Hoe ontwerp ik docentprofessionalisering rond AI die de praktijk werkelijk verandert?

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

Het is februari. Uw rector heeft een AI-initiatief aangekondigd met een begrotingspost, en u hebt één semester om het zichtbaar te maken in de klas. Of u gaf afgelopen najaar zes workshops, de zalen zaten vol, en het onderwijs waarbij u aanschuift is niet veranderd. Of een decaan stelt bij de begroting de simpele vraag: wat heeft het geld opgeleverd?

Alle drie komen uit dezelfde ontwerpfout. Een workshop laat mensen zien wat een tool doet. De praktijk verandert wanneer een docent ondersteunde, gestructureerde tijd besteedt aan een probleem in het eigen vak, lang genoeg om een nieuwe gewoonte een oude te laten verdringen, terwijl de instelling ja zegt tegen het experiment in plaats van het alleen te dulden.

De kern voor de vergadering: standaardiseer een sessiecyclus waarin elke deelnemer een echt artefact uit het eigen vak meeneemt en met een herzien artefact vertrekt, leg verificatie, openbaarmaking en risicobeheersing in het werkdocument in plaats van in een afsluitend praatje over ethiek, strek het programma uit over meer dan één dag en koppel het aan mentoring, werk met vakdiscipline-specifieke cohorten, en rapporteer bij een follow-up de artefacten die mensen hebben gemaakt in plaats van hoe zelfverzekerd ze zich op de laatste middag voelden.

De korte versie

1. Veranker elke sessie in een artefact uit het eigen vak van de deelnemer, en sluit de sessie af met dat artefact herzien.

2. Zet verificatie, openbaarmaking en risicobeheersing in het werksjabloon, waar ze gebruikt worden, zodat een nerveuze deelnemer ergens heen kan met de zorg.

3. Besteed de uren aan beoordeling en rubrics, het zwakste gebied bij de nulmeting en het gebied met de grootste gemeten winst.

4. Werk met vakdiscipline-specifieke cohorten en differentieer daarbinnen naar ervaring.

5. Zorg voor de voorwaarden: uitgesproken toestemming om te experimenteren, beschermde tijd, materialen in de talen waarin uw docenten werken.

6. Evalueer herziene artefacten op een later moment, plus één relationele indicator, en behandel tevredenheidsscores als ruis.

Laat elke sessie draaien om het eigen vak van de deelnemer

De schoonste vergelijking hier is Bi et al. (2026), die 568 docenten aan vijf universiteiten ondervroegen en met 160 van hen een quasi-experiment uitvoerden. Beide armen kregen vier workshops van 90 minuten in opeenvolgende weken, met identieke contacttijd, platform en begeleiding. De inhoud verschilde. De ene arm kreeg conventionele GenAI-docentprofessionalisering, de andere een gestructureerde cyclus van promptformulering, outputbeoordeling, herziening van vakmateriaal en schriftelijke reflectie aan de hand van een sjabloon met zeven componenten: doelen, taakbeperkingen, beoordelingscriteria, verificatie, openbaarmaking en risicobeheersing.

De gestructureerde arm scoorde hoger op alle zeven gereedheidsdimensies. De grootste voorsprong zat in promptontwerp, op ongeveer twee standaarddeviaties, en het was de enige arm waarvan de winst in promptontwerp een uitgestelde toets overleefde; de kleinere winst van de conventionele arm was bij de follow-up tot onder de nulmeting teruggevallen.

Twee andere resultaten verklaren waarom demonstraties niet meereizen. In een within-subjects-studie met 13 docenten uit het hoger onderwijs verhoogde toegang tot een chatbot het aandeel activiteiten dat twee of meer hogere-orde Bloom-taken bereikte van 41,7% naar 91,7% (p = 0,01) en verlaagde die de ervaren cognitieve inspanning van een mediaan van 6,33 naar 3,33 (p = 0,004). De pedagogische prompting-training die daar bovenop kwam, verbeterde de ontwerpkwaliteit niet verder en verhoogde de inspanning licht. Ondertussen was in een workshop met 60 docenten science uit het middelbaar onderwijs het productieve element de gezamenlijke beoordeling van door ChatGPT gegenereerde toetsvragen, en dat is wat problemen met conceptuele precisie aan het licht bracht en het risico dat misvattingen werden versterkt.

Wat die studies delen: het leren kwam uit het bekritiseren en herzien van materiaal. Mensen verbeteren het ding dat voor hen ligt, en ze verbeteren het sneller wanneer een collega meeleest.

Behandel vaardigheid niet langer als het ontbrekende stuk

De verleidelijke diagnose is een bekwaamheidskloof, te dichten met beter onderwijs. Bai en Hsieh (2026) ondervroegen 898 universitaire docenten met AI-TPACK-schalen en vonden dat docenten die begrepen hoe generatieve tools werken, of die er bekwaam mee konden werken, niet meer geneigd waren om nieuwe onderwijspraktijken te bedenken en te implementeren dan docenten die dat niet konden. Het geïntegreerde AI-TPACK-construct had helemaal geen direct pad naar innovatief gedrag. De invloed liep volledig via AI-geletterdheid, onderwijskundige zelfeffectiviteit en professionele identiteit.

Dat verandert waarvoor een sessie dient. Een rondleiding door een tool raakt geen van die drie. Een sessie waarin een docent de eigen opdracht herschrijft, de wijziging verdedigt en een collega hoort instemmen dat het beter is, raakt alle drie tegelijk, en daarom presteert de artefactcyclus beter dan de demo, zelfs wanneer de inhoud dunner is.

De ontwerpimplicatie is ongemakkelijk voor iedereen met een diaserie: u kunt een docent niet toepreken om zichzelf te zien als het soort docent dat zo werkt. U kunt hem of haar wel in een situatie plaatsen waarin die zo handelt, met ondersteuning, en het bewijs zich laten opstapelen.

Zet de moeilijke delen in het sjabloon dat ze gebruiken

Het i-TPACK-kader van Dogan (2026) komt uit een PRISMA-review van AI-professionalisering plus een zoekactie die 17 aanvullende studies opleverde. Het verbindt vijf kennisdomeinen (intelligent technologische kennis, technologische inhoudskennis, technologisch-pedagogische kennis, geïntegreerde i-TPACK en AI-ethiek) met vier op bewijs gebaseerde routes: actief leren, modellen en voorbeelden, coaching en deskundige ondersteuning, en Feedback en reflectie, gestuurd door vijf principes die lopen van Collectieve Synergie boven Silos tot Flexibiliteit binnen Structuur.

De scherpste kritiek van het kader op het veld is dat ethiek in veel bestaande programma's oppervlakkig wordt behandeld of helemaal ontbreekt, en de oplossing is plaatsing. Verificatie, openbaarmaking en risicobeheersing horen in het document dat deelnemers de hele week gebruiken, niet in de laatste 20 minuten van de laatste sessie. Een sjabloon met een kolom voor risicobeheersing wordt ingevuld; een afsluitend blok over verantwoord gebruik krijgt een knikje.

De beperking van het kader is dat het conceptueel is, zonder uitkomstgegevens op programmaniveau. Gebruik het als ontwerpchecklist en niet als bewijs dat het ontwerp werkt. Het uitkomstbewijs staat in de studies hierboven en hieronder.

Besteed de uren aan beoordeling

Als uw programma ruimte heeft voor één diepgaand onderwerp, kies beoordeling. In het achturige programma van Talebzadeh (2026), vier sessies van twee uur met 163 docenten en aanstaande docenten, steeg de totale AI-PCK van 151,65 naar 220,14 (d = 2,36, p < 0,001). Het grootste componenteffect was Beoordelingsrubrics (d = 2,19), dat bij de voormeting ook het zwakste gebied was. De winst was smaller in onderwijsmethode dan in beoordeling.

Rubrics zijn ook de plek waar de onrust in de zaal aan het werk kan worden gezet. Een deelnemer die het niet prettig vindt dat studenten op een model leunen, kan een rubricregel schrijven die het redeneren zichtbaar maakt, en dat zet een zorg om in een ontwerpbeslissing met een datum eraan.

Begroot voorbij de enkele dag. In datzelfde programma wonnen aanstaande docenten significant meer dan ervaren docenten (p = 0,033), vooral in scenariogebaseerd taakontwerp en rubricontwerp. De ervaren docenten zeiden dat acht uur te kort was om diepgewortelde gewoonten te verschuiven, en vroegen om langdurige ondersteuning door mentoren.

Bouw cohorten en differentieer daarbinnen

Geef één universele workshop en u besteedt het grootste deel aan de mediane deelnemer, die niet bestaat. Sutedjo, Chowdhury en Liu (2026) vonden onder 127 respondenten dat zelfgerapporteerde pedagogische inhoudskennis hoog was (M = 4,70) en inhoudskennis bijna plafondbereik had (M = 5,15), terwijl technologisch-pedagogische kennis (M = 2,62), technologische inhoudskennis (M = 2,75) en holistische TPACK (M = 2,55) opvallend lager waren. Inhoudskennis vertoonde geen significante correlatie met enig technologiegeïntegreerd domein (r = 0,11 tot 0,15), dus vakkennis draagt niet automatisch over.

Die drie lage domeinen correleerden r = 0,81 tot 0,91 met elkaar, wat aannemelijk betekent dat het om één vermogen gaat om met deze tools te onderwijzen in plaats van om drie afzonderlijke vaardigheden. Onderwijs het als een gedeelde basis en u bespaart twee sessies.

Splits daarna naar ervaring. Bai en Hsieh vonden dat professionele identiteit innovatief gedrag bijna twee keer zo sterk voorspelde onder incidentele AI-gebruikers als onder dagelijkse gebruikers, een grensresultaat maar een bruikbare aanwijzing: identiteitswerk loont het meest bij mensen die de tools nauwelijks aanraken, terwijl frequente gebruikers meer hebben aan interdisciplinaire projecten dan aan fundamentele begeleiding. Laidlaw (2026) pleit voor vakdiscipline-specifieke cohorten als de setting voor precies dat gesprek, omdat een fysicus en een historicus niet hetzelfde probleem oplossen.

Open met de vraag die de sceptici stellen

Het auto-etnografische verslag van Laidlaw (2026) betoogt dat verzet geen vaardigheidstekort is. Docenten die vragen wat het punt van onderwijzen is in een GenAI-wereld, vragen niet hoe ze een tool veilig gebruiken; de vraag is ontologisch. Zij leest GenAI als een drempelconcept (transformatief, problematisch, onomkeerbaar, integratief, begrensd) en concludeert dat angst, verzet en verwarring noodzakelijke delen zijn van het oversteken ervan in plaats van fouten die gecorrigeerd moeten worden. Haar aanbevelingen keren de standaardworkshop om: open met identiteitsvragen in plaats van demonstraties, werk met vakdiscipline-specifieke cohorten, sta verschillende tijdlijnen toe, en behandel principiële niet-adoptie geworteld in vakwaarden als legitiem. Zij waarschuwt ook dat het communiceren van regels kan afglijden naar een “handhavingsillusie” die nalevingsboodschappen in de plaats stelt van ondersteuning.

De schuld is meetbaar, en ze is niet gelijkmatig verdeeld. Vassallo (2026) ondervroeg 109 academici en identificeerde een “AI-schuldcomplex”: 35% maakte zich zorgen dat AI-gebruik hun geloofwaardigheid ondermijnt en 26% zei het gevoel te hebben dat ze “frauderen”, waarbij anticiperende schuld over geloofwaardigheid groter was dan berouw na gebruik, dus de spanning is sociaal-professioneel in plaats van privé. Er kwamen vier profielen naar voren: Comfortabele Adopteerders (27%), Schuldige Niet-Gebruikers (29%), Voorzichtige Gebruikers (28%) en Moreel Bezorgde Vermijders (16%). Eén programma pakt vier verschillende problemen aan, en de 29% die schuld voelt terwijl ze de tools niet gebruiken, heeft iets anders nodig dan een demonstratie.

De omvang van de taak is zichtbaar in de AAC&U/Elon-enquête onder 1.057 docenten (Watson en Rainie, 2026): 68% zei dat hun instelling docenten niet heeft voorbereid op het gebruik van generatieve AI voor onderwijs en begeleiding, met een vergelijkbaar aandeel voor onderzoek. 26% van de respondenten gebruikt de tools helemaal niet, waaronder 40% van de docenten kunst en geesteswetenschappen, en 82% noemt het verzet van collega's als belemmering voor adoptie op afdelingsniveau.

Repareer de voorwaarden die het curriculum niet kan repareren

Dit is de bevinding om mee naar een leiderschapsvergadering te nemen. In de enquête onder 568 docenten achter de vergelijking hierboven rapporteerden Kazachse docenten een hogere gereedheid bij de nulmeting dan hun Chinese collega's op alle zeven dimensies, met de grootste kloven in disciplinaire overdracht, promptontwerp en basisbegrip. In hiërarchische regressie viel de coëfficiënt voor Kazachstan, op zichzelf duidelijk significant, tot niet-significant zodra eerder GenAI-gebruik, recente AI-training, institutionele steun, ervaren toestemming, toegang tot meertalige bronnen, duidelijkheid van beleid en risicogevoeligheid in het model werden opgenomen. Dat is een reductie van ongeveer vier vijfde. Institutionele steun en ervaren toestemming hadden het meeste positieve gewicht, en risicogevoeligheid was de enige voorspeller die tegen gereedheid werkte. Meer dan twee keer zoveel Kazachse als Chinese docenten rapporteerden AI-gerelateerde training in de voorafgaande zes maanden.

De hefbomen die een programmaleider ter beschikking staan, zijn dus lokaal en dichtbij: oefenen met de handen, expliciete toestemming om te experimenteren, materialen in de talen waarin docenten werkelijk werken, zichtbare steun vanuit de eenheid. Een nationale beleidskader draagt gereedheid niet op eigen kracht. Waar risicogevoeligheid bijt, is het antwoord om die ergens te laten uitoefenen in plaats van voorzichtigheid weg te praten, en rubricontwerp en verificatieroutines zijn die plek.

Twee praktische wrijvingen horen in hetzelfde gesprek. Intentie tot voortgezet gebruik was de hoogst gewaardeerde tevredenheidsdimensie bij Bi et al. (2026), terwijl bruikbaarheid van de tool de laagste was, dus een deel van wat als aarzeling leest, is platformwrijving. En Aponte et al. (2026) wijzen de harde grens aan: AI kan chronische overbelasting, straffende verantwoordingsculturen, zwak leiderschap of het ontbreken van beschermde tijd niet compenseren. Zij betogen dat het alleen bijdraagt aan de sociaal-emotionele ontwikkeling van docenten als relationele infrastructuur (beschermde tijd voor mentoring, peer-dialoog, communities of practice) en stellen relationele verdichting voor als de norm, waarbij vertrouwen, continuïteit van ondersteuning en co-regulatie tellen in plaats van contacturen. Twee beweringen vertalen zich in programmastructuur: vrijgekomen tijd wordt opnieuw geabsorbeerd als extra vraag, tenzij de instelling formeel eist dat die wordt herinvesteerd, en gespreksagenten kunnen stilzwijgend de moeilijke menselijke onderhandelingen vervangen die groei opleveren. Hun kader is een heuristiek, geen getoetste causale bewering.

Als dat uw voorwaarden zijn, lost een betere workshop ze niet op, en dat zeggen is nuttiger dan iets anders beloven.

Rapporteer artefacten op een later moment

Het institutionele kader om naar toe te werken is Crompton, Burke en Nickel (2026), wier ontwerpgericht onderzoek over twee macrocycli en met 114 deelnemers (docenten van 28 Amerikaanse instellingen en 11 landen, plus directeuren van onderwijskundige centra en accreditatiecoördinatoren) zes standaarden opleverde die de hele academische rol omvatten: Docent, Coördinator, Leider, Onderzoeker, Lerende en Bijdrager. Bestaande kaders en docentstandaarden richten zich op docenten in het basis- en voortgezet onderwijs of gaan alleen over onderwijs, dus een centrum dat zijn aanbod hierop afbeeldt, kan dat ook op functioneringsgesprekken en accreditatie afbeelden, en dat is tevens het argument dat een begrotingsronde overleeft.

Wees daarna voorzichtig met hoe u evalueert, want het grootste deel van deze literatuur meet zelfgerapporteerde indrukken. Bi et al. maten zelfgerapporteerde gereedheid in plaats van feitelijk uitgevoerd onderwijs, en hun groepen ontstonden door vrijwillige aanmelding in plaats van randomisatie, dus de resultaten zijn associaties. Bai en Hsieh is cross-sectioneel, zelfgeselecteerd, afkomstig van acht universiteiten in één land, en mat elk construct bij dezelfde respondenten op één moment. Sutedjo en collega's kunnen de richting van causaliteit niet vaststellen, wat ertoe doet omdat hun sterkste bewering, dat technologische kennis als poortwachter werkt, precies is wat een cross-sectioneel ontwerp niet kan beslechten. Talebzadeh rapporteert zeer grote effecten zonder randomisatie, follow-up of uitsplitsing per discipline, dus d = 2,36 leest als korte termijn. Laidlaw is auto-etnografisch, en Aponte et al. stellen dat hun kader conceptueel is.

Een verdedigbare evaluatie meet daarom het vakmateriaal dat een deelnemer heeft herzien, de rubrics die zijn geschreven, de taken die zijn ontworpen. Ze toetst op een later moment, omdat de kloof bij Bi et al. pas bij de follow-up verscheen, waar de conventionele groep was afgezwakt en de gestructureerde groep niet. Ze behandelt tevredenheid en zelfvertrouwen als zwakke signalen, omdat Pishtari en collega's (2026) opmerken dat kwaliteitswinst op zich geen internalisering bewijst: stijgende ontwerpkwaliteit kan evengoed weerspiegelen dat routinematig werk wordt gedelegeerd of dat door AI gegenereerde structuur wordt geaccepteerd. En ze voegt ten minste één relationele indicator toe, in navolging van Aponte et al., omdat het verbeteren van artefacten terwijl deelnemers geïsoleerd raken niet is wat het programma claimde te doen.

Wat programmaleiders verkeerd doen

Een betere demo is een betere workshop. De contacttijd werd constant gehouden op vier sessies van 90 minuten in de vergelijking van Bi et al., en de arm die artefacten herzag versloeg de arm die over tools leerde op elke gereedheidsdimensie, waarbij slechts één van de twee winsten bij de follow-up nog zichtbaar was.

Zelfvertrouwen is de uitkomst die ertoe doet. Het is het gemakkelijkst te bewegen en het minst voorspellend. In de studie met 13 docenten daalde de ervaren inspanning terwijl de extra prompttraining geen gemeten ontwerpkwaliteit toevoegde, en beoordelingen aan het eind van de dag zouden beide als succes hebben geregistreerd.

Ethiek is een afsluitend blok. De review van Dogan vond ethiek oppervlakkig behandeld of afwezig in veel aanbod, en het verschil tussen een sjabloonkolom en een slotdia is of iemand die in week drie gebruikt.

Eén programma kan de hele faculteit bedienen. De enquête onder 127 docenten beschrijft inhoudskennis bijna op plafond naast holistische TPACK op 2,55, en de vier profielen van Vassallo omvatten 29% die schuld voelt terwijl ze de tools niet gebruiken. Eén sessie behandelt vier doelgroepen als één.

De sceptici zijn het obstakel dat u moet beheren. Het verslag van Laidlaw plaatst verzet op het niveau van identiteit, en Bai en Hsieh vonden dat identiteit innovatie bijna twee keer zo sterk voorspelde onder incidentele gebruikers. De mensen die u het liefst in de zaal hebt, zijn degenen wier vermoeden door een demonstratie wordt bevestigd.

Een institutioneel mandaat zal het programma dragen. De coëfficiënt voor Kazachstan stortte met ongeveer vier vijfde in zodra institutionele steun en ervaren toestemming in het model kwamen, en die twee hadden het meeste positieve gewicht. Een mandaat is niet hetzelfde signaal als toestemming.

Wat er op u afkomt

“We hebben de uren niet.” Besteed ze dan anders in plaats van ze toe te voegen. Zes uur ingericht als artefactcyclus versloeg zes uur demonstraties bij identieke contacttijd, en een kortere opzet gericht op beoordelingsrubrics raakt het zwakste gebied in de voormetinggegevens van Talebzadeh.

“Onze docenten komen niet, of de sceptici laten het ontsporen.” De sceptici naar een demonstratie halen bevestigt het vermoeden waarmee ze kwamen. Open met identiteitsvragen, werk met vakdiscipline-specifieke cohorten, sta verschillende tijdlijnen toe, en zeg hardop dat principiële niet-adoptie een legitieme positie is. Dat is de aanbeveling van Laidlaw, en ze haalt het nalevingsargument van tafel. Verwacht dat identiteitswerk het meest uitmaakt bij incidentele gebruikers, volgens Bai en Hsieh.

“We kunnen mensen niet dwingen ernaar te handelen.” Dat kunt u grotendeels niet, en u kunt wel veranderen wat de instelling signaleert. Ervaren toestemming en institutionele steun hadden het meeste positieve gewicht nadat het effect van nationale achtergrond instortte, dus de nuttige stappen zijn de goedkope: verklaar dat experimenteren is toegestaan, bescherm de uren formeel zodat ze niet opnieuw worden geabsorbeerd, lever materialen in de werktalen van docenten, en haal platformwrijving weg, de laagst gewaardeerde dimensie in diezelfde studie.

“Onze eindevaluatie is sterk.” Tevredenheid is de maat die het waarschijnlijkst stijgt terwijl niets anders stijgt. Vraag in plaats daarvan om de artefacten van het laatste cohort en neem een semester later opnieuw contact op met die deelnemers; de kloof bij Bi et al. bestond alleen bij de follow-up.

Wat u deze week kunt doen

1. Herschrijf de uitnodiging zodat deelname vereist dat men één artefact uit het eigen vak meebrengt: een leerdoel, een rubric of een toetsopdracht.

2. Herschrijf de agenda zodat de eerste sessie met dat artefact begint, en voeg verificatie, openbaarmaking en risicobeheersing toe als kolommen in het sjabloon dat deelnemers de hele week bij zich hebben.

3. Verplaats één sessie naar rubric- en beoordelingsontwerp, en laat deelnemers vertrekken met de rubric geschreven.

4. Laat de decaan of rector één zin op schrift zetten dat experimenteren is toegestaan, en bescherm de uren daarna formeel zodat ze niet opnieuw worden geabsorbeerd.

5. Richt de evaluatie zo in dat ze herziene artefacten verzamelt en een semester later opnieuw contact opneemt met deelnemers, met één vraag over met wie ze nu samenwerken.

Waar u verder kunt gaan

AI-competenties van docenten behandelt het competentiedoel zelf, en AI-competentie van docenten en Onderwijskundige ontwikkeling bevatten het kadermateriaal daarachter. Voor het structureren van AI in een vak in plaats van in een workshop, zie AI in het leren ontwerpen; voor het bredere institutionele beeld, de tien belangrijkste bevindingen voor docenten en institutioneel AI-beleid.