Hoe kan AI mij als docent tijd besparen?

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

Het is donderdagavond in week acht. Drie lesplannen moeten maandag klaar zijn, de labverslagen zijn half nagekeken, en de afdelingsvergadering van vrijdag heeft een agendapunt over wat iedereen sinds de training van augustus met AI heeft gedaan. Een collega zegt dat de tool haar voorbereidingstijd halveerde. U hebt het twee keer geprobeerd, was veertig minuten bezig om een werkblad te repareren, en bleef achter met de gedachte dat het hele verhaal schromelijk was overdreven.

Jullie hebben het allebei over dezelfde tool. Die bespaart tijd bij het opstellen van materiaal dat u toch al van plan was te bewerken, en kost tijd zodra u hem richt op een oordeel over een bepaalde student. Of de besparing ook uw besparing wordt, hangt af van een beslissing die de meeste docenten nooit nemen: waarvoor de teruggewonnen uren bedoeld zijn.

De kern voor de vergadering: besteed de eerste versie uit en houd het oordeel zelf. Lesplannen, uitgewerkte voorbeelden, discussievragen, formatieve quizitems, alternatieve uitleg, de formulering van rubrics en routinematige administratieve tekst zijn werk dat u kunt specificeren, controleren en corrigeren. Leerdoelen, eindcijfers en elke beslissing over een specifieke lerende blijven bij u. Benoem wat het vrijgekomen uur oplevert, want het bewijs over tijdwinst is bewijs over waar de tijd naartoe gaat.

De korte versie

1. Maak een lijst van de taken van vorige week die een document opleverden dat u daarna hebt bewerkt. Dat zijn uw kandidaten.

2. Begin met gestructureerd materiaal dat u aan uw eigen specificatie kunt toetsen: afsluitende opdrachten, quizitems, uitgewerkte voorbeelden, een tweede uitleg van een lastig concept.

3. Schrijf op waar het teruggewonnen uur naartoe gaat voordat u het terugwint.

4. Meet drie terugkerende taken twee weken lang. Uw gevoel voor de besparing is op een specifieke, gedocumenteerde manier onbetrouwbaar.

5. Houd het stellen van doelen, summatieve cijfers en beslissingen over individuele studenten aan uw kant van de lijn.

Begin met werk dat u toch al wilde herschrijven

Het sterkste cijfer in deze kennisbank komt uit een gerandomiseerde trial die wordt samengevat in Hoe AI het werk van docenten verandert. 259 docenten science die ChatGPT gebruikten, besteedden ongeveer 69% van de tijd die de controlegroep aan lesvoorbereiding besteedde, een daling van ruwweg 31%, en blinde deskundige beoordelaars vonden geen aantoonbaar kwaliteitsverlies. De docenten herverdeelden die tijd in plaats van hem te bewaren: hij ging naar planning, nakijken en werk met studenten.

Een tweede dataset in hetzelfde werk, meer dan 104.000 berichten van meer dan 15.000 onderwijsprofessionals, laat zien waarom de besparing op onverwachte plekken terechtkomt. De gemiddelde prompt raakt 1,7 categorieën tegelijk, dus één verzoek om een lesplan komt terug met differentiatie en een quiz erbij die de docent niet had bedacht om te vragen.

Dat is herverdeling en geen reductie: wat u van generatieve AI krijgt, is het verschil tussen een lege pagina en een concept dat specifiek genoeg is om tegenin te gaan.

Stem de taak af op wat de tool goed doet

De kwaliteit is ongelijkmatig, maar volgens een patroon dat stabiel genoeg is om op te plannen. Blinde beoordelaars verkozen AI-versies van de afsluiting van lessen en van afsluitende opdrachten in 59,7% van de gevallen boven materiaal dat door professionals was ontworpen, en verkozen AI-materiaal voor inhoud van het voortgezet onderwijs in 59,2% van de gevallen. De besparing groeit bovendien waar uw vertrouwen het laagst is: lesgeven buiten uw eigen vak is het geval met de grootste kloof tussen wat de tool u geeft en wat u zelf zou hebben geschreven.

Twee categorieën gaan de andere kant op. Bij materiaal voor het basisonderwijs kregen mensen ongeveer 65% van de tijd de voorkeur als het om passendheid bij de ontwikkeling ging. Gerichte scaffolds voor meertalige lerenden en leerlingen in het speciaal onderwijs kwamen neutraal terug in plaats van fout, wat erger is dan het klinkt, want een neutrale scaffold is er een die u vanaf het begin opnieuw opbouwt.

De toets die dit voorspelt voordat u er een avond aan besteedt: kunt u de specificatie precies genoeg formuleren om de output te controleren? Een afsluitende opdracht over één leerdoel, ja. Of een alinea past bij een bepaald negenjarig kind dat twee jaar achterloopt op haar klas, nee.

Geef het teruggewonnen uur een bestemming

Het duidelijkste bewijs dat de besparing echt is, en dat ze op zichzelf niets doet, komt uit een groot experiment in 178 scholen met ongeveer 19.000 laatstejaarsleerlingen uit het voortgezet onderwijs naar door AI geautomatiseerde feedback op essays. Studenten die feedback van het systeem kregen, gingen er evenveel op vooruit als studenten die door mensen werden beoordeeld. De menselijke beoordelaars kostten ongeveer $0,85 per essay en voegden daarbovenop geen meetbaar voordeel toe.

In de AI-klassen hadden studenten ongeveer 35% meer een-op-eengesprekken met docenten over schrijven en schreven ze 30% meer essays. De werkuren van docenten thuis daalden met 20%, en het aandeel dat hun tijd als “zeer onvoldoende” omschreef, daalde van 23% naar 9%. De grootste leerwinst viel bij de meest complexe schrijftaak, precies het soort taak dat AI het minst kan beoordelen, omdat de docent nu uren had om eraan te besteden.

De waarschuwing is de zin om mee naar de vergadering te nemen. Het laagste kwart liet geen verbetering zien. Studenten die het verst achterliepen, schoten niets op met een docent die alleen meer ruimte in de dag had, dus waar de uren naartoe gaan is het hele punt, en billijke herverdeling hoort vanaf het begin in het plan en niet in een evaluatie aan het eind.

Meet de besparing in plaats van haar te voelen

Tijdwinst is het punt waarop docenten zich het betrouwbaarst in zichzelf vergissen. In drie vooraf geregistreerde studies met 2.691 deelnemers onderschatten mensen hoe vaak ze AI gebruikten en overschatten ze de tijd en inspanning die het bespaarde: ze rapporteerden taken als sneller en gemakkelijker, terwijl objectieve metingen geen verschil lieten zien. De tool eerder in een sessie gebruiken voorspelde dat men hem later meer zou gebruiken, dus de fout versterkt zichzelf binnen één middag (The efficiency-gain illusion: People underestimate the rate of AI use and overestimate its benefits on simple tasks).

Wat helpt is metacognitieve kalibratie, en de goedkope versie daarvan is een logboek. Noteer twee weken lang begin- en eindtijden van drie terugkerende taken, één met de tool en twee zonder. Verwacht één taak met een grote echte besparing, verschillende zonder en een paar waarbij de tool een controlestap toevoegde die de winst opat.

Inspanning en bekwaamheid vallen ook uiteen. Een within-subjects-studie onder 13 docenten uit het hoger onderwijs vond dat toegang tot AI de ervaren cognitieve inspanning van leerontwerp verlaagde van een mediaan van 6,33 naar 3,33 (p = 0,004), terwijl prompting-training die daar bovenop kwam de kwaliteit van de ontwerpen niet verbeterde (When Teachers Use AI Chatbots and Are Trained for It: Impact on Learning Design Quality and Cognitive Effort). Minder belasting op een donderdagavond is een echt voordeel. Het is geen bewijs dat de ontwerpen beter werden.

Houd leerdoelen en eindcijfers aan uw kant

Participerend ontwerpwerk met zes docenten uit het voortgezet onderwijs leverde een grens op die het kopiëren waard is. Zij ontwierpen het systeem als een begrensde expert: bekwaam binnen een smal domein, werkend onder toezicht. Ze wilden hulp bij het presenteren van inhoud, het genereren van oefenopgaven en het geven van formatieve Feedback, en weigerden het stellen van doelen of summatieve beoordeling uit handen te geven, met de eis dat ze in dubbelzinnige gevallen konden ingrijpen. Wat zij beschermden, is de kern van de rol van de docent: beslissen wat het leren waard is en beoordelen of het geleerd is.

Beoordelen is de taak met de grootste schijnbare opbrengst en de zwakste overdraagbaarheid. De OpRaise-benchmark liet drie geavanceerde modellen los op 761 authentieke essays van bachelorstudenten psychologie, afkomstig van 125 studenten aan drie Britse universiteiten, met 27 promptconfiguraties per model. De overeenstemming met menselijke cijferbanden liep van 35% tot 65%, afhankelijk van de instelling. De cijfers comprimeerden naar het midden, dus de sterkste en de zwakste essays werden het minst nauwkeurig beoordeeld, en de modellen waren het veel vaker met elkaar eens dan met menselijke beoordelaars. De centrale bevinding van de auteurs is dat bewijs dat in de ene context is verzameld, niet overdraagbaar is naar een andere.

U kunt geautomatiseerde essaybeoordeling gebruiken als u die valideert op uw eigen vak en uw eigen studenten, en de beslissing bij een mens houdt. Kwaliteit van AI-feedback zegt waarop u moet letten: snelheid en volume zijn niet hetzelfde als bruikbaarheid, en het pedagogische oordeel over welke opmerking een student nu nodig heeft, blijft bij u.

Wat docenten verkeerd doen

“Die 31% is mijn cijfer.” Het zijn 259 K-12-docenten science, bij lesvoorbereiding. De richting reist mee; de omvang niet. Een werkgroep die op discussie is gebouwd, bespaart misschien minder, en een practicumvak met veiligheidsbeperkingen bespaart mogelijk niets op het onderdeel waar u juist hulp wilde.

“Tijd besparen is het doel.” Het experiment in Brazilië is het tegenvoorbeeld. De uren kwamen gratis en het laagste kwart schoot er niets mee op. Het doel is wat de uren opleveren.

“Een goed concept betekent dat ik de volgende stap ook kan uitbesteden.” De zes docenten trokken hun grens bij leerdoelen en summatief oordeel met een reden. Kwaliteit op een afsluitende opdracht zegt niets over de vraag of de tool kan beslissen wat die opdracht moet toetsen.

Wat er op u afkomt

“Ik heb het geprobeerd en de output was generiek.” De meeste docenten in het onderzoek namen het eerste resultaat en bewerkten dat met de hand, in plaats van te itereren met vervolgprompts. Een tweede en derde beurt waarin u uw onderwijsniveau, uw leeswerk, uw laatste drie quizitems en een voorbeeld van wat goed is meegeeft, verandert de output meer dan een andere tool kiezen. AI-geletterdheid is de goedkope investering, en promptverfijning is waar die zich uitbetaalt.

“Als ik sneller word, wordt de tijd weer opgevuld met vergaderingen.” Waarschijnlijk, en het is de meest voorkomende manier waarop een besparing verdwijnt. Leg de bestemming schriftelijk vast waar uw leidinggevende haar kan zien, voordat de ruimte zich vult.

“AI-feedback doet de studenten die het meest worstelen tekort.” Het laagste kwart in Brazilië schoot er niets mee op, en dat is de sterkste waarschuwing op deze pagina. Koppel de besparing aan een bewust gebruik. De toename van 35% in een-op-eengesprekken is wat die klassen met de uren deden, en dat was een keuze van de docent.

“Beoordelen is waar mijn uren echt zitten.” Dat klopt, en het is ook waar de tool het minst overdraagbaar is tussen instellingen. Valideer lokaal of laat het liggen.

“Dit ontmantelt de professie.” Het resultaat van Pishtari is de eerlijke versie: de ervaren inspanning daalde, en de extra training verbeterde de ontwerpkwaliteit niet. Bespaarde inspanning is geen gewonnen bekwaamheid, en de grens die de zes docenten trokken is een redelijke plek om stand te houden terwijl u leert welke van uw taken welke zijn.

Wat u deze week kunt doen

1. Schrijf de vijf taken op die u vorige week deed en die eindigden in een document dat u daarna bewerkte.

2. Kies degene met de duidelijkste specificatie en maak er een concept van met de tool, waarbij u van beide versies de tijd meet.

3. Zet de teruggewonnen tijd in een benoemd blok in uw agenda: een gesprek met een student, een tweede feedbackronde, of een set concepten fatsoenlijk lezen.

4. Schrijf uw no-go-lijst op en houd die zichtbaar: leerdoelen, eindcijfers, alles wat draait om de behoeften van één student.

5. Houd het logboek twee weken bij en beslis daarna welke twee taken permanent van u mogen worden uitbesteed.

Waar u verder kunt gaan

AI-feedback op schaal voert de feedbackvraag verder, en AI-competenties van docenten met professionalisering rond AI behandelt wat een afdeling kan opbouwen zodat dit niet langer van individueel experimenteren afhangt. Beoordeling herontwerpen in het AI-tijdperk en AI-fraude verminderen behandelen de gevolgen voor toetsing. Hoe AI het werk van docenten verandert is het artikel achter de voorbereidingscijfers, en menselijk toezicht is het principe waarop deze pagina draait.