AIEd-kennisbankAIEd KB
Op deze pagina

Lees deze pagina in het Engels

Concepten

Geschiedenis van AI in het onderwijs

Aangemaakt 2026-08-23 · Bijgewerkt 2026-11-08

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

Geschiedenis van AI in het onderwijs — de studie van hoe kunstmatige intelligentie en onderwijs zich sinds het midden van de 20e eeuw samen hebben ontwikkeld, en hoe vroegere conceptuele, terminologische en ontwerpkeuzes de huidige debatten over AI in leren blijven vormgeven. In plaats van generatieve AI te behandelen als een plotselinge, ongekende kracht, onthult een historische blik terugkerende spanningen — controle tegenover agency, standaardisering tegenover creativiteit, automatisering tegenover augmentatie — die AI in het onderwijs sinds haar oorsprong hebben gestructureerd.

Vragen om over na te denken

  • De generatieve AI van vandaag wordt vaak beschreven als een ongekende revolutie. Hoe kan die framing ('chronocentrisme') ons beletten de terugkerende patronen eronder te zien?
  • Het vakgebied heette bijna 'cybernetica' in plaats van 'kunstmatige intelligentie'. Hoe kan die ene naamkeuze hebben bepaald of we machines zien als onafhankelijke intelligenties of als deel van onderling verbonden feedbacksystemen?
  • De pagina kadert de geschiedenis van AIED als een spanning tussen controle (Andersons cognitieve tutors die instructie optimaliseren) en agency (Paperts constructionisme dat lerenden versterkt). Waar vallen jouw eigen keuzes rond AI in het onderwijs op dat spectrum — en waarom?
  • Personalisering, betoogt de pagina, heeft twee betekenissen: het variëren van de weg naar dezelfde uitkomst, of het mogelijk maken van diverse, door de lerende gestuurde uitkomsten. Welk soort personalisering nastreeft jouw instelling feitelijk, en welk zou die volgens jou moeten nastreven?
  • Als de GenAI-debatten van vandaag deze historische spanningen 'weerspiegelen', welke fouten uit het verleden herhalen we dan mogelijk — en wat kunnen we vermijden door ze te onthouden?
  • De pagina stelt dat technische ontwerpkeuzes waardeoordelen over het doel van leren insluiten. Kun je in een AI-onderwijstool die je hebt gebruikt een ontwerpbeslissing aanwijzen die stilzwijgend standaardisering boven agency van de lerende verkoos — of omgekeerd?

Introductie

De geschiedenis van het vakgebied is geen lineaire vooruitgang maar een reeks contingente beslissingen waarvan de effecten nog naklinken. Deze geschiedenis begrijpen beschermt tegen 'chronocentrisme' (de neiging om huidige ontwikkelingen als uniek revolutionair te behandelen), helpt fouten uit het verleden te vermijden en onthult hoe keuzes rond framing en terminologie — niet alleen technologie — het traject van AI in het onderwijs sturen.

Belangrijke historische lijnen

Van cybernetica naar 'kunstmatige intelligentie'. Toen John McCarthy het Dartmouth Summer Research Project van 1956 plande, koos hij bewust de term kunstmatige intelligentie boven cybernetica — deels om het vakgebied afstand te laten nemen van Norbert Wiener en diens nadruk op analoge feedback. Deze naamkeuze plaatste machinecapaciteiten in directe vergelijking met menselijke cognitie (antropomorfe framing) en stuurde decennialang onderzoeksprioriteiten, publieke perceptie en ethisch debat. Had het vakgebied de cybernetische framing behouden, zo stelt het artikel zich voor, dan zouden we nu misschien spreken van 'cybernetische leersystemen' met nadruk op feedback en onderlinge verbinding, in plaats van 'AI-tutors' die de machine positioneren als een onafhankelijke bron van intelligentie.

De cognitieve revolutie en de wortels van ITS. Vroege pioniers — Herbert Simon, Allen Newell, Marvin Minsky, John Anderson — modelleerden niet alleen cognitie; ze onderzochten fundamentele vragen over leren en instructie. Hun werk leverde informatieverwerkingsmodellen van menselijke cognitie op die fundamenteel werden voor de onderwijspsychologie, en leidde tot Intelligent Tutoring Systems (ITS), geworteld in de heuristisch-zoekende en expertsysteemparadigma's van AI uit de jaren 1960–70. Deze systemen sloten van nature aan bij bestaande structuren van beoordeling en standaardisering, en smolten uiteindelijk samen tot de AIED-gemeenschap.

Controle tegenover agency: Anderson en Papert. Er ontstonden twee concurrerende visies, belichaamd in John Anderson en Seymour Papert. Andersons cognitieve tutors (ACT/ACT-R-theorie) ontleedden kennis in productieregels, gaven precieze geïndividualiseerde feedback en versterkten traditionele onderwijsstructuren — een visie op AI als hulpmiddel om instructie te optimaliseren. Paperts constructionisme (Logo, 'microworlds', debuggen-als-leren) zag computers als omgevingen waar kinderen kennis construeren door creatief experimenteren — een visie op AI als instrument van intellectuele empowerment dat institutionele hiërarchieën uitdaagde. Deze 'essentiële spanning' tussen controle en agency loopt als een rode draad door de geschiedenis van het vakgebied.

Twee vormen van personalisering. Personalisering heeft twee verschillende interpretaties die op deze visies aansluiten. De eerste handhaaft uniforme uitkomsten terwijl de weg varieert (geworteld in Skinners onderwijsmachines; de Khan Academy-visie van tutoring tot beheersing). De tweede omarmt diverse uitkomsten — lerenden die individuele interesses en talenten nastreven, niet gebonden aan standaardgrenzen van het curriculum (Zhao, 2024). Het ITS-model ondersteunt de eerste; het constructionisme de tweede.

Lessen voor het GenAI-tijdperk. De huidige debatten over generatieve AI weerspiegelen deze historische spanningen nauw. GenAI wordt vaak gepositioneerd als een volgende generatie intelligente tutor (in het verlengde van Anderson), wat zorgen oproept over surveillance, dataverzameling en standaardisering. Of het kan dienen als hulpmiddel voor creatieve agency (in het verlengde van Papert), wat vraagt om herziening van beoordeling en acceptatie van meer ambigue uitkomsten. Zoals Mishra et al. concluderen, begunstigen institutionele krachten keer op keer benaderingen die bestaande structuren versterken — en de taal en metaforen die we kiezen, bepalen toekomstige mogelijkheden. Rismanchian en Doroudi's AI×Ed-kader geeft deze intuïtie empirische grondslag: door papers uit AIED-proceedings (1985, 1993, 2021, 2024) en IJAIED (2004, 2014, 2021) langs twee assen te plaatsen — de rol van AI (toegepast hulpmiddel tegenover analogie van menselijke intelligentie) en de eindgebruiker — traceren ze een vakgebied dat van een gevarieerde mix, met aanzienlijk vroeg onderzoek naar AI als analogie van menselijke intelligentie (computationele leermodellen, Paperts microworlds, agentgebaseerde modellen van kennisverwerving), verschoof naar een bijna exclusieve focus op toegepaste, instrumentele toepassingen in de jaren 2000. Opvallend is dat het generatieve-AI-tijdperk dat traject gedeeltelijk lijkt om te keren: rond AIED 2024 waren drie van de vier plekken in het kwadrant 'AI-als-analogie' door LLM's gebouwd, en één daarvan won een best-paperprijs voor LLM-gedreven leerbare agenten.

Het tijdschriftrecord keert twee keer. Een structureel topicmodel van 5.387 artikelen in Computers & Education (1976–2026) vond AI in 390 records (7,2%), verdeeld over 17 van de 18 topics. De jaarlijkse kans dat een artikel AI-gerelateerd was, steeg met 21,8% per jaar tot 1989, daalde met 3,7% per jaar tot 2018 en klom daarna met 40,1% per jaar tot 2025 (Wu et al., 2026). De omslag van 2018 ligt vier jaar vóór ChatGPT, dus het generatieve tijdperk versnelde een trend die al gaande was in plaats van er een te beginnen.

De recente impact van generatieve AI

De komst van generatieve AI — een brede familie die grote taalmodellen (tekst) omvat, plus beeld-, audio- en videogeneratoren — markeert het meest ingrijpende omslagpunt in de geschiedenis van AIED sinds de oprichting van het vakgebied. LLM's zijn het prominentste lid van deze familie en de motor achter de meeste impact in de klas, maar generatieve AI als geheel (in staat nieuwe tekst, beelden, geluid en code te produceren) is de bredere kracht die het onderwijs hervormt. Ze kan het beste tegen de geschiedenis van AIED worden begrepen in plaats van als een schone breuk. Verschillende kenmerken maken het generatieve-AI-tijdperk onderscheidend:

Schaal en bereik. Anders dan de cognitieve tutors en ITS van eerdere decennia, die in gecontroleerde laboratorium- en klassituaties werkten, bereikten LLM's binnen maanden na hun release honderden miljoenen lerenden en onderwijsprofessionals, en drongen ze bijna onmiddellijk door tot alledaags schrijven, huiswerk en instructie. Het GenAI-debat verhuisde met ongekende snelheid van vaktijdschriften naar klaslokalen, bestuurskamers en parlementen.

Een nieuw soort vermogen. Eerdere AIED-systemen modelleerden cognitie en leverden gestructureerde instructie (de Anderson-traditie). LLM's doen aan open-eindegeneratie — ze produceren essays, uitleg, code en dialoog — wat de agency en creativiteit van de lerende (de Papert-traditie) op manieren voor het voetlicht brengt die eerdere ITS niet konden. Daarom wakkert het huidige moment de spanning tussen controle en agency zo scherp opnieuw aan: dezelfde tool kan worden ingezet als een volgende generatie intelligente tutor (die uitkomsten controleert) of als een creatieve medeschrijver en denkpartner (die agency versterkt).

Een omkering van de toegankelijkheidsvergelijking. Historisch was gepersonaliseerde tutoring schaars en duur; GenAI maakte adaptieve een-op-eenondersteuning bijna gratis en universeel — wat de toegankelijkheids- en kostenbarrières die eerdere AIED vormden drastisch verlaagde. Maar het introduceerde ook nieuwe risico's: algorithmische vooringenomenheid, hallucinatie, surveillance, dataverzameling en deskundigheidsverlies bij onderwijsprofessionals.

Hernieuwde zorg over AI-geletterdheid en misbruik. Het generatieve-AI-tijdperk maakte AI-geletterdheid urgent en herkaderde de debatten over Academische integriteit (detectie tegenover dialoog), terwijl het lang bestaande zorgen over automatisering, standaardisering en epistemische afhankelijkheid nieuw leven inblies. Dit zijn de moderne uitdrukkingen van de oorspronkelijke spanningen van het vakgebied.

Het risico van chronocentrisme. Zoals Mishra et al. waarschuwen, mist de hype rond generatieve AI vaak historisch bewustzijn, waardoor tech-evangelisten het gesprek domineren. Begrijpen dat de GenAI-debatten van vandaag de Anderson–Papert-scheiding en de naamkeuze rond cybernetica in 1955 weerspiegelen, helpt ons weloverwogen keuzes te maken in plaats van het heden als onvermijdelijk te behandelen. De echte vraag is niet wat generatieve-AI-tools kunnen, maar wat we willen dat ze doen — een beslissing die wordt gevormd door waar we zijn geweest.

Implicaties

  • Lees hype historisch. Erken dat elke nieuwe AI-golf als revolutionair wordt geframed; historisch bewustzijn onthult continuïteit en helpt de commerciële overheersing van het gesprek te weerstaan.
  • Zie ontwerpkeuzes als waardekeuzes. Technische beslissingen over AI in het onderwijs dragen ideologische posities over het doel van leren in zich — breng ze aan de oppervlakte en ondervraag ze.
  • Weeg controle en agency bewust tegen elkaar af. Of AI moet optimaliseren naar standaarduitkomsten of diverse, door lerenden gestuurde uitkomsten mogelijk moet maken, is een echte keuze met institutionele en politieke gevolgen, geen technisch gegeven.
  • Behoud de agency van de lerende. Het terugkerende verzet tegen standaardisering en controle ten gunste van open, leerlinggerichte benaderingen is een duurzame draad die het verdedigen waard is.

Veelvoorkomende misverstanden

'AI in het onderwijs begon met ChatGPT.' Dat is niet zo, en de overtuiging is kostbaar omdat ze elke eerdere les onzichtbaar maakt. Intelligente tutoring stamt af van het heuristisch-zoekende en expertsysteemwerk uit de jaren 1960 en 70, en de AIED-gemeenschap vormde zich daar decennia vóór grote taalmodellen omheen. Mishra et al. laten zien dat de huidige debatten een scheiding reproduceren die al expliciet was in Andersons cognitieve tutors en Paperts constructionisme, dus een lezer die het vakgebied op 2022 dateert, zal argumenten opnieuw afleiden die het vakgebied al eerder heeft beslecht, verlaten of verloren.

'Het vakgebied heeft AI-als-analogie gestaag verlaten ten gunste van toegepaste tools, en generatieve AI zet die trend voort.' Dit is de leerzaamste correctie op de pagina, omdat het traject echt is maar niet monotoon. Rismanchian en Doroudi's positionele analyse van AIED 1985, 1993, 2021 en 2024 en IJAIED 2004, 2014 en 2021 laat inderdaad een verschuiving zien van een gemengd vakgebied naar bijna exclusieve toegepaste instrumentaliteit in de jaren 2000. Maar op AIED 2024 waren drie van de vier papers in het kwadrant AI-als-analogie op LLM's gebaseerd, waaronder bekroond werk over LLM-gebaseerde leerbare agenten. Generatieve AI keert de trend gedeeltelijk om in plaats van die voort te zetten, en daarom miskent de behandeling ervan als 'de volgende intelligente tutor' waar de onderzoeksgrens feitelijk naartoe is verschoven.

'Personalisering betekent de moeilijkheidsgraad aan elke lerende aanpassen.' Dat is slechts één van twee onverenigbare betekenissen, en het verwarren van die betekenissen verbergt een politieke keuze. In de eerste betekenis blijft de uitkomst vast en varieert alleen de weg, met een lijn die loopt van Skinners onderwijsmachines tot op beheersing gerichte tutoring. In de tweede diversifiëren de uitkomsten zelf, doordat lerenden individuele interesses nastreven zonder de beperking van een standaardcurriculum (Zhao, 2024). Een ITS implementeert de eerste; constructionisme de tweede. Een tool die als 'gepersonaliseerd' wordt beschreven, heeft je niets verteld tot je weet welke betekenis bedoeld is.

'"Kunstmatige intelligentie" was simpelweg de voor de hand liggende naam voor het vakgebied.' De term was een bewuste keuze. Toen McCarthy het Dartmouth-project van 1956 plande, gaf hij de voorkeur aan kunstmatige intelligentie boven cybernetica, deels om het werk afstand te laten nemen van Wieners traditie van analoge feedback. Die ene beslissing plaatste machines in directe vergelijking met menselijke cognitie, en de antropomorfe framing die ze installeerde, vormt nog steeds onderzoeksprioriteiten, producttaal en de ethische vragen die het publiek stelt.

In de praktijk brengen

Voor docenten en onderwijsontwerpers

  • Benoem de traditie waartoe je tool behoort voordat je die adopteert. Vraag of de tool optimaliseert naar vaste uitkomsten of ruimte laat voor de richting van de lerende, want dat antwoord, niet de functielijst, bepaalt wat de tool met je toetsontwerp doet.
  • Ondervraag het woord 'gepersonaliseerd' in elke leveranciersclaim, en eis een antwoord in termen van de twee betekenissen hierboven. Een product dat het tempo varieert richting een gemeenschappelijke standaard en een product dat studenten laat divergeren, zijn geen vervangers van elkaar.
  • Wanneer studenten GenAI als ongekend presenteren, is de geschiedenis zelf lesstof. De Anderson-Papert-framing geeft hun een vocabulaire om over AI te argumenteren in plaats van het alleen te gebruiken.

Voor ontwikkelaars

  • Interfacetaal is een ontwerpbeslissing met een afstamming. Je systeem een 'AI-tutor' noemen erft Andersons framing en de verwachting van optimalisatie naar standaarduitkomsten; het een 'microworld' of 'leeromgeving' noemen erft die van Papert. Geen van beide is neutraal, dus kies bewust.
  • Als je in de analogietraditie bouwt (modellen van leren, leerbare agenten, simulaties van kennisverwerving), zeg dat dan. Dat kwadrant was twee decennia lang bijna leeg en raakt weer bevolkt; de positionering is een onderscheidend kenmerk en de evaluatiecriteria zijn anders.

Voor onderzoekers

  • Gebruik de historische corpora als basislijn in plaats van het heden als de enige beschikbare vergelijking te behandelen. De AIED-proceedings van 1985, 1993, 2021 en 2024 en IJAIED van 2004, 2014 en 2021 vormen een kant-en-klare longitudinale steekproef van de eigen claims van het vakgebied.
  • Citeer de afstamming wanneer je nieuwheid claimt. De claim dat een systeem 'leren personaliseert' of 'de lerende modelleert' is alleen nieuw ten opzichte van een specifieke eerdere traditie, en die traditie is gedocumenteerd.

Verbonden concepten

Verbonden artikelen

Metadata

Leren en onderwijzenConstructivism, Learning Theories
Technologieën en techniekenGenerative AI, Intelligent Tutoring
Grondslagen van AI in het onderwijsAgency van de leerling, AI in het onderwijs, Geschiedenis van AI in het onderwijs
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.