Hoe kunnen lerenden AI inzetten zodat het leerproces zelf ondersteund wordt? Daarover gaat de bijdrage “Are Students Harnessing AI for Genuine Learning or Just Easy Answers?” van hoogleraar onderwijspsychologie Andrew Martin. De auteur kijkt daarbij vooral naar principes van “load reduction instruction”.
Volgens Martin is het gebruik van generatieve AI door lerenden inmiddels wijdverspreid bij het maken van opdrachten, het voorbereiden van toetsen en het herhalen van stof. Dat gebruik is echter vaak ad hoc en ongestructureerd: lerenden proberen een prompt, passen die wat aan en herhalen dat proces zonder duidelijke strategie. Sommigen zetten AI in om taken zo snel mogelijk af te ronden, anderen laten AI een groot deel van het denkwerk overnemen. Volgens Martin ontbreekt het docenten bovendien aan een samenhangend kader om lerenden te begeleiden bij het gebruik van AI ten behoeve van hun leerproces.
Martin stelt dat de onderwijspsychologie, met decennia aan onderzoek naar hoe lerenden leren, een basis kan bieden voor wat hij “psychologisch geïnformeerd” AI-gebruik noemt (“psychology-informed”). Het gaat er volgens hem om dat je kijkt hoe AI de lerende beter in staat kan stellen een taak zelf uit te voeren. Bij een toetsvoorbereiding betekent dat bijvoorbeeld niet dat een AI-tool kant-en-klare antwoorden aanlevert, maar dat AI helpt bestaande kennis in kaart te brengen, stof in behapbare delen op te splitsen, te oefenen en feedback te geven, waarna de lerende zelfstandig voorbeeldvragen maakt.
In zijn bijdrage werkt Martin de principes van load reduction instruction (LRI) uit. Dat is een benadering van instructie gericht op het verminderen van onnodige cognitieve belasting tijdens het leren. LRI is oorspronkelijk ontwikkeld als kader voor docenten. De vijf onderliggende principes zijn volgens Martin echter ook bruikbaar als leidraad voor lerenden die met AI werken.
Het eerste principe is ‘complexiteitsreductie’ en houdt in dat nieuwe stof wordt aangeboden op een niveau dat aansluit bij de bestaande kennis van de lerende. AI kan hierbij eerst peilen wat de lerende al weet over een onderwerp en op basis daarvan de stof opdelen in kleinere onderdelen, om te beginnen bij wat de lerende al aankan. Het tweede principe is het lastig te vertalen principe ‘scaffolding’: de lerende vraagt niet om een kant-en-klaar antwoord, maar om hints, uitleg of stapsgewijze begeleiding. AI kan de lerende dan eerst laten benoemen wat de volgende stap zou moeten zijn, voordat de tool zelf met een aanwijzing komt. Dat zorgt ervoor dat de lerende zelf blijft nadenken en handelen. Het derde principe is dan ‘oefening’: de AI-applicatie genereert meerdere oefenvragen, oplopend in moeilijkheidsgraad, waarbij de lerende expliciet eerst zelf moet antwoorden voordat de AI-tool met uitleg komt. Ook kan de AI-tool eerst één uitgewerkt voorbeeld laten zien en daarna een vergelijkbaar probleem voorleggen. Het vierde principe is ‘feedback en feedforward’ en betreft het beoordelen van wat de lerende al goed doet, het benoemen van een of twee verbeterpunten, en het aangeven waar de lerende vervolgens aan kan werken. Dit principe richt zich het verbeteren van eigen werk, niet op het overnemen ervan door ‘AI’. Het vijfde principe, ‘zelfstandigheid’, markeert dan het punt waarop te veel structuur juist onderwijskundig ongunstig wordt. De lerende geeft dan aan de basis te beheersen en vraagt om een nieuw, onafhankelijk op te lossen probleem zonder scaffolding, gevolgd door een reflectieopdracht. Martin benadrukt dat succesvol AI-ondersteund leren niet per se tot meer afhankelijkheid van AI hoeft te leiden; meestal zou het tegenovergestelde het geval moeten zijn.
Om deze vijf principes praktisch toepasbaar te maken, is de GenAI Motivation and Learning Buddy ontwikkeld. Dat is een vrij toegankelijke bibliotheek met promptscripts die aansluiten bij de LRI-principes. De scripts zijn bedoeld voor gebruik met veelgebruikte AI-tools zoals Claude, ChatGPT, Copilot en Gemini, en positioneren ‘AI’ expliciet als samenwerkingspartner bij het leren en niet als ‘uitvoerder’ van de taak. De bibliotheek bevat vijf promptscripts, één per LRI-principe, die de lerende in gestructureerde, zelfstandig te doorlopen stappen door het leerproces leiden. Elk script bevat een uitleg van het betreffende principe, praktische leerstrategieën, voorbeelden en oefeningen, aanmoediging bij tegenslag, en een reflectiemoment voor vervolgleren. Daarnaast bevatten de scripts expliciete waarborgen die moeten voorkomen dat AI simpelweg het antwoord geeft in plaats van de lerende daarnaartoe te begeleiden. Net als menig ander auteur over dit onderwerp merkt Martin daarbij op dat ‘AI’ docenten niet vervangt: AI kan onnauwkeurige of ongepaste antwoorden geven, en zeker bij jongere lerenden blijft begeleiding door een docent nodig.
Mijn opmerkingen
Er is inmiddels veel geschreven -ook op mijn weblog- over (nuttig) cognitief ontlasten in plaats van cognitief uitbesteden. Het eerste helpt het leren, het tweede belemmert het leren. Het mooie van Martin’s bijdrage is dat hij concreet laat zien hoe je ‘load reduction instruction’ kunt toepassen om te faciliteren dat AI-tools bijdragen aan (nuttige) cognitief ontlasten.
Ik vraag me wel af of Andrew Martin niet te veel uitgaat van gemotiveerde lerenden die bereid zijn de omweg via scaffolding en oefening te nemen, terwijl het aantrekkelijke van AI voor veel lerenden juist de kortere weg naar een antwoord is. Natuurlijk moeten we investeren in lerenden bewust maken van effectieve leerstrategieën, en het belang van leren voor de langere termijn (in plaats van het korte termijn resultaat). Het gaat m.i. echter ook om het aanpassen van curricula en manieren van beoordelen: meer nadruk op het waarderen van het proces van leren.
Daar komt bij dat de promptscripts van de ‘GenAI Buddy’ weliswaar waarborgen bevatten, maar dat een lerende die net zo makkelijk kan omzeilen door net iets anders te vragen. Of door het script aan te passen (of niet te gebruiken, zoals dat ook bij een AI-tutor het geval kan zijn). Ik ben dan ook voorstander van specifiek voor leren, opleiden en onderwijs ontwikkelde AI-tools. Als voorkomt de beschikbaarheid van deze tools ook niet dat lerenden makkelijk een uitstapje maken naar de publiek beschikbare large language modellen.
Er is al met al een bredere onderwijskundige aanpak nodig, waar specifiek voor leren ontwikkelde AI-applicaties maar een klein onderdeel van zijn.
Mijn bronnen over (generatieve) artificiële intelligentie
Deze pagina bevat al mijn bijdragen over (generatieve) artificiële intelligentie.
De kern van psychology-informed AI-gebruik, zoals Andrew Martin die schetst, is dat de tool de leerbelasting verlaagt zonder het denkwerk over te nemen. Load reduction instruction helpt alleen als de leerling daarna nog zelf moet vergelijken, uitleggen en corrigeren. In de praktijk zie ik drie valkuilen.
Ten eerste geven veel leerlingen de opdracht letterlijk aan een chatbot en leveren het antwoord in. Dat voelt efficiënt, maar het werkgeheugen wordt niet belast met de stof zelf. Een betere afspraak is: AI mag een tussenstap maken (een schema, een tegenvoorbeeld, een foutenlijst), en de leerling schrijft daarna in eigen woorden wat daarvan klopt.
Ten tweede blijft beeld vaak buiten beeld, terwijl juist visualisatie het mentale model toetst. Fotorealistische beeldgeneratie, in Chinese communities vaak ai生图 genoemd, laat zien of een beschrijving precies genoeg is. Een bruikbare uitleg van die workflow, inclusief licht, materiaal en compositie, staat op https://photorealistic-ai.com/zh . In de les leg je zo’n gegenereerd beeld naast een foto en vraag je: welk detail is verzonnen, en welke kennis had je nodig om dat te zien?
Ten derde hoort nabespreking bij de opdracht, niet ernaast. Laat leerlingen noteren welk model ze gebruikten, welke prompt ze schrapten, en welke fout de AI maakte. Dat sluit aan bij load reduction: je haalt ruis weg, maar je houdt de beoordeling bij de lerende. Zonder die laatste stap wordt AI een shortcut naar het antwoord in plaats van een steiger voor het leerproces.