Misvattingen over AI

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

Misvattingen over AI — de onjuiste overtuigingen die mensen hebben over wat AI-systemen zijn, wat ze doen en wat het gebruik ervan betekent voor leren en werken. Misvattingen zijn niet één enkele onwaarheid maar een familie van kalibratiefouten die zich clusteren rond twee kernfouten: een verkeerde inschatting van wat het model is (autoriteit versus gereedschap, neutraal versus bevooroordeeld, begrijpen versus genereren) en een verkeerde inschatting van wat leren vereist (output versus proces). Ze leven niet alleen bij studenten maar ook bij docenten, bestuurders, beleidsmakers en het bredere publiek — en het corrigeren ervan is een kerndoel van AI-geletterdheid- en Trust Calibration-onderwijs.

Vragen om over na te denken

Veel mensen geloven dat het antwoord van een AI-chatbot een geverifieerd feit is, omdat het zelfverzekerd en vloeiend klinkt. De pagina noemt dit de 'autoriteitsdrogreden'. Hoe besluit je, wanneer je een door AI gegenereerde uitleg leest, of je die accepteert — en hoe vaak verifieer je die eigenlijk?
De misvatting 'leren is gelijk aan output' houdt in dat werk met AI produceren hetzelfde is als het hebben geleerd. Heb je ooit het gevoel gehad dat je iets 'leerde' door een tool de kladversie te laten schrijven? Wat ontbrak er daarna eigenlijk?
Mensen gaan er vaak van uit dat AI objectief en onbevooroordeeld is. De pagina noemt dit de 'neutraliteitsillusie' — modellen coderen de vooroordelen uit hun trainingsdata, wat in schrijfcontexten ideeën binnen een hele klas kan homogeniseren. Waar kan vooroordeel schuilen in een tool die neutraal aanvoelt?
Misvattingen over academische integriteit clusteren op twee uitersten: sommige studenten beschouwen AI-output als 'geen persoon kopiëren' en dus geoorloofd, terwijl anderen elk gebruik als fraude zien. Waar zou de grens volgens jou moeten liggen, en wie zou daarover moeten beslissen?
Een gangbare overtuiging is dat één query genoeg is en dat AI-output deterministisch is — dezelfde vraag levert altijd hetzelfde antwoord. De pagina beschrijft dit als de determinismefout. Hoe kan die misvatting iemand ertoe brengen één output te veel te vertrouwen?
Misvattingen worden beschreven als stabiel, plausibel en bestand tegen correctie — net als misvattingen in elk domein. Als simpelweg de waarheid vertellen zelden het denken van mensen verandert, hoe zou AI-geletterdheid dan eigenlijk moeten worden onderwezen?

Inleiding

Misvattingen over AI doen ertoe omdat ze de cognitieve voorloper zijn van de schadelijke gedragingen die de kennisbasis documenteert onder Overmatige afhankelijkheid en zorgen over academische integriteit. Mensen zijn zelden van plan AI te misbruiken; ze doen het omdat onnauwkeurige mentale modellen hen ertoe brengen vertrouwen verkeerd te plaatsen, verificatie over te slaan en output als begrip te behandelen. In het onderwijs bepalen deze fouten alles van hoe studenten studeren tot hoe docenten en instellingen curricula, toetsing en beleid ontwerpen.

Wat AI-misvattingen zijn

Een misvatting is hier niet louter onwetendheid over hoe een model werkt — het is een actief aangehouden, vaak zelfversterkende overtuiging die systematische fouten veroorzaakt in de manier waarop studenten met AI omgaan. Ze zijn direct vergelijkbaar met de domeinmisvattingen die in de leerwetenschap worden bestudeerd: stabiel, plausibel en bestand tegen correctie tot ze direct worden geconfronteerd. Het corrigeren ervan is een kerndoel van AI-geletterdheid- en Trust Calibration-onderwijs.

Veelvoorkomende misvattingen in academische contexten

De autoriteitsdrogreden — Large Language Models (LLMs)-output behandelen als een geverifieerd feit in plaats van een probabilistische aanvulling. Dit drijft kritiekloze acceptatie en het patroon waarbij antwoorden zoeken boven begrip gaat, zoals gedocumenteerd in onderzoek naar AI-tutoring, waar lerenden het antwoord van een model accepteren zonder het tegen hallucinatierisico te toetsen.
De illusie van de onafhankelijke controle — AI-feedback behandelen als een correctie van buitenaf, terwijl het model je eigen redenering weerspiegelt. De basisnauwkeurigheid van gebruikers was de sterkste voorspeller van de uiteindelijke prestatie, en sycophancy-specifieke prompting verminderde positionele nabootsing (OR = 0,26) maar liet foutpropagatie ongemoeid, dus training van de lerende is niet de waarborg (Koyuturk et al. (2026)).
Leren is gelijk aan output — geloven dat werk met AI produceren hetzelfde is als het hebben geleerd. Dit is precies de fout achter Overmatige afhankelijkheid: de processen van schrijven, herinneren en herzien die duurzame kennis opbouwen, worden uitbesteed.
De neutraliteitsillusie — aannemen dat AI objectief en onbevooroordeeld is. Studenten missen vaak dat modellen de vooroordelen van hun trainingsdata coderen en dat dit in schrijfonderwijs leidt tot homogenisering van ideeën binnen een cohort.
De grijze zone van integriteit — verkeerd inschatten of AI-gebruik aanvaardbaar is. Sommige studenten zien AI-output als "geen persoon kopiëren" en dus geoorloofd; anderen corrigeren te ver en vinden elk gebruik fraude. Institutionele inconsistentie voedt beide fouten.
Antropomorfisme — geloven dat het model intentie, geheugen en begrip heeft van hun context. Dat overmatige vertrouwen is academisch extra riskant, omdat studenten kunnen leunen op plausibel klinkende uitleg die het model niet werkelijk kan onderbouwen.
De determinismefout — verwachten dat één query genoeg is en niet beseffen dat output niet-deterministisch en promptgevoelig is. Die onderschatting produceert de "prompting-kloof", waarbij studenten oppervlakkige resultaten aanzien voor het plafond van de tool.
De verkeerde kalibratie van detectie — zowel institutionele detectie onderschatten als, belangrijker, de zelfschade van het inleveren van werk dat ze later niet kunnen uitleggen of verdedigen.
De efficiëntie-illusie — bespaarde tijd als pure winst zien, zonder te beseffen dat ongeoefende basisvaardigheden afnemen en dat beginners nog geen goede van slechte output kunnen onderscheiden.
De vriendelijkheid-veiligheidsillusie (kinderen) — geloven dat een vriendelijk lijkende AI inherent veilig is en minder geneigd te bespioneren. Leisten et al. (2026) ondervroegen 71 kinderen van 10–16 jaar (Mage = 12,90) en hielden zes focusgroepen (n = 36) rond de open-source sociale robot Blossom; ze vonden dat fundamentele AI-kennis betrouwbaar toenam met de leeftijd (M = 4,41 van 6; β = 0,17), terwijl veiligheidsattitudes ambivalent bleven (belang M = 2,51, huidige veiligheid M = 2,77 op een schaal van 1–4), samengevat in de overtuiging van een 12–13-jarige dat "misschien, als ze goede vrienden zijn, hij niet zo veel bespioneert" — naast de overtuiging dat de kennis van AI met één knopdruk kan worden gewist, dat hacken tot ontvoering leidt en dat "de wifi het brein in straalt."

De grijze zone van integriteit heeft een structuur, niet alleen twee uitersten. Interviews met 20 studenten, samen met hun chatlogs en cursusdocumenten, vonden vijf afzonderlijke plaatsen waar AI-beleid leeft, van de intentie van docenten via formeel beleid en het eigen beleid van studenten tot de feitelijke praktijk, plus 23 verschillende rationalisaties in zes klassen (Kim et al., 2026). De rationalisaties waren ad hoc en post hoc, samengesteld om gebruik te verklaren dat al had plaatsgevonden in plaats van het te sturen. Een strikt verbod voorkwam gebruik niet zozeer, maar versterkte het morele conflict bij studenten die wilden voldoen, wat het correctiedoel bij het beleid legt in plaats van bij de formulering van de regel.

Institutionele en publieke AI-mythes

Misvattingen blijven niet beperkt tot studenten — ze doordringen het institutionele en publieke AI-discours dat studenten erven. Rudolph et al. (2025) ontmantelen acht ingesleten "mythes" die het hogeronderwijsbeleid en -onderwijs vormgeven: dat AI werkelijk "kunstmatig" is (in plaats van gebouwd op uitgebuit mensenwerk), dat ze werkelijk "intelligent" en agentisch is, dat ze probleemloos "de wereld een betere plek maakt", dat ze "objectief en onbevooroordeeld" is, dat de VS een monopolie als enige supermacht heeft, dat ze de arbeidsmarkt niet zal verstoren, dat ze het hoger onderwijs "revolutioneert", en dat docenten AI-gegenereerd werk betrouwbaar kunnen detecteren. Deze institutionele mythes zijn de stroomopwaartse bron van veel hierboven gedocumenteerde studentenmisvattingen — het meest direct de neutraliteitsillusie ("AI is objectief") en de autoriteitsdrogreden ("AI is intelligent"), en de verkeerde kalibratie van detectie die studenten ertoe brengt aan te nemen dat ondetecteerbaar, niet-verifieerbaar gebruik veilig is. Waar studenten institutioneel herhaalde mythes opnemen en ernaar handelen, vereist correctie niet alleen confrontatie met de overtuiging van de lerende maar ook met het discours dat die voedt.

Waarom misvattingen ertoe doen voor leren

Misvattingen vertalen zich direct in de gedragingen die leerschade veroorzaken. De overtuiging dat "AI altijd gelijk heeft" onderdrukt verificatie; de overtuiging dat "AI gebruiken leren is" onderdrukt inspannende verwerking; de overtuiging dat "het geen fraude is" omzeilt de metacognitieve herziening die begrip consolideert. In die zin staan misvattingen stroomopwaarts van de leerschade die in de kennisbasis wordt gedocumenteerd.

De overtuiging dat AI gebruiken leren is, bestaat niet alleen vóór gebruik; de tool kan haar produceren. Kim et al. beschrijven een LLM-drogreden waarbij ondoorzichtige, vloeiende, onmiddellijke output wordt gelezen als bewijs van de eigen competentie van de gebruiker, zodat waargenomen en werkelijke bekwaamheid uiteenlopen met een marge die zij ΔC noemen. Omdat het mechanisme vloeiendheid en attributie-ambiguïteit is en niet fouten, blijft de drogreden bestaan of het model nu accuraat is of hallucineert, wat betekent dat een correct AI-ondersteund antwoord geen bewijs is dat de overtuiging is gecorrigeerd.

Misvattingen voorbij studenten: docenten, instellingen en het publiek

AI-misvattingen blijven niet beperkt tot lerenden — ze zijn alomtegenwoordig bij de volwassenen die het onderwijs vormgeven:

Docenten en hoogleraren kunnen het vermogen van AI om betrouwbaar te beoordelen of misbruik te detecteren overschatten, of de vooringenomenheid ervan onderschatten, wat leidt tot kritiekloze adoptie of reflexmatig verbieden. Die aanname van betrouwbaarheid is deels toetsbaar en deels onjuist: Humble (2026) voerde een red-team-oefening uit op een alledaagse AI-beoordelingsworkflow en vond dat instructies verborgen in een ingediend bestand het cijfer van een als onvoldoende beoordeeld essay verhoogden zonder zichtbare waarschuwing, in 9 van 9 iteraties voor de ene strategie en 17 van 18 voor de andere. Wanneer docenten de autoriteitsdrogreden over AI-output aanhouden, modelleren ze dezelfde kritiekloze houding die ze bij studenten zouden moeten corrigeren. Onderwijzers voorbereiden met accurate mentale modellen van AI is een voorwaarde voor verantwoorde AI-integratie en veilige pedagogiek.
Bestuurders en beleidsmakers erven en verspreiden institutionele mythes — dat AI "objectief" is, dat ze het onderwijs "revolutioneert", of dat detectietools betrouwbaar zijn — die vervolgens beleid, inkoop en toetsingsregels vormgeven. Het vertrouwen dat studenten ontwikkelen is deels een product van de institutionele framing die ze erven.
Het algemene publiek neemt mediabeelden en leveranciersverhalen over de capaciteiten en risico's van AI op. Omdat studenten binnen dit discours leren, worden publieke mythes het substraat waaruit studentenmisvattingen groeien. AI-misvattingen corrigeren is daarom een AI-geletterdheid-taak die op het hele onderwijsecosysteem is gericht, niet alleen op lerenden.

Die breedte is waarom de kennisbasis misvattingen behandelt als een doorsnijdend grondthema in plaats van een puur studentgericht thema: dezelfde kalibratiefouten komen terug bij lerenden, docenten, instellingen en het publiek, en het corrigeren ervan vereist confrontatie met zowel individuele overtuigingen als het discours dat die voedt.

Pedagogische misvattingen van docenten zijn hiervan het spiegelbeeld: geen misverstanden over AI, maar niet door bewijs ondersteunde overtuigingen over lesgeven die voortbestaan ongeacht AI. Miranda en Calvani (2026) meten dit met de Effective Teaching Questionnaire, waarin 50 binaire items zijn gekoppeld aan meta-analytische effectgroottes (d ≥ 0,40), zodat het antwoord van een docent kan worden vergeleken met een evidence-based benchmark — en hun bevinding is dat de misvattingen diep en specifiek zijn. Een pilot met 123 onderwijzers in Italië vond de scherpste onenigheid bij de claim over leerstijlen (78% van de docenten verdedigde visueel/auditief matchen), daarna bij inclusie en groepswerk (68%) en EdTech-overload (54%); de gemiddelde aansluiting lag rond 50% op de dimensies planning, cognitie, evaluatie en management. Twee details zijn van belang voor het ontwerpen van correcties. Ten eerste overleven de misvattingen de universitaire opleiding en de onderwijspraktijk — de auteurs beschrijven een "geïnternaliseerd gezond verstand" dat "voorafgaat aan de intrede in de school" en blijft bestaan — dus het zijn geen kennislacunes die een hoorcollege dicht. Ten tweede, toen een conversationele AI dezelfde items pas opnieuw introduceerde nadat de eigen context van de docent was gevalideerd, verwees 41% van de bezwaren naar echte contextuele beperkingen — klassengrootte, studenten met speciale behoeften, curriculumdekking — in plaats van naar het bewijs zelf. Nog eens 5,9% noemde het systeem "een algoritmische dogmamachine": de grensconditie waarin normatieve framing verdediging kweekt in plaats van reflectie. Voor de ontwikkeling van AI-competentie van docenten betekent dit dat diagnostiek plus dialoog kan blootleggen welke overtuigingen evidence-based meningsverschil zijn en welke misvatting — een onderscheid dat een score alleen niet kan maken.

Misvattingen corrigeren

Correctie is geen eenmalige onthulling maar een doorlopend AI-geletterdheid-proces dat metacognitie en zelfregulerend leren ontwikkelt: studenten (en de volwassenen om hen heen) helpen hun afhankelijkheid te monitoren, te kalibreren wanneer ze een model moeten vertrouwen en wanneer ze het moeten bevragen, en de kosten te zien van het omzeilen van hun eigen cognitieve werk. Omdat misvattingen weerbarstig zijn, kunnen ze het best worden aangepakt door directe confrontatie met bewijs — inclusief de bevinding dat studenten de leerschade van AI-misbruik vaak niet waarnemen.

Weerleggingstekst is een kerntechniek voor correctie. Omdat misvattingen actief worden aangehouden en weerbarstig zijn, is de meest directe evidence-based strategie de weerleggingstekst — een instructietekst die de misvatting formuleert, haar expliciet weerlegt en de juiste opvatting presenteert. Dit is dezelfde familie van technieken die wordt gebruikt om de domeinmisvattingen uit de leerwetenschap te corrigeren, hier toegepast op de overtuigingen van studenten over AI zelf. De Refutation Text-pagina van de kennisbasis synthetiseert hoe dit in AI in het onderwijs uitpakt op drie complementaire manieren:

AI als de corrector. Conversationele AI-tutors kunnen gepersonaliseerde weerlegging leveren en de weerlegging ter plekke aanpassen aan de specifieke misvatting van een lerende. Corbett & Tangen (2026) vonden dat gepersonaliseerde AI-dialoog een grotere en snellere afname van overtuigingen opleverde dan statische weerlegging in leerboekstijl, met hogere betrokkenheid en vertrouwen — hoewel het voordeel na twee maanden zonder versterking wegebde.
AI als generator van weerleggingsinhoud. Akdoğan (2025) vond dat door AI gegenereerde conceptual-change/weerleggingstekst de kwaliteit van experts evenaarde (en beide presteerden beter dan een geprompte interactieve dialoog in die bètacontext), wat aantoont dat AI op schaal effectieve correctiematerialen kan produceren.
Door AI gegenereerde misvattingen als leermiddel. In plaats van door AI gegenereerde misvattingen louter als schadelijk te behandelen, stellen Cheah et al. (2026) voor om misvattingen te genereren en ze via gestructureerde peerdiscussie te behandelen — een collaboratieve vorm van weerlegging die conceptuele verandering en kritisch denken bevordert.

Voor misvattingen over AI betekent dit dat correctie directe confrontatie (weerleggingsmaterialen die specifieke mythes benoemen en weerleggen) moet combineren met ondersteunde oefening — met AI-geletterdheid-onderwijs en metacognitie om mensen zowel de valse overtuiging als het juiste model te laten zien. Het bewijs waarschuwt dat de vorm ertoe doet: gepersonaliseerde, interactieve correctie is boeiender en aanvankelijk effectiever, maar heeft versterking nodig om te beklijven; en de gemeten uitkomst (kennis versus attitudes versus vaardigheden) bepaalt hoe groot een correctie-effect lijkt. Omdat misvattingen lerenden en de volwassenen die leren vormgeven omspannen, moet effectieve correctie docenten, bestuurders en beleidsmakers net zo goed bereiken als studenten.

Bernstein en Sibia (2026) laten zien dat door GenAI gegenereerde analogieën structurele misvattingen introduceren die alleen domeinkennis van de bron kan vangen (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education): een analogie van een rondgaande route voor een linked list impliceert een lus terug naar het begin, en een badmintonrally-analogie voor recursie bevat geen gegarandeerd krimpende invoer. Studenten die het brondomein kenden, identificeerden deze gebreken en stelden reparaties voor, terwijl deelnemers opmerkten dat een gebrekkige analogie toch memorabel kan zijn — wat aangeeft dat een vertrouwde analogiebron lerenden kan helpen een door AI geproduceerde misvatting te detecteren in plaats van op te nemen, en dat het framen van gebreken als bewuste artefacten voor kritiek het risico in een toetsingskans verandert.

Door modellen gegenereerde misvattingen zijn een meetbare capaciteit, geen ongeluk. Miličević et al. (2026) bouwden SocraticTrap-CS, dat zeven open-weight modellen opdroeg een "Socratische val" te schrijven voor 35 kernconcepten uit de informatica — een uitleg die vloeiend en gezaghebbend is maar op een subtiele, domeinspecifieke fout berust. Van 241 gepromptde segmenten werden 221 (91,7%) door meerderheidsstemming van experts bevestigd als strategische misvattingen (Fleiss' κ = 0,9487), zonder significante verschillen tussen informatica-domeinen; 66,5% van de bevestigde fouten was conceptueel in plaats van feitelijk en geen enkele was puur logisch. Vloeiendheid is het mechanisme, niet de verdediging: overtuigingskracht gemiddeld 3,71 op een vijfpuntschaal en sterk modelafhankelijk, en frequentie en ernst vielen uiteen, waarbij de twee modellen die het vaakst vallen produceerden, ook het overtuigendst werden beoordeeld. Omdat een slecht geformuleerde vraag van een student zelf als adversarial prompt kan werken, behandelen de auteurs het percentage als een capaciteit onder adversarial prompting in plaats van als een basisratio voor gewone studiesessies — en stellen ze dat de AI-geletterdheid-taak verschuift van factchecking van individuele uitspraken naar conceptuele verificatie en validatie van mentale modellen. Dit is de donkerdere kant van het generatieve gebruik hierboven: dezelfde capaciteit die productieve peerdiscussie kan zaaien, kan ook een fout verankeren die een lerende al aan het vormen was.

Weerleggende correcties voor veelvoorkomende AI-misvattingen

Omdat misvattingen actief worden aangehouden en weerbarstig zijn, is de meest directe manier om ze aan te pakken — ook op deze pagina — de structuur van de weerleggingstekst: benoem de misvatting, weerleg haar expliciet en formuleer de juiste opvatting. De onderstaande items passen die structuur toe op de meest ingrijpende misvattingen over AI en over leren, lesgeven en onderwijs:

"AI heeft altijd gelijk." Dat is een misvatting. AI-output is een probabilistische aanvulling, geen geverifieerd feit. De correctie: LLM's genereren plausibel klinkende tekst op basis van statistische patronen; ze kunnen hallucineren, bevooroordeeld zijn en met vertrouwen ongelijk hebben. Behandel output als een kladversie die tegen bronnen moet worden gecontroleerd, niet als een autoriteit die moet worden aanvaard. Dit is de kern van Trust Calibration en de reden waarom "altijd verifiëren" het wint van "altijd vertrouwen".

"AI gebruiken is leren." Dat is een misvatting. Werk met AI produceren is niet hetzelfde als de kennis of vaardigheid verwerven die het werk geacht wordt aan te tonen. De correctie: duurzaam leren gebeurt via de inspannende processen van schrijven, herinneren, herzien en metacognitief terugblikken — precies de processen die uitbesteding aan AI kortsluit. Gebruik AI als gereedschap naast die inspanning, niet als vervanging ervan.

"AI is neutraal en objectief." Dat is een misvatting. Modellen erven de vooroordelen, lacunes en perspectieven van hun trainingsdata. De correctie: AI kan vooroordeel reproduceren en versterken; benader haar output met dezelfde brongerichte scepsis die je op elke andere tekst zou toepassen. Bewustzijn hiervan is deel van AI-geletterdheid en helpt de rechtvaardigheidsschade van kritiekloze adoptie tegen te gaan.

"AI vervangt docenten." Dat is een misvatting. AI versterkt maar verdringt niet het pedagogische werk van docenten — oordeel, contextualisering en de relationele en ethische dimensies van lesgeven. De correctie: AI vergroot de behoefte aan pedagogische bemiddeling en kritisch oordeel; docenten die AI begrijpen worden effectiever, niet overbodig. Deze herformulering is van belang omdat ze bepaalt of instellingen investeren in AI-competentie van docenten of reflexmatig weerstand bieden of te veel adopteren.

"AI begrijpt zoals een mens." Dat is een misvatting. Modellen hebben geen intentie, geen geheugen van jou en geen werkelijk begrip van je context. De correctie: antropomorfiseren van AI leidt tot overmatig vertrouwen en tot vertrouwen op uitleg die het model niet werkelijk kan onderbouwen. Houd de grens helder: AI is een krachtig gereedschap, geen geest.

"AI zal het onderwijs automatisch transformeren." Dat is een misvatting. Technologie alleen verandert leren niet; de pedagogiek eromheen doet dat. De correctie: de voordelen van AI hangen af van bewust instructioneel ontwerp, voorbereiding van docenten en institutionele ondersteuning — niet van het simpelweg inzetten van de tool. Daarom doen bewijs en rigoureuze evaluatie ertoe, en daarom behandelt de kennisbasis verantwoord AI-gebruik als een kwestie van AI Governance en beleid in plaats van een puur technische.

"Één prompt zou me het antwoord moeten geven." Dat is een misvatting. Output is niet-deterministisch en promptgevoelig. De correctie: verwacht te itereren, te verfijnen en kruiselingse verificatie toe te passen; de "prompting-kloof" — oppervlakkige eerste resultaten aanzien voor het plafond van de tool — is een vaardigheidsprobleem, geen toolbeperking. Dit ontwikkelen is deel van Prompt Engineering.

"Het is geen fraude als een persoon het niet heeft geschreven." Dat is een misvatting. Academische integriteit gaat over de eerlijke, toerekenbare productie van werk, niet alleen over het niet kopiëren van een persoon. De correctie: een niet-gemelde AI-gegenereerde inzending kan Academische integriteit schenden zelfs wanneer geen mens is gekopieerd; de vraag is of het werk werkelijk van de lerende is. Bij twijfel: meld het en controleer het beleid van je instelling.

Deze weerleggingen zijn bewust in de vorm van een weerleggingstekst geschreven, zodat ze zelf kunnen worden gebruikt (of aangepast tot interactieve AI-dialoog) om misvattingen over AI — en breder over leren, lesgeven en onderwijs — te confronteren en te corrigeren.

Veelvoorkomende misvattingen

"Misvattingen van docenten zijn te corrigeren door bewijs te presenteren." In een pilot met 123 Italiaanse onderwijzers clusterde de onenigheid het sterkst bij cognitieve leerstijlen (78% van de docenten verdedigde visueel/auditief matchen), inclusie en groepswerk (68%) en EdTech-overload (54%). De sterkste meningsverschillen waren juist degenen die het meest weerbarstig tegen bewijs waren, en daarom verslaat weerlegging de bewering.
"Bezwaren van docenten tegen bewijs zijn allemaal weerstand." Toen dezelfde items werden aangeboden via een conversationele AI die de context van de docent valideerde voordat het bewijs opnieuw werd geïntroduceerd, betrof 41% van de bezwaren echte contextuele beperkingen — klassengrootte, speciale behoeften, curriculumseisen. Een substantieel deel van de schijnbare misvatting was een accurate tegenwerping.
"Misvattingen zijn betrouwbaar uit dialoog te detecteren." Van 241 gepromptde segmenten werden 221 (91,7%) door meerderheidsstemming van experts bevestigd als strategische misvattingen (Fleiss' κ = 0,9487), met geen significante verschillen tussen groepen. Hoge betrouwbaarheid is haalbaar onder expertadjudicatie, en dat is de voorwaarde waarvan de claim afhangt.

Gerelateerde concepten

Pedagogical Patterns — De conceptuele-veranderingssequenties die een specifieke aangehouden overtuiging confronteren
Learners — Lerenden: het overkoepelende begrip voor de concepten aan de lerendenkant
AI-geletterdheid
Trust Calibration
Cognitieve offloading
Metacognition
Self-Regulated Learning
Academische integriteit
Hallucination Risk
Generative AI
Student Experience
AI-gebruik voor leerlingen kaderen
Refutation Text
Lesgeven
Educational AI Policy
Trust

Gerelateerde FAQ's

Hoe kunnen we veelvoorkomende misverstanden over AI in het onderwijs aanpakken?

Metadata

Beoogde doelgroep	Learners, Instructors
Leren en onderwijzen	Metacognition
Technologieën en technieken	Generative AI
Gelijkheid, ethiek en verantwoord gebruik	Trust Calibration
Grondslagen van AI in het onderwijs	Academische integriteit, AI-geletterdheid, Cognitieve offloading, Lesgeven

Bron Geschiedenis Bewerken Chat