Wat zijn de tien belangrijkste bevindingen uit onderzoek naar AI in het onderwijs die docenten moeten kennen?

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

Het is de week voor het semester begint, of de week na de eerste grote inlevering, en iemand heeft u iets gevraagd wat u niet uit ervaring kunt beantwoorden: wat studenten met AI mogen doen bij deze opdracht, en wat het cijfer dan bewijst. Misschien kwam een take-home essay gepolijst terug op een manier die niet past bij het eerdere werk van de student. Misschien schrijft uw opleiding een AI-beleid en moet uw vak daar vrijdag aan voldoen. Misschien gaat een student in beroep tegen een cijfer en kunt u niet laten zien wat het werk aantoont.

De kernboodschap uit het onderzoek dat deze kennisbank heeft verzameld: hoe u generatieve AI in de activiteit inbouwt, bepaalt of die het denken versterkt of vervangt. De hendel die u in handen hebt, is het ontwerp van de taak. De toets van elk ontwerp is wat studenten nog kunnen wanneer de tool weg is. De tien bevindingen waarnaar deze pagina is genoemd, staan hieronder, gerangschikt naar de beslissing die elke bevinding ondersteunt.

De korte versie

1. Benoem het denken dat de opdracht moet opleveren en geef AI vervolgens een taak die dat denken niet uitvoert.

2. Stel de AI-regel per opdracht in, niet per vak, en schrijf de reden ernaast op de plek waar studenten die lezen.

3. Zet in elke eenheid minstens één beoordeelde stap die de student zonder AI uitvoert.

4. Beoordeel de activiteit naar wat studenten weken later zonder hulp kunnen, niet naar de kwaliteit van wat ze inleveren.

5. Vraag hoe studenten de tool hebben gebruikt en beoordeel de verificatie, niet de aanmeldingen.

6. Kijk welke studenten het ontwerp vooruithelpt, want een gemiddelde verbergt degenen die het laat vallen.

Bepaal waar de opdracht voor dient

Schrijf één zin die de bekwaamheid benoemt voordat u de tool aanraakt: wat moet een student aan het einde van deze eenheid kunnen dat hij aan het begin nog niet kon? Het antwoord kan zijn: een argument uit bewijs opbouwen, een bewijs leveren, tot een diagnose komen, een ontwerpbeslissing nemen onder beperkingen. Als u het niet kunt benoemen, wordt de AI-regel willekeurig en dat merken studenten.

Twee onderzoekslijnen verklaren waarom dit voorop staat. Productief falen is de bevinding dat leerlingen vaak meer onthouden wanneer ze een probleem proberen voordat het wordt voorgedaan, zodat wrijving soms het mechanisme is in plaats van een obstakel dat moet worden weggenomen. Het ICAP-kader voorspelt verschillend leren bij passief, actief, constructief en interactief gebruik van hetzelfde materiaal. Beide wijzen op één ontwerpvraag: wat doet de student terwijl de tool openstaat?

Het duidelijkste voorbeeld in het corpus komt uit een vergelijking van een theoriegestuurde chatbot die de uitleg van studenten ondersteunde, met gewone ChatGPT en met onderwijs zoals gebruikelijk. Onmiddellijke verschillen waren niet significant. Vier weken later behield de ondersteunde groep meer conceptuele kennis. Dat is één studie en geen universeel effect, en de bruikbare inhoud ervan is de vorm van het resultaat: ontwerp kan zwaarder wegen dan modelcapaciteit, want wat de condities onderscheidde, was wat de activiteit van studenten vroeg.

De systematische review van 72 peer-reviewed studies over informaticaonderwijs komt van de andere kant bij dezelfde laag uit. Die noemt kritische omgang met AI-uitvoer 'het gemeenschappelijke mechanisme dat elke effectieve interventie in het corpus verbindt' en beveelt geleidelijke toegang aan: generatieve AI pas invoeren nadat fundamentele bekwaamheid is aangetoond. Geen van beide beweringen gaat over welk product u inkoopt.

Geef AI een taak die niet het denken is dat u beoordeelt

Decennia van onderzoek naar intelligente tutoren beschrijven het patroon dat werkt: diagnosticeren wat de student begrijpt, vragen stellen, geleidelijk hints geven, laten uitleggen, feedback geven. Alles behalve de oplossing overhandigen. Huidig werk aan pedagogische agents trekt dezelfde grens tussen onderwijzend gedrag en het produceren van antwoorden, en de Thermomix-analogie maakt het concreet. Eén apparaat kan het koken voor u doen, en dan verliest u de vaardigheid, of het kan optreden als testpartner voor ideeën die u nog zelf moet doorgronden. Die modi sluiten aan bij ICAP: passief, actief, constructief, interactief.

Smalle tools laten hetzelfde principe zien. Een tutor die technische diagrammen structureel leest haalde 93,0% F1 op verbindingsniveau tegen 89,3% nauwkeurigheid op het hele diagram, wat betekent dat hij de specifieke ontbrekende of verkeerd gelezen verbindingen kan benoemen, ook wanneer het hele diagram fout is. Dat is feedback waar een student iets mee kan, in plaats van een voldoende of onvoldoende.

De moeilijker vraag is wat de tutor mag aanbevelen. Toen een debat tussen meerdere agents 'hier is het antwoord van de AI' verving door een discussie waarin de eigen voorkeurspositie werd achtergehouden, daalde de schadelijke overstap naar een onjuiste AI-positie van 42-60,5% naar 5,7-8,2%. De overname van een juiste AI-positie daalde ook, van 61,1-72,3% naar 22,1-33,3%. Een aanbeveling achterhouden beschermt het oorspronkelijke oordeel van de student en laat correctie aan de beraadslaging over, zodat het ontwerp foutcorrectie inruilt voor minder zelfverzekerde verkeerde afslagen. Bepaal welke van die twee u uit de uitwisseling wilt voordat u de prompt schrijft.

In de klas is dit goedkoop te doen. Een Socratische reeks is het patroon om na te streven, waarbij de tool vraagt in plaats van antwoordt. Zeg studenten dat ze om 'één hint', 'stel mij vragen' of 'bekritiseer mijn redenering' moeten vragen, en maak 'los dit op' het uitzonderlijke geval. U verandert het standaardwerkwoord van de interactie, en dat is het deel dat studenten werkelijk beheersen.

Eén beperking verdient een duidelijke vermelding. Het meeste bewijs komt uit korte taken in een handvol vakken, en niets ervan belooft dat een hintgevende tutor de tentamencijfers in uw groep zal verhogen. Voor die vraag hebt u de gerandomiseerde trial nodig die hieronder wordt besproken, en het resultaat daarvan is ontnuchterend.

Stel de regel in op de opdracht, en zeg waarom

Een bruikbaar kader onderscheidt drie gevallen. Beperk AI wanneer onafhankelijke bekwaamheid is wat u meet. Ondersteun het met scaffolding wanneer begrensde hulp die bekwaamheid niet aantast. Vereis het wanneer vaardige samenwerking tussen mens en AI zelf is wat studenten moeten leren. De meeste vakken bevatten alle drie, in verschillende weken, en daarom faalt één regel op vakniveau steeds aan de randen.

De mixed-methods studie onder 85 aanstaande leraren laat zien wat een regel zonder reden oplevert. 62,4% van de steekproef weigerde generatieve AI te gebruiken, ook waar die was toegestaan, en 41,5% van hen die weigerden noemde angst om beschuldigd te worden van plagiaat. 9 van de 11 geïnterviewden lazen het toestemmende beleid zelf als een valstrik. In dezelfde studie gebruikte slechts 37,6% de toegestane generatieve AI überhaupt, volgden hun keuzes de cultuur van de opleiding en het toetsontwerp meer dan de toestemming van welk vak dan ook, en onderschatten hun eigen verklaringen over gebruik het werkelijke gebruik in elk vak.

Lees die cijfers als een ontwerpopdracht. Een toestemming zonder genoemd doel ziet eruit als een valstrik, en een verbod zonder genoemd doel ziet eruit als een obstakel om omheen te werken. Waar studenten op reageren, is de redenering die aan deze taak hangt. Zet de regel in de opdrachtinstructie, één regel, en maak die regel zo specifiek dat een student kan zien of de hulp die hij op het punt staat te accepteren, ondermijnt wat u beoordeelt.

Beoordeel iets wat de student zonder de tool heeft gemaakt

Dit is de stap die het werk doet, en het bewijs hier is het minst dubbelzinnig op deze pagina.

De review van 72 studies vond dat generatieve AI in 36 studies betrouwbaar de kortetermijnvoltooiing verhoogde en de tijd op de taak verkortte, wat de auteurs behandelen als het best gerepliceerde resultaat in het corpus, en die efficiëntiewinst 'draagt niet over naar onafhankelijke prestatie' in 21 studies. Een hardop-denkstudie onder 38 bachelorstudenten laat zien hoe dat in het gewone geval gebeurt. Cognitieve offloading is het schadelijkst voor leren wanneer de AI het redeneren uitvoert dat de student had moeten oefenen. Daar bleef 76,32% in een patroon van een enkele beurt: vragen, antwoorden, stoppen, en slechts 21,06% wisselde AI-gebruik af met zelfstandig lezen en schrijven. De grootste groep, 31 van de 38, noemde beheersingsdoelen, werkte in gefragmenteerde losse beurten en rapporteerde daarna overmatige afhankelijkheid, mentale gemakzucht en snel vergeten; een van hen verwoordde het als 'de snelheid waarmee je het vergeet, is ook heel hoog'. Een kaderartikel uit 2026 geeft het patroon zijn naam. Cijfers en producten stijgen terwijl het mentale werk dat duurzaam leren oplevert, daalt.

De gerandomiseerde trial beslecht de discussie voor ten minste een setting. Een drie-armige RCT met 275 CS1-studenten vergeleek een hintgevende tutor die volledige oplossingen achterhield, onbeperkte ChatGPT en traditionele webbronnen. De oefenscores liepen scherp uiteen: 71,84% voor ChatGPT tegen 29,85% voor de controlegroep zonder AI, met de hintgevende tutor op 57,50%. De winst in conceptuele kennis verschilde helemaal niet tussen de drie armen, met 0,83, 0,71 en 0,85 punten (tijd × groep p = 0,773). Beide AI-condities verlaagden frustratie en irrelevante belasting, en alleen de hintgevende tutor verhoogde de intrinsieke motivatie. De tool die studenten als behulpzamer en gemakkelijker beoordeelden, was ook degene die de verwerking die leren oplevert het meest verminderde.

Let op wat dat ontwerp niet kan ondersteunen. Het is een vak, een semester, een taal, en de oefenscores zijn naar hun aard ondersteunde prestatie, precies de maatstaf die de studie waarschuwt niet te vertrouwen. Het toont niet aan dat tutoren nutteloos zijn. Het toont aan dat de uitkomst die u kiest te meten, het antwoord bepaalt dat u krijgt, en dat de voorkeur van studenten geen leermaatstaf is.

Beoordeel dus de versie zonder hulp. Een taak per eenheid waarin studenten ideeën ophalen, uitleggen, oplossen of verdedigen zonder dat AI aanwezig is, en zet er echte punten op. Het validiteitsargument daarachter staat in toetsingsvaliditeit: een gepolijst take-home product toont niet langer aan dat degene die het indiende, de bekwaamheid bezit die het product laat zien. Toetsing herontwerpen in het AI-tijdperk werkt de volledige architectuur uit, inclusief de goedkope geauthenticeerde stap voor grote vakken.

Verander de opdracht die u al hebt, niet het hele vak

De meeste docenten die deze vraag stellen, bouwen geen nieuw vak. Ze hebben een werkstuk, een labverslag of een probleemset dat al jaren werkt, en ze willen weten waar de naad moet komen. Haal de opdracht stap voor stap uit elkaar, vraag bij elke stap wat u daar beoordeelt, en laat het antwoord de grens bepalen. Dat is de methode op taakniveau die is gedocumenteerd in McCorkles werk aan een afgestemd vakbeleid, en een ronde over uw meest betwiste opdracht is meestal genoeg om de vorm ervan te zien.

Een werkstuk van tien pagina's valt doorgaans zo uiteen. Onderwerpkeuze en het zoeken van bronnen zijn waar het oordeel zit, dus een tool die een these voorstelt of de leeslijst samenstelt, heeft het deel uitgevoerd dat u beoordeelt. Synthese en argumentatie zijn de constructie zelf. Citeren volgens de regels, referenties controleren en taalredactie zijn stappen waar toolgebruik onzichtbaar is voor uw constructie, en het daar verbieden levert niets op dan wrevel. Zeg dat in de opdrachtinstructie, stap voor stap, desnoods in een korte tabel.

Maak vervolgens de middelste stap zichtbaar. Vraag om een geannoteerde onderbouwing van een pagina, samen met het werkstuk ingeleverd, die twee bronnen noemt die de student verwierp en waarom, een bewering die hij na controle herzag, en waar hij ervoor koos een suggestie niet te volgen. Beoordeel die met dezelfde specificiteit die u voor het proza gebruikt. Een onderbouwing heeft alleen gewicht als een student die haar overslaat meer verliest dan hij wint, dus geef er genoeg punten voor zodat de rekensom duidelijk is.

Een probleemset is eenvoudiger en de naad ligt elders. De antwoorden zijn niet de constructie; het kiezen van een methode en het diagnosticeren van fouten wel. Eis de eerste stap van elk probleem, in de eigen woorden van de student, voordat een tool wordt geopend, en werk een probleem van het set in de klas uit zonder hulpmiddelen. Dat is een kleinere verandering dan het klinkt, en het verandert het set van een product dat u niet kunt verifiëren in een verslag van hoe de student dacht.

Bij een labverslag ligt de naad meestal bij de interpretatie van de data en de foutenanalyse. Laat de tool de tabel opmaken en de eenheden controleren. Houd de interpretatie, de keuze van wat als afwijkend geldt en de verklaring van verschil met het verwachte resultaat in handen van de student, en beoordeel die met punten eraan verbonden.

Het patroon generaliseert: lokaliseer de stap waar de bekwaamheid zit, bescherm die stap, maak de rest vrij, en zet het bewijs van proces daar waar de punten zijn. Wat u vermijdt, is het herontwerp dat verandert hoe werk wordt gemaakt zonder te veranderen wat het cijfer kan ondersteunen.

Beoordeel feedback- en beoordelingstools naar latere prestatie

AI-feedback kan tijdig, specifiek, schaalbaar en acceptabel voor studenten zijn, ook in hoger onderwijs. Of die iets leert, hangt af van nauwkeurigheid, pedagogische passendheid en de feedbackgeletterdheid van studenten, hun vermogen om feedback te beoordelen en ernaar te handelen. Als u die overweegt voor feedback of beoordeling, zijn de onderstaande cijfers degene die u meeneemt naar het inkoopgesprek.

Een kritische analyse van 14 institutionele richtlijnen vond dat generieke prompts uitkomsten, activiteiten en toetsing geïsoleerd opleveren. De tool kan niet weten hoe onderling verbonden een onderwerp is, dus blijft de feedback algemeen in plaats van diagnostisch precies.

Configuratie verschuift de kwaliteit wel, meetbaar. In een studie naar AI-feedback op leerdoelen verklaarde het model alleen 26,9% van de variatie in feedbackkwaliteit en verhoogde het toevoegen van de prompt dat tot 42,8%, een extra 15,9%. Het enige promptkenmerk dat ertoe deed, was vakspecifieke terminologie; dat vervangen door alledaagse omschrijvingen maakte de feedback significant slechter. De modelkeuze deed er ook toe: Claude 3 en Gemini Advanced leverden significant lager beoordeelde feedback dan ChatGPT-4.

Beoordelen is nog wankeler. Een vergelijking van 18 taalmodellen die 6.081 programmeerinzendingen beoordeelden vond gemiddelde cijfers van 0,290 tot 0,608, afhankelijk van het model, met exacte overeenstemming zo laag als 0,20 voor sommige en 0,74 op zijn best. Twee studenten met identiek werk kunnen verschillend worden beoordeeld, afhankelijk van welk model de opleiding heeft ingekocht.

Dan is er de vraag die studenten aangaat: of de feedback verandert wat ze later kunnen. Een implementatie van een semester in een bachelorvak wiskunde met 343 Engelse en 236 Nederlandse studenten genereerde geïndividualiseerde commentaren en oefeningen uit gefotografeerde antwoordvellen. Beoordelaars vonden de oefeningen het sterkst en diagnostische specificiteit en duidelijkheid het zwakst. De gerandomiseerde crossover op gekoppelde tentamenvragen vond geen statistisch significant verschil na correctie (pHolm = 0,104), en aanwezigheid hing veel duidelijker samen met tentamencijfers dan blootstelling aan feedback (ρ = 0,49 en 0,54, beide p < 0,001). Feedback die studenten waarderen en waar ze iets mee doen, is niet hetzelfde als feedback die meetbaar leren oplevert.

Er is nog een val als u een model laat beoordelen. In een studie onder 1.426 psychologiedissertaties over tien academische jaren beoordeelden alle vier AI-beoordelaars door studenten geschreven werk het laagst en door AI geschreven werk het hoogst. 10 van de 16 vergelijkingen waren groot genoeg dat verschillen van die omvang zeldzaam zijn in onderwijskundig onderzoek, tot de grootste waargenomen kloof, en de vertekening was het sterkst bij volledig door AI gegenereerde tekst. Een beoordelaar kan tekst belonen omdat die machinaal is, zelfs wanneer de instructie zegt de inhoud te beoordelen.

Scheid de studenten die het ontwerp helpt van degenen die het laat vallen

Een gemiddelde verbetering kan een vak verbergen waarin de sterken sterker worden en de zwakken er slechter van af zijn. De digitale kloof loopt nu langs ten minste drie lijnen: toegang tot tools, vaardigheid in het gebruik ervan, en wie er werkelijk een bruikbaar resultaat krijgt. Alleen al promptvaardigheid levert een 'promptprivilege' op waarbij ervarener gebruikers betere uitvoer krijgen uit hetzelfde systeem.

De review van 72 studies onderscheidt twee mechanismen. Een vaardigheidskloof ontstaat waar studenten met sterkere voorkennis hulp omzetten in duurzame winst, terwijl minder voorbereide studenten die hulp in de plaats van oefening stellen. Een hulpbronnenkloof ontstaat waar betrouwbaar internet en betaalde toegang beter toolgebruik tussen instellingen in stand houden. Slechts zes studies in het corpus onderzochten rechtvaardigheid rechtstreeks, wat de auteurs als het probleem behandelen en niet als een voetnoot; rechtvaardigheid in AI-onderwijs is waar dat argument wordt uitgewerkt.

Hulp kan een kloof dichten wanneer de studenten die haar nodig hebben, degene zijn die haar aangaan. Een studie met vier experimenten naar leerlingen die met hulp van een AI-agent verborgen regels ontdekten vond dat de hulp het aantal benodigde zetten met 33-52% verlaagde, en dat de winst zich concentreerde bij de zwakste presteerders terwijl sterkere leerlingen grotendeels onaangetast bleven. Dat is de hoopvolle versie, en die hangt ervan af dat de studenten die de hulp het meest nodig hebben, degene zijn die haar goed gebruiken, wat de vaardigheidskloof erop wijst dat ze dat zonder onderwijs niet redden.

Houd de ingrijpende beslissingen bij een mens

AI-geletterdheid van docenten is niet waar het beleidsgesprek veronderstelt. Onder bètadocenten die al AI-training hadden afgerond was de gemiddelde AI-geletterdheid 16,7 van de 30, onder de 18,79 van de referentiesteekproef, en die hield geen verband met leeftijd, geslacht, dienstjaren of hoeveel ze AI hadden gebruikt. Een enquête onder 412 aanstaande wiskundedocenten vond bereidheid in een vroeg stadium, met onderwijsopvattingen het hoogst op een gemiddelde van 5,24 op een 7-puntsschaal en technische AI-kennis het laagst op 4,23.

Dat is een argument voor begrensde tools, niet voor autonome. De analyse van richtlijnen stelt een institutioneel geconfigureerde retrieval-augmented agent voor die het denken leidt zonder antwoorden te geven, scheefgroei signaleert en aan de randen naar een mens escaleert, met autoriteit omschreven als 'afgeleid en begrensd'. Er is direct bewijs om mensen in de lus te houden in plaats van ervoor: een systeem voor het genereren van cursusmateriaal scoorde beter wanneer mensen betrokken bleven, waarbij de modus met de meeste menselijke inbreng de scores van beoordelaars met 0,5-0,9 punten verbeterde ten opzichte van de volledig autonome modus. De autonome beoordelaars daarvan clusterden strak rond 2,9-3,1 terwijl menselijke beoordelaars uiteenliepen en meer onderscheid maakten, dus hielden de auteurs menselijk oordeel als het primaire kwaliteitssignaal.

De praktische versie voor een vak: laat AI schetsen, sorteren en signaleren. Houd nauwkeurigheid, eerlijkheid, privacy en elke beslissing over de voortgang van een student onder betekenisvol menselijk toezicht. De risico's die dit nodig maken, zijn de bekende reeks: vertekening, privacy, transparantie, autonomie van de lerende, verantwoording en pedagogische veiligheid. Die lijst is waarom pedagogische AI-bekwaamheid meer gewicht heeft dan technische vertrouwdheid.

Wat docenten hier verkeerd doen

'Het gepolijste werk voor me is bewijs dat de student het kan.' Het is bewijs dat het werk gepolijst is. De spreiding van 71,84% tegen 29,85% op oefenscores, met conceptuele winst vlak in dezelfde trial, en de 36 studies in de review die efficiëntie zonder overdracht vonden, beschrijven allemaal de afstand tussen ondersteunde prestatie en bekwaamheid. Als het product het enige is dat u beoordeelt, is het product alles wat u hebt gemeten.

'Als de AI een tutor is, staat die aan de goede kant van de lijn.' Het label levert de garantie niet. In de CS1-trial vermeed de hintgevende tutor de schade die onbeperkte ChatGPT aanrichtte op oefeningen, en leverde toch geen conceptueel voordeel op ten opzichte van helemaal geen AI. Het definitieve antwoord achterhouden is niet hetzelfde als het redeneren achterhouden, en een tutor kan het tweede doen terwijl het lijkt of hij alleen het eerste doet.

'Een detector, of een strengere regel, lost het integriteitsprobleem op.' Detectie pakt een reactie uit meerdere aan. De studie onder aanstaande leraren vond dat angst voor beschuldiging toegestaan gebruik onderdrukte, dat de cultuur van de opleiding gedrag beter voorspelde dan welk vakbeleid dan ook, en dat zelfverklaringen het gebruik in elk vak onderschatten. Een strengere regel verandert wat studenten verbergen, niet wat ze leren.

'Een AI-regel voor het hele vak is eerlijker en eenvoudiger.' Eenvoudiger, ja. Het bewijs pleit voor regels per opdracht, omdat de drie gevallen, beperken, scaffolding en vereisen, in de meeste vakken naast elkaar bestaan en dezelfde toestemming iets anders betekent in een labverslag dan in een reflectie. Algemene standpunten zijn ook degene waar studenten het gemakkelijkst omheen werken.

'Studenten die zeggen dat de tool helpt, leren ervan.' Tevredenheid is een zelfrapportagemaat, en in de CS1-trial was de hoogst beoordeelde conditie degene die de verwerking achter het leren het meest verminderde. De wiskunde-implementatie vond dezelfde splitsing: feedback die studenten waardeerden, geen significant tentamenverschil.

'AI-geletterdheid is promptvaardigheid, en studenten pikken die op door de tool te gebruiken.' Kaders behandelen AI-geletterdheid als conceptueel begrip, operationele vaardigheid, kritische evaluatie, ethisch oordeel en besef van beperkingen. De review is expliciet dat prompt engineering, het verifiëren van uitvoer en het analyseren van AI-fouten leerbare vaardigheden zijn die zich niet door blootstelling ontwikkelen. De getrainde bètadocenten die 16,7 van de 30 scoorden, zijn de empirische versie van die bewering.

'Het rechtvaardigheidsprobleem is toegang.' Toegang is een van drie lijnen. Vaardigheid en wie een bruikbaar resultaat krijgt, zijn de andere twee, en slechts zes studies in het corpus onderzochten daar iets van rechtstreeks. Elke student een licentie geven, lost het gemakkelijkste derde op.

Wat er op u afkomt

'Mijn studenten zeggen dat AI hen helpt.' Het helpt meestal bij het werk dat voor hen ligt, en de bevinding gaat over wat er daarna overblijft. Vraag wat ze nog zonder hulp kunnen en u krijgt een ander antwoord, en dat is de reden dat de beoordeelde stap zonder hulp bestaat.

'Ik geef les aan 200 studenten. Ik kan geen concepten lezen of mondelinge controles doen.' U hoeft niet alles te lezen. Een toepassing in de klas of een korte opgenomen uitleg bij de opdracht met de hoogste inzet, plus een steekproef op werk dat inconsistent lijkt met eerdere inzendingen, dekt het meeste risico. Gefaseerde inleveringen, geannoteerde onderbouwingen en procesportfolio's schalen mee; dat geldt ook voor het beoordelen van de verificatie van een opzettelijk gebrekkige AI-uitvoer.

'Detectie is alles wat we hebben.' Detectoren hebben gedocumenteerde betrouwbaarheids- en eerlijkheidsproblemen, en validiteit is het moeilijker probleem: een gepolijst take-home product toont niet langer aan dat degene die het indiende, de bekwaamheid bezit. Procesbewijs is goedkoper dan een wapenwedloop en levert iets op dat u in een beroep kunt verdedigen.

'Het verbieden is eenvoudiger.' Eenvoudiger, en het mislukt meestal. Adoptie in de studie onder aanstaande leraren volgde de cultuur van de opleiding en niet het beleid van een enkel vak, en openbaarmaking onderschatte het werkelijke gebruik in elk vak. Een verbod neemt u ook het zicht op hoe studenten de tool zouden gebruiken wanneer ze vertrekken.

'Ik geef geen AI-les. Dit is mijn vak niet.' De bevindingen gaan over uw vak. Wanneer AI de oefening uitvoert die uw vak moet bieden, is dat precies wanneer het stoort, en de storing komt tot uiting in uw toetsing, of u de tool nu noemt of niet.

'Het bewijs is te nieuw om op te handelen.' Deels waar, en het snijdt twee kanten op. Veel van het corpus bestaat uit korte interventies, zelfrapportagestudies, enkele disciplines, of werk uit 2025 en 2026, en beweringen uit volwassen onderzoek naar intelligente tutoren zijn sterker dan beweringen over onbeperkte algemene chatbots. Waar een bewering nu een gerandomiseerde trial achter zich heeft, de dissociatie tussen prestatie en leren in de CS1-trial en het feedbackresultaat in de wiskunde-implementatie, wordt die trial hier geciteerd. Waar dat niet zo is, behandelt u de bevinding als de best beschikbare leidraad en niet als vaststaand recht, en bent u het meest sceptisch over resultaten die alleen tevredenheid, taaksnelheid, uitvoerkwaliteit of onmiddellijke ondersteunde prestatie laten zien.

Wat u deze week kunt doen

1. Kies de ene opdracht die u het minst prettig vindt om te verdedigen. Schrijf de bekwaamheidszin bovenaan de opdrachtinstructie.

2. Voeg een stap toe die zonder AI verloopt: een toepassing van vijf minuten in de klas, een korte opgenomen uitleg, of een alinea die in het lokaal wordt geschreven. Geef die echte punten.

3. Vermeld de AI-conditie voor die opdracht en voeg een regel reden toe. Als de opdracht stappen mengt, zeg dan welke stappen welke zijn.

4. Herschrijf een prompt die u studenten geeft van 'los dit op' naar 'geef me een hint en stel me een vraag', en leg uit waarom.

5. Neem de verandering voor het semester begint mee naar uw opleidingsleider en naar wie aanpassingen goedkeurt, zodat het eerste beroep niet ook het eerste gesprek is.

Waar u verder kunt gaan

Voor de versie per belanghebbende van deze misverstanden, zie veelvoorkomende misvattingen over AI in het onderwijs. Voor de ontwerpeisen die uit de bevindingen over rechtvaardigheid en menselijk oordeel volgen, zie onderzoek naar rechtvaardigheid, ethiek en pedagogische veiligheid. Toetsing herontwerpen in het AI-tijdperk werkt de toetshelft verder uit, en helpt AI studenten leren is het bewijsoverzicht achter de beweringen op deze pagina. Als u kiest tussen herontwerp en handhaving, zijn AI-fraude verminderen en AI-beleid voor je vak de begeleidende pagina's.