Dwingt generatieve AI herziening van onderwijsontwerp en beoordelen af?

Er verschijnen nog steeds zeer veel publicaties over de mogelijke gevolgen van generatieve AI voor leren, opleiden en onderwijs. In deze bijdrage vat ik twee recente publicaties samen die betrekking hebben op het ontwerpen van onderwijs en opleiden, en op de wijze waarop lerenden worden beoordeeld.

De eerste bijdrage is Redesigning Instruction & Assessment in the Age of AI van Phillippa Hardman. Zij bespreekt hierin een onderzoekspaper van Charles B. Hodges en Paul A. Kirschner over de invloed van generatieve AI op instructional design en assessment. De tweede bijdrage is Taming the AI & Assessment Conflict: 21 Practical Resolutions van Donald Clark. Hij doet hierin onder meer 21 suggesties om de manier waarop we beoordelen aan te passen, als gevolg van de impact van generatieve AI.

Phillippa Hardman schrijft dat Hodges en Kirschner stellen dat AI, anders dan eerdere technologische vernieuwingen zoals rekenmachines of Wikipedia, de kern van traditioneel onderwijs raakt. Je kunt dankzij AI immers teksten genereren die nauwelijks van ‘echt’ te onderscheiden zijn. De auteurs zien dat pogingen om AI-gebruik te verbieden weinig zin hebben. In plaats daarvan pleiten ze voor een andere aanpak van onderwijs en toetsing. Hun focus ligt op het bevorderen van echt leren, waarbij AI een hulpmiddel is.

Hodges en Kirschner stellen verschillende strategieën voor, waaronder het benadrukken van het leerproces in plaats van het eindproduct, het opnemen van mondelinge beoordelingen, het aanpassen van opdrachten zodat ze specifieker en contextafhankelijker zijn, en het kritisch in plaats van passief gebruiken van AI-tools.

Hardman werkt dit uit in praktische voorbeelden. In een tabel geeft zij een overzicht van de veranderingen van een cursus wat betreft onderwijsontwerp, cursusinhoud en beoordelingsmethoden:

1. Onderwijsontwerp:
– Voor: Traditioneel onderwijsontwerp richt zich op het overdragen van kennis door middel van inleidingen en individuele taken.
– Na: Onderwijsontwerp legt de nadruk op het stimuleren van probleemoplossend vermogen en samenwerking, waarbij lerenden worden aangemoedigd om complexe vraagstukken te onderzoeken die niet eenvoudig door AI kunnen worden opgelost.

2. Cursusinhoud:
– Voor: De inhoud bestaat vaak uit theoretische kennis en vaste leerdoelen, met weinig ruimte voor praktijktoepassingen.
– Na: Cursusinhoud wordt praktijkgerichter, waarbij de nadruk ligt op de toepassing van kennis in realistische situaties. AI wordt gebruikt als hulpmiddel, maar lerenden moeten kritisch omgaan met de resultaten die AI oplevert.

3. Beoordeling:
– Voor: Beoordelingen zijn voornamelijk tekstgebaseerd, zoals essays, en richten zich op de eindproducten.
– Na: Beoordelingen worden procesgericht, met meer nadruk op mondelinge presentaties, praktische opdrachten en reflectie. Hiermee wordt gekeken naar de aanpak van de lerenden en hun begrip van de stof, in plaats van alleen naar het eindresultaat.

Hardman stelt verder, volgens eigen zeggen mede op basis van de bijdrage van Hodges en Kirschner, dat in het AI-tijdperk nieuwe strategieën nodig om betekenisvol leren te waarborgen. Vijf instructiestrategieën staan daarbij centraal: onderzoekend en probleemgestuurd leren, waarbij lerenden complexe vraagstukken onderzoeken; samenwerkend leren voor het ontwikkelen van interpersoonlijke vaardigheden; creatief en toegepast leren met praktische toepassingen; kritische analyse van AI-gegenereerde content; en metacognitie om het eigen leerproces te monitoren.

Voor toetsing worden drie hoofdbenaderingen voorgesteld: procesgerichte opdrachten waarbij lerenden hun werkwijze documenteren; mondelinge en praktijkgerichte toetsing waarbij begrip moet worden gedemonstreerd; en frequente, laagdrempelige toetsmomenten om voortgang te monitoren. Deze aanpak zorgt ervoor dat lerenden AI kunnen inzetten als ondersteunend instrument, terwijl ze zelf actief blijven nadenken en leren.

Donald Clark komt in zijn bijdrage met 21 concrete voorstellen om de manier van beoordelen aan te passen. Hij begint met de observatie dat AI-detectie niet werkt en dat lerenden altijd een stap voor zullen blijven. Zijn oplossingen richten zich op verschillende gebieden.

Allereerst pleit hij voor minder tekstgericht beoordelen. Prestaties beoordelen werkt beter dan alleen schrijfwerk nakijken. Ook stelt hij voor om AI te gebruiken bij het maken van beoordelingen. Dit helpt om betere vragen te ontwikkelen die aansluiten bij wat er echt geleerd is. Clark stelt voor om vooraf meer te toetsen wat lerenden al weten. Dit geeft docenten inzicht in wat nog geleerd moet worden. Ook pleit hij voor meer oefening met ophalen van kennis uit het geheugen. Dit werkt beter dan onderstrepen of markeren. Verder adviseert hij om af te stappen van meerkeuzevragen en over te gaan op korte open vragen die door AI kunnen worden beoordeeld. Ook wil hij meer gebruik maken van praktijkgerichte scenario’s en simulaties.

Voor formatieve toetsing stelt Clark voor om lerenden die de stof al beheersen sneller door te laten stromen. Ook kunnen AI-gegenereerde ezelsbruggetjes en digitale flashcards helpen bij het leren. Adaptief leren op basis van data kan het leerpad personaliseren. Clark ziet mogelijkheden in het gebruik van AI-avatars bij toetsing, bijvoorbeeld als virtuele klant of patiënt. Ook pleit hij voor geautomatiseerde beoordeling om docenten te ontlasten.

Nieuwe AI-technologie biedt volgens Donald Clark ook kansen om beoordelen effectiever en inclusiever te maken. Audio-feedback -gemaakt dankzij AI- maakt de beoordeling persoonlijker en motiverender, terwijl AI-gegenereerde vragen kunnen helpen bij het toetsen van begrip na een opdracht. AI-technologie kan verder complexe academische taal omzetten naar begrijpelijke tekst, waardoor toetsen toegankelijker worden voor alle lerenden. Voor mensen met dyslexie (5-15% van de bevolking) bieden spraak-naar-tekst, spellingcontrole en grammatica-assistenten belangrijke ondersteuning die angst en schaamte vermindert.

AI-technologie vereenvoudigt ook data-analyse van toetsresultaten. Belangrijk is volgens Clark verder dat het onderwijs zich richt op realistische doelen: niet iedereen wordt onderzoeker of academicus. In plaats van alleen ‘zachte vaardigheden’ te benadrukken, moet het onderwijs zich richten op diepgaande expertise en vaardigheden die met AI kunnen worden versterkt en geautomatiseerd.

Mijn opmerkingen

Pleidooien voor meer onderzoekend leren, probleemgestuurd leren en samenwerkend leren, zoals Philippa Hardman die doet, zijn al vele jaren oud. De opkomst van generatieve AI versterkt de argumentatie. Ook Donald Clark beschrijft in zijn bijdrage grotendeels hoe je generatieve AI-technologie kunt gebruiken voor het versterken van didactische principes die al vele jaren als onomstreden gelden (maar lang niet altijd worden toegepast). Hij illustreert echter ook dat generatieve AI andere manieren van beoordelen mogelijk maakt die zonder deze technologie niet of erg lastig te realiseren zijn.

Beide auteurs gaan m.i. wel voorbij aan het gegeven dat een doordacht gebruik van generatieve AI het noodzakelijk maakt dat lerenden over de nodige feitenkennis beschikken. Daar zal binnen het onderwijs ook aandacht voor moeten blijven. En het ontwikkelen van deze kennisbasis kan nog steeds vaak het beste via directe instructie plaatsvinden (wat niet hetzelfde is als ‘passief’ leren).

Het is wel de vraag of je het verwerven van feitenkennis summatief moet beoordelen.

Mijn bronnen over (generatieve) artificiële intelligentie

Deze pagina bevat al mijn bijdragen over (generatieve) artificiële intelligentie, zoals ChatGPT.

This content is published under the Attribution 3.0 Unported license.