMS through LTI, and see how students use them.
  • Playlab
    A nonprofit creator platform where educators build, share and evaluate their own AI apps — grounded in their curriculum, run on the model of their choice, with teacher visibility built in.
  • Pressing Prompts
    Openly accessible higher-education activities and resources for pressing critical questions about AI, organised into three thematic clusters.
  • Student Guide to AI
    A free three-edition student guide to artificial intelligence from Elon University, AAC&U and The Princeton Review, whose 2026 edition builds ten human capacities with teacher-ready learning modules and an anonymous self-assessment.
  • Vibes DIY
    A plain-language app builder: describe a small tool in words and get a working, shareable web app, with the underlying React packages and CLI released under Apache-2.0.

Metadata

NiveauHigher Ed, K 12
Beoogde doelgroepFaculty Developers, Instructors, Learners
Technologieën en techniekenGenerative AI, Large Language Models (LLMs)
Grondslagen van AI in het onderwijsAcademic Integrity, AI in het onderwijs, AI-geletterdheid, Educational Development
SourceHistoryEditChat

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.