AIEd-kennisbankAIEd KB
Op deze pagina

Lees deze pagina in het Engels

Concepten

Lesgeven

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

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

Lesgeven - hoe AI het werk, de identiteit en de agency van onderwijzers hervormt. Met meer dan 50 artikelen die deze dimensie onderzoeken, documenteert de kennisbank een fundamentele transformatie: van enige kennisautoriteit naar orkestrator van mens-AI-leeromgevingen. Deze pagina gaat verder dan het beschrijven van die verschuiving: ze detailleert wat docenten feitelijk anders doen, hoe ze hun praktijk kunnen aanpassen, en hoe ze verbonden zijn met Learning design, AI-geletterdheid en Academische integriteit.

Malyn-Smith et al. (2026) noemen dit de meer-mens-paradox: in zes scenario's voor 2030 die door 20 onderzoekers uit 13 landen zijn samengesteld, intensiveert AI-verzadiging het menselijke pedagogische werk in plaats van het te verdringen. De scenario's beschrijven AI als 'het luchtbehandelingssysteem van het leerecosysteem': je merkt het pas wanneer het hapert.

Vragen om over na te denken

  • De pagina beschrijft de verschuiving van de docent 'van enige kennisautoriteit naar orkestrator van mens-AI-leeromgevingen'. Wat wint u en wat verliest u als onderwijzer wanneer u ophoudt de belangrijkste bron van inhoud te zijn?
  • Ze betoogt dat AI de schaarste hulpbron van een docent, aandacht, herverdeelt van het produceren van materialen naar het interpreteren van leerlingen. Klopt die herkadering voor u, en wat zou u met de teruggewonnen tijd werkelijk doen?
  • Onderzoek dat op de pagina wordt aangehaald, toont docenten als actieve AI-ontwerpers (ze schrijven de prompts en scaffolds die bepalen hoe AI zich voor hun studenten gedraagt) in plaats van passieve consumenten. Wat zou er nodig zijn om uzelf (of docenten die u kent) het gevoel te geven ontwerper van AI te zijn in plaats van gebruiker?
  • Aan het uiterste eind van het spectrum van 'docent-AI-teaming' orkestreert de docent een team van menselijke leerlingen, AI-tutors en curriculumhulpbronnen. Waar blijft menselijk oordeel in dat team onvervangbaar, en wat zou geruisloos kunnen eroderen als de orkestratie grotendeels aan AI wordt overgelaten?
  • Als de aandacht van de docent wordt herverdeeld van het produceren van materialen naar het interpreteren van leerlingen, welke nieuwe competenties en risico's brengt dat met zich mee, en wie ondersteunt de docent bij het ontwikkelen ervan?

Introductie

Lesgeven benoemt hier de professionele rol zoals AI die hervormt: minder inhoud overdragen, meer het orkestreren van menselijke en machinale deelnemers, interpreteren wat leerlingen werkelijk begrijpen, en ontwerpen van de voorwaarden waaronder AI-gebruik legitiem is. De pagina's die onder dit concept zijn verzameld, documenteren docent-AI-teaming en veranderingen in workflows, de competenties die de rol nu vereist, en de spanning tussen efficiëntiewinst en de aandacht die individuele ondersteuning vraagt. Ze staat naast Educatieve ontwikkeling, AI-geletterdheid en beoordeling als een van de rollen die bepalen of AI-integratie de praktijk verandert of haar slechts versiert. De leerwetenschappen zijn het onderzoeksveld waarvan het bewijs deze positie hervormt: ze beschrijven en toetsen hoe leren gebeurt en welke ontwerpen dat veranderen, terwijl deze pagina de klasrol behandelt die op dat bewijs op het moment zelf moet handelen.

Hoe AI het lesgeven transformeert

  • Van docent naar orkestrator: Vijf niveaus van docent-AI-teaming en onderzoek naar agency-orkestratie brengen het spectrum in kaart van AI als tool tot AI als onderwijspartner. Aan het uiterste eind orkestreert de docent een team van menselijke leerlingen, AI-tutors en curriculumhulpbronnen in plaats van alle inhoud zelf te leveren.

  • Transformatie van workflows: How AI Is Changing Teaching Workflows documenteert hoe AI de tijd van de docent verschuift van inhoud leveren naar activiteiten met hogere waarde, zoals individuele ondersteuning, Feedback en Curriculum Design. De schaarste hulpbron van de docent, aandacht, wordt herverdeeld van het produceren van materialen naar het interpreteren van leerlingen. Een systematische review van taalonderwijzers (Li et al. 2026) bevestigt dit: onderwijzers waarderen GenAI het meest voor voorbereidend werk (lesplanning, materiaalcreatie, schrijfondersteuning) terwijl ze aarzelen bij live gebruik in de klas, en hun adoptie wordt gevormd door factoren van professionele identiteit, pedagogiek, techniek, instelling en academische integriteit, waarbij competentiegaten zich aftekenen in episteme (begrip van de capaciteiten en grenzen van AI), techne (Prompt Engineering, AI-versterkt taak- en beoordelingsontwerp, het herkennen van AI-gegenereerde tekst) en phronesis (ethisch oordeel, omgaan met bias en privacy, contextsensitief oordeel). documenteert hoe AI de tijd van de docent verschuift van inhoud leveren naar activiteiten met hogere waarde, zoals individuele ondersteuning, Feedback en Curriculum Design. De schaarste hulpbron van de docent, aandacht, wordt herverdeeld van het produceren van materialen naar het interpreteren van leerlingen.

  • Competentie-eisen: Kaders voor AI-competentie van docenten definiëren wat onderwijzers moeten weten, van basisvaardigheid met tools tot pedagogisch gefundeerde orkestratie. Adoptiestudies identificeren de werkelijke drempels: vertrouwen, institutionele steun en zorgen over werklast. Bai & Hsieh (2026) voegen daar empirisch gewicht aan toe in een SEM met 898 Chinese universiteitsdocenten: GenAI-ondersteunde onderwijsinnovatie hangt minder af van geïsoleerde technologische AI-kennis en meer van pedagogisch en disciplinair ingebedde AI-competentie (AI-geletterdheid en professionele identiteit), die beide de relatie competentie-innovatie gedeeltelijk medieerden; een signaal om docentontwikkeling te bouwen rond ingebedde, aan identiteit gekoppelde AI-competentie in plaats van training in alleen tools.

  • Gereedheid als ontwerpvermogen, niet als houding: Charles (2026) betoogt dat de gereedheid van docenten voor AI-rijke interactieve leeromgevingen niet kan worden afgelezen aan adoptie, vertrouwen of digitale competentie, omdat geen daarvan de kwaliteit voorspelt van de ontwerpen die docenten feitelijk produceren. Gereedheid-door-ontwerp is op uitvoering gericht: docenten mobiliseren AI-gerelateerde pedagogische kennis, pedagogische overtuigingen, zelfeffectiviteit en ethische oriëntatie via ontwerpmediatie (toolkeuze, taak- en promptontwerp, scaffolding, transparantie, verificatie, herontwerp van beoordeling, toegankelijkheidsplanning en menselijk toezicht) binnen een institutionele en beleidsmatige ecologie die de vertaling mogelijk maakt en modereert. Twee claims hebben praktisch gewicht. Zelfeffectiviteit is een mobilisatiehulpbron en geen kwaliteitsindicator, dus vertrouwen zonder AI-gerelateerde pedagogische kennis of ethische oriëntatie kan slecht ontwerp versnellen. En beleidsduidelijkheid en materiële steun zijn afzonderlijke moderatoren, dus een goed gefinancierde school kan docenten nog steeds laten gissen wat is toegestaan. Charles weigert ook niet-gebruik gelijk te stellen aan ongereedheid: een beredeneerd besluit om AI niet in te zetten kan zelf gereedheid aantonen.

  • Co-ontwerp en agency: Door docenten geschreven prompts en vibe coding voor docenten tonen onderwijzers als actieve AI-ontwerpers, niet als passieve consumenten: ze schrijven de prompts en scaffolds die bepalen hoe AI zich voor hun studenten gedraagt. In de lesplanning voor STEAM-kunsteducatie voor kinderen bevestigden Luo en Tahir (2025) experimenteel dat hoe de docent delegeert aan ChatGPT ertoe doet: het vullen van inhoudelijke gaten in een zelf geschetste les (de methode die 60% verkoos en die wordt aanbevolen) behield de ontwerpautonomie van de docent terwijl de door experts beoordeelde plankwaliteit steeg (mediaan 20,5 tegen 17,6, p = ,002, groot effect), en presteerde beter dan AI hele plannen laten genereren of slechts een afgerond plan laten controleren. AI diende vooral als inspiratie- en gatenvindende medewerker in plaats van als bron van volledig originele innovatie, wat bevestigt dat de docent de ontwerpende actor en de beoordelaar van output blijft, inclusief het opvangen van gebreken op het gebied van kinderveiligheid en culturele bias die de tool miste. Een systematische review van co-ontwerp van leertaken door docenten en AI (Wang, Liu & Islam 2026) vindt dat deze houding van co-ontwerper nog ongelijk is verdeeld: de dominante modus is nog steeds AI als assistent of inhoudsgenerator, en Talebzadeh (2026) laat zien dat de agency van de docent als 'meertalige leerontwerper' is wat AI-ontworpen groepsactiviteiten omzet in gedifferentieerd, aan de zone van naaste ontwikkeling aangepast onderwijs.

  • Een bot schrijven is niet hetzelfde als beheersen wat hij onderwijst. Zevenentwintig middelbare-schooldocenten die een auteurstool voor chatbots met doel en regels configureerden, zagen slechts gedeeltelijke trouw in het gegenereerde gedrag: de aansluiting daalde van 88,9% voor responsiviteit en 81,5% voor persona naar 70,4% voor regels en 59,3% voor doel, en de naleving van regels varieerde met het gekozen model. Dat is de kloof tussen uitvoering en evaluatie die de rol van docent-als-ontwerper tot een repetitie van intentie maakt in plaats van een garantie erop (Riahi et al. (2026)).

  • Voorbereiding van aanstaande docenten: TPACK-gebaseerde training en programma's voor educatieve ontwikkeling bereiden toekomstige docenten voor op AI-versterkte klassen voordat ze die betreden. Rollenspel met gesimuleerde studenten breidt dit uit naar praktijk: een aangepaste ChatGPT-bot (Student GPT) die een middelbare scholier met wiskundige misvattingen speelt, laat aanstaande docenten in een risicovrije omgeving oefenen met het diagnosticeren en begeleiden van het redeneren van studenten, ter voorbereiding op een centrale onderwijstaak: het lezen en remediëren van het denken van studenten.

  • Een front voor docenten waar de bewijsbasis nauwelijks is doorgedrongen: Štefánik et al. (2026) stellen Edustories samen, 1.492 door docenten geschreven casestudies van echte basisschool- en middelbare-schoolklassen (uitdagend gedrag van studenten, de interventie die de docent probeerde en wat daarop volgde), precies omdat het meeste onderzoek naar AI in het onderwijs zich richtte op geïndividualiseerde ondersteuning van studenten, terwijl het meeste lesgeven plaatsvindt in collectieve klassen. Bij het benchmarken van vier families van taalmodellen op het voorspellen of een interventie slaagde, bereikten de sterkste modellen 58% nauwkeurigheid tegen 64% voor menselijke experts; de auteurs lezen de kloof in beide richtingen, als een grens aan de huidige op docenten gerichte ondersteuning en als bewijs van ontluikend potentieel. Wat de pagina eraan heeft, is een gemeten plafond in plaats van een capaciteitsclaim: advies aan docenten moet beter zijn dan het oordeel van experts voordat erop kan worden vertrouwd, en vandaag is de ordening omgekeerd. Een vergelijkbare kloof verschijnt in de PRISMA-review van Yalçın et al. (2026) van 46 empirische studies naar GenAI in programmeeronderwijs in het hoger onderwijs: de rollen van docenten en institutionele praktijken behoorden tot de minst bestudeerde gebieden van het veld, en 26 van de 46 studies gaven geen codeerbare beschrijving van hun onderwijsaanpak, zodat de ontwerpbeslissingen die de gerapporteerde uitkomsten opleverden vaak onzichtbaar zijn, zelfs voor andere docenten.

  • Waar AI het werk werkelijk binnenkomt, per taak: Holster (2026) scheidt adoptie van toewijzing met TALIS 2024-gegevens van 56.669 docenten, met een toewijzingssteekproef van 24.058 AI-gebruikers in 46 onderwijssystemen. Een taak die één punt boven het eigen gemiddelde van de docent werd beoordeeld, kreeg eerder AI-hulp (OR = 1,163), maar de richting verschilt per taak: planning stijgt met de belasting (OR = 1,084), beoordeling en nakijken dalen (OR = 0,921), en ondersteuning en aanpassing voor speciaal onderwijs stijgen steil (OR = 1,442, een voorspelde spreiding van 34,0% naar 50,3% over het bereik van de belasting). De competentie- en beleidslezing is dat docenten het nakijken met hoge inzet al menselijk houden terwijl ze naar AI grijpen bij geïndividualiseerd aanpassingswerk, dus begeleiding die AI-gebruik door docenten als één gedrag behandelt, zal missen waar ondersteuning werkelijk nodig is.

Hoe de veranderende rol er werkelijk uitziet: concrete voorbeelden

De abstractie 'orkestrator' is makkelijker te vatten via concrete, dagelijkse verschuivingen in het werk van docenten:

  • Van elk werkblad zelf schrijven naar AI-gegenereerde schetsen cureren. Een docent die vroeger een avond besteedde aan het bouwen van een gedifferentieerd werkblad, prompt nu een AI om drie versies op verschillende moeilijkheidsniveaus te maken en besteedt dezelfde avond aan het beoordelen en aanpassen ervan: een verschuiving van schrijven naar redactioneel oordeel. Curriculum-as-Code-workflows maken deze pipeline expliciet, en de systematische review van Kibar & Ilgaz laat AI optreden als een 'medewerker' die inhoud schetst die de ontwerper vervolgens verfijnt. Expertvalidatie van AI-gegenereerde lesplannen voor natuurwetenschappen maakt expliciet wat dat redactionele oordeel moet afwegen: Karaismailoglu, Surmeli en Yildirim (2026) vonden dat elf specialisten in natuurwetenschapsonderwijs de plannen voor de zesde klas van ChatGPT-4 en van een onderwijsgerichte tool beoordeelden als bruikbare schetsen (7 van 11 vonden ze 'toepasbaar na correctie', slechts 3 direct 'toepasbaar'), en dat hun voorkeuren afweken van de ruwe scores (7 verkozen de hoger scorende onderwijsgerichte tool, 4 het algemene plan) omdat het oordeel affectieve en contextuele dimensies meewoog die verder gaan dan structurele trouw. Docenten blijven degenen die beslissen of en hoe een AI-schets een leerbare, contextueel gefundeerde les wordt.
  • Van hoorcollege naar coaching in realtime. In plaats van dezelfde uitleg aan de hele klas te geven, leiden docenten routinematige vragen steeds vaker naar een AI-tutor en richten ze hun face-to-face tijd op de studenten die menselijk oordeel nodig hebben; workflowstudies documenteren precies deze herverdeling van aandacht.
  • Van nakijken naar het ontwerpen van beoordelingen die AI niet kan omzeilen. Docenten laten taken op basis van reproductie, die LLM's moeiteloos oplossen, los en ontwerpen in plaats daarvan authentieke beoordelingen, beoordelingsschalen en formatieve taken die leerwinst behouden.
  • Van inhoud onderwijzen naar gebruik onderwijzen. Het werk van de docent omvat steeds vaker het voordoen van hoe je AI prompt, evalueert en verantwoord gebruikt: een curriculum AI-geletterdheid dat in elke cursus is verweven, geen apart vak.
  • Van dashboards lezen naar er contextueel op handelen. Mejia-Domenzain et al. (2026) laten zien dat hoe docenten analyticsdashboards feitelijk gebruiken, per context verschilt: docenten in een flipped classroom (universiteit) volgden een sequentiële verkenning en gaven de voorkeur aan aanpassing op cursusniveau en aan het tonen van dashboards in de klas, terwijl docenten in het beroepsonderwijs terugkeerden naar overzichtspagina's en de tool vooral gebruikten voor individuele coachingsgesprekken. De acties die docenten voorstelden, werden gevormd door de weergegeven inhoud en hun onderwijsniveau in plaats van door het soort grafiek: universitaire docenten gaven de voorkeur aan wekelijkse toetsen en cursusaanpassing, docenten in het beroepsonderwijs aan directe, geïndividualiseerde coaching. Dit wijst op contextbewust dashboardontwerp en gedifferentieerde ondersteuningsbehoeften van docenten in plaats van een analyticsinterface die voor iedereen hetzelfde is.
  • Van meldingen ontvangen naar ze beoordelen. Swidan (2026) volgde één docent en acht hoogpresterende middelbare scholieren in een GeoGebra-meetkundeles waarin Dash4Emotion studenten met rode rechthoeken markeerde als signaal van negatieve emotie, en vond dat de meldingen de uitkomsten niet stuurden: de zet van de docent na elke melding deed dat wel. Het herkaderen van Mira's taak van het vinden van een minimumwaarde naar de meetkundige plaats van minimale punten heropende haar verkenning, drie gelijktijdige meldingen leidden tot een herkadering voor de hele klas, en het bewust niet ingrijpen in één lesuur was zelf een pedagogische beslissing. De houding van de studie is dat een door AI gegenereerde emotionele melding een signaal is dat moet worden geïnterpreteerd naast wat de docent kan zien, geen instructie die moet worden opgevolgd.
  • Van poortwachter naar principiële facilitator van feedback op samenwerking. De klaspilots met de Community Builder (CoBi) laten zien dat de rol van de docent beslissend is voor de implementatie-integriteit: docenten die de observaties en visualisaties van de AI gebruikten om metacognitie en kritische reflectie over samenwerking uit te lokken, bereikten gebruik met hoge integriteit, terwijl degenen die het systeem lieten afglijden naar prestatiemonitoring, of afdwaalden naar algemene AI-gesprekken, dat niet deden. Docenten maakten zich ook zorgen dat realtime feedback hen 'in de spotlights' zou zetten en gaven de voorkeur aan terugblik voor en na de actie boven live weergave, wat onderstreept dat het orkestreren van klasbrede samenwerkings-AI aanzienlijk professioneel leren vereist, niet alleen vaardigheid met tools.
  • Van met AI onderwijzen naar AI vertegenwoordigen. Waar de digitale kloof geen apparaat per student overlaat, kan de docent de fysieke interface naar het systeem worden: een tussenpersoon in plaats van een orkestrator ervan. In het 'AIED unplugged'-model van Rodrigues et al. (2026) blijven studenten met papier en pen werken terwijl de docent hun oplossingen fotografeert, en de AI stuurt gepersonaliseerde oefenlijsten en foutspecifieke Feedback terug om uit te delen. Dit is een geclusterd quasi-experiment over 19 authentieke Braziliaanse basisschoolklassen en geen prototypedemonstratie, en de twee resultaten raken de rol direct. Ten eerste kwam het leervoordeel ten opzichte van de gebruikelijke praktijk uit één enkele docentscholing van 50 minuten, niet uit de technologie: de condities training en training-plus-systeem verschilden niet in winst (-4,33, 95% BI [-17,29, 7,23]), dus voorbereiding, niet de tool, is het actieve ingrediënt. Ten tweede liep het eigen voordeel van het systeem indirect, via de docent: verminderde inspanning medieerde een positief effect op de winst (3,649, 95% BI [1,097, 6,398]), dus het effect bereikt studenten die de AI nooit aanraakt, en het vastleggen-en-verifiëren-werk dat de docenten beschreven (werkbladen fotograferen, wachten op verwerking, herkenningsfouten corrigeren) is deel van de pedagogische kosten van het uitbreiden van AI naar klassen met weinig middelen.
  • Van informatieverstrekker naar leerontwerper. Hochberg en Waitzman (2026) volgden 93 docenten door een AI-programma van acht weken en vonden dat de praktijk verschoof naar heutagogisch ontwerp voor agency van de leerling, al waren de zelfgerapporteerde verschuivingen na correctie niet significant en werden leeruitkomsten niet gemeten.

De orkestratiemetafoor

De dominante metafoor in de kennisbank is orkestratie: docenten coördineren menselijke leerlingen, AI-tutors en curriculumhulpbronnen. Dat contrasteert met vervangingsverhalen: AI versterkt het menselijke lesgeven in plaats van het te vervangen. Empirisch bewijs ondersteunt deze houding: een PRISMA-gestuurde systematische review van 42 studies (2023 tot 2025) vond dat LLM's menselijke beoordelaars evenaren bij korte, goed gestructureerde taken, maar dat de prestatie daalt bij langere, meertalige en genuanceerde opdrachten, met de conclusie dat LLM's docenten niet volledig kunnen vervangen en dat hybride beoordelingssystemen met een mens in de lus de hoogste beoordelingseffectiviteit bereiken (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). De orkestratielens herkadert de kernvaardigheid van de docent als oordeel: beslissen wanneer een mens, een AI of een ontworpen leeractiviteit het juiste instrument is voor een bepaalde leerling op een bepaald moment. Een PRISMA-review uit 2026 van 29 studies over Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects scherpt de metafoor aan tot een cyclus van vier fasen (monitoren, oordelen, interveniëren, orkestreren) en laat zien waarom geen enkele fase kan worden verondersteld. Docenten gaven de voorkeur aan gedeelde controle en accepteerden, wijzigden, verwierpen of overruleden AI-suggesties; sommigen stelden interventie bewust uit zodat studenten eerst productief konden worstelen; en dashboards die het bewustzijn vergrootten, konden ook de aandacht overbelasten of meer vragen dan één docent lichamelijk kon doen. De drie strategieën (pedagogische vertaling van AI-output, ontwerp van leerondersteuning en reconstructie van interactiestructuren) beschrijven het werk als recontextualisering in plaats van goedkeuring, wat de docent dichter bij bemiddelaar plaatst dan bij de rol van humane controleur in de lus. Klassobservatie benoemt dezelfde gedragingen als types. Zes lessen met een ervaren docent voegden drie orkestratietypes toe aan de vier van Drijvers (dashboardmonitoring, AI-corrigeren en AI-bemiddelen), waarbij de inhoudelijke en ethische rollen van de docent het duidelijkst zichtbaar waren wanneer hij door AI gegenereerde feedback corrigeerde (Noh & Kim, 2026).

Evoluerende en kritische docentrollen

Recent werk verbreedt de orkestratiemetafoor tot rijkere conceptualiseringen van rollen:

  • Co-orkestrator over activiteitsovergangen. Yang et al. (2026) gebruiken participatief speeddaten met 17 docenten en 13 studenten om in kaart te brengen hoe controle moet worden verdeeld over de fasen van een klasactiviteit (de overgangen voor, tijdens en na tussen individueel en samenwerkend werk) in een co-orkestratietool die realtime dynamische koppeling ondersteunt. Het ontwerpprincipe dat naar voren komt, is dat controle geen vast punt is: docenten en studenten willen in elke fase een andere mate van agency, en de tool moet de docent in staat stellen groepering, activiteitsovergangen en interventiemomenten in realtime aan te passen met behoud van een override voor de docent. Dit positioneert de docent als co-orkestrator van de hele live leeromgeving, een rol die specifieker is dan de algemene orkestratiemetafoor en zich richt op de granulaire, moment-tot-moment beslissingen over wie met wie werkt, wanneer en met welke ondersteuning, en het verbindt onderzoek naar individuele tutoring met ontwerp op klasniveau.
  • De 'cognitieve choreograaf'. Posthumanistische kaders herzien de docent als een cognitieve choreograaf die cognitie orkestreert die verdeeld is over biologische en kunstmatige systemen, en gaan zo verder dan instrumentalistische modellen als Technological Pedagogical Content Knowledge (TPACK) en SAM.(Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI)
  • Facilitator, medeonderzoeker, ethisch supervisor. In natuurwetenschappelijk leren verschuiven de rollen van docenten van kennisoverdragers naar facilitators en medeonderzoekers, en krijgen ze nieuwe verantwoordelijkheden als ethische supervisoren van verantwoord AI-gebruik door studenten.(Artificial Intelligence in Science Learning within the Framework of Situated Learning Theory: A Qualitative Investigation of Teachers' Perspectives)
  • Bemiddelaar van leerprincipes. Onderwijzers operationaliseren eeuwenoude leerprincipes (ervaringsgericht, gesitueerd en gedistribueerde cognitie) via AI, en behandelen AI als een tool die de begeleidende rol van de onderwijzer versterkt in plaats van vervangt.(Empowering Educators: Operationalizing Age-Old Learning Principles Using AI)
  • Kritische bemiddelaar die AI-output tot voorwerp van kritiek maakt. Canonigo (2026) volgde tien docenten wiskunde in het secundair onderwijs door een ChatGPT-4-interventie van acht weken en identificeerde vijf bemiddelingspraktijken: AI-gegenereerd probleemstellen, hints als scaffolds die ontworpen zijn om af te bouwen, kritische vergelijking van AI-output met het eigen werk van studenten, gedifferentieerd prompten (een visuele analogie voor een worstelende student, een kubische uitbreiding voor een medeleerling) en AI als partner in reflectieve dialoog. Waar docenten deze praktijken uitvoerden, werd output iets om mee in discussie te gaan in plaats van een antwoordenboekje, en bewogen studenten zich naar vermoedens en metacognitieve vragen; waar bemiddeling ontbrak, verschoof de autoriteit naar het algoritme, met studenten die de AI raadpleegden voordat ze hun docent zagen en alleen terugkwamen voor bevestiging, wat één docent ertoe bracht de beweging van 'orakel' naar 'redacteur' te beschrijven. De gelijkwaardigheidsbevinding van de studie is de scherpe: over 300 modelantwoorden was het gratis model in 32,7% van de gevallen onnauwkeurig tegen 12% voor het premium model (χ²(1) = 17,5, p < ,001), dus docenten op de school met weinig middelen noemden het 'grensgeval nutteloos voor wiskunde'. Toolkwaliteit, niet alleen toegang tot tools, wordt een pedagogische variabele, en het acceptable-use-beleid van de school van één docent was tien jaar oud en zweeg over AI, waardoor de governancekloof bij het klaslokaal kwam te liggen.
  • Onrustige en kwetsbare professionele identiteit. Farazouli et al. (2026) documenteren de emotionele kant van de rolherconfiguratie: 24 Zweedse universiteitsdocenten ervoeren de opkomst van GAI als alarmerend en overweldigend, rapporteerden een 'staat van kwetsbaarheid' (weinig vertrouwen, onzekerheid, angst 'studenten niet voor te zijn') en voelden zich 'vast' tussen utopische en dystopische vertogen. GAI bracht hen ertoe hun prioriteiten te herzien (het cultiveren van kritisch denken, evaluerend oordeel en ethisch GAI-gebruik) en hun eigen toekomstige rol en die van de universiteit in twijfel te trekken in een landschap dat 'buiten controle' voelde. Dit kadert de verschuiving van de docentrol als identiteitsniveau en emotioneel geladen, niet slechts als een verandering van vaardigheden of workflow.
  • Academische ontwikkelaars als digitale bemiddelaars, ook als rem. Sithole (2026) interviewt twaalf academische ontwikkelaars en leerontwerpers bij twee Zuid-Afrikaanse Historically Disadvantaged Institutions en vindt dat de rol verschuift van het faciliteren van reflectief lesgeven naar technologisch tussenpersoon en probleemoplosser, waarbij de bemiddeling zich uitstrekt over pedagogiek, ethiek en institutionele politiek. De kenmerkende zet is vertragen als deel van het werk te behandelen: één deelnemer beschrijft het vertalen tussen 'wat het management wil, wat de technologie kan en waar docenten zich werkelijk zorgen over maken', en het benoemen van plagiaat, afhankelijkheid van studenten en het uitbesteden van denken voordat enthousiasme het tempo bepaalt: 'Het is niet alleen technische ondersteuning; het is ook onderhandelen.' Dezelfde studie documenteert de affectieve kosten ('Ik voel me een bedrieger. Ik leer AI al doende, maar de instelling verwacht expertise') en de professionele-leerrespons: peerruimtes die tools testen en bewust breken, gericht op oordeel in plaats van vaardigheid, en een expliciete afwijzing van het binaire keuze tussen adoptie of verzet: 'Ik ben niet anti-AI; ik ben pro-context.'
  • Principiële selectiviteit in plaats van adoptie of verzet. Adiozaman en Segar (2026) interviewden twee academici met meer dan tien jaar ervaring drie keer in één semester en vonden dat hun identiteitswerk draaide om drie samenhangende spanningen (pedagogiek tegenover platform, onderwijzer tegenover facilitator, en zorg tegenover naleving), die niet uitmondden in een vaste positie maar in principiële selectiviteit: contextsensitieve beslissingen gestuurd door pedagogische waarden, ethische toewijding en professioneel oordeel. Ze beschrijven een traject van impliciete oriëntatie, via strategieën halverwege het semester zoals studenten vragen hun denken uit te leggen en taken en beoordeling herontwerpen, naar houdingen die bewust open bleven in plaats van vast, waarbij de weigering van een bepaald gebruik als een legitieme uitoefening van oordeel werd behandeld en niet als een mislukte adoptie. Dit levert het constructieve tegenwicht voor de hierboven gedocumenteerde kwetsbaarheid: wat de rolverschuiving vraagt is oordeel, dus institutionele antwoorden die rond tooltraining zijn gebouwd, pakken het verkeerde probleem aan.
  • Semi-autonomie als het geprefereerde werkpunt. Dai et al. (2026) enquêteerden 287 GenAI-ervaren docenten in 27 landen en regio's en vonden dat ze de tool op de semi-autonome niveaus van een automatiseringsschaal plaatsen: 130 kozen niveau 2 ('ondersteuning van de docent'), 94 niveau 3 ('gedeeltelijke automatisering') en precies één niveau 6, en beschreven haar als 'hulpmiddel', 'scaffold', 'aanvulling' of 'partner'. Ervaren bruikbaarheid domineerde hun adoptie-intentie (β = ,832, p < ,001), terwijl ervaren kunstmatige autonomie de intentie alleen indirect via bruikbaarheid beïnvloedde, en risicomijding de intentie drukte zonder de bruikbaarheid aan te tasten, omdat hun zorgen betrekking hadden op het gebruik door studenten: spieken en integriteit, verzwakte basiskennis en hogere-orde denken, hallucinaties, minder menselijke interactie, en ethische, juridische en gelijkwaardigheidsrisico's. Het label 'frenemy' van de auteurs vat de houding precies: GenAI gewaardeerd als ondersteunende tool maar gewantrouwd als autonome agent. Het gevolg voor de onderwijsrol is dat docenten de beslissende actor willen blijven en gebruik geval per geval willen bepalen (discipline, behoeften van studenten, taaktype, timing), dus orkestratietools moeten worden gebouwd rond menselijk toezicht en oordeel per geval in plaats van rond autonomiebeloften.
  • Autoriteit blijft bij de docent; capaciteit groeit alleen daarbinnen. Reichert, Briceno, Tabarsi & Barnes (2026) gaven zes docenten in het secundair onderwijs over de klassen 6 tot 12 (maatschappijleer, wiskunde, dierwetenschappen, natuurwetenschappen, en informatica en robotica) de taak een LLM-chatbot op papier te prototypen voor hun eigen klas, en vonden dat elk prototype dezelfde houding codeerde: het systeem was een begrensde expert, gespecialiseerd maar beperkt tot een afgebakend domein en onder toezicht van de docent. Docenten trokken twee grenzen. Grenzen van autoriteit volgden uit professionele en juridische verantwoordelijkheid: controle over wat studenten leren en hoe ze veilig worden gehouden kon niet worden gedelegeerd, dus toezicht (volledige gesprekslogboeken, realtime meldingen bij ongepaste vragen en handmatige override) werd behandeld als een plicht van de rol in plaats van als een controle op de tool. Grenzen van expertise volgden uit wat het model niet kan weten: de geschiedenis van individuele studenten, de dynamiek in de klas en institutionele normen. Delegatie werd vervolgens selectief verdeeld over het onderwijs: docenten verwelkomden AI om inhoud te presenteren, oefenopgaven te leveren, scaffolding te bieden en formatieve Feedback te geven, maar hielden het informeren van studenten over doelen en summatieve beoordeling zelf. Dit geeft de hierboven gedocumenteerde voorkeur voor semi-autonomie een concrete architectuur: de autoriteit van de docent is het vaste element en AI-capaciteit groeit alleen daarbinnen.
  • Docenten als waardegeladen beoordelaars. Luo & Dawson (2026) laten zien dat het beoordelen van GenAI-ondersteund werk geen neutrale, op criteria gebaseerde handeling is maar een waardeoordeel dat wordt gevormd door de veronderstellingen van docenten over wie de student is (eerlijkheid, ijver), wat die kan (zelfstandigheid, GenAI-vaardigheid, disciplinaire beheersing), hoe die zich tot anderen verhoudt (vertrouwen), en of de beslissing tot goede uitkomsten leidt (billijkheid, weldoen). Docenten zijn zich vaak niet bewust van de waardeoriëntaties die aan hun beoordeling ten grondslag liggen, en die variëren per discipline (geesteswetenschappen kritischer over GenAI-gebruik; harde en toegepaste wetenschappen minder beoordelingsproblemen) en epistemologische houding (absolutistisch, multiplistisch, evaluativistisch). Dit positioneert de docent als een evaluerende professional wiens oordeel, niet alleen wiens toolgebruik, moet worden ondersteund en transparant gemaakt.
  • Docent als arbiter van pedagogisch betekenisvolle uitleg. Omdat het vertrouwen van docenten in AI-aanbevelingen stijgt wanneer uitleg in hun curriculum- of pedagogische taal is geformuleerd in plaats van in ruwe modelinternals, moeten effectieve tools de taal van het docentdomein 'spreken'. In een within-subject-experiment vond Feldman-Maggor et al. (2025) dat domeingestuurde uitleg van een AI-groeperingstool veel meer werd vertrouwd en geaccepteerd dan uitleg op basis van feature-importance uit data, wat het pedagogische vocabulaire van de docent positioneert als de interface waarlangs AI vertrouwen en gebruik verdient, en het oordeel van de docent over de vraag of een uitleg pedagogisch deugt als beslissende factor bij adoptie.
  • Facilitator wiens functie deels kan worden gedelegeerd. Kuhail et al. (2026) lieten 32 STEM-studenten debatteren onder een menselijke moderator, een AI-chatbot (GPT-4, geprompt met de gedragingen die van docenten worden verwacht: neutraliteit, gelijke spreektijd, korte aanwijzingen, handhaving van het onderwerp, doorvragen, de-escalatie) of elk om beurt, en vonden geen significant verschil in effectiviteit, plezier, tevredenheid, nut of intentie tot hergebruik (t = 0,23 tot 1,30, p = 0,198 tot 0,818). De auteurs lezen het nulresultaat als normalisering van mens-AI-samenwerking in regelgebonden discussie, niet als gelijkwaardigheid. De route naar hergebruik verschilde wel: onder menselijke moderatie stuurde tevredenheid de intentie tot gebruik, terwijl onder AI-moderatie het ervaren nut dat deed (0,806 tegen 0,495), dus een AI-gefaciliteerde activiteit overleeft op aangetoonde bruikbaarheid in plaats van op hoe plezierig ze voelt. De praktische lezing is AI-moderatie als schaalhulp voor grote of dun bezette cursussen onder menselijk toezicht, met onbevestigde gelijkwaardigheid voor sarcasme, indirecte taal en communicatiestijlen van minderheden.
  • Steller van doelen, niet alleen van competenties. Fagerlund et al. (2026) interviewden 13 Finse docenten van de voorschoolse opvang tot klas 9 over waarom studenten over en met AI zouden moeten leren, en lazen hun verhalen door Biesta's kwalificatie, socialisatie en subjectivering. Kwalificatie was het duidelijkste en meest concrete doel, met AI als zowel voorwerp van leren als hulpmiddel daarvoor; socialisatie verscheen als het cultiveren van gunstige houdingen tegenover AI en het voorbereiden van studenten als AI-vaardige toekomstige werknemers; subjectivering, zelfbepaalde en persoonlijk betekenisvolle betrokkenheid, werd als belangrijk onderschreven maar had geen concrete onderwijstrategieën erachter en berustte op 'bespreken en overdenken'. De auteurs stellen geïnformeerde AI-agency voor, met subjectivering in het centrum en competenties als fundament, wat de onderwijsrol een plicht geeft om doelen te stellen: maak het 'waarom' expliciet zodat vaardigheden context krijgen in plaats van als doel op zichzelf te staan, en vul technische kaders als Technological Pedagogical Content Knowledge (TPACK) aan met blijvende aandacht voor het onderwijsdoel.
  • Adoptie is niet dezelfde hefboom als prestatie. Bij 200 docenten in Noord-Sumatra had AI-gebruik geen direct effect op de prestaties van docenten (β = 0,112, p = ,087), terwijl organisational citizenship behavior dat medieerde met β = 0,370, dus het is het extra-rol, collaboratieve werk rond de tool en niet de tool zelf dat gebruik omzet in prestatie (Sherly et al. (2027)).

Deze rollen verbinden het werk van docenten met gedistribueerde cognitie, gesitueerd leren, belichaamd leren en kritische pedagogie, en herkaderen de docent als ontwerper en ethische gids van AI-gemedieerd leren in plaats van louter gebruiker.

  • Door AI ondersteunde beslissingen clusteren waar gedragsdata beschikbaar zijn. Köroğlu et al. (2026) bestudeerden 27 empirische studies (2016 tot 2025) en identificeerden acht typen docentbeslissingen, waarbij AI-ondersteuning geconcentreerd bleek bij beslissingen over instructie, Feedback en beoordeling, terwijl beslissingen over curriculum, leeromgeving, emotie, ethiek en administratie zelden werden ondersteund. Learning Analytics-dashboards waren het meest voorkomende systeem en verwerkten tekst- en logdata tot gedragsindicatoren van prestatie en betrokkenheid; multimodale en interactiegebaseerde data, agentieke systemen en cognitieve, metacognitieve, motivationele en affectieve uitkomsten waren in het bestudeerde corpus allemaal betrekkelijk zeldzaam. De praktische lezing voor docenten is dat de beslissingsruimte die een AI-tool opent, wordt begrensd door de data die ze toont, dus toolkeuze is ook een keuze over welke onderwijsbeslissingen worden ondersteund.

Hoe docenten hun onderwijspraktijk aan AI aanpassen

Het bewijs in de kennisbank convergeert naar een reeks concrete aanpassingen:

Ontwerp de pedagogische verpakking van de AI, niet alleen de tool. Dezelfde AI levert grote leerwinst of netto schade, afhankelijk van hoe de activiteit eromheen is ontworpen. Kibar & Ilgaz en het bewijs over leerwinst zijn consistent: het werk van de docent is de leerervaring ontwerpen, waarbij AI een component is binnen een gestructureerde activiteit in plaats van de antwoordmachine. Ondersteun eerst een poging van de student en laat AI dan coachen: dat is het verschil tussen beoordeling en opgeblazen prestatie.

Eis een controlepunt met een mens in de lus. Leer studenten in plaats van AI-output klakkeloos te accepteren, die te evalueren, te corrigeren en eigenaarschap te nemen over AI-ondersteund werk. AI-geletterdheid gericht op billijk gebruik kadert dit als het in balans brengen van de productiviteit van AI tegen echte menselijke bloei en auteurschap. Ontwerp opdrachten zo dat AI helpt bij het schetsen, maar de leerling de actor van evaluatie en herziening blijft.

Cureer concepten van AI-feedback; geef ze niet door. Chen et al. (2026) gaven 64 Chinese aanstaande docenten ChatGPT-ondersteunde feedback op betogende teksten en vonden dat het behandelen van de output als schetsmateriaal in plaats van als afgerond commentaar het kritisch denken bewoog waar feedback alleen van de docent dat niet deed (Cohen's d van 3,74 in de nameting tegen 0,25 bij de voormeting, p < ,001). Wat de docenten met de schets deden, is het overdraagbare deel: ze kopieerden passende inhoud op een niveau vergelijkbaar met het hunne (28%), breidden die uit met diepere input (16%), leverden die zelf (16%), herzagen die (14%) of gooiden die volledig weg (14%), waarbij nog eens 9% correctie nodig had. De ondersteunde feedback neigde naar modelleren (demonstratie, 33,1% tegen 10,9%) en doorvragen (question-closely, 21,5% tegen 6,0%), en studenten herzagen die naar analyse, evaluatie en creatie in plaats van herkenning, maar zes van de acht geïnterviewden meldden nog steeds onnauwkeurigheid en onprofessionaliteit. De verificatiestap van de docent is wat de hybride veilig maakt.

Pas de beoordeling aan het AI-tijdperk aan. Beweeg weg van taken die LLM's letterlijk kunnen voltooien naar authentieke, procesgerichte en mondelinge beoordelingen. Beoordelingsschalen geven docenten een rubric om te bepalen hoeveel AI-ondersteuning in elke fase legitiem is, en meta-analytisch bewijs laat zien dat AI hogere-orde denken kan ondersteunen wanneer het ontwerp van de beoordeling dat vraagt.

Bescherm de voorwaarden voor duurzaam leren. Omdat AI-antwoorden leren makkelijk laten lijken, moeten docenten ontwerpen om de kloof tussen prestatie en leren tegen te gaan. Lodge & Loble waarschuwen dat moeiteloos succes met AI de afwezigheid van leren kan maskeren; docenten moeten productief worstelen inbouwen, een niet-ondersteunde demonstratie van beheersing eisen, en AI-ondersteunde antwoorden behandelen als een startpunt, niet als de afgeronde uitkomst.

Plan voor het leveringsmedium. Aanpassing is niet mediumneutraal: online lesgeven met AI vermenigvuldigt zowel de kansen (schaalbare personalisering, altijd beschikbare ondersteuning) als de risico's (integriteit, offloading). Ontwerp de AI-verpakking online even bewust als in face-to-facecontexten.(Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation)

AI-geletterdheid opnemen in het lesgeven

AI-geletterdheid is geen aparte module: ze is verweven in de manier waarop docenten elke cursus ontwerpen. Effectieve benaderingen zijn:

Academische integriteit waarborgen in het AI-tijdperk

Academische integriteit met AI is een ontwerpprobleem, geen handhavingsprobleem. Docenten passen zich aan door:

  • Integriteit te herkaderen rond proces en auteurschap. Benadruk in plaats van detectie academische integriteit als transparant, gedocumenteerd gebruik. Onderzoek naar agentieke AI en spookstudenten laat zien dat het integriteitsrisico verschuift wanneer studenten AI-agenten namens hen inzetten, dus docenten moeten definiëren wat auteurschap betekent wanneer de 'geest' een AI is.
  • Declaratie en kaderen te gebruiken. Hoe AI-gebruik voor leerlingen wordt gekaderd, als kruk of als legitieme tool, bepaalt of ze het onthullen. Normen voor transparantie (bijvoorbeeld declaratie van AI-gebruik) verkleinen de prikkel om AI-gebruik te verbergen.
  • De prikkel om te spieken weg te ontwerpen. Authentieke, procesgerichte en mondelinge beoordelingen (mondelinge examens, portfolio's, geobserveerd probleemoplossen) maken uitbesteden minder aantrekkelijk dan AI-detectietools dat doen. Beoordelingsschalen en authentieke beoordeling zijn het constructieve alternatief voor de wapenwedloop van detectie.
  • Regulering op taakniveau is hoe docenten AI feitelijk besturen. De studie van Chirikov (2026) naar meer dan 31.000 cursusgidsen laat zien dat docenten steeds vaker optreden als reguleerders op taakniveau in plaats van algemene regels toe te passen: ze beperken AI voor het opstellen en herzien (79% van de cursussen) en voor redeneren en probleemoplossen (65%), staan het toe voor redigeren en proeflezen (83%) en voor studieondersteuning (80%), en laten ideevorming en planning het meest betwist (46% staat toe, 54% beperkt). Deze differentiatie, gebouwd op de vraag welke taken AI verdringt en welke ze versterkt, is een concreet, door docenten gestuurd alternatief voor een adoptie-of-verbodbeleid en geeft de docentrol een centrale plaats in de vorming van beleid.
  • Tijdelijke docenten dragen de nakijklast zonder het mandaat. Twintig tijdelijke academici, van wie sommigen tegelijk aan drie of meer instellingen lesgaven, beschreven dat ze wangedrag opspoorden met ongeschoold vakmanschap terwijl ze geen curriculum- of beleidsbevoegdheid hadden (Andriamora & Andriamora, 2026).

Lesgeven verbinden met learning design

Lesgeven en learning design zijn twee kanten van dezelfde medaille: de dagelijkse oordelen van de docent zijn de live uitvoering van de ontworpen leerervaring. AI versterkt deze verbinding:

  • Docenten als leerontwerpers. LearnAI en promptontwerp door docenten laten zien dat docenten als ontwerpers functioneren: ze specificeren de activiteit, de rol van de AI en de scaffolds die het leren structureren. Dit is learning design in actie op het punt van gebruik.
  • Principes van learning design bepalen de AI-pedagogiek. Dezelfde principes van learning design (heldere doelen, afgestemde beoordeling, Scaffolding en Feedback) bepalen of AI helpt of schaadt. ISD-Agent-Bench valideert empirisch dat het funderen van AI-ontwerp in formele instructieontwerpmodellen beter is dan theorievrij prompten.
  • Ontwerp voor de orkestratie van de docent. Effectieve AI-leeromgevingen zijn ontworpen met de docent in gedachten: de tools die mensgerichte AI biedt, moeten de werklast van de docent verlichten en het oordeel versterken, niet nog een ondoorzichtige black box toevoegen. Wanneer docenten AI-leeractiviteiten mede ontwerpen (perspectieven uit de activiteitstheorie), verbeteren zowel adoptie als kwaliteit.

Relatie tot de identiteit van de leerling

De docentrol en de identiteit van de leerling zijn wederkerige gezichten van hetzelfde menselijke proces, en AI hervormt beide.

  • De identiteit van de docent is een professionele identiteit; de identiteit van de leerling is een leeridentiteit. De pagina over de docentrol documenteert hoe AI het werk, de identiteit en de agency van onderwijzers hervormt, hun evoluerende professionele zelfbegrip (zie Laidlaw's inkadering van GenAI als identiteitscrisis). De identiteit van de leerling is het parallelle construct voor studenten: wie ze zijn en worden als leerling, in disciplinaire, professionele, creatieve en academische termen.
  • Ze zijn causaal gekoppeld. Docenten die identiteitsverstoring ervaren (onzekerheid over hun professionele doel temidden van GenAI) zijn minder goed in staat de identiteitsontwikkeling van hun studenten te ondersteunen: een docent die aan de eigen rol twijfelt, heeft moeite het ontluikende zelfbeeld van studenten in hetzelfde domein te bevestigen. Omgekeerd zijn docenten met een zelfverzekerde professionele identiteit beter gepositioneerd om het gevoel van erbij horen en het auteurschap van studenten te ondersteunen.
  • Verschillende faalwijzen. De identiteit van de docent wordt bedreigd door rolobsoletheid en doel (de vraag 'wat is het punt van lesgeven?'). De identiteit van de leerling wordt bedreigd door verlies van auteurschap en competentie (de vraag 'is dit echt van mij / ben ik goed genoeg?'). Beide zijn reacties op identiteitsniveau (niet alleen op vaardigheidsniveau) op AI.
  • Beide zijn kwesties van professionele ontwikkeling en pedagogiek. Het ondersteunen van de identiteit van de docent hoort bij educatieve ontwikkeling en AI-competentie van docenten; het ondersteunen van de identiteit van de leerling hoort bij Student Experience, authentieke beoordeling en Learner Agency. Een goed ontworpen AI-geïntegreerd systeem let op beide, omdat de identiteit van de docent de voorwaarde is waaronder de identiteiten van leerlingen zich vormen.

Co-ontwerp door docenten van vroege AI-geletterdheid

  • Co-ontwerp door docenten in vroege AI-geletterdheid. Lee (2026) laat zien dat twee leerkrachten uit de voorschoolse opvang en twee kleuterleerkrachten die samen het curriculum Play With AI (PL-AI) ontwierpen, aanzienlijke groei doormaakten in vertrouwen en pedagogische agency, waarbij co-ontwerp eigenaarschap over het curriculum, reflectieve praktijk en betekenisvolle aanpassing bevorderde. Dit positioneert docenten als centrale co-ontwerpers, niet alleen als uitvoerders, van ontwikkelingsgeschikte curricula voor AI-geletterdheid, een model met implicaties voor de opleiding van docenten in vroege kinderjaren en basisonderwijs en AI-onderwijs.

Docenten die samen AI-leermiddelen ontwerpen

  • De rol van de docent strekt zich uit tot het mede ontwerpen van AI-leermiddelen: door docenten en AI mede ontworpen simulaties voor STEM-onderwijs met drones hielden de GenAI-output pedagogisch valide en contextueel relevant, en docenten zijn de beoogde begunstigden van de Teachers' AI Literacy Scale. Effectieve GenAI-integratie hangt steeds meer af van betrokkenheid van docenten bij het ontwerp.

AI-reflectiesystemen moeten zich aanpassen aan de ervaring van docenten

  • Analytics voor AI-reflectie gericht op docenten moeten aan expertise worden aangepast, niet voor iedereen gelijk zijn. Een enquête onder 100 Amerikaanse K-12-docenten (mediaansplitsing bij negen jaar; binomiaaltoetsen; verschillen van 15% in keuze detecteerbaar bij ongeveer 83% power) vond systematische voorkeursverschillen. Minder ervaren docenten noemen gebrek aan reflectietijd als belangrijkste belemmering drie keer zo vaak als ervaren docenten (37% tegen 12%, p < ,001) en willen analytics over desinteresse van studenten (48% tegen 33%, p = ,028) en over emoties (31% tegen 18%, p = ,036).
  • De ontwerpregel die uit de splitsing volgt, is aan ervaring aangepaste aanbevelingsmodi. Ervaren docenten willen analytics over verbeterd leren na het helpen van een student (40% tegen 26%, p = ,019) en over hun onderwijsmethoden (42% tegen 26%, p = ,012); hun belangrijkste belemmering is het volgen van prestaties (28% tegen 15%, p = ,009). Ontwerpregel: novicemodus is gestructureerde prompts en betrokkenheidsanalytics; expertmodus is flexibele longitudinale analyse, een direct argument tegen uniforme dashboards. (How expertise levels shape preferences and reflection needs — towards AI reflection systems for teacher empowerment)

Veelvoorkomende misverstanden

'AI zal het pedagogische werk van lesgeven verminderen of vervangen.' Het bewijs uit de expertscenario's wijst de andere kant op. Malyn-Smith et al. (2026) noemen het de meer-mens-paradox: over zes scenario's voor 2030 die door 20 onderzoekers uit 13 landen zijn samengesteld, intensiveert AI-verzadiging het menselijke pedagogische werk in plaats van het te verdringen. De scenario's beschrijven AI als 'het luchtbehandelingssysteem van het leerecosysteem': infrastructuur die je pas opmerkt wanneer ze hapert. Wat verandert, is niet de hoeveelheid menselijk oordeel die nodig is maar het object ervan: de aandacht verschuift van het produceren van materialen naar het interpreteren van leerlingen.

'AI-competentie van docenten betekent de tools leren.' Toolvaardigheid is de zwakste voorspeller die er is. In de SEM van Bai en Hsieh (2026) met 898 Chinese universiteitsdocenten hing GenAI-ondersteunde onderwijsinnovatie minder af van geïsoleerde technologische AI-kennis en meer van pedagogisch en disciplinair ingebedde AI-competentie samen met professionele identiteit, die beide de uitkomst gedeeltelijk medieerden. Een workshop over functies die de pedagogiek of de disciplinaire identiteit niet raakt, richt zich op de verkeerde variabele; daarom kadert Laidlaw et al. de reactie van staf op GenAI als een identiteitsvraag in plaats van een vaardigheidstekort.

'Docenten zijn al co-ontwerpers van AI, dus de overgang is gaande.' De ambitie is echt; de beschrijving nog niet. De systematische review van Wang, Liu en Islam (2026) naar co-ontwerp van leertaken door docenten en AI vindt dat de houding van co-ontwerper ongelijk blijft, met als dominante modus nog steeds AI als assistent of inhoudsgenerator. Die review lezen als bewijs van een voltooide verschuiving zou de kloof verbergen tussen de docenten die een pagina als deze aanbeveelt en de docenten die de meeste instellingen feitelijk hebben.

'Hoe een docent delegeert aan een chatbot maakt nauwelijks uit, want het model doet het werk.' Het delegatiepatroon is de interventie. In de lesplanning voor STEAM-kunsteducatie voor kinderen vonden Luo en Tahir (2025) experimenteel dat het vullen van inhoudelijke gaten in een zelf geschetste les de ontwerpautonomie van de docent behield terwijl de door experts beoordeelde plankwaliteit steeg (mediaan 20,5 tegen 17,6, p = ,002, groot effect), en beter presteerde dan het alternatief waarbij het model de schets levert. Hetzelfde model, dezelfde taak, een andere arbeidsdeling, een wezenlijk ander resultaat.

Een praktische startvolgorde

Het bewijs ondersteunt een specifieke volgorde van handelen voor een docent die AI adopteert, in plaats van een lijst functies om te leren.

  1. Schrijf de activiteit voordat u de tool kiest. Specificeer het doel, de poging van de student die eerst komt, en wat als bewijs van begrip geldt. Tools die eerst worden gekozen, herschrijven de activiteit doorgaans rond zichzelf.
  2. Bepaal het delegatiepatroon expliciet. Schets de les zelf en laat AI inhoudelijke gaten vullen, in plaats van een gegenereerde schets te accepteren: het patroon hierboven met het gemeten kwaliteitsverschil.
  3. Plaats het menselijke controlepunt waar het eigenaarschap zit. Ontwerp zo dat de leerling het AI-ondersteunde werk evalueert, corrigeert en bezit, en dat AI-feedback binnenkomt als een schets die de docent cureert in plaats van als commentaar dat de docent doorgeeft.
  4. Bescherm de interpretatietijd die de verschuiving oplevert. Als de aandacht verschuift van materiaalproductie naar het lezen van leerlingen, moet die herverdeelde tijd de confrontatie met de agenda overleven; als ze wordt opgeslokt door nieuw administratief werk, treedt de beloofde rolverandering niet op.
  5. Controleer of u wordt geschoold in tools of in pedagogiek. Gegeven het SEM-resultaat verdient professionele ontwikkeling die werkt aan disciplinaire taken en identiteit de voorkeur boven rondleidingen langs functies.

Verbonden concepten

Verbonden artikelen

Gerelateerde FAQ's

Metadata

NiveauK 12, Higher Ed
Beoogde doelgroepInstructors, Faculty Developers, Learners
Leren en onderwijzenScaffolding
Technologieën en techniekenIntelligent Tutoring
Grondslagen van AI in het onderwijsAI-geletterdheid, Educatieve ontwikkeling, Learning design, AI-competentie van docenten
BronGeschiedenisBewerkenChat

Deze pagina insluiten

Kopieer de onderstaande code om deze pagina in een leeromgeving of op een andere website in te sluiten. De ingesloten versie toont alleen de inhoud van de pagina — de sitekop, navigatie en voettekst zijn verborgen.