AI-competentie van docenten

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

AI-competentie van docenten - de kennis, vaardigheden en disposities die docenten nodig hebben om AI effectief, ethisch en rechtvaardig in lesgeven en leren te integreren. Zij reikt verder dan technisch toolgebruik en omvat pedagogische integratie, beoordelingsgeletterdheid, ethisch oordeel en het vertrouwen om AI goed te gebruiken. AI-competentie van docenten is de tegenhanger aan de docentkant van AI-geletterdheid, en wordt ontwikkeld via professionalisering. Zij is centraal in hoe de rol van de docent verandert in AI-versterkte klaslokalen.

Vragen om over na te denken

• De pagina betoogt dat de docent 'de beslissende factor' is voor de vraag of AI het leren verbetert - dat tools alleen helpen wanneer docenten erop kunnen plannen, gebruik kunnen ondersteunen en output kunnen evalueren. Komt dat overeen met uw ervaring, of vindt u dat de tool zelf belangrijker is dan de docent?
• AI-competentie van docenten omvat technische bekwaamheid, pedagogische integratie, beoordelingsgeletterdheid en ethisch oordeel. Wat van deze ontbreekt volgens u het meest bij docenten, en wat is het moeilijkst aan te leren?
• Het onderzoek documenteert een kloof tussen de zelf waargenomen en de werkelijke AI-vaardigheid van docenten. Waarom overschatten mensen hun gereedheid volgens u, en wat zou nodig zijn om die kloof eerlijk te dichten?
• Een intensief professionaliseringstraject leverde in het aangehaalde onderzoek grote winst in pedagogische AI-vaardigheid op, wat suggereert dat technisch-pedagogische vaardigheid trainbaar is. Als dat waar is, waarom lijken zoveel docenten dan nog steeds onvoorbereid - wat staat er in de weg?
• Als een docent 'AI goed kan gebruiken', wat betekent 'goed' dan voor u - en hoe zou u weten dat een docent dat heeft bereikt in plaats van alleen de tool te hebben geadopteerd?

Inleiding

AI-competentie van docenten is belangrijk omdat de docent de beslissende factor is voor de vraag of AI het leren verbetert. Onderzoek toont consistent aan dat AI-tools zich alleen in betere uitkomsten vertalen wanneer docenten erop kunnen plannen, het gebruik door studenten kunnen ondersteunen, output kunnen evalueren en alles in samenhangend onderwijs kunnen integreren. De literatuur in de kennisbank onderzoekt de dimensies van deze competentie, de kloven tussen zelfperceptie en werkelijke vaardigheid, en de professionalisering die haar opbouwt.

Nunez-Canal et al. (2026) verbinden AI-competentie van faculteiten direct met studentuitkomsten, met behulp van human capital- en stakeholder-theorieën op een enquête onder docenten bedrijfskunde en economie om te betogen dat investering van universiteiten in de competentie van hun faculteit niet facultatief is.

• Prompttraining levert tijd op, geen beter materiaal. In een vooraf geregistreerde RCT met 204 docenten vonden Appel, Fervers en Piepenburg (2026) dat ChatGPT de kwaliteit van lesvoorbereidingsmateriaal verbeterde en de voorbereidingstijd met 34% verkortte, terwijl eerdere AI-training een verdere tijdsreductie van 21% opleverde zonder de beoordeelde kwaliteit te verbeteren (Appel et al., 2026). Getrainde docenten schreven langere prompts en itereerden minder; beide routes bereikten gelijke kwaliteit.

Kerndimensies van de competentie

Het onderzoek in de kennisbank komt uit op verschillende onderling verbonden dimensies:

• Technische bekwaamheid: het schrijven van effectieve prompts voor onderwijsdoelen, het evalueren van AI-tools op pedagogische geschiktheid en veiligheid, en het in realtime oplossen van storingen. Een intensief GenAI-professionaliseringstraject documenteerde significante winst op alle vijf AI-PCK-componenten (overall d = 2,36), wat aantoont dat technisch-pedagogische vaardigheid trainbaar is.

• Agentworkflows specificeren: wanneer docenten een chatbot in natuurlijke taal configureren, is het dominante falen verloren bedoeling in plaats van onjuiste feiten - bots sloegen vereiste workflowstappen over in 53,8% van de gesprekken met eindgebruikers en lieten het instellen van verwachtingen weg in 33,4% (Liu et al. (2026)), dus het schrijven van geordende, expliciete stappen is een op zichzelf trainbare competentiedimensie.

• Pedagogische kennis is de beslissende laag. Een cross-levelstudie naar AI-onderwijs in het voortgezet onderwijs (46 docenten, 2.832 studenten) vond dat technische AI-kennis alleen onvoldoende was - en zelfs enigszins de perceptie van studenten van AI voor het maatschappelijk goede kon verlagen - terwijl pedagogische AI-kennis de percepties van studenten en hun intentie om AI te leren aanstuurde. Competentiekaders moeten pedagogische AI-kennis daarom als de spildimensie wegen, niet als een zachte toevoeging.

• Pedagogische integratie: AI-gebruik koppelen aan leerdoelen, Scaffolding ontwerpen die de metacognitie en zelf-AI Regulation in Education van studenten ondersteunt, en AI integreren in onderwijsontwerp. AI-TPACK-onderzoek modelleert hoe docenten technologische, pedagogische en inhoudelijke kennis combineren via multi-agent-workflows, terwijl een vijfledig kader voor docent-AI-samenwerking (transactioneel → synergetisch) vat hoe GenAI docentcompetentie kan vervangen, aanvullen of versterken.

• Beoordelingsgeletterdheid: het evalueren van door AI gegenereerde inhoud en AI-output van studenten, en het begrijpen hoe validiteit verschuift wanneer studenten AI gebruiken. Dit sluit aan bij Automated Assessment, AI Detection en de bredere agenda voor herontwerp van Assessment. Voor aanbevelingssystemen strekt dit zich uit tot het beoordelen of de uitleg van een AI werkelijk begrijpelijk en pedagogisch betekenisvol is: Feldman-Maggor et al. (2025) vonden dat docenten AI-groeperingsaanbevelingen meer vertrouwden wanneer uitleg in domeintaal (curriculumtaal) was geformuleerd dan wanneer zij ruwe modelfeatures blootlegde - een vaardigheid in het eisen en beoordelen van kwaliteit van uitleg in plaats van het accepteren van ondoorzichtige output.

• Modelkeuze en promptontwerp als aantoonbare vaardigheden: instrumentele AI-geletterdheid omvat weten welk model te gebruiken en hoe de taak te formuleren. Jacobsen et al. (2026) lieten de lesplanningsdoelen van 153 aanstaande docenten bekritiseren door ChatGPT-4, Claude 3 en Gemini Advanced onder vier systematisch gevarieerde prompts (N = 240 feedbacks in studie 1, 345 in studie 2), waarbij Feedback op negen kwaliteitscategorieën werd beoordeeld. Modelkeuze alleen verklaarde 26,9% van de variantie in beoordeelde kwaliteit (18,4% in studie 2) en promptontwerp voegde daar significant 15,9% (5,7%) aan toe; het enige beslissende promptkenmerk was domeinspecifieke technische taal, waarvan het verwijderen de kwaliteit significant verlaagde (β = −0,412), terwijl het toevoegen van voorbeelden en het weglaten van de chain-of-thought-instructie in studie 1 geen significant verschil maakten. Hun lezing - dat vakterminologie zowel relevante inhoud uit de trainingsdata ontsluit als het verzoek professioneel kadert, zoals bij role prompting - plus een vuistregel om het meest capabele actuele frontiermodel te gebruiken, maakt modelkeuze een didactische beslissing in plaats van een technische.

• Ethisch en kritisch gebruik: bias herkennen in AI-output, studentgegevens beschermen (Privacy) en rechtvaardige uitkomsten waarborgen (Equity). Cultureel relevant AI-gebruik onderzoekt hoe docenten LLM's kunnen gebruiken om materiaal te diversifiëren in plaats van dominante normen te versterken.

• Ethische verantwoordelijkheid is verdeeld, niet individueel. Over zeven nationale cases worden docenten gepositioneerd als morele poortwachters van AI-gebruik terwijl zij institutionele en epistemische steun missen, dus ethische AI-geletterdheid moet zich uitstrekken tot kritische en politieke agency in plaats van technische vaardigheid (Raffaghelli et al. (2026)).

• Vertrouwen en houdingen: het vertrouwen van docenten vormt de adoptie. Adoptieonderzoek vindt dat vertrouwen, steun en waargenomen nut bepalen of docenten AI werkelijk gebruiken, en orientaties van faculteiten vormen adoptie in onderzoek en onderwijs.

• In een vijf landenomvattende enquête onder 1.405 K-12-docenten voorspelde AI-gereedheid positieve overtuigingen over de onderwijswaarde van GenAI (B = ,59, R² = ,50) maar voorspelde zij meer zorg over creativiteit (B = ,18), en dezelfde voorspellers verklaarden slechts 7% en 6% van de zorg - het opbouwen van gereedheid alleen laat de zorg onaangeroerd (Xiu et al. (2026)).

Gereedheid moet daarom geordend en overeenkomstig gemeten worden: het Capability-Decision Model plaatst aangetoonde AI-bekwaamheid stroomopwaarts van houding en vertrouwen en stelt prestatie-indicatoren voor in plaats van alleen zelfrapportage - lesontwerptaken, promptevaluatietaken met ingebouwde fouten, inhoudsvaliditeitsoordelen en rubrieken voor klasartefacten (Mnguni (2026)).

Emotionele en morele gereedheid is een afzonderlijke dimensie. Vassallo (2026) enquêteerde het academisch personeel van een Maltese universiteit (109 respondenten) en bouwde een AI Guilt Index (α = 0,88) uit vier morele-emotie-items, met de bevinding dat anticipatoire schuld zwaarder woog dan berouw na gebruik: de sterkste instemming betrof de zorg dat AI-gebruik iemands geloofwaardigheid ondermijnt (34,9% eens), gevolgd door het gevoel dat men fraudeert bij gebruik (25,7%), terwijl berouw na gebruik slechts 9,2% trok. De bevindingen die voor competentiekaders van belang zijn, zijn dat niet-gebruikers hogere schuld meldden dan gebruikers (M = 3,25 vs M = 2,32) en dat schuld daalde naarmate de loopbaanzekerheid steeg - academici aan het begin van hun loopbaan meldden de meeste (M = 2,71) en senioren de minste (M = 2,03). Emotionele gereedheid wordt dus niet gevangen door vaardigheids- of vertrouwensmaten, en het artikel betoogt dat competentiekaders schuld en identiteitszorg moeten behandelen als normale overgangsreacties in plaats van als fouten die moeten worden gecorrigeerd.

Een sterkere versie van die herformulering houdt dat GenAI een drempelconcept is in plaats van een vaardigheidstekort: een auto-etnografisch verslag betoogt dat angst en weerstand bij faculteiten constitutief zijn voor het overschrijden van een drempel, zodat vaardigheidstraining faalt en principieel niet-adopteren moet worden gerespecteerd in plaats van gecorrigeerd (Laidlaw (2026)).

De competentiekloof

Een centrale bevinding is de kloof tussen zelfgerapporteerde en prestatiegebaseerde competentie. Onderzoek naar AI-geletterdheidsmeting documenteert een substantiële discrepantie (tot ongeveer 40%) tussen wat docenten denken te kunnen en wat zij werkelijk kunnen aantonen - docenten die vertrouwen hebben in AI-vaardigheden missen vaak fundamentele prompt- en evaluatievaardigheden. Dit motiveert prestatiegebaseerde beoordeling van docentcompetentie in plaats van vertrouwen op zelfrapportage, en sluit aan bij gekalibreerde zelfbeoordeling. Een nationale enquête onder 2.586 Nigeriaanse docenten in het voortgezet onderwijs mat de twee kanten met afzonderlijke instrumenten - gematigde AI-bewustzijn (M = 3,13 van 8) tegenover lagere pedagogische AI-vaardigheid (M = 2,47 van 5) - waarbij docenten aan het begin en midden van hun loopbaan hogere vaardigheid meldden dan ervaren collega's (Olurinola et al., 2026).

Gereedheid is het meest gedocumenteerde obstakel in de wiskundeliteratuur. Een review van 54 studies naar wiskundeonderwijs vond technologisch-pedagogische integratie en docentgereedheid de meest gerapporteerde uitdaging (38 van 54), vóór beoordelingsvaliditeit en integriteit (26) en overafhankelijkheid (24) (Manto et al. (2026)).

De kloof zit niet alleen tussen waargenomen en werkelijke vaardigheid, maar ook in de breedte van wat docenten weten: een nationale enquête onder 2.018 Oekraïense docenten in het voortgezet onderwijs vond dat 84% meldde AI in de beroepspraktijk te gebruiken, terwijl slechts 11% een gespecialiseerde AI-dienst buiten ChatGPT kon noemen (Marienko, Markova & Semerikov (2026)). Een tweede smalheid blijkt uit wat docenten zelf aandragen in plaats van wat zij kunnen benoemen: 53 docenten in dienst tagden hun eigen klaspraktijkgevallen tegen het OECD AI Literacy Framework en beschreven 43 AI-geletterde praktijken tegenover slechts 10 mislukkingen (Wang et al., 2026). Hun competentiekeuzes clusterden rond praktisch oordeel (evalueren van AI-output, N = 38) en reikten zelden tot maatschappelijke bias (N = 5), ethische afstemming (N = 6) of het energieverbruik van AI (N = 9).

Een enquête onder 132 docenten in Indonesië vond bijna universele acceptatie naast een dun mechanistisch begrip: 96,2% onderschreef AI-gebruik door docenten, maar slechts 4,6% noemde tokenisering of decoding en 21,5% meende dat ChatGPT een database of het internet doorzocht (Aji et al. (2026)). Een gunstige houding is geen bewijs van een werkbaar mentaal model van de tool.

De kloof is zichtbaar in het artefact evenzeer als in de zelfrapportage. Een cross-institutionele samenwerking van faculteiten in de lerarenopleiding, waarin lerarenopleiders AI in hun eigen vakdidactiekvakken ontwierpen, meldde dat kandidaten gepolijste AI-ondersteunde lesplannen konden produceren terwijl zij niet konden uitleggen waarom een plan bij de lerenden en de standaarden paste, aangezien het plan zelf niets zegt over de redenering erachter. De rechtvaardiging beoordelen in plaats van het product is één antwoord. Het kader van pedagogieën-van-de-praktijk suggereert een ander, door repetitie te behandelen als benadering van de praktijk: AI-gemedieerde repetitie met gestructureerde feedback na de repetitie verhoogde het gebruik van doorvragende en verkennende vragen door kandidaten, maar de eigen oordelen van kandidaten over hun prestatie bleven afwijken van wat waarnemers registreerden.

Een dalende zelfbeoordeling na training kan leren signaleren in plaats van verlies. In een zes maanden durend Intelligent-TPACK-professionaliseringstraject met 64 docenten van een Hongkongse universiteit tegen 61 controles steeg de algehele AI-competentie met ongeveer een halve standaardafwijking (Cohen's d = −,521), terwijl sommige docenten in beide groepen bij de nameting lager scoorden dan bij de voormeting (Tan, Cheng & Ling, 2025). Interviews schreven de dalingen toe aan een verschuiving van onbewuste naar bewuste onbekwaamheid - de herkalibratie die het Dunning-Kruger-effect voorspelt - in plaats van aan verloren vaardigheid. De auteurs concluderen dat zelfrapportage voor en na een interventie die interventie onderschat, omdat een deel van de winst binnenkomt als een neerwaartse correctie in het instrument zelf.

De kloof blijkt ook uit niet-deelname. Watson & Rainie (2026) enquêteerden eind 2025 1.057 Amerikaanse universitaire docenten en vonden dat 26% helemaal geen generatieve AI-tools gebruikt, waarbij een derde ervoor kiest ze niet voor lesgeven te gebruiken en niet-gebruik geconcentreerd is in de kunsten en geesteswetenschappen (40%). De institutionele kant van de kloof was groter dan de individuele: 68% zei dat hun instelling de faculteit niet had voorbereid op het gebruik van generatieve AI voor lesgeven en begeleiden, en docenten noemden weerstand van collega's (82%) en onbekendheid (83%) als de belangrijkste obstakels voor adoptie binnen de afdeling - een beeld waarin capaciteitsopbouw, groepsnormen en beleid alle drie samen moeten bewegen.

De initiële opleiding gaat grotendeels om de ethische dimensie van de competentie heen. Een systematische review van AI in de initiële lerarenopleiding voor aanstaande docenten basisonderwijs in wiskunde (Pinto et al. 2026, 11 studies geselecteerd uit 341 records) vond dat de interventies zich concentreerden op technische en pedagogische winst op korte termijn, met negen van de elf korte interventies van één tot zes sessies, en rapporteerde dat ethiek in slechts drie van de elf studies aan de orde kwam. De competentiekaders noemen ethisch oordeel als dimensie; de literatuur over de initiële opleiding die haar zou moeten opbouwen, onderwijst of meet haar zelden.

• Zeven competentieclusters, met ethiek als zwakste schakel. Een thematische synthese van 78 studies levert clusters op voor prompt engineering, kritische evaluatie van AI-output, ethisch bewustzijn en biasdetectie, pedagogisch-inhoudelijke afstemming, conceptuele AI-geletterdheid, menselijk toezicht en reflectie. Prompt engineering was het meest consistent gedocumenteerd en gedraagt zich als een ontwikkelingsspectrum in plaats van een enkele vaardigheid, wat de reviewers ertoe bracht te betogen dat het het beste kan worden begrepen als pedagogisch redeneren via een nieuw medium - de prompt als geëxternaliseerde ontwerpbeslissing. Ethisch bewustzijn was de zwakst gedocumenteerde competentie in de studies naar de initiële opleiding (Spyropoulou & Kameas, 2026).
• Docenten overschatten hun eigen evaluatievaardigheid. Naast de bevinding dat slechts 38,3% van de door AI gegenereerde leerdoelen zonder herziening aan alle kwaliteitscriteria voldeed, overschatten aanstaande docenten systematisch hun vermogen om chatbotoutput te evalueren - wat de reviewers lezen als een mogelijk perceptueel in plaats van declaratief tekort. Daarom betogen zij dat competentie moet worden beoordeeld via prestatieartefacten (lesplannen, beslissingslogboeken, micro-teaching) in plaats van zelfrapportage: de onbetrouwbaarheid van zelfbeoordeling wordt aangetoond in precies de literatuur die de training beoogt aan te pakken.

Professionalisering die werkt

De professionaliseringsliteratuur in de kennisbank identificeert effectieve benaderingen:

• Intensieve, theoretisch onderbouwde trajecten: Een intensief GenAI-professionaliseringstraject met 163 docenten en aanstaande docenten leverde significante winst op alle AI-PCK-componenten, waarbij aanstaande docenten het meest profiteerden. Professionalisering op basis van zelfdeterminatietheorie toont dat behoefteondersteunende training de AI-geletterdheid, houdingen en betrokkenheid van docenten verbetert terwijl zij angst vermindert.
• Ontwerpgerichte en geïntegreerde benaderingen: DBR-gebaseerde GenAI-geletterdheidstraining pakt de overmatige nadruk op technische kennis en pre-GenAI-tools aan; integratieve, ontwikkelingsgerichte kaders en integratie van sociaal-emotionele competenties verbreden geletterdheid voorbij pure techniek.
• Onderzoekend en authentiek oefenen: AI-ondersteunde inquiry-modellen bouwen AI-geletterdheid en authentieke prestatie op bij aanstaande docenten.
• Contextspecifieke gereedheid: Het EPIQ-AI-gereedheidskader benadrukt dat de gereedheid van faculteiten een sociotechnische kwestie is die afstemming van capaciteit, AI Governance en kwaliteitszorg vereist.
• Ondersteuning moet worden gedifferentieerd naar ervaring en AI-bekwaamheid. Choi et al. (2026) vonden dat de manier waarop docenten in lesontwerp feitelijk met AI omgaan, afhangt van het samenspel van onderwijservaring en AI-bekwaamheid, niet van een van beide alleen. Ervaren docenten met hoge AI-bekwaamheid passen AI-output kritisch aan de context aan (opnieuw prompten, uitwerken), terwijl novices - zelfs technisch vaardige - de neiging hebben AI-antwoorden direct te accepteren en zelden aan studenten en context denken. Dit pleit voor professionalisering op basis van profielen: checklists voor het evalueren van antwoorden en promptsjablonen voor novices, en hands-on vaardigheidsopbouw voor ervaren docenten met lagere AI-bekwaamheid.
• De tijdwinst zelf volgt ervaring en vertrouwen, niet alleen het ontwerp van de ondersteuning. In Roy et al.'s (2026) trial van een AI-lesassistent was de werkdrukvermindering groter voor docenten met minder vertrouwen in hun vakinhoud, minder pedagogische kennis, korter in het beroep of meer vertrouwen in technologie. Bekwaamheid en vertrouwen zijn dus deel van het effect van de interventie, niet alleen van de deelname eraan.

De configuratie van overtuigingen is een tweede profileringsas: onder 40.680 docenten in TALIS 2024 maskeerde dezelfde niet-gebruikstatus tegenovergestelde drempels - 83,3% van het profiel Onverschillig noemde pedagogische bedenkingen, terwijl 66,2% van het profiel Gemeten Instemming onvoldoende kennis en vaardigheden noemde (Fang & Jin (2026)). AI-gerelateerd professioneel leren hing consistenter samen met profiellidmaatschap dan leeftijd of opleidingsniveau.

• Docenten delen niet één opvatting over AI. Een fenomenografische studie onder 16 Deense docenten in het hoger onderwijs vond drie opvattingen over lesgeven met AI en drie over leren met AI, zodat één workshopmodel slechts een deel van elke faculteitsgroep bereikt (Stenalt (2026)).

• Co-design en pedagogische promptgeletterdheid zijn competenties, geen toevoegingen. Een systematische review van co-design van leertaken door docenten en AI (Wang, Liu & Islam 2026, 28 studies) vindt dat de dominante samenwerkingsmodus AI als assistent en inhoudsgenerator is, en localiseert een kloof in de ruimere co-design- en dialogische partnerschapsvaardigheden van docenten. Talebzadeh (2026) toont dat professionalisering die technische AI-training paart aan pedagogisch redeneren - het opbouwen van "pedagogische promptgeletterdheid" (het coderen van PCK in prompts) - docenten in staat stelt AI-output om te zetten in effectieve gedifferentieerde groepsactiviteiten.

• Structuren die competentie opbouwen, in plaats van lijsten ervan. Perl-Nussbaum en Finkelstein (2026) leidden een tweewekelijkse leergemeenschap van zes sessies in een grote publieke R1-afdeling natuurkunde - negentien docenten over de reeks, ongeveer tien per bijeenkomst - waarbij elke sessie opende met lokale data, overging naar het in kleine groepen testen van AI tegen echt geanonimiseerd studenthuiswerk, en sloot met collectieve discussie, en het leverde een gedeelde repository met vijf bijdragen op in plaats van een trainingspakket. Beoordelingsgeletterdheid kan op dezelfde manier worden opgebouwd met een ontwerptool: in Paula et al.'s (2026) pilot vergrootten acht ervaren cursuscoördinatoren in STEM en gezondheidszorg hun beoordelingsgeletterdheid door de beoordelingsconcepten van een aangepaste GPT te bekritiseren tegen disciplinaire standaarden, ook al misten de outputs herhaaldelijk de disciplinaire context, negeerden zij de volgorde van onderwerpen en droegen zij in één geval verzonnen referenties mee door herhaald prompten. Alle acht hielden het academisch oordeel bij zichzelf en weigerden end-to-end-automatisering, wat gestructureerde kritiek op gegenereerde concepten tot het ontwikkelingsmechanisme maakt in plaats van tooltraining.

• Korte sessies kunnen acceptatie bewegen zonder adoptie te bewegen. Mesenhöller en Böhme (2026) evalueerden een INSIGHT-sessie van drie uur met 100 Duitse docenten en vonden dat waargenomen nut en waargenomen gebruiksgemak beide significant stegen (nut t(99) = -3,24, p = ,002, d = ,32; gebruiksgemak d = ,25) terwijl de gedragsintentie om AI-gebaseerde technologieën voor differentiatie te gebruiken niet veranderde. De auteurs merken op dat hun uitgangswaarden al gunstig waren, dus een plafondeffect is plausibel. De les voor professionaliseringsontwerp is smal maar bruikbaar: een korte sessie kan veranderen hoe docenten AI-tools beoordelen zonder te veranderen of zij van plan zijn ze te gebruiken, wat het soort verandering is dat navolging vereist in plaats van een eenmalig evenement.

• Docenten verkiezen vlotheid maar schrijven leren toe aan scaffolding. Onder 41 docenten werd een GPT-4o-basislijn overall verkozen (21 tegen 13), toch werd het fijngetunede driestapsmodel (identificeren, verkennen, ontwikkelen) vaker leren toegeschreven (18 tegen 13), en de twee oordelen kwamen slechts 39% van de tijd overeen (Molnar et al. (2026)).

• Institutionele steun: professionalisering moet worden gepaard aan institutionele infrastructuur (beleid, institutionele verandering) voor duurzame adoptie.

• Auteurstools garanderen geen pedagogische getrouwheid. Riahi et al. (2026) bestudeerden 27 docenten uit het middelbaar onderwijs die tijdens professionaliseringsworkshops educatieve chatbots configureerden, en analyseerden focusgroepen naast configuratie- en interactielogs. Docenten behandelden de chatbot als een instructiescaffold begrensd door door de docent bepaalde regels, toch was de op logs gebaseerde afstemming tussen bedoeling en gedrag sterker voor responsiviteit (88,9%) en persona (81,5%) dan voor regels (70,4%) en doel (59,3%). Configureerbare bedieningselementen alleen dragen pedagogische bedoeling niet over in gedrag, dus het uitdrukken, testen en verfijnen van de pedagogie van een chatbot is zelf een competentie die de auteurstooling moet ondersteunen.

Een ontwerpgericht tegenvoorbeeld behandelt competentie als situationeel in plaats van als een trede op een ladder. Eyal's ontwerpgerichte studie uit 2025 met 22 lerarenopleiders in het hoger onderwijs liet deelnemers vijf gepubliceerde beoordelingskaders onderzoeken en een alternatief co-ontwerpen rond drie onderling verbonden assen: contextpassendheid (infrastructuur, socioculturele factoren, lokale behoeften, ontwikkelingsfase), professionele behoeften (discipline, pedagogie, leiderschap, ondersteuning) en dynamische ontwikkeling. Het model verwerpt vaste competentieniveaus en staat niet-lineaire progressie toe, en het wordt geleverd met een reflectieve zelfbeoordelingsvragenlijst van 20 items, gescoord van 1 tot 5. De validatie is alleen kwalitatief, zonder kwantitatieve betrouwbaarheidstests, dus het staat als ontwerpbijdrage in plaats van als gevalideerd instrument.

• Meta-analytische schatting. Guo et al. (2026) bundelden 212 effectsizes uit 34 studies en schatten professionalisering in AI-geletterdheid voor docenten op g = 0,76 (95%-BI [0,50; 1,02]), het sterkst voor vaardigheden (g = 0,91) en het zwakst voor houdingen en waarden (g = 0,61); correctie voor kennelijke publicatieselectie verlaagt de schatting tot ongeveer g = 0,49.

• Aanwezigheid voorspelt winst waar het gevoel van deelname dat niet doet. In hetzelfde zesmaandse programma voorspelde het aanwezigheidspercentage de competentiewinst (β = ,407, p = ,001) terwijl zelf waargenomen participatie dat niet deed (β = ,049, p = ,692), en discipline, onderwijservaring en functietitel verklaarden weinig; de auteurs lezen aanwezigheid als gedragsinvestering en waargenomen participatie als oppervlakkige betrokkenheid (Tan, Cheng & Ling, 2025).

• Waarden blijven achter op vaardigheden, ook in een domeinspecifiek programma. In een jaarprogramma in Hongkong met 30 docenten Engels steeg de kennis van multimodale beoordelingsstrategieën van 3,13 naar 4,15 op 5 (partiële η² = 0,571) en de competentie in het ondersteunen van studenten van 3,05 naar 3,98 (0,482), beide significant, terwijl elk waarde-subdomein statistisch vlak bleef onder een Bonferroni-gecorrigeerde alpha van ,006. De docenten schreven de winst toe aan co-planning op school en clusterbijeenkomsten tussen scholen in plaats van aan de workshops alleen (Jiang et al., 2026).

• Microlearning kan de AI-competentie van universitaire docenten ontwikkelen. Cechovsky (2026) verfijnde twee Vocational Education and Training-modules over twee onlinegroepsdiscussies tot vijf ontwerpprincipes - duidelijke structuur en oriëntatie, begeleiding en navigatieondersteuning, segmentering en modularisering, multimodale presentatie en activering van de lerende - en vond platformnavigatie en het vinden van modules de belangrijkste praktische drempels.

AI-competentie van docenten en de veranderende docentrol

Naarmate AI routinetaken in instructie en beoordeling overneemt, verschuift de onderscheidende bijdrage van de docent naar orkestratie, oordeel en relatie: beslissen wanneer en hoe AI wordt gebruikt, agency van studenten en kritisch gebruik ondersteunen, gelijkwaardigheid waarborgen, en de sociale en emotionele steun bieden die AI niet kan geven. Dit herformuleert docentcompetentie rond mens-in-de-lus-toezicht, ethisch oordeel en het ondersteunen van zelfregulerend leren - wat aansluit bij Lesgeven en het bewaken tegen overafhankelijkheid.

Implicaties voor AI in het onderwijs

• Beoordeel prestatie, niet alleen zelfrapportage: docentcompetentie moet worden geëvalueerd via demonstratie, gezien de gedocumenteerde kloof in zelfrapportage.

• Train de volledige competentie, niet alleen tools: professionalisering moet technische, pedagogische, beoordelings- en ethische dimensies samen opbouwen, geworteld in leertheorie.

• Bouw vertrouwen naast vaardigheid: houdingen en Self-Efficacy vormen adoptie, dus professionalisering moet angst verminderen en vertrouwen opbouwen via authentieke, ondersteunde oefening.

• Ondersteun de institutionele laag: duurzame docentcompetentie vereist afgestemd beleid, governance en capaciteit, geen geïsoleerde training.

• Digitale competentie van docenten voor GenAI-curriculumontwerp. Guillén-Gámez (2026) valideren een op TAM gebaseerd diagnostisch instrument met 434 docenten in dienst; gedragsintentie was de belangrijkste voorspeller van digitale competentie voor het gebruik van GenAI in curriculumplanning, met zelfeffectiviteit als worteloorzaak.

Een psychometrisch instrument voor AI-competentie van docenten

• Een psychometrische studie ontwikkelde de Teachers' AI Literacy Scale (TAILS) om AI-geletterdheid specifiek binnen lerarenopleiding voor talen te meten, waarbij de zes dimensies van het ED-AI-kader geoperationaliseerd werden. De ontwikkeling van het instrument vult een leemte in assessments die zich richten op studenten of algemene gebruikers, en ondersteunt de meting van AI-competentie van docenten.

Het instrumentarium zelf is sindsdien gereviewd. Zainal, Mohd Matore en Maat's systematische review uit 2026 van meetinstrumenten voor AI-geletterdheid van docenten beoordeelde 33 instrumenten gepubliceerd tussen 2019 en 2025 en vond het veld methodologisch monotoon: 31 (93,9%) zijn zelfrapportageschalen van waargenomen vertrouwen, slechts twee (6,1%) toetsen kennis objectief, en geen enkel gebruikt prestatiegebaseerde taken. Interne consistentie was het sterkste kwaliteitsdomein (28 van 33 op niveau A) en eerlijkheid het zwakste, met vijf instrumenten (15,2%) die bewijs van meetinvariantie of differentieel itemfunctioneren rapporteerden. De inhoud loopt ook achter op de technologie, aangezien 29 instrumenten (87,9%) zich richten op algemene AI-concepten en slechts vier (12,1%), alle uit 2025, op generatieve AI ingaan.

Veelvoorkomende misverstanden

• "Prompttraining maakt het materiaal van docenten beter." Prompttraining levert tijd op, geen beter materiaal: in een vooraf geregistreerde RCT met 204 docenten vonden Appel, Fervers en Piepenburg (2026) dat ChatGPT de besteedde tijd verbeterde terwijl de kwaliteit van het materiaal niet volgde. De efficiëntiewinst is echt en het is niet de kwaliteitswinst.
• "Wanneer docenten een chatbot configureren, is het falen een feitelijke fout." Wanneer docenten een chatbot in natuurlijke taal configureren, is het dominante falen verloren bedoeling in plaats van onjuiste feiten - bots slaan de stap over die de docent bedoelde. Instructieopvolging faalt structureel in plaats van feitelijk.
• "Technische vaardigheid is de beslissende laag." Pedagogische kennis is de beslissende laag: een cross-levelstudie naar AI-onderwijs in het voortgezet onderwijs van Shen et al., 2026. De competentie die de uitkomst bepaalt, is degene waarin de meeste trainingsprogramma's het minst investeren.

Verbonden concepten

• AI-geletterdheid
• Educatieve ontwikkeling
• Lesgeven
• Prompt Engineering
• Learning design
• Scaffolding
• Metacognition
• Assessment Validity
• Equity
• Ethics
• Self-Efficacy
• Human-in-the-Loop
• Learner Agency
• Cognitieve offloading
• Educational AI Policy
• AI in het onderwijs
• Technological Pedagogical Content Knowledge (TPACK)
• Teacher Education
• Pedagogies and Teaching Strategies - overkoepelende pagina: pedagogieën en lesstrategieën in AI-onderwijs

Verbonden artikelen

• Lesson planning using AI lesson assistant, Aila - A Teacher Choices Trial — Welke docenten planningstijd wonnen: minder vertrouwen in vakinhoud, minder pedagogische kennis, korter in het beroep of veel vertrouwen in technologie

• AI Misconception and Adoption Among Indonesian K-12 Teachers — Docenten accepteren AI terwijl zij het werken ervan verkeerd begrijpen (Aji et al. 2026)

• AI integration in mathematics education: A systematic review of implementation challenges and pedagogical implications (2017-2025) — Docentgereedheid en technologisch-pedagogische integratie als de meest gerapporteerde uitdaging over 54 studies naar wiskundeonderwijs (Manto et al. 2026)

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — Multimodale beoordelingsgeletterdheid: een jaarprogramma waarin kennis en competentie bewogen en waarden niet

• The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis

• Enhancing Teachers' AI Competency: A Professional Development Intervention Study Based on Intelligent-TPACK Framework — Intelligent-TPACK-professionalisering: een halve standaardafwijking winst, en negatieve winsten die als herkalibratie lezen - De impact van professionaliseringstrajecten op de AI-geletterdheid van K-12-docenten: een systematische review en meta-analyse

• AILitHub: Building AI Literacy Infrastructure to Situate Frameworks into Practice — Docenten tagden hun eigen AI-klasgevallen en bereikten praktische competenties gemakkelijk maar maatschappelijke en ethische zelden (Wang et al. 2026)

• Typology of Generative AI Tools for Education — Toolkeuze als uitoefening van de agency van de onderwijsgevende

• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Systematische review van generatieve AI in lesgeven en leren in K-12 (Marzano 2026)

• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Professionele kennis van docenten in K-12 AI-onderwijs: TAIK versus TPAIK en leren van studenten (Shen et al. 2026)

• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Interactiepatronen tussen docent en AI in lesontwerp over ervaring en AI-bekwaamheid (Choi et al. 2026)

• Preparing Pre-Service Teachers for Responsible Generative AI Use: Curriculum Implications for Ethics, Privacy, and AI Literacy — Verantwoord GenAI-gebruik door aanstaande docenten: implicaties voor het curriculum (Kohnke et al. 2026)

• Validating AI-generated classroom observations: Reliability, accuracy, and limits of LLM-based pedagogical judgment — LLM-klasobservatie voor professionele ontwikkeling van docenten (Melo et al. 2026)

• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — Generatieve AI over representaties, decomposities en benaderingen: repetitie, gestructureerde feedback en de nauwkeurigheidswaarschuwingen

• 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 — Effectiviteit van een intensief GenAI-professionaliseringstraject

• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design — AI-TPACK modelleren via multi-agentworkflows van docenten

• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence — Naar synergetische interacties tussen docent en AI

• Teacher education for artificial intelligence literacy through a self-determination theory perspective — Lerarenopleiding voor AI-geletterdheid via zelfdeterminatietheorie

• Development and evaluation of artificial intelligence literacy training for teacher education students — Ontwerpgericht onderzoek naar GenAI-geletterdheidstraining

• Rethinking Generative AI Literacy: An Integrative, Developmental, and Dialectical Framework for K-12 Teacher Education — GenAI-geletterdheid in de lerarenopleiding heroverwegen

• Exploring interfaces and implications for integrating social-emotional competencies into AI literacy for education: a narrative review — Sociaal-emotionele competenties integreren met AI-geletterdheid

• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — AI-adoptie onder docenten: vertrouwen en steun

• Faculty Orientations Shape Adoption of AI in Research and Teaching — Oriëntaties van faculteiten vormen AI-adoptie

• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Misalignment tussen zelfgerapporteerde en prestatiegebaseerde AI-competentie

• Effects of an AI-supported inquiry model on AI literacy and authentic performance: A quasi-experimental study with preservice teachers — AI-ondersteund onderzoek voor aanstaande docenten

• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — EPIQ-AI-gereedheidskader voor faculteiten

• LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example — LLM's voor cultureel relevante K-12-pedagogie

• A Framework for Institutional Change in the Age of AI — Kader voor institutionele verandering bij AI

• TeachingCoach: A Fine-Tuned Scaffolding Chatbot for Instructional Guidance to Instructors — TeachingCoach-chatbot voor begeleiding van docenten

• When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap — GenAI als identiteitscrisis, niet als vaardigheidstekort

• Situated AI ethics: a cultural-historical and ecological framework for education

• Transforming Curriculum Design with Generative AI: A Model for Assessing Teacher Digital Competence — Digitale competentie van docenten beoordelen voor GenAI-curriculumontwerp (Guillén-Gámez 2026)

• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — fenomenografische studie naar de opvattingen van universitaire docenten over AI

• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Vijfledig kader voor AI-geletterdheid + professionalisering voor Oekraïense docenten in het voortgezet onderwijs (Marienko et al. 2026)

• Reimagining teacher-AI co-design in learning task design: trends and perspectives — Co-design van leertaken door docenten en AI: trends en perspectieven (Wang et al. 2026)

• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Architectuur van rollen in door AI ontworpen gedifferentieerde groepsactiviteiten (Talebzadeh 2026)

• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations

• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — Prompt engineering en modelkeuze als voorspellers van AI-feedbackkwaliteit (Jacobsen et al. 2026)

• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — Het AI-schuldcomplex: anticipatoire schuld en vier morele reactieprofielen onder academisch personeel (Vassallo 2026)

• Empowering teachers to use AI for differentiation: changes in teachers’ acceptance of AI-based technologies following participation in a short professional development training session — Een professionaliseringssessie van drie uur verhoogde waargenomen nut en gebruiksgemak maar niet de uitgesproken intentie tot adoptie (Mesenhöller & Böhme 2026)

• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Systematische review van AI in de initiële opleiding van docenten basisonderwijs wiskunde: ethiek in slechts drie van de elf studies (Pinto et al. 2026)

• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — AAC&U/Elon-enquête onder 1.057 Amerikaanse docenten: voorbereiding, niet-gebruik en de kloof tussen individueel en institutioneel beleid (Watson & Rainie 2026)

• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — Cross-institutionele faculteitssamenwerking: AI-integratie als onderwijsontwerp in de lerarenopleiding

• Assessing teachers' AI literacy: a systematic review of measurement tools — Systematische review van 33 instrumenten voor het meten van AI-geletterdheid van docenten: 31 zelfrapportage, twee objectieve kennistests, geen prestatietaken (Zainal, Mohd Matore & Maat 2026)

• Rethinking artificial-intelligence literacy through the lens of teacher educators: The adaptive AI model — Een ontwerpgericht adaptief AI-geletterdheidsmodel en een reflectieve vragenlijst van 20 items, co-ontworpen met 22 lerarenopleiders (Eyal 2025)

• A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community — Een workshopreeks voor effectief gebruik van AI in onzekere tijden: een leergemeenschap voor natuurkundefaculteiten opbouwen

• Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education — Authentieke beoordelingen ontwerpen met generatieve AI: een pilotstudie naar Assessment Authentifire in het hoger onderwijs

• Will It Teach as Intended? How Teachers Configure Educational AI Chatbots — Zal het lesgeven zoals bedoeld? Hoe docenten educatieve AI-chatbots configureren

• A Capability–Decision Model of teacher readiness for AI integration in teaching — Geordend, capaciteit-eerst model voor docentgereedheid met prestatiegebaseerde capaciteitsindicatoren

• K-12 in-service teachers' beliefs about generative AI in classrooms: insights from the United States, India, Qatar, Colombia, and the Philippines — Crossnationale enquête onder 1.405 K-12-docenten: gereedheid voorspelt positieve overtuigingen maar niet zorg

• Teachers’ AI Belief Profiles and Their Associations with AI Use, Pedagogical Applications, and Barriers: A Person-Centered Analysis of TALIS 2024 — Vier overtuigingsprofielen van docenten uit TALIS 2024 verbinden professioneel leren en profielspecifieke drempels voor AI-gebruik

• Designing Microlearning Modules on AI for University Teachers in Vocational Teacher Education: A Design-Based Research Study — Microlearning-modules over AI ontwerpen voor universitaire docenten in de beroepslerarenopleiding: een ontwerpgericht onderzoek

• EduWild: How Teacher-Configured Chatbots Fail in Real-World Use and How to Fix Them — EduWild: hoe door docenten geconfigureerde chatbots falen in de praktijk en hoe je dat oplost