Theorieontwikkeling in AI in het onderwijs

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

Theorieontwikkeling in AI in het onderwijs — het wetenschappelijke werk van het maken, vooruitbrengen en kritisch onderzoeken van de theorieën en conceptuele kaders die verklaren hoe leerlingen, docenten en AI-systemen op elkaar inwerken. Terwijl generatieve AI het onderwijs hervormt, stelt het veld zowel nieuwe theorieën over leren-met-AI voor als herwerkt het gevestigde leertheorieën — terwijl een gedocumenteerde zwakte in theoriegebruik een doorsnijdende beperking van AIEd-onderzoek blijft.

Vragen om over na te denken

We hebben het vaak over 'een theorie toepassen' op AI in het onderwijs, maar deze pagina vraagt of het veld werkelijk nieuwe theorieën uitvindt. Voordat u verder leest: wanneer een vertrouwd kader (zoals behaviorisme of constructivisme) wordt opgerekt om generatieve AI te dekken, wat kan het dan goed krijgen, en wat kan het stilzwijgend vertekenen?
Denk aan een moment waarop u AI gebruikte en voelde dat uw begrip groeide — of juist het tegenovergestelde. Wat is het verschil tussen 'leren met een tool' en 'samen met een machine kennis construeren'? Waar zou u die grens trekken, en is het überhaupt zinvol om te zeggen dat de machine een mede-actor is?
Veel studies naar AI-onderwijs krijgen kritiek omdat zij theorie zwak of helemaal niet gebruiken. Als u een studie leest die aantoont dat een AI-tool 'werkte', wat zou die u dan moeten vertellen over waarom en hoe zij werkte voordat u de bevinding theoretisch betekenisvol zou noemen in plaats van slechts een effectgrootte?
Eén voorgestelde theorie stelt dat AI-native studenten hun eigen leren overschatten omdat AI hun prestatie opblaast. Hebt u bij uzelf of anderen gemerkt dat zij zich competenter voelen na zwaar AI-gebruik dan zij zonder AI werkelijk kunnen aantonen? Wat zou het sterkste bewijs zijn dat dit een echt fenomeen is en niet slechts een artefact van één studie?
De pagina onderscheidt theorie (het verklaren van leermechanismen) van filosofie (het bevragen van wat leren en geest fundamenteel zijn). Waar in uw eigen denken over AI beweegt u zich tussen de twee — bijvoorbeeld door niet alleen te vragen of een kader leren goed verklaart, maar of het vangt wat leren werkelijk is?
Er verschijnen nieuwe theorieën — generativisme, epistemische co-agency, cognitieve commons. Als lezer, wat zou u ervan overtuigen dat een ervan een echte vooruitgang is in plaats van een modieuze herbenoeming van oudere ideeën? Stel uw eigen toets op wat een goede nieuwe theorie over leren met AI zou moeten kunnen verklaren.

Inleiding

Theorieontwikkeling in AIEd ligt op de grens tussen de toegepaste leertheorieën waarop het veld put en de nieuwe constructen die het AI-tijdperk voortbrengt. Waar Learning Theories de gevestigde theorieën catalogiseert die op AI worden toegepast (behaviorisme, constructivisme, cognitieve belasting, zelfdeterminatie, enz.), volgt dit concept het proces en product van het theoretiseren zelf: welke nieuwe theorieën en kaders worden geboren, hoe gevestigde theorieën worden vooruitgebracht, en de methodologische vraag of AIEd-onderzoek goed theoretiseert.

Een kader dat zijn eigen vergelijkingsconditie specificeert. Nakamura (2026) behandelt de verdeling van cognitieve arbeid als de verklarende eenheid, plaatst operaties op een gegradeerd continuüm van perifeer tot constitutief, benoemt de vergelijkingsconditie waartegen augmentatie en erosie worden gedefinieerd, en leidt zeven geconditioneerde toetsbare proposities af (Nakamura, 2026). Omdat de proposities verschillen tussen configuraties voorspellen, kan een studie die alleen een gemiddeld effect rapporteert ze niet bevestigen of weerleggen.

Nieuwe theorieën over leren met AI

Een groeiende cluster artikelen creëert expliciet nieuwe theorie voor het AI-tijdperk in plaats van bestaande kaders toe te passen:

Generativisme. Generativisme wordt voorgesteld als een nieuwe leertheorie, met het argument dat behaviorisme, cognitivisme, constructivisme en connectivisme elk op één aanname rusten die generatieve AI doorbreekt: dat waarneembare output leren certificeert (behaviorisme), dat cognitieve operaties binnen de lerende plaatsvinden (cognitivisme), dat betekenis wordt geconstrueerd in plaats van geleverd (constructivisme), en dat het moeilijke deel is navigeren naar bestaande kennis in plaats van die te genereren (connectivisme). Zij benoemt vier constructen — epistemisch partnerschap, gedistribueerde agency, generatieve geletterdheid en adaptieve metacognitie — en leidt voor elk een beoordelingsindicator af, een directe poging om een afzonderlijk theoretisch paradigma voor AI-gemedieerd leren te benoemen. Wat zij niet doet, is proposities formuleren die zouden kunnen falen: het is een position paper dat bestaand bewijs synthetiseert, dus anders dan Agentivisme hieronder biedt het een vocabulaire en een meetagenda in plaats van een falsifieerbare theorie.
AI-verbondenheid. Fu en Zhao (2026) reconstrueren verbondenheid voor het AI-tijdperk via de ethiek van zorg en neo-ecologische theorie, en definiëren „kunstmatige-intelligentieverbondenheid" als een psychologisch reële maar ethisch asymmetrische band met drie dimensies en zes falsifieerbare proposities die nog op schaalontwikkeling wachten.

De synthetische positie voegt een concurrerend voorstel toe dat wél proposities formuleert: zij benoemt synthetic promotion en authorial suspension — een zelf dat sterk spreekt maar niet geauteuriseerd is — en voorspelt een crossover-interactie waarin de beoordeelde auteurschap en coherentie van een levensbeslissingsnarratief in tegengestelde richtingen bewegen (Du et al. (2026)).

Agentivisme. Yan en Gašević (2026) stellen Agentivisme voor als een middenbereikleertheorie voor mens-AI-interactie, die leren definieert als duurzame groei in menselijke bekwaamheid in plaats van succesvolle taakvoltooiing met AI, en vier mechanismen specificeert: gedelegeerde agency, epistemische monitoring en verificatie, reconstructieve internalisering en transfer onder verminderde ondersteuning. Wat het onderscheidt van de andere voorstellen op deze pagina is falsifieerbaarheid: het formuleert zes proposities, waaronder dat leren sterker is wanneer AI de verantwoordelijkheid van de lerende voor probleemformulering, criteriumbepaling en rechtvaardiging behoudt dan wanneer zij antwoorden levert. Het stelt ook dat het vereisen van verificatie de uitgestelde prestatie zou moeten verbeteren, terwijl herhaalde delegatie met lage wrijving zonder reconstructie de kalibratie van leerlingen over hun eigen competentie zou moeten verzwakken.

Theoretiseren aan de docentkant maakt nu dezelfde toetsbaarheidsbelofte: het Capability–Decision Model ordent AI-TPACK-bekwaamheid stroomopwaarts van houding en waargenomen gedragscontrole en benoemt vier ontkrachtingscondities — mediatiefalen, discriminantinstorting, moderatienulliteit en contextredundantie — hoewel het model ongetoetst blijft (Mnguni (2026)).

Epistemische co-agency. Learning with Machines bouwt „naar een theorie van epistemische co-agency", een theoriegeïnformeerd model van hoe leerlingen en GenAI-systemen samen kennis en begrip produceren.
Cyclus van cognitief partnerschap. Page (2026) stelt de Cognitive Partnership Cycle voor, een zesfasig recursief model — Human Question, AI Expansion, Human Reflection, Integration, Revision en New Question — dat leren lokaliseert in een verandering van de cognitieve positie van de lerende in plaats van in promptverfijning, en vier faalmodi benoemt waarin dezelfde recursie het denken vervangt of vertekent.
De afwezige cognitieve basislijn (ACB). The Absent Cognitive Baseline theoretiseert een structurele kloof in de academische zelfbeoordeling van AI-native studenten — een driedimensionaal kader dat verklaart waarom studenten hun leren overschatten wanneer AI de prestatie opblaast.
De cognitieve commons. Cognitieve commons en expertise-regeneratie put uit de theorie van common-pool resources en gedistribueerde cognitie om te verklaren hoe rationele AI-adoptiebeslissingen de gedeelde expertisevoorraad kunnen uitputten die beroepen nodig hebben voor vernieuwing.
Prestatie versus leren. Prestatie-versus-leren theoretiseert de scherpe divergentie tussen door AI opgeblazen taakprestatie en duurzaam leren, een onderscheid dat terugkeert in het Learning Gains-bewijs van de kennisbank.
Epistemische AI-geletterdheid (EAIL). Epistemische AI-geletterdheid herkadert AI-geletterdheid als een procesgerichte epistemische competentie gericht op hoe kennis wordt geconstrueerd en gerechtvaardigd wanneer studenten samen met generatieve AI programmeren.
Tri-Systeemtheorie. Shaw en Nave (2026) breiden dual-processverklaringen uit met Systeem 3 — extern, geautomatiseerd, datagedreven redeneren vanuit AI dat Systeem 1 en Systeem 2 kan aanvullen, vervangen of onderdrukken — en benoemen cognitieve overgave, de onkritische overname van AI-output, als het kenmerkende falen ervan.
Cognitief rentmeesterschap. Credential en cognitief rentmeesterschap theoretiseert de institutionele verantwoordelijkheid voor het beschermen van kennis en leren in beoordelingscontexten waar AI alomtegenwoordig is.
Co-regulatie en epistemische proactiviteit. AI als cognitieve partner in co-regulatie integreert uitvoerende functies, metacognitie, gedistribueerde cognitie en socioculturele ontwikkeling in een ontwikkelingsmodel; epistemische proactiviteit theoretiseert de agentische houding van studenten tegenover AI in wiskunde.
Paradigma's voor mens-GAI-betrokkenheid. Strydom (2026) pakt het „theorietekort" van het veld aan door zeven uitgevoerde paradigma's voor mens-GAI-betrokkenheid (behoedzaam, mogelijkheidsgericht, versterkt, pionierend, symbiotisch, waardengebaseerd, rechtvaardigheid) te funderen in Schommers multidimensionale model van persoonlijke epistemologische overtuigingen — een epistemologische, in plaats van toolgerichte, theorie van hoe individuen zich verschillend tegenover AI positioneren.
Het Ecological Co-Agency Framework. Poudyal (2026) betoogt dat generatieve AI epistemologische autoriteit herverdeelt van docenten naar studenten naar machines, en introduceert een kader dat co-agency definieert via drie onderling afhankelijke dimensies — relationeel, regulatief (afgebeeld op de SRL-cyclus) en pedagogisch (continuüm van docentadoptie) — alle begrensd door een niet-onderhandelbare voorwaarde van menselijke epistemische verantwoording (betwistbaarheid, herkomst en niet-delegatie van morele/intellectuele krediet). Het positioneert Agency van de leerling als een epistemisch ontwerpprobleem in plaats van een bruikbaarheidskwestie, en geeft instellingen een preciezere taal dan „balans" voor het besturen van GenAI-integratie.
Relationele epistemische agency en epistemische afhankelijkheid. Du & Yuan (2026) leveren een kritisch-integratieve verklaring van wanneer AI-gemedieerde afhankelijkheid oordeel behoudt versus verdringt. Zij operationaliseren de grens tussen productieve afhankelijkheid en schadelijke afhankelijkheid via zes diagnostische criteria (betwistbaarheid, herstelbaarheid, transfer, traceerbaarheid, gedistribueerde verantwoordelijkheid, epistemisch pluralisme) en traceren vier sociotechnische paden (vloeiende autoriteit, wrijvingsloze delegatie, ondoorzichtige synthese, geïnstitutionaliseerde afhankelijkheid). Hun normatieve voorstel, relationele epistemische agency, breidt lijnen van relationele autonomie en epistemische co-agency uit door een expliciete asymmetrie te behouden — AI mag redeneren vormgeven zonder wederkerige verantwoordelijkheid of legitieme autoriteit — terwijl het verantwoordelijkheid en epistemische rechtvaardigheid op institutioneel niveau integreert. Als theorie over leren met AI verschuift het de vraag van het veld van 'helpt of schaadt AI' naar 'welke epistemische handelingen worden behouden, getransformeerd of verdrongen', en het maakt het ontwerp van afhankelijkheid in plaats van louter gebruik het object van pedagogische en institutionele interventie.

De output van het model stijgt tot de status van collectieve kennis zonder de gemeenschapswaarborg die die status vereist — wat Webb et al. (2026) pseudo-cPCK noemen, en de reden dat het veld een nieuw theoretisch construct nodig heeft in plaats van een betere interface (Webb et al., 2026).

Bestaande theorie vooruitbrengen

Ander werk breidt bestaande theorie uit naar de AI-context in plaats van nieuwe paradigma's te stichten: werk aan de kritisch-denkparadox integreert cognitieve-belastingstheorie met instructie die belasting verlaagt tot een drielaags kader; rechtvaardige beoordeling hertheoretiseert beoordeling onder GenAI-verstoring. Ba, Gašević, Lim & Anderson (2026) herconceptualiseren het Community of Inquiry-kader zelf: in plaats van GenAI te kaderen als een tool, een dialogische partner of een speculatieve „vierde aanwezigheid", herpositioneren zij het als een epistemische conditie die hervormt hoe cognitieve, sociale en onderwijskundige aanwezigheid worden uitgevoerd, onderbouwd en bestuurd — waarbij CoI-aanwezigheden worden herkaderd als sociotechnische prestaties van mens-GenAI-assemblages en een configuratiegebaseerde heuristiek wordt voorgesteld waarin GenAI-betrokkenheid en inquiry-kwaliteit voorwaardelijk samenhangen via menselijke verantwoording. Veel hiervan is conceptueel-kaderwerk (kaders voor business schools, valide simulatie) dat theorie operationaliseert voor de praktijk.

Lin en Chang (2026) breiden Self-Regulated Learning en mens-AI-regulatie uit door te benoemen wat de lerende bestuurt — standaarden, evaluatieve oordelen en controleautorisatie — in plaats van alleen wat de AI doet.

De wrijvingsparadox biedt een andere uitbreiding van gevestigde theorie: Gupta (2026) past Bjork en Bjorks wenselijke moeilijkheden en Kapurs productief falen toe op relationele ontmoetingen in onderwijs in het buitenland, en betoogt dat van belang is hoeveel interpretatieve agency een student aan een generatieve assistent overdraagt in plaats van hoe vaak die wordt gebruikt. Het kader is conceptueel en formuleert vijf proposities als concurrerende hypothesen.

Ranieri & Biagini (2026) brengen de functionele taxonomie van Zawacki-Richter et al. (2019) vooruit: van de 154 publicaties met een classificeerbare toepassingsfunctie ontsnapten er 90 (58,4%) aan de vier categorieën, en hun kader kruist functie met gedelegeerde controle, epistemische positie en ingebedde pedagogiek.

An, McLaren en Stamper (2026) brengen ACT-R en het Knowledge-Learning-Instruction-kader vooruit door misleidende overgeneralisatie te theoretiseren — een faalmodus waarin kenniscompilatie een overgegeneraliseerde productie oplevert die correcte acties produceert terwijl zij een kritieke toepassingsbeperking weglaat — en door een detectie-/remediëringsprocedure empirisch te valideren over adaptieve ITS'en en een K-12-dataset voor decimaalrekenen.

Postfenomenologie en technologische mediatie. Farazouli et al. (2026) brengen het gevestigde postfenomenologische kader van technologische mediatie (Ihde 1990; Verbeek 2006, 2011; Rosenberger & Verbeek 2015) vooruit naar de context van AI in het onderwijs. In plaats van een nieuwe theorie voor te stellen, passen zij het toe om GAI-chatbots te herconceptualiseren als multistabiele technologische artefacten wier „scripts" (snelle responsiviteit, natuurlijk klinkende tekst die slaagcijfers kan halen) de percepties van docenten mediëren en hun praktijken hervormen — wat het vertrouwen van docenten verstoort, hervormt wat competentie betekent, en docenten voorbij instrumentele vragen over aanvaardbaar gebruik duwt naar het herevalueren van hun rol en de betekenis van lesgeven. Dit is een bijdrage aan theorie-ontwikkeling: zij toont hoe een filosofische verklaring van mens-technologierelaties de emotionele en professionele ontwrichting verklaart die docenten ervaren wanneer GAI gevestigde onderwijspraktijken binnenkomt.

Een verdere kaderbijdrage is de AI×Ed-typologie van Rismanchian & Doroudi, die Kahns (1977) oorspronkelijke „drie interacties" uitbreidt langs twee assen — de rol van AI (toegepaste tool versus analogie van menselijke intelligentie) en de eindgebruiker (onderzoeker tot lerende) — om elk AIED-project te lokaliseren. Naast het categoriseren van het veld pleit het voor het nieuw leven inblazen van de theoretische en onderzoekslijn „AI als analogie van menselijke intelligentie", met computationele en agentgebaseerde leermodellen (bijv. hun eigen computationele model van het ICAP-kader) om hedendaagse leertheorie en computationele modellering te verbinden — een methodologische richting die het veld grotendeels verliet toen het zich tot toegepast, datagedreven werk wendde.

Vergelijkende filosofie als route naar theoretisch pluralisme. Xie (2026) modelleert een andere route naar theorieontwikkeling: in plaats van AI in het onderwijs te theoretiseren vanuit één traditie, brengt het artikel een vergelijkende dialoog op gang waarin elke traditie „zichtbaar maakt wat de andere verbergt", en weigert het expliciet ze tot één kader te synthetiseren — een benadering die theoretisch pluralisme als methodologische positie behandelt in plaats van als een onopgelost meningsverschil. Hij betoogt dat niet-westerse tradities meer kunnen doen dan debatten diversifiëren; zij kunnen de conceptuele fundamenten van AIED-theorie hervormen, door Daoïstische „Dao-natuur" (道性), zelfcultivering (修道) en de „Zhenren" (真人) te reconstrueren als hulpbronnen voor het herdenken van Agency van de leerling, de epistemische doelen van onderwijs en ethisch handelen onder AI-gemedieerde omstandigheden. Hij benoemt ook de grenzen ervan ronduit: de bijdrage is van één auteur, niet-empirisch, en waarschuwt dat zulke vertaling contextualisering vereist om romantisering en oriëntalisme te vermijden.(Alternative AI Philosophy: Daoism as Method for AI in Education)

Het theoriegebruikprobleem in AIEd

Het theoretiseren van het veld is ongelijkmatig. Beperkingen in AIEd-onderzoek documenteert dat AIEd-studies theorie vaak zwak of onkritisch gebruiken — een terugkerende methodologische zwakte naast reproduceerbaarheids- en meetkloven. Reviews vinden dat veel AIEd-artikelen theorie oppervlakkig of helemaal niet toepassen (bijv. literatuurreviews die opmerken dat weinig studies interventies in leertheorie funderen). Dat maakt theorieontwikkeling — en theoriegebruik — een kwaliteitskwestie evenzeer als een wetenschappelijke opbrengst, wat aansluit bij onderzoeksmethoden en AI Ed Evaluation.

Relatie tot de filosofie van AI in het onderwijs

Theorieontwikkeling en de filosofie van AI in het onderwijs zijn complementaire maar afzonderlijke stromingen in het fundamentele werk van de kennisbank. Theorieontwikkeling produceert en toetst empirisch de mechanismen van leren-met-AI — benoemde theorieën en kaders zoals generativisme, epistemische co-agency en de afwezige cognitieve basislijn die verklaren en voorspellen hoe leerlingen en AI op elkaar inwerken. Filosofie ondervraagt de vooronderstellingen waarop die mechanismen rusten: wat als kennis telt, wie als kenner telt, en wat de lerende fundamenteel is. Een theorie als epistemische co-agency stelt een mechanisme voor terwijl zij impliciet filosofische commitments over gedistribueerde cognitie en Agency van de leerling aanvaardt; filosofie maakt die commitments expliciet en betwistbaar. Waar theorieontwikkeling vraagt of een kader leren goed verklaart, vraagt filosofie of het vangt wat leren en geest werkelijk zijn — de twee stromingen ontmoeten elkaar in de meest fundamentele artikelen van het veld, die vaak beide tegelijk doen.

Veelvoorkomende misverstanden

„De bevinding dat de tool werkte is een theoretische bijdrage." Dat is het niet, en de reden is structureel. Waar de proposities van een kader verschillen tussen configuraties voorspellen, kan een studie die alleen een gemiddeld effect rapporteert die niet bevestigen of weerleggen — het ontwerp kan het onderscheid waar de theorie over gaat niet zien. Een trial die een gemiddelde winst toont, vertelt u dat er iets gebeurde, niet welk mechanisme het veroorzaakte, dus de theorie blijft precies zo ondersteund als zij was.

„Een gevestigde theorie op AI toepassen is theorieontwikkeling." Het theoriegebruikprobleem van de pagina zelf zegt het tegendeel: toepassing is geen vooruitgang, en het terugkerende patroon van het veld is geleende constructen die als vocabulaire worden gebruikt in plaats van als toetsbare voorspellingen. Het onderscheid doet ertoe omdat een geleend kader dat geen falsifieerbaar verschil kan genereren decoratie is, geen theorie.

„De bestaande taxonomieën van de pedagogische functie van AI dekken al wat deze systemen doen." Zij dekken er veel van niet. Van de 154 publicaties met een classificeerbare toepassingsfunctie ontsnapten er 90 (58,4%) aan de vier categorieën van het eerdere kader, en daarom kruist het nieuwere werk functie met gedelegeerde controle, epistemische positie en ingebedde pedagogiek. Een taxonomie die bijna drie op de vijf gevallen verkeerd classificeert, kan niet als gemeenschappelijk vocabulaire van het veld dienen, en de kloof is een bevinding over het fenomeen in plaats van een kloof in een artikel.

Implicaties voor de praktijk

Voor onderwijsgevenden en instructieontwerpers

Wanneer een studie een gemiddeld effect rapporteert, behandel dat niet als leidraad voor uw configuratie. De claims op theorieniveau gaan over verschillen tussen configuraties, en een gemiddelde kan u niet vertellen welke u draait.
Vraag van elk kader dat u aanneemt of het iets voorspelt dat in uw eigen setting onwaar zou kunnen blijken. Als het dat niet kan, helpt het u nergens bij het beslissen.
Verwacht dat bestaande categorieën uw geval missen; meer dan de helft van de geclassificeerde publicaties paste niet in de standaard vierdeling.

Voor ontwikkelaars

Rapporteer configuraties in plaats van één kopeffect. Als uw ontwerp een specifieke combinatie van gedelegeerde controle en epistemische houding belichaamt, zeg dat dan — dat is de eenheid waar de theorie over spreekt en de eenheid die een ander team nodig heeft om te reproduceren.
Market een mechanismeclaim niet op basis van een gemiddelde uitkomst; het bewijstype dat het mechanisme vereist is een contrast, niet een gemiddelde.

Voor onderzoekers

Ontwerp op configuratiecontrasten als u een theoretische bijdrage beoogt. Een trial met een gemiddeld effect die als theorieontwikkeling wordt gepubliceerd, is de meest voorkomende en minst nuttige opbrengst van het veld.
Voeg expliciete falsifieerbare proposities toe aan elk kader dat u introduceert, en rapporteer welke configuratieverschillen ze zouden hebben weerlegd.

Verbonden concepten

Verbonden artikelen

Artificial Intelligence in Higher Education (2019–2026): A Systematic Review of Applications and an Evidence-Derived Multi-Axial Taxonomy — De functionele taxonomie uitbreiden: 90 van de 154 classificeerbare publicaties (58,4%) vallen buiten de oorspronkelijke vier categorieën (Ranieri & Biagini 2026)
Agentivism: a learning theory for the age of artificial intelligence — Een middenbereikleertheorie voor mens-AI-interactie, met vier mechanismen en zes toetsbare proposities (Yan en Gašević 2026)
Deceptive overgeneralization: When adaptive learning enables systematic misapplication — Misleidende overgeneralisatie: adaptieve beheersing kan oefening stoppen voordat leerlingen weten wanneer zij een actie moeten onthouden (An, McLaren & Stamper 2026)
Reclaiming epistemic agency: A critical framework for human-generative AI co-agency in education
Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence — Generativisme als een nieuwe leertheorie
Learning with machines: Toward a theory of epistemic co-agency — Naar een theorie van epistemische co-agency
Epistemic dependence in AI-mediated learning — Relationele epistemische agency en de grens tussen productieve afhankelijkheid en schadelijke afhankelijkheid (Du & Yuan 2026)
The Absent Cognitive Baseline: Theorizing a Structural Gap in AI-Native College Students' Academic Self-Assessment — De afwezige cognitieve basislijn (ACB)
The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — Cognitieve commons en expertise-regeneratie
Distinguishing performance gains from learning when using generative AI — Prestatie versus leren
Constructing Epistemic AI Literacy: Detecting Epistemic Aims and Processes in Student-AI Co-Programming — Epistemische AI-geletterdheid (EAIL)
What Does the Credential Still Certify? Cognitive Stewardship for AI-Mediated Education — Credential en cognitief rentmeesterschap
Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning — AI als cognitieve partner in co-regulatie
From Prompting to Epistemic Proactivity: Temporal Trajectories of Student-AI Interaction in Mathematics Learning — Epistemische proactiviteit in wiskunde
Framing human-AI dynamics: An epistemological perspective on generative AI practices — Zeven paradigma's voor mens-GAI-betrokkenheid, gefundeerd in epistemologische overtuigingen
The critical-thinking paradox in generative AI-integrated learning: distinguishing efficiency from cognitive depth — a differentiated framework and testable propositions — De paradox van kritisch denken
Reimagining Success and Failure: Equitable Assessment Practices in an Age of Artificial Intelligence — Rechtvaardige beoordeling onder GenAI
Thinking—fast, slow, and artificial: How AI is reshaping human reasoning and the rise of cognitive surrender — Tri-Systeemtheorie en cognitieve overgave: hoe AI menselijk redeneren hervormt (Shaw & Nave 2026)
Reconceptualizing community of inquiry in the age of generative artificial intelligence — Community of Inquiry herconceptualiseren in het tijdperk van generatieve AI
Navigating uncertainty: university teachers' experiences and perceptions of generative artificial intelligence in teaching and learning — Ervaringen en percepties van universitaire docenten over GAI: kwetsbaarheid, beoordeling heroverwegen, leren van studenten in gevaar (Farazouli et al. 2026)
The evolution of research on AI and education across four decades: Insights from the AIxEd framework
Alternative AI Philosophy: Daoism as Method for AI in Education — Alternatieve AI-filosofie: daoïsme als methode voor AI in het onderwijs
EduBehaviors: Assertion-based Schemas for Auditable Coding of Educational Dialogues — EduBehaviors: op beweringen gebaseerde schema's voor auditbare codering van onderwijsdialogen
Metacognitive Ownership in Human-AI Regulation: Construct Definition, Boundaries, and a Research Agenda — Metacognitief eigenaarschap: constructdefinitie, grenzen en een onderzoeksagenda
The synthetic position: generative artificial intelligence and the suspension of self-authorship in emerging adulthood — De synthetische positie: een dialogisch-zelfvoorstel dat synthetic promotion en authorial suspension benoemt met een crossover-voorspelling
A Capability–Decision Model of teacher readiness for AI integration in teaching — Falsifieerbaar capability-first-model van docentgereedheid met vier ontkrachtingscondities
Artificial Intelligence Connectedness: Theoretical Reconstruction of Connectedness and Its Impacts on Adolescent Mental Health — Kunstmatige-intelligentieverbondenheid: een driedimensionaal construct met zes falsifieerbare proposities voor latere toetsing
From Answer Generation to Cognitive Partnership: A Conceptual Framework for Human–AI Learning — Cyclus van cognitief partnerschap
The friction paradox: generative AI and the educational value of difficulty in education abroad — Wenselijke moeilijkheden en productief falen toegepast op interpretatieve agency in onderwijs in het buitenland
Revisiting Pedagogical Content Knowledge (PCK) development for the age of generative AI — Drie vignetten en een nieuw construct, pseudo-cPCK, voor output die collectief gevalideerde kennis nabootst zonder waarborg (Webb et al. 2026)

Metadata

Onderzoeksopzet	Literature Review
Leren en onderwijzen	Learning Theories
Onderzoeksmethoden en evaluatie	Research Methods in AIED
Grondslagen van AI in het onderwijs	AI in het onderwijs, Beperkingen in AIED-onderzoek
Soort pagina	Framework

Bron Geschiedenis Bewerken Chat