AIEd-kennisbankAIEd KB
Op deze pagina

Lees deze pagina in het Engels

Concepten

Mens–AI-samenwerking

Aangemaakt 2026-05-29 · Bijgewerkt 2026-11-08

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

Mens–AI-samenwerking — de verdeling van cognitieve arbeid tussen mensen en modellen — is het kerninteractiethema van de kennisbank: Human-AI collaboration in higher education: Exploring the impact of technology expectations and distrust, "It felt a bit eerie": Exploring humanlike interactions during collaborative writing with an artificial agent, Generative AI (GenAI) as a mindtool that supports generative learning (GL) en Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing onderzoeken vertrouwen, agency en complementaire rollen (Human-in-the-Loop, Agentieke AI). De bepalende vraag is of het partnerschap het eigen cognitieve werk van de lerende behoudt of vervangt — dezelfde regeling kan leren ondersteunen of ervoor in de plaats treden, afhankelijk van hoe verantwoordelijkheid wordt gedeeld.

Vragen om over na te denken

  • De bepalende vraag in mens–AI-samenwerking is of het partnerschap je eigen cognitieve werk behoudt of vervangt. Denk aan een taak die je aan AI hebt overgedragen: genereerde en besliste je, of accepteerde je alleen?
  • Eén studie vond dat vrij samenwerken met ChatGPT alleen tijdelijke winst opleverde die instortte bij een latere taak zonder hulp, terwijl een protocol van 'eerst denken, dan ChatGPT' duurzaam leren opleverde. Waarom zou wie de ideeën genereert voorspellen of je daadwerkelijk leert?
  • Dezelfde tool kan leren ondersteunen of vervangen, afhankelijk van hoe verantwoordelijkheid wordt gedeeld. Kun je een regeling bedenken die je cognitief productief hield, tegenover een die je denken stilzwijgend uitbesteedde?
  • Eén regeling keert de gebruikelijke rollen om: in plaats van dat het model antwoorden levert, legt de student de inhoud uit en speelt het model de onwetende partij die om uitleg, voorbeelden en een tegenargument vraagt. Als de AI degene is die vraagt, wat gebeurt er dan met hoeveel van het denken aan jouw kant blijft?
  • Vertrouwen wordt beschreven als iets dat gekalibreerd moet worden, niet als iets dat vanzelfsprekend is — op AI vertrouwen waar gepast en verifiëren waar niet. Hoe besluit je op dit moment wanneer je AI-output vertrouwt en wanneer je die verifieert?
  • Onderzoek identificeert samenwerkingsmodi die efficiëntie afwegen tegen de diepte van je zelfregulerende betrokkenheid. Wanneer is het de moeite waard minder efficiëntie te accepteren om meer leren in eigen handen te houden?
  • Als samenwerking net zozeer een pedagogische keuze is als een technische, welke ontwerpstappen (prompts, workflows, structuren) zou je dan inrichten om ervoor te zorgen dat AI het denken van je lerenden versterkt in plaats van vervangt?

Introductie

Mens–AI-samenwerking beschrijft hoe lerenden, docenten en AI-systemen cognitief werk verdelen — wie wat doet, wie beslist, en hoe Trust en Agency van de leerling in stand worden gehouden. In plaats van AI te kaderen als vervanging of als passief hulpmiddel, behandelt samenwerkingsonderzoek AI als een partner met complementaire sterktes wiens waarde afhangt van hoe verantwoordelijkheid wordt gedeeld en gemonitord. Op het niveau van waarneembaar gedrag vangt Student-AI Interaction hoe lerenden deze relatie in de praktijk vormgeven — de vragen, prompts en verificatiestappen die ze moment tot moment met AI zetten.

De arbeidsdeling loopt ook door de mensen die de interactie ontwerpen. Verspreid over twaalf implementaties van docentenopleidingscursussen positioneerden docentenopleiders AI als denkpartner, criticus of oefentool, terwijl kandidaten verantwoordelijkheid hielden voor het evalueren, aanpassen en verantwoorden van beslissingen; toch meldt hetzelfde whitepaper dat kandidaten feedback die ze al nuttig hadden gevonden minder waardeerden zodra het AI-auteurschap bekend werd, een episode die het rapport het balloon popping effect noemt. Een analyse van 1.378 ontwerper-chatbotbeurten wijst bij generatie de andere kant op: ontwerpers gebruikten een ingebedde assistent vooral voor afstemmingscontroles op leeruitkomsten en pedagogische aanpak, niet voor het produceren van content. In beide gevallen draagt het evaluatieve oordeel van de mens, niet de output van het model, het leren.

Voordelen, risico's en ontwerpimplicaties

Het bewijs in de kennisbank laat zien dat mens–AI-samenwerking een tweesnijdende regeling is waarvan de uitkomst door ontwerp wordt bepaald, niet door AI zelf:

  • Samenwerking kan leren versterken wanneer ze cognitieve betrokkenheid behoudt. Studies naar GenAI als mindtool en begeleide samenwerking laten zien dat wanneer de arbeidsdeling de lerende laat genereren, beslissen en evalueren, AI het denken versterkt in plaats van vervangt — met duurzame winst in zelfregulerend leren en creativiteit. Dat de lerende de beslissende rol behoudt, schaalt naar schrijven: Oppenheimer, Cash & Connell Pensky (2025) laten zien dat LLM-kritiek op argumentatieve essays van studenten het schrijven over een semester verbeterde, waarbij lerenden beslisten of ze de feedback van het model overnamen of weerlegden (87,8% van de claims werd weerlegd) — een regeling die het evaluatieve werk van de lerende behield — en de winst verscheen zelfs bij essays die zonder LLM-ondersteuning waren geschreven, wat wijst op duurzame vaardigheid in plaats van toolafhankelijkheid.

  • Samenwerking kan leren vervangen wanneer ze te veel uitbesteedt. De faalmodus is overmatige afhankelijkheid: wanneer AI het antwoord produceert, valt de rol van de lerende samen tot passieve acceptatie, en onmiddellijke taakprestatie maskeert een gebrek aan duurzaam leren. Onderzoek naar prestatie versus leren en de schadecyclus van vervanging naar scaffolding (From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond)) documenteren dit systematisch.

  • Een betere score is op zichzelf geen bewijs dat de samenwerking iets heeft onderwezen. Het overige bewijs op deze pagina beoordeelt ondersteunde prestaties voorzichtig, en een gerandomiseerde test van ondersteuningstype laat zien waarom. In de laboratoriumstudie van Iqbal et al. (2026) schreven 87 EFL-studenten een essay zonder hulp en herzagen het daarna met ChatGPT 4.0 (n = 29), met een menselijke schrijfdocent (n = 28) of zonder ondersteuning (n = 30). Welke van vier uit sporen afgeleide revisiestrategieën een student gebruikte, hing sterk samen met de ondersteuning die die had (Cramér's V = 0,668) en slechts matig met de eerdere schrijfstrategie (Cramér's V = 0,333); motivatie, schrijfvaardigheid en accuraatheid van metacognitieve beoordeling vertoonden geen algemeen verband, en de metacognitieve link kwam alleen in de conditie zonder ondersteuning naar boven (p = 0,0460). Belangrijk is dat geen enkele revisiestrategie de scoreverandering voorspelde (p = 0,273), hoewel het type ondersteuning dat wel deed: de GenAI-groep verbeterde significant meer dan de groepen met menselijke expert en controle (H(2) = 16,591, p = 0,00025, η² = 0,174), en binnen dezelfde strategie van geleidelijk afnemende hulpzoekendheid wonnen GenAI-studenten gemiddeld ongeveer 4 punten terwijl studenten met een menselijke expert 0,5 verloren. De auteurs lezen het patroon als externe ondersteuning die het eigen metacognitieve oordeel van de lerende omzeilt, en waarschuwen dat de winst taakspecifieke optimalisatie kan zijn in plaats van duurzaam vermogen. Dit weerlegt het principe van wie genereert en beslist niet (de studie varieerde wie ondersteuning bood, niet wie het denken genereerde), maar het verscherpt de toets die een docent zou moeten aanleggen: een winst die onder hulp is behaald, moet een taak zonder hulp overleven voordat ze als leren telt, en een menselijke expert aan de kamer toevoegen is niet automatisch de veiligere regeling.

  • Ook leeftijdsgenoten toevoegen is niet automatisch de veiligere regeling. Chu, Dai en Zhai (2026) lieten 87 bachelorstudenten acht weken lang alleen of in paren werken met een GenAI-multiagentsysteem. Paren scoorden het hoogst op het complexe ontwerpproject (M = 89,64, tegen 85,85 voor studenten die in paren zonder het systeem werkten en 86,45 voor wie alleen met het systeem werkte, p = 0,039), maar het bewustzijn van kritisch denken steeg het meest bij wie alleen werkte (M = 0,41) en daalde licht bij de paren (M = −0,04, p = 0,039).

  • Ontwerpprincipe — behoud het productieve werk van de lerende. Over al het onderzoek heen is de scherpste voorspeller van of samenwerking helpt of schaadt wie genereert en beslist. Regelingen die de mens cognitief productief houden (begeleid prompten, 'eerst denken, dan AI raadplegen', verificatie- en evaluatiestappen) ondersteunen leren; regelingen die de hele taak aan het model geven niet. De complementaire beweging is veranderen wat het model wordt toegewezen om te zijn. In het quasi-experiment van Wang et al. (2026) legden 68 aanstaande docenten ofwel het concept flipped classroom uit aan een GAI-novice learner gebouwd op ERNIE 3.5 (een systeem geframed als nieuwsgierig en waarderend dat om uitleg, voorbeelden, verificatieredenering en een tegengesteld perspectief vroeg, gesorteerd langs de taxonomie van Bloom) ofwel stelden ze vragen aan een GAI-docent op hetzelfde model. De studenten die de AI onderwezen, legden beter uit (het definiëren van de flipped classroom M = 4,18 versus 3,29; de lesactiviteiten M = 4,91 versus 3,06, beide p < 0,001) en genereerden meer en kwalitatief betere vragen (M = 3,67 versus 2,14; M = 5,67 versus 3,07, beide p < 0,001), terwijl objectieve recall statistisch niet te onderscheiden was (M = 23,18 versus 21,57, p = 0,416), zodat het voordeel in uitleg en transfer zat en niet in feitenretrieval. Studenten in de AI-docentconditie waren open over de ruil: sommigen gaven toe dat het 'meer accurate en gedetailleerde informatie' gaf, maar meldden dat 'ik na het gebruik ervan niet meer zelfstandig wilde nadenken'. Het model de rol van lerende die onderwezen wordt geven maakt de student de enige bron van de ideeën en neemt de langdurige moeilijkheid weg om een geschikte medestudent te vinden om les aan te geven. Daar komen twee ontwerplimieten bij: planning en monitoring verbeterden niet (M = 4,01 versus 3,78, p = 0,062), dus rolomkering is op zichzelf geen metacognitieve interventie, en de auteurs herleiden dat nulresultaat naar een taakontwerp dat studenten op inhoudelijke accuraatheid gericht hield. In een schrijfklas krijgt dat principe een concrete, onderwijshare vorm. In het Saoedische EFL-quasi-experiment van Alshehri et al. (2026) doorliepen studenten een routine van vijf delen — het probleem kaderen en prompts ontwerpen, iteratief concepten, herzien, elke claim en elk citaat tegen wetenschappelijke databases verifiëren, en hun eigen attributie en afhankelijkheid reguleren — waarbij elke opdracht een AI-gebruikslog vereiste van wat ze accepteerden, verwierpen en waarom. Schrijven en digitaal kritisch denken stegen samen en bewogen bijna in de pas, en de reflecties van studenten koppelden de verificatie- en hallucinatie-herstellende routines specifiek aan de winst in kritisch denken: dezelfde gewoonten van het ondervragen van output vormden hun schrijfbeslissingen. De eigen kanttekening van de auteurs is de noodzakelijke aanvulling op het principe — de workflow is contingent en niet zelfvoorzienend, en kan contraproductief worden bij dunne Scaffolding, geringe gereedheid voor kritisch denken of metacognitie (waar studenten het vermogen missen om slechte output op te vangen), geleidelijke delegatie van schrijfbeslissingen of onduidelijk institutioneel AI-gebruiksbeleid.

  • Begrensde autoriteit is zelf een ontwerppatroon voor samenwerking met hoge inzet. Docenten in Reichert et al. (2026) prototypeden geen open-einde-assistenten maar systemen waarvan de vrijheid vooraf vastlag: elk ontwerp begrensde de chatbot tot specifieke lesinhoud, en veiligheid was opgebouwd uit domeingrenzen (lesspecifieke reikwijdte, plus een 'informatiequotum' dat een minimumaantal feiten of problemen vereiste voordat het gesprek vorderde), contentfiltering met gestandaardiseerde weigeringen ('Sorry, dit maakt geen deel uit van mijn kennisbank') die ook de docent waarschuwden, en een docentoverride voor ambigue gevallen — het gegeven voorbeeld was een vraag over menselijke voortplanting die binnen haar unit legitiem was en naar een persoon moest worden geleid in plaats van automatisch afgewezen. Personalisering van formaat, genre, tempo en complexiteit werd binnen die grenzen verwelkomd, en toezicht (volledige gesprekslogs, realtime waarschuwingen, override) werd gekaderd als professionele verantwoordelijkheid in plaats van wantrouwen jegens het model. De implicatie is dat in situaties met hoge inzet de arbeidsdeling moet worden gespecificeerd als begrensd, gemonitord en herroepbaar in plaats van beurt voor beurt onderhandeld.

  • Automatisering en augmentatie zijn geen alternatieven. In vier docentgerichte cases bleef vervanging binnen begrensde analytische subtaken, terwijl complementering verscheen waar docenten de output interpreteerden en valideerden; augmentatie bleek dus een eigenschap van wat de docent daarna doet, niet van de tool zelf (Horvers et al. (2026)).

  • Vertrouwen moet worden gekalibreerd, niet vanzelfsprekend aangenomen. Productieve samenwerking hangt ervan af dat lerenden accuraat kalibreren wanneer ze op AI-output vertrouwen en wanneer ze die verifiëren — wat aansluit bij Trust Calibration en menselijk toezicht in plaats van blinde acceptatie of algehele afwijzing.

  • Een affectieve melding is een signaal dat de docent interpreteert, geen instructie om te gehoorzamen. In één meetkundeles op de middelbare school gingen de emotiemeldingen van een AI-systeem vooraf aan heel verschillende docentbewegingen, en juist de beweging — taakherkadering, korte bevestiging of bewuste non-interventie — veranderde de betrokkenheid, zodat de melding werkte als één input naast wat de docent kon waarnemen (Swidan (2026)).

  • Docent–AI-samenwerking is tweesnijdend voor betrokkenheid, niet alleen voor leren. In een enquête met drie meetgolven onder 468 universitaire docenten verhoogde samenwerking de werkbetrokkenheid via psychologische beschikbaarheid (indirect 0,19) maar verlaagde die via werkvervreemding (indirect −0,03); digitale competentie modereerde beide en vlakte de vervreemdingshelling af van 0,38 naar 0,17 (Sun et al. (2026)).

  • De arbeidsdeling volgt geloofwaardigheid, niet vermogen. Wat lerenden kiezen is een principiële toewijzing: AI voor onmiddellijke, breed toepasbare taalfeedback en docenten voor geïndividualiseerde, relationele begeleiding, toegewezen op basis van de waargenomen geloofwaardigheid van elke bron in plaats van accuraatheid, omdat de bindende beperking op vertrouwen waargenomen zorg was, niet competentie (Serpil & Mor, 2026).

  • Afhankelijkheid is een populatieproces, niet alleen een individuele keuze. In een agentgebaseerd model liet zichtbaar sociaal bewijs voor ongeverifieerd gebruik verificatie instorten van 0,29 naar 0,002 en steeg overmatige afhankelijkheid van 0,30 naar 0,52, terwijl zichtbare verificatie door leeftijdsgenoten bijna volledige verificatie herstelde — veranderen wat lerenden anderen zien doen verslaat het verlagen van de controlekosten (Biswas (2026)).

Dit maakt mens–AI-samenwerking net zozeer een pedagogisch construct als een technisch: de waarde van het partnerschap wordt bepaald door hoe docenten de interactie ontwerpen, hoe lerenden die reguleren en hoe het systeem productieve betrokkenheid uitnodigt of ontmoedigt.

Hoe mens–AI-samenwerking in het onderzoek verschijnt

  • Vertrouwen en verwachtingen: Vertrouwensverwachtingen onderzoeken hoe de verwachtingen van lerenden over AI bepalen of samenwerking productief is of leidt tot overmatige afhankelijkheid.

  • Complementaire rollen bij schrijven en denken: Mensachtig AI-samenwerkend schrijven en GenAI als mindtool laten zien hoe AI het denken van de lerende kan versterken in plaats van vervangen wanneer de arbeidsdeling de cognitieve betrokkenheid van de lerende behoudt.

  • Orkestratie en agency: Orkestratie van agency bij docenten en studenten en mentale modellen van studenten behandelen hoe agency tussen mensen en AI wordt onderhandeld, in aansluiting op Human-in-the-Loop en Agentieke AI.

  • Metacognitieve en teamdimensies: Mensgerichte metacognitieve AI-modellen en disciplinaire mediation in studententeams breiden samenwerking uit naar metacognitie en teamleren.

  • Samenwerkingscompetentie als configuratie, niet als checklist — metacognitie neemt de integrerende rol van Technological Pedagogical Content Knowledge (TPACK) over. Dang, Hong, Doyle en Nguyen (2026) definiëren Human-AI Collaboration Competency als een dynamische configuratie van domein, AI-competentie en metacognitieve competentie plus hun doorsneden (Werken met AI, Agentisch leren met AI, Agentische persoonlijke en professionele ontwikkeling, en HACC zelf), en verwerpen expliciet een additieve lijst AI-vaardigheden die op een bestaand curriculum wordt geschroefd. Hun centrale zet herverdeelt het integrerende werk dat pedagogiek in TPACK doet: omdat AI een adaptieve deelnemer is wiens bijdrage verschuift naarmate een taak zich ontvouwt, valt de coördinatielast bij de eigen metacognitie van de lerende — beslissen wanneer AI te raadplegen, hoe de interactie te kaderen en wanneer die te overrulen — zodat de lerende, niet de docent, het mechanisme bezit dat de samenwerking productief houdt. Agency van de lerende wordt bewust weggelaten als losstaand knooppunt; het is veeleer de emergente kwaliteit die lerenden tonen wanneer ze de drie competenties coördineren, waardoor agency een eigenschap van de configuratie is in plaats van een vaardigheid die geïsoleerd moet worden getraind. De interviewstudie van het kader met 24 Nieuw-Zeelandse onderwijsprofessionals ondersteunde de dimensies beschrijvend, en het rolniveau verschoof de nadruk eerder dan de acceptatie: netwerken van schooldirecteuren centreerden rond AI met links naar HACC en professionele ontwikkeling, significant verschillend van senior onderwijsprofessionals (U = 10,00, p = ,04) en beginnende onderwijsprofessionals (U = 7,00, p = ,01).

  • Verschillende samenwerkingsmodi: empirisch werk identificeert drie mens–AI-samenwerkingsmodi voor probleemoplossing — Delegated Reasoning, Concerted Interpretation en Delegated Elaboration — en onthult een afweging tussen de efficiëntie van het gedistribueerde mens–AI-systeem en de diepte van de zelfregulerende betrokkenheid van lerenden (gedelegeerd redeneren presteert het best, maar met lagere zelf-regulatie).(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective)

  • Menselijke en AI-facilitatoren kunnen in gestructureerd debat perceptueel uitwisselbaar zijn, maar hergebruik berust op verschillende redenen. Kuhail et al. (2026) vervingen een menselijke moderator door een GPT-4-moderator (en weer terug) in 32 debatsessies van 32 STEM-studenten, en vonden geen statistisch significant verschil in effectiviteit, plezier, tevredenheid, nut of intentie om te gebruiken (t varieerde van 0,23 tot 1,30, p van 0,198 tot 0,818). Wat verschilde, was waarom studenten zouden terugkomen: onder AI-moderatie dreef waargenomen nut de intentie om te gebruiken (0,806, p = 0,004), terwijl tevredenheid die alleen onder menselijke moderatie dreef (0,556, p = 0,002). De auteurs lezen de vlakke vergelijking als normalisering in regelgebonden taken in plaats van als bewijs van gelijkwaardigheid, en bevelen aan menselijk toezicht te behouden om ethische en relationele redenen en tegelijk de bruikbaarheid van AI-gemodereerde activiteiten leesbaar te maken in plaats van op plezier te leunen. Omdat de studie alleen percepties mat, zegt ze niets over of studenten beter argumenteerden.

  • Wijs de taak toe voordat je die delegeert. Tsim en Gutoreva (2025) voegen een vierde zone — wat het model al weet — toe aan de ontwikkelingszones van de lerende, wat leidt tot Substitute-, Complement-, Aid- en Non-negotiable-toewijzingen, en stellen dat de modi automatisering, augmentatie en samenwerking verschillen naar locus of control en epistemische verantwoordelijkheid in plaats van naar toolsophisticatie.

  • Prompt engineering als pedagogisch denken, opgebouwd via lesson study. Robinson et al. (2026) volgden vijf docentenopleiders aan één instelling in de VAE door twee lesson study-cycli die 36 aanstaande docenten in secundair en primair rekenonderwijs bereikten, waarbij ze AI-ondersteunde lessen ontwierpen met ChatGPT (GPT-4o). De beweging die het werk deed, was de AI koppelen aan een disciplinair kader: aanstaande docenten genereerden een taak, beoordeelden de cognitieve vraag ervan tegen een aangepast Mathematical Task Analysis-kader en herschreven vervolgens hun prompt om de conceptuele diepte te verhogen, zodat de herziening in de wiskunde was verankerd en niet in toolkenmerken. Zestien van 26 analyseerbare prompts droegen conceptuele taakkenmerken, en de opleiders concludeerden dat prompt engineering 'geen technische vaardigheid is; het is een cognitieve'. Gerapporteerd leren steeg in de herziene les (5 van 7 aanstaande docenten in de eerste cyclus en 10 van 14 in de tweede meldden te hebben geleerd conceptuele van procedurele taken te onderscheiden), met de kanttekening dat AI om een conceptuelere taak vragen soms slechts een ingewikkelder taak opleverde. Voor faculty development luidt het argument dat er duurzaam collaboratief onderzoek naar echte lessen nodig is in plaats van losse toolworkshops.

  • Begeleiding beslist over prestatie versus leren: Wong en Qiu (2026) vergeleken vrije en begeleide mens–AI-samenwerking op een creatieve taak. Vrij samenwerken met ChatGPT leverde alleen tijdelijke prestatie op die instortte bij een latere taak zonder hulp, terwijl een begeleid protocol van 'eerst denken, dan ChatGPT' — eigen ideeën genereren en die vervolgens met ChatGPT verbeteren, ontwikkelen en evalueren — duurzame winst opleverde in onafhankelijke creativiteit. Het voordeel werd gemedieerd door samenwerkingsprompts gericht op het verbeteren van iemands eigen ideeën, wat laat zien dat wie genereert (de arbeidsdeling) voorspelt of samenwerking leren of vervanging oplevert.(Think First, ChatGPT Later: Guiding Human–AI Collaboration for Learning Gains in Independent Human Creativity)

  • AI als mediator, niet slechts als partner: Niari herconceptualiseert AI als een pedagogische mediator die interactie, epistemische betekenisgeving en regulerende processen orkestreert en agency, autoriteit en verantwoordelijkheid herverdeelt over menselijke en niet-menselijke actoren, in plaats van AI als tutor, medestudent of tool te behandelen.

  • De samenwerking van docenten met AI is ook gepatroond, niet binair. Wanneer docenten met generatieve AI lesontwerpen maken, neemt hun interactie empirisch onderscheidbare vormen aan. Choi et al. (2026) identificeerden zeven interactiepatronen tussen docent en AI — van directe adoptie en uitgewerkte adoptie van AI-output tot aanvankelijke afwijzing, herziene adoptie, vervolggestuurd gebruik, complexe interacties en AI omzeilen — waarbij de leservaring en AI-vaardigheid van een docent samen bepalen of die kritisch opnieuw prompt en AI aanpast aan studenten en context (een complementaire, gedistribueerde cognitie-arbeidsdeling) of suggesties passief accepteert (een AI-dominante verdeling).

  • De mediationele agent als een hybride vorm van participatie. In plaats van een middenpunt tussen tool en medewerker wordt generatieve AI geconceptualiseerd als een mediationele agent die handelen medieert terwijl ze contingente, niet-verantwoordbare bijdragen genereert — een aparte categorie die ontwerp verlegt van technologisch vermogen naar participatiegewoonten (superviserende agency, epistemische waakzaamheid).(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)

  • Gemeenschap en epistemische autoriteit: gemeenschapsgebaseerd AI-leren laat zien dat samenwerking ook een kwestie is van wie autoriteit heeft, en AI-betrokkenheid verankert in de geleefde epistemologieën van lerenden.

  • Datagedreven ontdekking van eigenschappen: Principal Trait Analysis (PTA) automatiseert het afleiden van interactie-'eigenschappen' uit grote Large Language Models (LLMs)-gesprekscorpora — een door PCA geïnspireerde pijplijn in vier fasen die gedragsobservaties extraheert, ze clustert tot kandidaateigenschappen, elke deelnemer scoort en de meest onderscheidende eigenschappen selecteert. Geëvalueerd op een student–AI-tutorcorpus en een ontwikkelaar–codeeragentcorpus vindt PTA eigenschappen die uitkomsten verklaren en voorspellen (bijvoorbeeld diepe conceptuele betrokkenheid positief, taakdelegatie negatief, in de onderwijssetting), en — omdat ze nog niet generaliseren over semesters en settings of leercurvetrajecten tonen — stellen de auteurs dat de eigenschappen nog niet als 'vaardigheden' interpreteerbaar zijn. Dit biedt een schaalbare, objectieve aanvulling op AI-geletterdheid-kaders en zelfrapportagemaatregelen, en is direct relevant voor hoe onderwijsprofessionals 'AI-gebruiksvaardigheden' onderwijzen.

  • De mens–AI-relatie als de meest hardnekkige zorg over CAI-generaties heen. De umbrella review van conversationele AI-agenten (Ganguly et al. 2025, 34 reviews) vindt dat zorgen over de mens–AI-relatie — overmatige afhankelijkheid, sociale isolatie, depersonalisatie, emotionele afhankelijkheid, transparantie, verantwoordingsplicht — de meest besproken ethische kwestie zijn over alle CAI-generaties heen, en dus vóór GenAI bestonden. Dit plaatst de vraag 'behouden versus vervangen' in het hart van CAI-ethiek en versterkt dat de waarde van samenwerking door ontwerp wordt bepaald (wie genereert, wie beslist, hoe verantwoordelijkheid wordt gedeeld).(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions for ethical and responsible use)

  • AI die realtime expertise naar beginners schaalt — de eerste RCT voor live-tutoring. Wang et al. (2024) voerden een gerandomiseerde trial uit (900 tutoren, ~1.800 K-12-leerlingen in gemeenschappen met minder voorzieningen) die AI aan de kant van de tutor plaatste in plaats van de student: Tutor CoPilot genereerde realtime expertachtige suggesties (gebouwd op hardop-denken van ervaren tutoren) die beginnende tutoren konden bewerken of afwijzen. Studenten van behandelde tutoren hadden 4 procentpunt meer kans om onderwerpen onder de knie te krijgen (p < 0,01), met 9 procentpunt winst bij studenten van de laagst beoordeelde tutoren — die op het niveau van de controleafkomsten van hoger beoordeelde tutoren kwamen — tegen ~$20 per tutor per jaar. De bevinding is een sterke empirische verankering van augmentatie van docenten en tutoren als een rechtvaardige modus van mens–AI-samenwerking: de mens behoudt pedagogisch oordeel en autonomie terwijl AI schaalbare expertise levert.

  • Begrensde experts: hoe docenten autoriteit met een AI verdelen. Reichert, Briceno, Tabarsi & Barnes (2026) voerden een participatief ontwerpstudie uit waarin zes middelbare docenten LLM-chatbots voor hun eigen klas prototypeden en analyseerden hoe autoriteit tussen docent en systeem moest worden verdeeld. Docenten kaderden de AI consequent als een begrensde expert - gespecialiseerd vermogen beperkt tot een strikt afgebakend domein en werkend onder menselijk toezicht - en splitsten die begrensdheid in twee dimensies: autoriteitsgrenzen, waar professionele en juridische verantwoordelijkheid voor leren en veiligheid van studenten niet kan worden gedelegeerd, en expertisegrenzen, waar het systeem de contextuele kennis van de docent over individuele studenten, klassendynamiek en institutionele normen mist. Het mappen van de prototypes op Gagné's negen instructiegebeurtenissen toonde aan dat delegatie selectief was in plaats van alles-of-niets: docenten verwelkomden AI voor het presenteren van content, het leveren van oefenproblemen, Scaffolding en formatieve Feedback, maar weigerden het informeren van studenten over doelen of summatieve beoordeling over te dragen. De ontwerplezing is dat een samenwerkingsinterface zichtbaar moet maken waar de mens de beslissende rol behoudt, niet slechts waar het model bekwaam is.

  • De rol moet zich aanpassen, niet alleen een label krijgen. Liao (2026) laat zien dat een vaste 'peer'-AI-metgezel langere boekgesprekken volhield maar het gesprek domineerde (lager aandeel woorden en zinnen van studenten) en een affectief plafond raakte, en betoogt dat samenwerking rol-adaptieve logica vereist — wisselen tussen peer, assistent en adviseur — in plaats van één statische persona.

  • Co-ontwerp en rolarchitectuur aan de docentkant zijn ook samenwerking. Naast partners voor studenten werken docenten met GenAI samen om instructie te ontwerpen. Wang et al. (2026) systematiseren het co-ontwerp van leertaken door docenten en AI en brengen de samenwerkingsmodi en spanningen (agency, epistemische autoriteit, controle) in kaart die ontstaan wanneer docenten en AI samen ontwerpen; Talebzadeh (2026) vindt dat de pedagogische expertise van docenten — niet AI-vlotheid — de kwaliteit bepaalt van door AI ontworpen gedifferentieerde groepsactiviteiten (rolrijkdom, synergie, niveau-afstemming), en positioneert de docent als een 'tweetalige leerontwerper'.

  • GenAI als agent en als samenwerkingsruimte in groepen. Xu et al. (2026) observeren kleine Higher Education-teams en laten zien dat de rol van GenAI wordt onderhandeld en configureerbaar is — van ondergeschikte assistent tot betwiste teamgenoot — en dat synchroon gedeeld gebruik gemeenschappelijke grond in stand houdt terwijl asynchroon privégebruik transparantie fragmentariseert; ze stellen een GenAI-Supported Cooperative Work-lens voor die GenAI zowel als agent als als interactieve samenwerkingsruimte behandelt.

  • Complementaire helften van klassensamenwerking. Twee studies uit 2026 brengen complementaire helften van mens–AI-samenwerking in de klas in kaart. MeduAI-SP (Yang et al.) pleit voor 'functionele complementariteit' in klinisch onderwijs: AI-agenten verzorgen repetitieve rollenspellen, consistente patiënt-simulatie, checklistmonitoring, Socratische prompting en voorlopige formatieve feedback, terwijl docenten en menselijke gestandaardiseerde patiënten contextuele interpretatie, genuanceerde emotionele respons, geïndividualiseerde remediatie, professionaliteitsbeoordeling en gereedheidsoordelen leveren — waarbij vervanging wordt begrensd door foutgevolgen, taakonzekerheid, relationele gevoeligheid en beschikbare menselijke review, en een AI-systeem expliciet wordt belet klinische competentie autonoom te bepalen. In de tegenovergestelde richting documenteert een ethisch groepsgesprek met 45 studenten, gemengd 3 menselijke en 3 agent-deelnemers (Seo et al., 2026), een tweesnijdend patroon: agenten verlaagden sociale drempels (deelnemers spraken directer omdat agenten geen emoties hebben en voelden geen verplichting stiltes te vullen), maar hetzelfde comfort leidde interactie weg van mensen — 79,7% van de vragen ging naar agenten tegenover de 60% die hun beschikbaarheid voorspelt (p = ,017). Opvallend is dat de aanwezigheid van andere mensen deelnemers de AI respectvoller deed behandelen, wat suggereert dat menselijke copresentie zelf een affordance is voor het kalibreren van AI-betrokkenheid.

  • Complementariteit is voorwaardelijk, geen standaardeigenschap van teams. Tuo et al. (2026) vonden dat mens–AI-teams slechts in één van zes condities zowel mensen als AI alleen versloegen — de uitdagende gevallen waarin de AI minder accuraat was dan de mensen — en rapporteerden elders geen consistent teamvoordeel, dus een AI-partner toevoegen is op zichzelf geen route naar complementaire prestatie.

  • Beroepsopleidingen verleggen training van routinematige productie naar samenwerkingscompetenties (een ontwerpprotocol): Wang (2026) stelt een ontwerpgebaseerd kader voor vertalersonderwijs voor, opgebouwd rond een taakverplaatsingsinventaris (18 subtaken beoordeeld op waarschijnlijkheid van AI-verplaatsing met [E]/[P]-herkomstaantekeningen) en vier verlegde competenties: crossdisciplinaire kennis, AI-orkestratie, strategisch oordeel en kritische AI-evaluatie. Het kader is een vooraf geregistreerd protocol zonder empirische data; de bijdrage is de methode — een auditabele verplaatsingsanalyse plus een co-ontwerppad voor curriculumhervorming — die overdraagbaar is naar elk beroepsprogramma waarvan agentieke systemen steeds vaker routinetaken uitvoeren.

  • Verstrengelingstypes verschillen in wat ze van de student vragen, en daarom blijven sommige zeldzaam. Sun, Dohn en Rehm (2026) classificeren 102 hogeronderwijsstudies naar hoe epistemisch werk tussen student en systeem wordt gedeeld (Assistant, Enabler, Synthesizer, Generator, Reimaginator) en vinden dat de twee vormen die competentie toerekenbaar houden aan de individuele student elk 42,16% van het corpus uitmaken, terwijl de vormen die auteurschap verdelen marginaal blijven. Hun verklaring is institutioneel in plaats van technisch: de zeldzame types vragen studenten epistemische verantwoordelijkheid te nemen voor output die ze niet hebben geproduceerd terwijl ze nog steeds als individuele auteurs worden beoordeeld, en het is die tegenstelling — niet de arbeidsdeling zelf — die hen buiten de praktijk houdt. De ontwerprespons is de verdeling van epistemisch werk expliciet maken, activiteiten over het spectrum sequentiëren en reflectie opbouwen over hoe verantwoordelijkheid werd gedeeld.

  • Een werk bezitten is niet hetzelfde als het auteurschap ervan dragen. Hong et al. (2026) benoemen een authorship legitimation deficit: iemand kan een output als de eigen ervaren en toch de auteursrol niet kunnen rechtvaardigen, omdat psychologisch eigenaarschap, het gevoel van Agency van de leerling en aanspreekbaarheid voor het vrijgeven van het werk afzonderlijke routes zijn die niet hoeven samen te vallen. Hun arbeidsnexus van auteurschap classificeert bijdragen rol voor rol, zodat één record tegelijk een redactionele claim kan ondersteunen en een claim van enige schepper kan falen. Het betoog is een conceptuele analyse zonder data en zonder getest model, dus het tekort is een voorgesteld construct waarvan de voorspellingen nog niet zijn getest.

  • Leiden, niet vertellen, vereist een eigen criterium om een agent te beoordelen. Een ontwerpcase die docentfacilitatie wilde spiegelen, vond dat een kennisagent die tot een gecureerde basis was begrensd op accuraatheid kon worden beoordeeld, terwijl een agent die studenten naar hun eigen antwoorden moest leiden dat niet kon (Humburg et al., 2025).

  • Partnerschap strekt zich uit tot het onderzoeksproces zelf, niet alleen tot studentleren — Potter et al. (2026) lieten GPT-4o codes en voorlopige thema's opstellen in een beveiligd RAG-platform, terwijl drie kernonderzoekers en twee externe validatoren de interpretatieve autoriteit behielden en vier definitieve thema's consolideerden. De hybride workflow herverdeelde het werk van onderzoekers in plaats van het weg te nemen.

Verbanden

Mens–AI-samenwerking hangt samen met Human-in-the-Loop (toezicht), Agentieke AI (autonomie), Lesgeven (het veranderende werk van docenten), Scaffolding en Metacognition (hoe samenwerking leren ondersteunt) en overmatige afhankelijkheid (de faalmodus wanneer samenwerking vervanging wordt). Het is een kernthema binnen AI-geletterdheid, Self-Regulated Learning en Student Experience.

Veelvoorkomende misverstanden

  • 'Samenwerking betekent dat de AI een deel van het werk doet.' De lerende behoudt de beslissende rol, en dat schaalt naar schrijven: Oppenheimer, Cash en Connell Pensky (2025) laten zien dat het standhoudt wanneer de regeling ervoor is ontworpen. Arbeidsdeling is geen samenwerking tenzij de mens het oordeel behoudt.
  • 'De AI doet de uitleg in een omgekeerde regeling.' Studenten die de AI onderwezen, legden beter uit — het definiëren van de flipped classroom op M = 4,18 tegenover 3,29, lesactiviteiten op M = 4,91 tegenover 3,06, beide p < 0,001. Het leren viel de uitlegger ten deel.
  • 'Menselijke en AI-bijdragen zijn substituten.' Twee studies uit 2026 brengen complementaire helften van klassensamenwerking in kaart, wat het ontwerpprobleem kadert als toewijzing in plaats van vervanging.

Verbonden concepten

Verbonden artikelen

Metadata

Leren en onderwijzenStudent-AI Interaction
Technologieën en techniekenGenerative AI, Large Language Models (LLMs)
Grondslagen van AI in het onderwijsMens–AI-samenwerking, AI-geletterdheid
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.