Hoe voorkom ik dat studenten overmatig afhankelijk worden van AI?

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

Een student maakt de huiswerkopgaven vlekkeloos en laat de helft van het tentamen leeg. Iemand levert een labverslag in dat hij u niet kan toelichten, of een blok code dat hij regel voor regel niet kan uitleggen. Een collega wil de tool verbannen uit het eerstejaarsvak en u weegt af wat dat kost voor de studenten die er het meest op leunen.

De kern: overmatige afhankelijkheid is vooral een kwestie van plaatsing. De ontwerpen die haar verminderen, zetten de poging van de student vóór de tool, stellen de AI in om hints te geven in plaats van te antwoorden, maken de controle tot een verplichte inleveropdracht en houden één beoordeeld moment waarop de tool afwezig is.

De korte versie

1. Zet de eigen ideeën, hypothese of ruwe versie van de student vóór de tool voordat die opengaat.

2. Stel de AI zo in dat zij hints geeft, vragen stelt en voorbeelden aanreikt waar de vaardigheid die u beoordeelt centraal staat.

3. Maak verificatie tot een inleverstuk met een eigen regel op de opdracht.

4. Houd het beoordeelde moment toolvrij en vergelijk het ondersteunde werk daarmee.

5. Timing van de reflectievraag: kies de fase van de taak die zij nog kan veranderen.

6. Kijk wie uw ontwerp achterlaat, op basis van voorkennis in plaats van gemiddelde.

Bepaal of u een probleem hebt, of alleen veel gebruik

Cognitieve offloading is het overdragen van een cognitieve eis aan een externe tool, waardoor beperkte mentale middelen vrijkomen voor ander werk. Guo en Ye (2026) behandelen het construct via het dynamische metacognitieve model van Nelson en Naren, waarin de monitoring van moeilijkheid de beslissing stuurt om uit te besteden aan een interne of een externe strategie. Offloading is een zelfregulerende keuze, en de fout die zorg verdient is verkeerde kalibratie; het volume op zichzelf zegt weinig.

Biswas (2026) modelleert afhankelijkheid als drie acties: alleen oplossen, het antwoord van de AI ongecontroleerd overnemen, of de AI gebruiken en verifiëren. Kalibratie faalt in beide richtingen. Overmatige afhankelijkheid is het accepteren van onjuiste output, en te weinig afhankelijkheid is het weggooien van bruikbare AI nadat zij een fout maakte. Collectieve overmatige afhankelijkheid is een populatie die verificatie heeft opgegeven, en omdat ruwe overmatige afhankelijkheid afwijkt van spijt, is zwaar gebruik verenigbaar met goede uitkomsten. De student die elk AI-antwoord tegen uw materiaal controleert, is uw probleem niet. Die ene die de eerste versie van een model inlevert wel.

Lodge en Loble (2026) beschrijven het mechanisme als "fluency on demand": samenhangende, zelfverzekerde output die de gewenste moeilijkheden van ophalen, uitwerken en genereren omzeilt, waarlangs kennis wordt geconsolideerd. Hun prestatieparadox is dat ondersteund werk soepel aanvoelt en studenten op dat moment goed presteren terwijl zij minder onthouden, wat zij een illusie van competentie noemen. Zij noemen metacognitieve luiheid (naar Fan et al. 2024), waarbij gemak leerlingen zelfregulerende processen laat afstoten die zij moeten ontwikkelen.

Die twee uit elkaar houden in uw eigen vak vraagt om een vergelijking, niet om een getal. Zoek werk dat beter is dan het eerdere werk van de student en slechter dan zijn uitleg erover: een sterk opgavenblad gevolgd door een zwak tentamen, een gepolijst verslag dat de student niet kan bespreken, een juist antwoord dat niet reproduceerbaar is op een vergelijkbaar probleem. Geen enkel patroon bewijst iets. Twee of drie samen rechtvaardigen een wijziging van het ontwerp.

Het meeste wat u hier kunt meten is zelfrapportage. Gerlich (2025) ondervroeg 666 deelnemers in het Verenigd Koninkrijk met 50 interviews en vond dat AI-gebruik negatief samenhangt met kritisch denken (r = -0,68), waarbij offloading gedeeltelijk medieert (totaaleffect b = -0,42; indirect b = -0,25). Gao, Sun en Khan (2026) gebruikten surveydata in drie golven met tijdsvertraging van 623 Chinese studenten plus interviews met onderwijsgevenden en vonden dat effectief AI-gebruik de duurzame leerprestatie én de overmatige afhankelijkheid tegelijk verhoogt. Beide ontwerpen zijn correlationeel, en beide zeggen dat ook.

Gedragsinstrumenten zijn dunner gezaaid. PAUSE (Alam, 2026) is een zelfcheck die alleen in de browser werkt, zonder bewijs voor betrouwbaarheid of validiteit, en de auteurs waarschuwen zelf voor de validiteit van de items. De items registreren wanneer en hoe vaak AI een werkstroom binnenkomt, niet of het eigen redeneren van de student betrokken bleef, dus een student die vroeg en doelbewust met AI scaffoldt, scoort eerlijk als offloader. PAUSE citeert ook de Offloading Score van Padmakumar et al. (2026), die het aandeel uitgebesteedde inspanning schat uit gedragslogboeken (n = 40 ontwikkelaars). Wat u wilt weten is wat de student zonder hulp kan.

Zet de poging van de student vóór de tool

De duidelijkste geteste volgorde is "eerst denken, dan ChatGPT". Wong en Qiu (2026) deelden N = 196 studenten in om zelfstandig te werken, om ChatGPT vrij te gebruiken, of om in een gereguleerde conditie te werken: bedenk uw eigen ideeën, werk samen met ChatGPT om ze te verbeteren en te evalueren, en verfijn en lever daarna zelfstandig één oplossing in. De vrijgebruikgroep produceerde creatiever werk op de ondersteunde taak en zakte terug naar het niveau van alleen mensen op een latere, moeilijkere taak zonder ChatGPT. De gereguleerde groep liet geen direct voordeel zien en presteerde daarna beter dan beide andere groepen op zelfstandige creativiteit.

Promptdata verklaren het verschil. In de gereguleerde groep was 88,6% van de prompts samenwerkend, en dat was het enige prompttype dat significant samenhing met latere zelfstandige originaliteit. In de vrijgebruikgroep was 70,9% van de prompts niet-samenwerkend en vroeg 59,6% ChatGPT ronduit om ideeën te genereren. Dezelfde tool, op twee manieren bevraagd, leverde twee verschillende leerlingen op.

Op uw opdrachtblad wordt dat een ordeningsinstructie: eerst ideeën, hypothesen of een ruwe versie, dan de tool. Eén zin bovenaan de pagina volstaat, mits de volgende stap vastlegt wat de student heeft geschreven.

Twee klassendetails bepalen of de volgorde standhoudt. Het eerste is tijd. Als de zelfstandige fase buiten de les plaatsvindt, zullen sommige studenten de tool eerst openen en de ideeën daarna opschrijven. Het tweede is inzameling. Als er uit die fase niets wordt ingeleverd, bestaat de volgorde alleen op papier. Een halve pagina aantekeningen, aan het eind van de les ingezameld, is genoeg om de ordening echt te maken.

Stel de tool in om te hinten in plaats van te antwoorden

Brcic en Frljic (2026) rapporteren de scherpste versie van het plaatsingsargument. Een onbewaakte AI-hulp maakte middelbare scholieren ongeveer 17% slechter op een ongesteund tentamen dan leeftijdgenoten die helemaal geen tool hadden. Hetzelfde model, omgebouwd om antwoorden achter te houden, wiste de schade uit, en een goed ontworpen tutor verdubbelde het leren ongeveer. Hun diagnose is in elk vak bruikbaar: als AI toelaten de taak moeiteloos laat voelen, staat de tool op de verkeerde plek.

Zohar, Bloom en Inzlicht (2026) geven dat argument vorm. Zij betogen dat het verband tussen inspanning en betekenis een omgekeerde U is, dus het doel is een gradiënt: verwijder overweldigende obstakels en behoud de worstelingen die begrip en eigenaarschap opleveren, met ondersteuning als aanvulling. Hun betoog is een conceptuele Comment zonder nieuwe data, en de omgekeerde-U-relatie rust op één empirisch ankerpunt zonder kwantificering, dus niemand kan u vertellen waar het optimum voor een bepaalde lerende ligt.

Praktisch betekent dat bewaakte AI midden in de taak, waar hints, uitgewerkte voorbeelden en oefenitems het werk doen, en een beveiligde controle aan het eind. Het maakt ook van een AI-gebruiksbeleid een plaatsingsregel per vaardigheid, die gemakkelijker te schrijven en gemakkelijker te verdedigen is dan een lijst verboden.

Een hint is een vraag over de volgende stap van de student, een uitgewerkt voorbeeld van een vergelijkbaar probleem, of een verwijzing naar de relevante passage. Een antwoord is een afgeronde zin die de student kan plakken. De meeste algemene chatbots produceren standaard het tweede, in vloeiend proza dat als hulp leest, en daarom weegt de configuratie zwaarder dan de bedoelingen van de student.

Eis de controle, en maak haar zichtbaar

Verificatie is de goedkoopste hefboom met echte causale ondersteuning. Biswas (2026) vond dat verificatie zichtbaar maken een tegencascade op gang bracht naar bijna volledige verificatie: overmatige afhankelijkheid zakte naar 0,00 en spijt naar 0,07. De wrijving van het controleren verlagen was de zwakste hefboom in hetzelfde model, omdat de drempel sociaal is en niet mechanisch. Een link naar de bibliotheek zorgt er niet voor dat een student een bewering controleert.

Viberg en collega's (2026) vonden dat de studenten die dit al goed doen, output tegen cursusmateriaal, medestudenten of docenten controleren wanneer de juistheid onzeker is. Dat is gedrag dat u kunt eisen. Zet één regel in de opdracht: wat u hebt gecontroleerd, en waartegen. Lees die regel mee in het cijfer, en de norm wordt zichtbaar voor de hele klas in plaats van voor de paar plichtsgetrouwen.

Die regel geeft u ook iets om op door te vragen. Als een student schrijft dat hij een bewering tegen de cursustekst heeft gecontroleerd, kunt u vragen op welke pagina. Als hij schrijft dat hij met een medestudent heeft vergeleken, kunt u vragen wat die zei. Het kost een zin. De doorvraag is wat studenten het als werk laat behandelen.

Verificatie heeft ook een bereik nodig. Controleren of een bewering klopt met de cursustekst is iets anders dan een zin herlezen op grammatica, en bij het eerste faalt het model vaker. Zeg welke van de twee de regel vraagt, anders krijgt u proeflezen.

Demonstreer één zelfverzekerde fout

Zet een taak uit waarvan het model het antwoord zelfverzekerd fout heeft, en laat de klas dat antwoord tegen de cursustekst controleren. Het werkt omdat de fout in dezelfde stem komt als de juiste antwoorden. Voeg daarna het bewijs toe: een onbewaakte hulp maakte studenten ongeveer 17% slechter op een ongesteund tentamen, en studenten die GPT-4 kregen, losten meer problemen op met de tool en presteerden slechter dan de controlegroep zodra die werd weggehaald (PAUSE rapporteert Bastani et al., 2025). Dezelfde bron voegt toe dat Liu et al. (2026) vonden dat ondersteuning het doorzettingsvermogen verminderde in gerandomiseerde gecontroleerde trials (N = 1.222).

Kies een fout die bescheiden en controleerbaar is, zoals een bron die niet bestaat, een datum die niet klopt of een berekening die niet sluit. Vraag de klas dan de correctie op te schrijven en de controle die zij gebruikten om haar te vinden. Die opgeschreven correctie is het artefact, en zij vertelt u of zij de controle kunnen uitvoeren zonder dat u over hun schouder meekijkt.

Houd het beoordeelde moment toolvrij

Het ondersteunde product is een slechte proxy voor bekwaamheid, dus minstens één beoordeeld moment moet zonder de tool plaatsvinden. De latere ongesteunde taak van Wong en Qiu (2026) is die meting. Hun groep die alleen met mensen werkte, ging ook achteruit op de moeilijkere vervolgtaak, wat de simpele versie van de oplossing uitsluit: de tool weghalen zonder de lerende te ondersteunen is geen interventie.

Afwisselende modi hebben steun. PAUSE rapporteert de uitkomst van sessie vier bij Kosmyna et al. (2025), waar deelnemers die alleen met hun hoofd werkten en later ChatGPT gebruikten, beter presteerden dan aanhoudende LLM-gebruikers. Verantwoording werkt ook via uitleg: Makransky et al. (2025) vonden dat een tutoring-chatbot die studenten aanspoorde ideeën te verbinden en hun redenering uit te leggen, betere toetsprestaties opleverde dan traditioneel onderwijs.

Voor een vak: wissel af, ondersteund werk in de oefening, ongesteund werk waar het telt. Lees het ondersteunde stuk als een verslag van prestatie onder goede omstandigheden, en het ongesteunde stuk als het bewijs over leren. Ze vergelijken is ook het nuttigste gesprek dat u kunt hebben met een student die zijn cijfer niet begrijpt.

De planning is de beperking. Een toolvrij moment vraagt om een lokaal, een tijd en een taak die daarin past, dus de goedkoopste versie is een kort stuk in de les, gekoppeld aan een opdracht die u al had uitgezet. Een apart tentamen is een grotere verplichting en meestal niet nodig voor een eerste poging hiertoe.

Het ongesteunde stuk verdient nog een tweede gebruik: geef het terug aan het begin van de volgende eenheid, en u beiden ziet wat de onderbreking heeft overleefd.

Scheid instrumentele van uitvoerende hulp

Viberg, Feldman-Maggor en Wong (2026) interviewden 20 bèta-universitaire studenten en vonden een proces in vier fasen: beslissen of hulp nodig is, een bron kiezen, het type hulp kiezen en de ontvangen hulp beoordelen. Sterkere studenten gaven de voorkeur aan instrumentele hulp, dat wil zeggen hints en uitleg, boven uitvoerende hulp, dat wil zeggen directe oplossingen. Dezelfde studie waarschuwt dat LLM's gebruiken voor debuggen of programmeren tussen talen het zelfstandige probleemoplossen kan omzeilen, zelfs wanneer studenten nooit om een antwoord vragen.

Dat sluit netjes aan op cognitieve offloading. Instrumenteel gebruik is de duplicerende offloading die standhoudt wanneer de tool verdwijnt, omdat de student de redenering nog steeds codeert. Uitvoerend gebruik is de substituerende offloading die instort wanneer de externe opslag wordt verwijderd. Guo en Ye (2026) trekken de grens precies in die termen: verwijder de opslag en substituerende offloaders gaan sterk achteruit, terwijl duplicerende offloaders hun accuratesse behouden via interne codering.

Schrijf het onderscheid in de opdracht. Vraag studenten elk AI-gebruik te labelen als instrumenteel of uitvoerend, eis minstens één samenwerkende prompt, en beoordeel de redenering die zij na het antwoord hebben toegevoegd. In de vrijgebruikconditie van Wong en Qiu dreef de standaard naar uitvoerend gebruik zonder dat iemand besloot af te drijven.

Niet alle offloading is verdacht. PAUSE citeert Hong et al. (2025), waar het bewust uitbesteden van lagere-orde schrijftaken om aandacht vrij te maken voor analyse en herziening grotere winst in kritisch denken opleverde. De toets is of het deel dat wordt uitbesteed de vaardigheid is die u beoordeelt.

Die labels diagnosticeren ook uw taak. Als het grootste deel van een klas uitvoerend gebruik meldt, nodigt de opdracht dat uit, wat het beleid ook zegt, en hoort de volgende wijziging in de taak thuis en niet in de formulering van de regel.

Stem de vraag af op de fase

Feedback die op een stabiele overtuiging mikt, werkt vóór een taak begint. Feedback over onmiddellijke juistheid en moeilijkheid werkt tijdens de taak. Guo en Ye (2026) noemen dit timing-component matching, en het verklaart waarom een reflectie die aan het eind van een project moet worden ingeleverd zo weinig verandert: dan zijn de keuzes al gemaakt.

Lodge en Loble (2026) bevelen geïntegreerde metacognitieve prompts aan die lerenden laten pauzeren, reflecteren en hun begrip beoordelen terwijl zij werken, naast Load Reduction Instruction, dat de cognitieve last beheert en tegelijk geleidelijke zelfstandigheid mogelijk maakt. Een voorspelling van één minuut vóór een moeilijke eenheid, opgeschreven en achteraf vergeleken, past in dat venster en kost niets om na te kijken.

De formulering van de prompt doet er minder toe dan haar positie. Vraag vóór een eenheid wat de student verwacht dat moeilijk wordt en waarom. Vraag tijdens de eenheid bij welke stap hij vastzit en wat hij al heeft geprobeerd. Een reflectie aan het eind van een project legt vooral vast wat er is gebeurd, en daarom verandert zij zo weinig. Houd de voorspelling op dezelfde pagina als het werk, zodat de vergelijking achteraf geen administratie kost.

Verwacht dat het risico zich ophoopt

Lodge en Loble (2026) situeren het risico in voorkennis en zelfregulatie en noemen een metacognitieve rechtvaardigheidskloof: AI goed gebruiken vraagt om hulpbronnen die beginners missen, dus de studenten die de oefening het meest nodig hebben, besteden het leren zelf het liefst uit. Zij rapporteren dat 80% van de Australische studenten al AI gebruikt en dat twee derde van de docenten in de onderbouw van het voortgezet onderwijs dat doet (OECD 2025).

Leeftijd en gewoonte hangen met hetzelfde patroon samen. Gerlich (2025) vond dat deelnemers van 17 tot 25 jaar meer AI-afhankelijkheid en offloading en minder kritisch denken lieten zien dan deelnemers van 46 jaar en ouder, en dat opleidingsniveau een betere voorspeller was van kritisch denken, ongeacht AI-gebruik (r = +0,34), met een significante interactie die erop wijst dat opleidingsniveau het negatieve effect verzacht. Gao, Sun en Khan (2026) vonden dat polychroniciteit, de neiging tot multitasken, het pad modereert, waarbij studenten met hoge polychroniciteit een groter risico lopen.

Voor een sectie pleit dat ervoor om de studenten met de zwakste voorbereiding het nauwst in het oog te houden, en om na te gaan of uw eigen taak de omstandigheden heeft geschapen waarin het controleren ophoudt. Een veeleisende taak naast een bekwaam model is de combinatie die het model van Biswas als de meeste spijt markeert, en zij is gemakkelijk per ongeluk te maken.

Context telt even zwaar als persoon, en uw vak bepaalt een deel van de context. Biswas (2026) laat zien dat taakmoeilijkheid en AI-kwaliteit de basislijn bepalen: overmatige afhankelijkheid stijgt van ongeveer 0,02 naar 0,38 met de moeilijkheid, en bij moeilijke taken loopt zij op 0,38 bij zwakke AI tegen 0,16 bij goede AI. De meeste spijt komt van hoogwaardige AI bij moeilijke taken (0,441), omdat agenten te veel uitstellen en zichzelf zelden vertrouwen. Sociaal bewijs versterkt dat: naarmate zichtbaar gebruik stijgt van 0 naar 0,6, stort verificatie in van 0,29 naar 0,002. Het controleren houdt precies op waar het model het sterkst is en de taak het moeilijkst, wat zelden is waar een docent het eerst kijkt.

Bepaal hoeveel gewicht het bewijs draagt

Niets in dit corpus toetst of een specifieke interventie tegen overmatige afhankelijkheid standhoudt over settings of semesters heen. Eerst-denken rust op één experiment met N = 196. Het resultaat met het achterhouden van antwoorden komt uit de synthese van Brcic en Frljic (2026) en niet uit een eigen trial. Het wrijvingsargument is een conceptuele comment zonder nieuwe data. Biswas (2026) noemt de grenzen van het model: exogene stationaire AI-kwaliteit, een vast netwerk, gestileerde verificatie. De werkelijke waarden schatten zou longitudinale sporen vereisen van verificatiepercentages per taak, de sterkte van sociaal bewijs, en hoe vertrouwen zich bijwerkt na geverifieerd versus ongeverifieerd gebruik.

Meting blijft de zwakste schakel. Surveyontwerpen overheersen, en zowel Gerlich (2025) als Gao, Sun en Khan (2026) vragen om longitudinale en experimentele vervolgstudies. PAUSE heeft geen psychometrie en is gebouwd voor volwassenen. Of de rechtvaardigheidskloof door onderwijs kan worden gedicht, is theoretisch beargumenteerd en niet aangetoond.

Dat laat u achter met een redelijke gok, goedkoop uitgevoerd. Verander één opdracht, houd de ongesteunde meting aan, en kijk of de kloof tussen ondersteund en ongesteund werk smaller wordt. Bouw geen vak om op de kracht van deze getallen.

Wat docenten hier verkeerd doen

De studenten die het meest gebruiken, zijn degenen in de problemen. Frequentie is wat surveys vastleggen en dashboards tonen, en zij is het construct niet. Een student die elk antwoord controleert en uw materiaal citeert, kan AI dagelijks gebruiken en het goed doen. Een student die één keer per week de eerste output inlevert, heeft het probleem.

Een verbod haalt het risico weg. De sterkste resultaten hier komen uit plaatsing, en de arm met alleen mensen in het experiment van Wong en Qiu ging ook achteruit op de moeilijkere vervolgtaak. De tool weghalen zonder de lerende te ondersteunen laat de moeilijkheid waar zij was.

Goedkoper controleren lost verificatie op. Het controleren gemakkelijker maken was de zwakste hefboom in het model van Biswas, omdat het obstakel sociaal is. Een betere plagiaatscanner zorgt er niet voor dat een student de bron leest.

Een gebruiksdashboard vertelt mij wie er offloadt. De items van PAUSE registreren wanneer en hoe vaak AI een werkstroom binnenkomt, en de auteurs wijzen zelf op het validiteitsprobleem. Een zorgvuldige scafolder scoort als offloader, dus op die getallen handelen straft de studenten die u juist wilt houden.

Vloeiendheid en tevredenheid laten zien dat het ontwerp werkt. Dat is de illusie die Lodge en Loble (2026) in hun prestatieparadox beschrijven: werk voelt soepel en studenten presteren op dat moment goed terwijl zij minder onthouden. Ongesteunde prestatie en uitgestelde transfer zijn de maten die de vraag beantwoorden.

Leer studenten AI-geletterdheid en het probleem verdwijnt. Lodge en Loble (2026) waarschuwen dat te veel investeren in AI-geletterdheid gericht op studenten weleens de verkeerde besteding kan zijn, gezien wat beginners missen.

Wat er op u afkomt

"Dit is gewoon goede didactiek met een nieuwe naam." Deels. Scaffolding, formatieve feedback en productieve worsteling zijn oude ideeën. Wat nieuwer is, is de ordening: zichtbare verificatie versloeg goedkopere verificatie, en de twee momenten die het beschermen waard zijn, zijn de eerste moeilijke poging en de laatste ongesteunde controle. Doe de vertrouwde dingen in de nieuwe volgorde.

"Ik kan dat niet controleren." Dat kunt u niet, en het bewijs zegt dat u het niet moet proberen. Plaatsing leverde het sterkste resultaat op. Ontwerp de taak zo dat het gebruik van de tool op het verkeerde moment zichtbaar wordt in het werk zelf, als een antwoord dat de student niet kan uitleggen of een verificatiestap die ontbreekt.

"Mijn vak is te groot voor een geordende eenheid." De goedkope hefbomen schalen mee: een verificatieregel, een voorspelling van één minuut en het verplaatsen van de beoordeelde controle naar een AI-vrije ruimte. Het dure onderdeel, een volledig geordende eenheid volgens eerst-denken, kan beginnen als één opdracht. Genereer één opgavenblad opnieuw in een ondersteunde en een ongesteunde helft en kijk wat de kloof u vertelt.

"Mijn studenten zijn beginners. Zij hebben de hulp nodig." Zij hebben meer aan hints dan aan antwoorden, en de bevinding over rechtvaardigheid is de reden. De studenten met de minste voorkennis besteden de redenering het liefst uit, en een tool die antwoorden achterhoudt, houdt de oefening waar zij hoort.

"Zullen de zwakkere studenten de ongesteunde controle niet gewoon niet halen?" Soms wel, en dat resultaat is informatie en geen vonnis. Een toolvrije controle die een groot deel van een klas niet haalt, zegt dat de oefening de prestatie droeg, en dat was juist wat u moest weten. Weeg het als bewijs, onderwijs opnieuw wat het blootlegt, en bied een tweede poging aan op een parallelle taak. Geen enkele studie hier toetst of opnieuw onderwijzen na een mislukte ongesteunde controle het leren herstelt, dus dat deel is uw professionele oordeel.

"Sommige van mijn studenten gebruiken AI als een eerlijk hulpmiddel. Moet ik ze tegenhouden?" Nee. Een student die een hint leest, de stap probeert en het resultaat controleert, doet de duplicerende offloading die de tool overleeft wanneer zij wordt verwijderd. Wat u wilt is een taak die dat gebruik beschikbaar houdt en de uitvoerende versie minder lonend maakt, en dat is een kwestie van wat de taak inzamelt en waarvoor de rubric betaalt.

"Het bewijs is dun, dus waarom zou ik iets veranderen?" Het is dun op specifieke punten, die de grenzen hierboven noemen. Wat consistent is over de studies heen is de richting: plaatsing, zichtbaar controleren en een ongesteunde meting. Eén gewijzigde opdracht, met het ongesteunde resultaat bewaard, is een kleine genoeg gok om op die basis te wagen.

Wat u deze week kunt doen

1. Voeg een verificatieregel toe aan de volgende opdracht: één zin die noemt wat de student heeft gecontroleerd en waartegen.

2. Verplaats de beoordeelde controle naar een moment zonder de tool, en beoordeel dat moment.

3. Zet de eerste moeilijke poging vóór de tool, en zamel de ideeën, hypothese of versie in die eruit komt.

4. Wijzig de toolinstelling die u aanbeveelt zo dat zij hint in plaats van antwoordt, en vertel studenten dat u dat hebt gedaan.

5. Laat één zelfverzekerde AI-fout live gebeuren, laat studenten haar tegen de cursustekst vangen, en bewaar de correctie die zij schreven.

Waar u verder kunt gaan

De naburige vraag, of AI überhaupt leren oplevert, komt aan bod in helpt AI studenten eigenlijk leren. Fraude met AI verminderen behandelt integriteit en de grenzen van detectie, en toetsing herontwerpen in het AI-tijdperk behandelt de toetsarchitectuur die deze pagina veronderstelt. Voor de onderliggende ideeën, zie cognitieve offloading, metacognitie en gewenste moeilijkheden.