AIEd-kennisbankAIEd KB
Op deze pagina

Lees deze pagina in het Engels

Concepten

Educatieve ontwikkeling

Aangemaakt 2026-10-27 · Bijgewerkt 2026-10-27

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

Educatieve ontwikkeling (ook wel faculty development genoemd) - de processen, programma's en institutionele ondersteuning die onderwijsprofessionals helpen de vaardigheden, het vertrouwen en de professionele identiteit te ontwikkelen om effectief les te geven met AI. Educatieve ontwikkeling omvat individuele training, herontwerp van curriculum, verandering van institutioneel beleid en het culturele werk om te begrijpen wat GenAI betekent voor het academische beroep.

Vragen om over na te denken

  • Als docenten in dezelfde afdeling AI aan de ene kant beschrijven als een mensachtige 'assistent' en aan de andere kant als een louter 'hulpmiddel' of 'zoekmachine', kan een trainingsprogramma dan echt slagen voordat die onderliggende mentale modellen aan de oppervlakte zijn gebracht? Wat gebeurt er als ontwikkeling die stap overslaat?
  • Educatieve ontwikkeling wordt vaak behandeld als het dichten van een vaardigheidskloof - leer docenten de tools en ze nemen ze over. Maar sommig onderzoek kadert GenAI-integratie als een verandering op identiteitsniveau ('wat is het nut van lesgeven in een GenAI-wereld?'). Welke kadrering is volgens u nauwkeuriger, en welke verschillende acties impliceren beide?
  • Gereedheidsraamwerken zoals EPIQ-AI splitsen de gereedheid van docenten in epistemische, pedagogische, institutionele en kwaliteits- en compliance-domeinen. Als gereedheid een sociotechnisch afstemmingsprobleem is in plaats van een individuele vaardigheidskloof, wat zegt dat dan over waar een losse 'AI-workshop' waarschijnlijk tekortschiet?
  • Wanneer hebt u gemerkt dat uw eigen aannames over een nieuwe technologie aan de oppervlakte kwamen en verschoven - door gesprek, metafoor of gedeelde taal in plaats van door instructie? Welke rol spelen gedeelde taal en metaforanalyse volgens u bij het helpen begrijpen van AI door onderwijsprofessionals?
  • Denk aan een lowtech 'metafoorworkshop' waarin docenten, medewerkers en studenten verwoorden of AI aanvoelt als een Zwitsers zakmes, een helper, een black box of een concurrent. Zou het bespreekbaar maken van angsten (inclusief de angst dat AI de leraarrol vervangt) meer voor adoptie kunnen doen dan meer technische training?

Introductie

Educatieve ontwikkeling is het professionele en institutionele werk waarmee docenten het vermogen opbouwen om goed te ontwerpen, les te geven en te beoordelen - en in het AI-tijdperk is het een voorwaarde geworden voor elke pedagogische verandering om effect te hebben. Het concept omvat het individu (AI-geletterdheid, vertrouwen, competentie, houdingen) en het instituut (standaarden, beleid, kwaliteitszorg en de aansluiting tussen geformuleerde AI-verwachtingen en het feitelijke beoordelingsontwerp). Een terugkerende bevinding in deze kennisbank is dat het bewijs voor effectieve praktijk aanzienlijk vooruitloopt op wat de meeste instellingen hebben geïmplementeerd, waardoor ontwikkelwerk - en niet meer primair onderzoek - de knellende randvoorwaarde is. De leerwetenschappen leveren de bevindingen die dit werk draagt: waar dat veld empirisch vaststelt hoe mensen leren en welke ontwerpen uitkomsten veranderen, is educatieve ontwikkeling de institutionele praktijk die zulk bewijs omzet in hoe docenten feitelijk lesgeven en beoordelen. Dat werk wordt echter begrensd door een institutionele rand: ontwikkeling bouwt capaciteit op bij de medewerkers binnen een instelling, terwijl de tools die die medewerkers vervolgens wordt gevraagd over te nemen meestal buiten die instelling worden gebouwd door Educational Technology Developers, wier ontwerp- en inkoopbeslissingen - standaardwaarden, configureerbaarheid, wat de financiering overleeft - als randvoorwaarden bij het programma aankomen in plaats van als producten ervan.

Educatieve ontwikkeling in het AI-tijdperk

  • Gereedheidsraamwerken: Het EPIQ-AI-raamwerk onderscheidt vier domeinen van gereedheid: epistemisch, pedagogisch, institutioneel en kwaliteits- en compliance. De gereedheid van docenten is een sociotechnisch afstemmingsprobleem, niet slechts een individuele vaardigheidskloof.

  • Controleer wat de niveaus van een raamwerk beschrijven voordat u het overneemt. Over 16 institutioneel onderschreven AI-competentieraamwerken waren AI-gebruik, evaluatie van output en domeintoepassing substantieel in alle 16, terwijl probleemformulering (7), datacompetentie (9) en AI-creatie (8) dat niet waren; vaardigheidsniveaus beschrijven bovendien de ontwikkeling van de leerling, een beroepsrol of een graad, zodat ze niet direct vergelijkbaar zijn (Fitsilis (2026)).

  • Standaarden voor technologie-integratie: Crompton et al. gebruiken design-based research om standaarden voor docenten te ontwikkelen voor technologie-integratie (inclusief AI) in instellingen voor hoger onderwijs.

  • Adoptie en vertrouwen: Onderzoek naar AI-adoptie door leraren identificeert zorgen, ondersteuning, vertrouwen en houdingen als belangrijkste voorspellers. Programma's voor docentontwikkeling moeten alle vier adresseren.

  • Curriculumintegratie: Raamwerken voor institutionele verandering en hervorming van beoordeling vereisen dat docenten cursussen herontwerpen en niet alleen AI-tools toevoegen.

  • Trainingsprogramma's: Raamwerken voor AI-bijscholing en TPACK-gebaseerde opleiding van aanstaande leraren bieden modellen voor gestructureerde AI-educatie van docenten.

  • AI-bemiddelde professionele reflectie. Het Reflective Triangle Model positioneert AI als cognitieve bemiddelaar over zelfreflectie, collaboratieve reflectie en gemeenschapsreflectie in een professionele leergemeenschap, getest in een haalbaarheidsstudie van vier weken met zes leraren; de grens die het trekt is dat individueel inzicht niet automatisch gedeelde professionele kennis wordt (Nguyen (2026)).

  • Governance en beleid: Analyse van institutioneel AI-beleid documenteert de kloof tussen institutionele ambities en de capaciteit om docenten te ondersteunen.

  • AI-geletterdheid is institutioneel onzichtbaar. Een systematisch review van 32 studies naar de AI-geletterdheid van taalleraren vond dat die afwezig is in werklastmodellen, promotiebeleid en resourceallocatie, met gefragmenteerde ontwikkeling en verantwoordelijkheid die verschuift over instellingen en agentschappen - waardoor geletterdheidsontwikkeling standaard een individuele inspanning wordt in plaats van structurele ondersteuning (Deng, Çelik & Duran, 2026).

Metaforen en gedeelde taal in educatieve ontwikkeling

Docenten hebben heterogene, vaak diep ambivalente mentale modellen van AI, en effectieve ontwikkeling moet die aan de oppervlakte brengen en ermee werken. Gerhardt et al. laten zien dat docenten in het engineeringonderwijs AI kaderen via metaforen die het begrip zowel construeren als beperken (AI als mensachtige "assistent" versus een "hulpmiddel" of "zoekmachine"); omdat docenten binnen dezelfde afdeling vaak fundamenteel verschillende conceptualiseringen hebben, is een gedeelde, accurate taal over GAI een voorwaarde voor effectieve docentontwikkeling en productieve gesprekken over adoptie binnen de afdeling.

Een praktische methode om deze mentale modellen aan de oppervlakte te brengen is de metafooranalysesworkshop. Vallis, Wilson & Casey (2025) ontwierpen en valideerden een lowtech, collaboratieve workshop waarin docenten, medewerkers en studenten hun metaforen voor generatieve AI verwoorden. De metaforen van deelnemers groepeerden zich in vier categorieën - Functies (toolachtig: "Zwitsers zakmes"), Rollen (mensachtig: "helper", "vriend-vijand"), Eigenschappen (onkenbaar: "black box", "hellend vlak") en Agency (bedreigend: "concurrent", "sinistere robot") - wat blijvende spanningen aan de oppervlakte bracht tussen menselijke en machinale Learner Agency en tussen het bekende en het onkenbare. De workshop hielp deelnemers aannames te verwoorden, verbinding te maken over rollen heen, zich "niet alleen" te voelen en na te denken over de ethiek van GenAI, zonder technische expertise te vereisen. Als ontwikkelinstrument geeft het programmamakers een laagdrempelige manier om de aannames van een team aan de oppervlakte te brengen voordat ze beoordeling herontwerpen of beleid uitrollen, en om angsten rechtstreeks te adresseren - inclusief de angst dat AI lesrollen vervangt.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

GenAI als identiteitswerk, niet alleen als bijscholing

Een drempelgeïnformeerde visie herkadert GenAI-integratie als een ontologische transformatie voor docenten, niet als een vaardigheidskloof. Met toepassing van de drempelconcepttheorie (Meyer & Land) betoogt Laidlaw dat GenAI alle vijf drempelkenmerken vertoont - transformatief (het reconstrueert aannames over beoordeling, pedagogie en professionele rol), weerbarstig (het schendt overtuigingen over originaliteit, menselijke agency en inspanning-prestatie), onomkeerbaar, integratief (het verbindt technologie, pedagogie, epistemologie en identiteit) en begrensd (GenAI-vaardigheid wordt een nieuwe marker van professionele geldigheid).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

In deze lezing zijn docenten die vragen "wat is het nut van lesgeven in een GenAI-wereld?" niet tekortschietend in competentie; ze bevinden zich in een liminale fase van drempeloverschrijding waarin angst, verzet en verwarring noodzakelijke delen van de transformatie zijn en geen obstakels om weg te nemen. Vaardigheidsgerichte training die een competentievraag beantwoordt die docenten niet stellen, kan buiten de echte transformatie komen te staan, en goedbedoelde governance kan vervallen tot een "handhavingsillusie" - regels communiceren in plaats van verandering ondersteunen.(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Ontwerpimplicatie: vul vaardigheidsopbouw aan (vervang die niet) met identiteitsondersteunende praktijken - open sessies met identiteitsvragen in plaats van technische demo's, doorlopende vakspecifieke cohorten waarin docenten verkennen wat GenAI betekent voor het doel van hun vakgebied, peermentoringstructuren die recht doen aan verschillende tijdspaden van transformatie, en het onderscheiden van angstgebaseerde aarzeling (die baat heeft bij ondersteuning) van principiële non-adoptie op grond van legitieme vakinhoudelijke waarden (die respect verdient).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap) Het metafoorworkshopmodel hierboven is daarvan een concrete invulling: in plaats van te beginnen bij technische bijscholing, opent het met de interpretatieve, identiteitsgeladen vraag wat GenAI voor deelnemers betekent.

Empirische ondersteuning voor de identiteitskadrering. Farazouli et al. (2026) leveren directe kwalitatieve evidentie voor deze lezing: 24 Zweedse universitaire docenten beschreven de opkomst van GAI als alarmerend en overweldigend, rapporteerden een "staat van kwetsbaarheid" (weinig vertrouwen, onzekerheid, angst "de studenten niet voor te zijn") en voelden zich "vast" tussen utopische en dystopische discoursen. Hun beperkte kennis en ervaring, samen met gevoelens van kwetsbaarheid, onderstrepen dat docenten niet klaar zijn om GAI te doorgronden, te beoordelen en over te nemen - en de auteurs betogen dat instellingen aangewezen ruimte en tijd moeten bieden waarin docenten met GAI kunnen experimenteren, ideeën kunnen uitwisselen en gezamenlijk praktijken en richtlijnen kunnen ontwikkelen op institutioneel, afdelings- en cursusniveau. Dit verankert de identiteitsgerichte en ondersteuningsgerichte aanpak in de eigen ervaring van docenten in plaats van alleen in theorie.

Een programma dat de identiteitsvraag rechtstreeks aanpakte. Chick, Morello & Staffey (2026) rapporteren over een zomerinstituut van zes weken dat tien docenten uit Education, Health Sciences, Business en andere programma's van een lage AI-vaardigheid (gemiddelde zelfbeoordeling 1,89 op een schaal van zes) bracht naar 60% die veel vertrouwen rapporteerde in het begeleiden van AI-gebruik door studenten en 90% met positieve percepties, en ze schrijven die verschuiving minder toe aan tooltraining dan aan gestructureerd, veilig experimenteren dat opende met de existentiële vraag naar professionele waarde in plaats van met demo's. De verschuiving in vocabulaire is de marker waarop ze leunen: vroege kadreringen van AI als een "fraudemachine" of een "ontmenselijkende kracht" maakten plaats voor "nieuwsgierige assistent", en hun vier thema's - van angst naar nieuwsgierigheid, een verlangen naar ethische helderheid die het beleidsvacuüm niet bood, inclusief ontwerp als versterker van gelijkwaardigheid, en docenten die van poortwachters gidsen worden - beschrijven een gedeeltelijke, bewuste heroriëntatie van de onderwijskundige identiteit. De tien capstone-herontwerpen zijn het hardere bewijs, waarbij acht van de tien AI positioneren als een scaffold die het denken ondersteunt in plaats van vervangt, en de symbiotische pedagogie van de auteurs formaliseert wat deelnemers bouwden: complementair ontwerp, transparant proces, kritische integratie, ingebed ethisch redeneren en iteratieve aanscherping. De kanttekening is structureel en niet individueel: dezelfde deelnemers noemden tegenstrijdige beleidssignalen, persoonlijke toolabonnementen en geen vrijgemaakte tijd voor de herontwerpen, zodat de auteurs concluderen dat verzet nooit het probleem was en dat versnipperde reacties die beleid en infrastructuur ongemoeid laten zelfs een enthousiast cohort zullen doen falen.

Ontwikkeling als bemiddeling, en de eerste vraag die een ontwikkelaar stelt. Sithole (2026) bestudeert academische ontwikkeling - de oudere naam van het veld, en de term die het International Journal for Academic Development gebruikt, dat het artikel publiceerde - aan twee Zuid-Afrikaanse Historically Disadvantaged Institutions, en herkadert ontwikkelaars niet als technische implementatoren maar als digitale bemiddelaars die over drie registers werken: pedagogisch (AI-discours vertalen naar leefbare praktijk van lesgeven, leren en beoordeling), ethisch (automatisering afwegen tegen academische integriteit, innovatie tegen zorg) en institutioneel (werken in de liminale ruimte tussen managementimperatieven en academische zorgen). Twee bevindingen zijn van belang voor programmavormgeving. Ten eerste is de filtervraag contextueel voordat ze technisch is - "wat betekent dit voor lesgeven hier, voor onze studenten van arme scholen?" - en adoptie vertragen telt als deel van het werk in plaats van als verzet ertegen. Ten tweede is de affectieve kost structureel en niet persoonlijk: van ontwikkelaars werd verwacht dat ze expertise uitstraalden in tools waarvan ze de implicaties nog aan het uitwerken waren ("ik voel me een bedrieger. Ik leer AI al doende, maar de instelling verwacht expertise"), en hun antwoord was professioneel leren van peers gericht op oordeel in plaats van vaardigheid, inclusief het bewust proberen de tools te breken. De analytische bijdrage van het artikel is het scheiden van digitale ongelijkheid, een distributief probleem, van algorithmische kolonialiteit, een epistemisch probleem dat volledige toegang overleeft - en het plaatsen van beide binnen Global South-hoger onderwijs, waar ontwikkelwerk geacht wordt transformerend te zijn in plaats van een neutrale ondersteunende dienst.

Schuldgevoel en moreel ongemak als ontwikkelsignaal. Vassallo (2026) levert de affectieve tegenhanger van de identiteitslezing. In een enquête onder academisch personeel aan een Maltese universiteit (109 reacties, een respons van 3,5% die het artikel zelf als informatief leest over de stand van het ethische debat) liep schuldgevoel gelijk op met verbergen in plaats van met openbaarmaking - AI-gebruik beperken uit onbehagen correleerde met de AI Guilt Index met r = 0,62 en het vermijden van openbaarmaking aan collega's met r = 0,50 - terwijl formele openbaarmaking in academische output geen verband vertoonde (r = 0,08). Slechts 31,2% zag duidelijke institutionele richtlijnen, en de correlatie tussen die duidelijkheid en lager schuldgevoel was zwak (r = -0,25, p = 0,010), wat het artikel leest als bewijs dat top-downmandaten een deels emotioneel en identiteitsgebonden probleem niet kunnen oplossen. De aanbevelingen zijn direct ontwikkelingsgericht: behandel schuldgevoel en identiteitszorg als normale overgangsreacties in plaats van als fouten om te corrigeren, gebruik gestructureerd experimenteren met lage inzet om medewerkers door anticiperende angst heen te helpen, en leun op mentoring door senior academici, aangezien schuldgevoel het hoogst was onder beginnende medewerkers (M = 2,71) en het laagst onder senior medewerkers (M = 2,03).

Praktische begeleiding voor programmamakers

Voor docentontwikkelaars, academisch leiders en onderwijsontwerpers die professionele ontwikkeling op het gebied van AI plannen, suggereert het bewijs in de kennisbank:

Adresseer de vier adoptiedrijfveren, niet alleen kennis. Vertrouwen, houdingen, ondersteuning en zorgen voorspellen of docenten AI daadwerkelijk overnemen - een workshop die alleen kennis overdraagt en deze factoren negeert, zal de praktijk waarschijnlijk niet veranderen. Ontwerp ontwikkeling om vertrouwen op te bouwen door hands-on gebruik, bied doorlopende ondersteuning (geen eenmalige training), en breng zorgen van docenten actief aan de oppervlakte en reageer erop.(AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes)

Vertrouwen en geletterdheid zijn geen uitwisselbare doelen: in een SEM met 502 respondenten onder universitaire docenten was AI-geletterdheid de dominante voorspeller van AI-welzijn (β = 0,713), terwijl technologische zelfeffectiviteit weinig bijdroeg (β = 0,082), en ondersteuning bereikte welzijn alleen indirect (Liu et al. (2026)).

Behandel de vraag naar richtlijnen en de toereikendheid van richtlijnen als afzonderlijke problemen. Docenten aan één universiteit steunden institutionele maatregelen tegen onethisch AI-gebruik sterk (M = 4,59) terwijl ze de bestaande richtlijnen het laagst beoordeelden (M = 2,99), en noemden dataprivacy en culturele inclusiviteit als hun zwakste kennis - een concreet doelwit voor professionele ontwikkeling (Bilgic & Sever, 2026).

Behandel gereedheid als een sociotechnisch afstemmingsprobleem. Het EPIQ-AI-raamwerk laat zien dat de gereedheid van docenten zich uitstrekt over epistemische, pedagogische, institutionele en kwaliteits- en compliance-domeinen. Programma's die alleen het individu trainen missen de institutionele hefbomen (beleid, werklast, prikkels, kwaliteitsstandaarden) die verandering mogelijk maken of blokkeren - stem die naast de training af.(Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity)

Stel investeringen in infrastructuur niet gelijk aan transformatie. Over 125 studies correleerde institutionele investering in GenAI-infrastructuur en educatieve ontwikkeling slechts zwak met feitelijke pedagogische verandering (r = 0,12), terwijl 60-70% van de docenten zich onvoldoende voorbereid voelde om GenAI te integreren - waardoor ontwikkeling, en niet inkoop, de knellende randvoorwaarde is.(Rathnayake (2026))

Werk toe naar herontwerp van het curriculum, niet naar tooladoptie. Het doel is dat docenten cursussen en beoordeling herontwerpen, niet alleen dat ze AI-tools toevoegen. Veranker professionele ontwikkeling in herontwerpwerk op cursusniveau en hervorming van beoordeling, en geef docenten gestructureerde raamwerken om dat te doen (bijvoorbeeld beoordelingsschalen, raamwerken voor institutionele verandering).(A Framework for Institutional Change in the Age of AI)(A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform)

Breng het dorp bijeen, niet het individu. Over 12 academici en 17 geïnterviewde studenten overtrof het herontwerp van beoordeling in het GenAI-tijdperk de capaciteit van elke individuele academicus - inflexibele processen, lange doorlooptijden en werklastdruk werden genoemd - zodat de auteurs een programmabreed team voorstellen dat expertise in beoordelingsontwerp, GenAI, vakinhoud, programma en industrie combineert (Nicola-Richmond et al., 2025).

Baseer de reeks op de eigen data van de groep in plaats van op geïmporteerde good practice. Perl-Nussbaum en Finkelstein (2026) documenteren een uitgewerkt model uit een grote publieke R1-afdeling natuurkunde: zes sessies van 60 tot 75 minuten om de twee weken, negentien docenten die over de reeks deelnamen en ongeveer tien per bijeenkomst, waarin elke sessie opende met lokale data of materiaal uit de afdeling, overging naar het in kleine groepen testen van AI op echte geanonimiseerde huiswerkopgaven van studenten, en sloot met collectieve discussie. Wat docenten door te testen ontdekten was nuttiger dan welk pakket de begeleiders ook hadden kunnen importeren - AI loste elk probleem op dat ze probeerden, maar de feedback op echt studentenwerk was ongelijk, promptafhankelijk en oppervlakkig tenzij expliciete doelen en rubrieken werden meegegeven, en studenten promptten oppervlakkig en bewerkten output oppervlakkig tenzij productief gebruik werd voorgedaan. De eerste concrete opbrengst was een levende repository met vijf items - beleidsverklaringen voor de syllabus, materiaal voor klassengesprekken, de studentenenquête, AI-geïntegreerde huiswerktaken en beoordelingsstructuren - wat de reden is dat de auteurs de sessiestructuur zelf als het argument beschouwen in plaats van enige inhoud die ze opleverde.

Veranker in een competentieraamwerk. Ontwikkeling moet ook pedagogische promptgeletterdheid opbouwen - het vermogen om pedagogische intenties in prompts te coderen - aangezien Talebzadeh (2026) vindt dat het pedagogische expertise is, en niet AI-vaardigheid, die de kwaliteit bepaalt van het AI-ondersteunde ontwerpwerk van leraren.(AI-accelerated End-to-End Framework for Rapid Professional Upskilling)(AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study)(The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework)

Laat begrip voorafgaan aan automatisering. Een kritische discoursanalyse van 14 stukken grijze literatuur, gepubliceerd tussen november 2022 en april 2025, die professionals adviseren over generatieve AI voor constructieve alignment, vindt dat bekwaamheid vóór toegang tot de tool moet komen: omdat de kwaliteit van betrokkenheid in een Constructivism-raamwerk voorafgaat aan de kwaliteit van begrip, schaalt risico omgekeerd met vertrouwdheid, en beginners lopen het grootste risico op plausibiliteitsgedreven acceptatie van plausibel ogende maar pedagogisch dunne output. McInnes et al. (2026) betogen verder dat ontwikkelunits zich moeten verzetten tegen een technicistische opdracht - docenten helpen "vaardig te worden" in tools die "het zware werk" van cursusontwerp doen - omdat die kadrering ontwikkelaars buiten een gesloten lus van onderwijsprofessional en GenAI plaatst en waardengeleide, relationele ontwikkeling herkadert tot een bemiddelend mechanisme voor softwareadoptie. Het verdedigbare alternatief houdt educatieve ontwikkelaars als curators en regelstellers van elke institutioneel begrensde, retrieval-augmented alignmentassistent die prikkelende vragen stelt, onder- en overbeoordeling signaleert en alternatieven genereert maar nooit afgewerkte artefacten, waarbij escalatie naar menselijk oordeel bij accreditatie en zaken die programma's overstijgen als kenmerk geldt en niet als uitzondering.

Breng angsten en mentale modellen aan de oppervlakte en adresseer ze. Gebruik voordat u het onderwijs herontwerpt een metafooranalysesworkshop (Vallis, Wilson & Casey 2025) om de aannames en angsten van een team over GenAI aan de oppervlakte te brengen - inclusief de angst dat het lesrollen vervangt - en bouw ontwikkeling die daarop reageert in plaats van ze te negeren.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

Modelleer AI-geletterdheid en meet echte winst. Docentontwikkeling moet zelf de praktijken belichamen die wordt onderwezen - AI pedagogisch gebruiken, output kritisch evalueren - en moet aantoonbare competentie beoordelen in plaats van zelfgerapporteerd vertrouwen, aangezien zelfperceptie AI-vaardigheid betrouwbaar overschat.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)(Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers)

Ga er niet van uit dat vakinhoudelijke expertise overgaat op GenAI. Sutedjo, Chowdhury & Liu (2026) enquêteerden 127 docenten van Amerikaanse onderzoeksuniversiteiten met het TPACK-21-instrument en vonden dat inhoudelijke kennis (CK) geen significante correlatie vertoonde met technologische kennis of enig technologie-geïntegreerd domein (r = 0,11-0,15, ns) - vakinhoudelijke expertise voorspelde kennis van GenAI-integratie niet. De technologie-geïntegreerde domeinen (TPK, TCK, TPACK) correleerden zo sterk onderling (r = 0,81-0,91) dat ze als één enkele GenAI-integratiefactor kunnen functioneren. Praktisch: bouw GenAI-integratie via vakspecifieke activiteiten die de affordances van GenAI verbinden met het vakgebied van elke docent, en behandel de technologie-geïntegreerde domeinen als één gedeelde basis van GenAI-geletterdheid in plaats van ze als afzonderlijke vaardigheden te trainen.(Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills)

Vakspecifieke modellen voor slimme klaslokalen. Zhu, Liang, Mao en Wang (2026) laten zien hoe een wiskunde-mastercursus kan worden versterkt met intelligente educatieve technologieën (geautomatiseerde scoring, gepersonaliseerde aanbevelingen, meervoudige AI-feedback) die over de fasen voor, tijdens en na de les zijn geïntegreerd binnen een driedimensionaal raamwerk voor slimme klaslokalen. Hun quasi-experiment vond statistisch significante winst in de vaardigheid om instructiedoelen te ontwerpen, en biedt een overdraagbaar D-T-E-model (Disciplinary Demand-Technological Empowerment-Evaluation Loop) voor lerarenopleiders en educatieve ontwikkelaars die raamwerken voor slim onderwijs van macroconcepten naar vakspecifieke praktijk willen brengen.

Meet aanwezigheid, niet het gevoel van betrokkenheid. In een zes maanden durend Intelligent-TPACK-programma voor 64 universitaire docenten voorspelde de aanwezigheidsgraad de winst in AI-competentie (β = 0,407, p = 0,001) terwijl zelf ervaren deelname dat niet deed (β = 0,049, p = 0,692), wat de auteurs lezen als concrete gedragsinvestering tegenover oppervlakkige betrokkenheid (Tan, Cheng & Ling, 2025). Het programma combineerde online lezingen met drie face-to-faceworkshops en vroeg docenten daarna hun instructieontwerpen te herzien en het semester daarop te implementeren, en de auteurs bevelen aan aanwezigheid te koppelen aan functioneringsgesprekken naast zinvolle prikkels.

Benchmark tegen wat docenten zelf rapporteren. De enquête van Watson & Rainie (2026) onder 1.057 Amerikaanse docenten vindt de institutionele laag dun op manieren die programmamakers direct kunnen meten: 59% beoordeelde hun instelling als onvoldoende voorbereid om generatieve AI effectief te gebruiken om studenten op de toekomst voor te bereiden en 68% zei dat de instelling docenten niet had voorbereid om die te gebruiken voor lesgeven en begeleiding, terwijl de structurele reactie in 55% van de instellingen een taskforce betrof maar slechts in 13% een AI-geletterdheidsdoel in het algemene onderwijs. Docenten hadden niet op beleid gewacht - 87% schreef eigen regels op opdrachtniveau tegen 48% die een institutionele regel konden aanwijzen - en ze noemden verzet (82%) en onbekendheid (83%) van collega's, niet een mandaat, als de obstakels voor adoptie binnen de afdeling. Voor ontwikkelprogramma's pleit dit ervoor om peernormen, gedeelde beleidstaal op opdrachtniveau en expliciete maten van institutionele gereedheid als deel van de interventie te behandelen in plaats van ze aan het beleidsdocument over te laten.

De reactie van docenten weerspiegelt machtscentra, niet houding. In een instrumentele casestudy van 33 schrijfdocenten vormden vier polycentrische machtscentra - de wereldwijde GenAI-trend, de universiteit of afdeling, collega's en studenten - de praktijk, en adjunct-docenten die door beperkte discursieve macht werden beknot, verschoven van detectie naar het onderwijzen van acceptabel gebruik (Zuo et al. (2026)).

  • Zes families van professionele ontwikkeling, drie goed onderbouwd, en een duidelijke winnaar. Een review van 78 studies naar AI-ondersteund instructioneel ontwerp ordent gedocumenteerde professionalisering in compacte ingebedde modules (2-4 weken), semesterlang microlearning, taakgerichte ontwerpcycli, collaboratieve dialooggestuurde vragenketens, kritische co-discovery en zelfgestuurd leren door practitioners. De uitkomstenevaluatie is het sterkst voor compacte ingebedde modules: een module van drie weken leverde statistisch significante winst op alle zes Intelligent-TPACK-domeinen met middelgrote tot grote effectgroottes, en een programma van vier weken met 436 aanstaande leraren en een controleconditie is de sterkste gecontroleerde evaluatie in het corpus (Spyropoulou & Kameas, 2026).
  • Drie ontwerpkenmerken onderscheiden de best onderbouwde interventies. Ethiek ingebed als verdeelde oefening met checkpoints bij elke taak in plaats van een losse sessie; prestatiegerichte competentiebeoordeling met lesplannen, beslissingslogboeken en microteaching, direct gemotiveerd door de onbetrouwbaarheid van zelfrapportage; en prompt engineering ontwikkeld als reflectieve, pedagogisch onderbouwde praktijk. Adoptie is niet dezelfde hefboom als prestatie: over 200 leraren in Noord-Sumatra had AI-gebruik geen direct effect op de prestaties van leraren (β = 0,112, p = 0,087) terwijl organizational citizenship behavior dat indirect droeg, dus docentontwikkeling gericht op collaboratief, extra-rolgebruik is de versie die het bewijs ondersteunt (Sherly et al. (2027)). Een bijbehorende tweewekelijkse studie vond snelle winst in kennis en vertrouwen en identificeerde biasdetectie als de zwakste opkomende competentie - een kloof die voortduurde in de langere module, in lijn met een ethisch perceptueel vermogen dat langzamer ontwikkelt dan technologische vertrouwdheid.

Veelvoorkomende misverstanden

"Een vaardigheidsworkshop is de interventie die educatieve ontwikkeling nodig heeft." Gereedheid is een sociotechnisch afstemmingsprobleem, geen individueel tekort, en daarom schiet een losse "AI-workshop" tekort voor de behoefte die hij adresseert. Een programma dat de vraag rechtstreeks aanpakte, was een zomerinstituut van zes weken dat tien docenten uit Education, Health Sciences, Business en andere programma's door werk op identiteitsniveau leidde. Duur en cohort zijn in dat ontwerp niet bijkomstig; ze zijn wat het onderscheidt van een rondleiding langs functies.

"Duidelijker institutionele richtlijnen zullen het onbehagen van docenten wegnemen." Richtlijnen helpen en ze bereiken het probleem niet. Slechts 31,2% van het academisch personeel aan een Maltese universiteit ervoer duidelijke institutionele richtlijnen, en de correlatie tussen duidelijkheid van richtlijnen en lager schuldgevoel was zwak (r = -0,25, p = 0,010). Een zwak verband op die schaal betekent dat top-downmandaten niet kunnen beslechten wat het artikel leest als een deels emotioneel en identiteitsgebonden probleem - het vijfde deel van de variantie dat ze verklaren is niet het vijfde deel dat ertoe doet.

"Schuldgevoel over AI-gebruik wijst op het overtreden van regels." Het loopt gelijk op met verbergen in plaats van met openbaarmaking: AI-gebruik beperken uit onbehagen correleerde met het verbergen ervan, niet met verboden gedrag. Schuldgevoel lezen als bewijs van wangedrag identificeert dus de verkeerde bron, en het als compliancesignaal behandelen zal het gedrag verder uit het zicht duwen.

"Een lage respons op een enquête betekent dat docenten geen sterke gevoelens hebben." Het artikel leest zijn 109 reacties (een respons van 3,5%) zelf als informatief over de stand van het ethische debat - een lage respons op een vraag over onbehagen is een bevinding over dat onbehagen, niet de afwezigheid ervan. En een GenAI-integratie die louter als bijscholing wordt gekaderd, mist de identiteitsvraag die sommige docenten feitelijk stellen: wat het nut van lesgeven is in een GenAI-wereld.

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.
  • FPDS Apps and Resources
    The public resource page of Faculty Professional Development Services at Hillsborough College, collecting its AI design coaches, Canvas courses and accessibility guides in one place.

Metadata

NiveauHigher Ed, K 12
Beoogde doelgroepFaculty Developers, Instructors
Instellingen en beleidEducational AI Policy
Grondslagen van AI in het onderwijsAI-geletterdheid, Curriculum Design, Learning design, Lesgeven, AI-competentie van docenten
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.