Uit een verkennende literatuurstudie haalt zij vier voorlopige ontwerpprincipes naar voren: interactie, motivatie, controle en transparantie. Die principes gebruikt zij als basis voor twee AI-toepassingen die tot nu toe als mock-up zijn uitgewerkt: een systeem dat docenten ondersteunt bij het beoordelen of academische teksten door mensen of door AI zijn geschreven, en een toepassing die adolescenten helpt bij de Nederlandse werkwoordspelling.
Niet alleen automatiseren, maar leren ondersteunen
De aanleiding voor Simons onderzoek is een fundamentele spanning in het gebruik van AI in het onderwijs. Voorstanders wijzen erop dat AI routinetaken kan overnemen, zodat leerlingen en docenten zich kunnen richten op belangrijkere onderdelen van het leerproces. Een aanbevelingssysteem kan bijvoorbeeld oefeningen afstemmen op het niveau van een leerling. Een generatief AI-systeem kan helpen bij het formuleren van tekst, zodat leerlingen zich meer kunnen richten op structuur en argumentatie.
Critici wijzen juist op het risico dat AI taken overneemt die voor het leren zelf van belang zijn. Wanneer een systeem het leerpad volledig personaliseert, kan dat ten koste gaan van zelfregulatie en metacognitieve vaardigheden. Wanneer generatieve AI tekst vloeiend formuleert, kan de moeite verdwijnen die nodig is om tot dieper nadenken te komen.
Volgens Simon raakt die spanning aan een bredere kloof tussen de leerwetenschappen en het onderzoek naar AI in het onderwijs. In de leerwetenschappen is de aandacht verschoven van het overdragen van kennis naar onderwijs waarin leerlingen concepten actief, creatief en kritisch leren toepassen. Actief leren, betekenisvolle interactie en motivatie worden daarbij gezien als voorwaarden voor dieper begrip. In de ontwikkeling van AI voor het onderwijs zijn zulke leertheoretische inzichten volgens Simon echter vaak niet centraal gesteld. Systematische reviews laten volgens haar zien dat slechts een minderheid van de publicaties over AI in het onderwijs leertheorieën expliciet centraal zet.
Menselijke controle centraal
Om die kloof te verkleinen, sluit Simon aan bij mensgerichte AI. In die benadering staat niet de AI centraal met de mens als controleur, maar de mens met AI als hulpmiddel. Het gaat er dus niet alleen om hoeveel een systeem kan automatiseren, maar ook of de gebruiker controle houdt over beslissingen.
Omdat controle samenhangt met inzicht in wat een systeem doet, speelt transparantie een belangrijke rol. Simon gebruikt daarom verschillende vormen van uitlegbare AI. In de klassieke variant wordt een uitkomst van AI voorzien van een uitleg. Bij cognitive forcing krijgt de gebruiker pas een uitkomst of uitleg wanneer die daar actief om vraagt. Bij evaluatieve AI geeft het systeem geen direct oordeel, maar bewijs voor of tegen een hypothese.
Die laatste vorm is vooral relevant voor de eerste toepassing die Simon ontwikkelt: een systeem dat docenten helpt bij het beoordelen of een academische tekst door een mens is geschreven of met AI is gegenereerd. Het systeem moet niet simpelweg een label geven, omdat een binaire conclusie het risico op valse beschuldigingen vergroot. In plaats daarvan moet het aanwijzingen tonen die voor of tegen verschillende hypotheses spreken. Zo kan de docent het gesprek met de student voeren over het schrijfproces, zonder dat het systeem meteen een definitief oordeel velt.
Een hulpmiddel bij werkwoordspelling
De tweede toepassing richt zich op adolescenten die de Nederlandse werkwoordspelling leren. Dit systeem combineert een Open Learner Model met aanbevelingsalgoritmen. In zo’n model krijgen leerlingen inzicht in hun eigen vaardigheden en in onderdelen waarop zij nog kunnen oefenen. Het aanbevelingssysteem stemt vervolgens oefeningen af op het niveau van de leerling.
Simon wil deze toepassing ontwikkelen in aansluiting op het bestaande curriculum. Daarvoor begint zij met een focusgroep van docenten en experts in spellingonderwijs. Daarna volgen vroege bruikbaarheidstests en formatieve evaluaties met leerlingen. In latere experimenten wil zij verschillende vormen van uitlegbare AI vergelijken en onderzoeken of die verschillend uitpakken voor leerlingen met verschillende niveaus of verschillende leerontwikkeling.
Bij deze toepassing kijkt Simon niet alleen naar leerwinst. Zij wil ook onderzoeken wat het systeem doet met motivatie, betrokkenheid en het gevoel van eigen kunnen van leerlingen. Daarmee sluit de toepassing aan bij het bredere doel van haar promotieonderzoek: AI niet inzetten om het leerproces over te nemen, maar om effectieve leeromgevingen te ondersteunen.
Nog geen uitkomsten van de systematische review
Een deel van het promotieonderzoek bestaat uit een systematische review naar uitlegbare AI in het onderwijs. Daarmee wil Simon in kaart brengen hoe zulke systemen worden ontworpen, welke inzichten uit de leerwetenschappen daarin terugkomen en wanneer belanghebbenden bij het ontwerp worden betrokken. Op het moment van schrijven bevindt die review zich nog in de fase waarin volledige teksten worden beoordeeld. Voorlopige resultaten zijn er daarom nog niet.
Wel formuleert Simon op basis van de verkennende literatuurstudie vier ontwerpprincipes die voorlopig richting geven aan haar onderzoek. Interactie verwijst naar actieve samenwerking tussen mensen onderling of tussen mens en AI. Motivatie is nodig om leerlingen actief te laten deelnemen aan hun eigen leerproces. Controle staat centraal in mensgerichte AI, omdat de gebruiker niet door het systeem moet worden overvleugeld. Transparantie is nodig om die controle mogelijk te maken.
Simon presenteert deze principes nadrukkelijk niet als volledig of definitief. Ze dienen als werkdefinities die tijdens het promotietraject verder worden uitgewerkt. Voorlopig vormen ze volgens haar een bruikbaar uitgangspunt, juist omdat ze met elkaar samenhangen. Zonder motivatie zal een leerling minder snel actief deelnemen aan het eigen leerproces. Zonder transparantie wordt effectieve interactie met een AI-systeem moeilijker. En zonder controle dreigt AI taken over te nemen die voor het leren zelf van belang kunnen zijn.
Wat betekent dit in de praktijk?
Voor ontwerpers van onderwijs-AI laat dit promotieonderzoek zien dat automatisering niet los kan worden gezien van het leerproces zelf. Een systeem dat leerlingen of docenten werk uit handen neemt, moet tegelijk rekening houden met interactie, motivatie, controle en transparantie.
Voor docenten is vooral het voorbeeld van AI-detectie relevant. Simon verkent een systeem dat niet meteen een oordeel geeft over een tekst, maar bewijs aandraagt voor verschillende hypotheses. Daarmee blijft ruimte bestaan voor een gesprek met de student over het schrijfproces en het gebruik van generatieve AI.
Voor scholen en opleidingen wijst het onderzoek erop dat AI-toepassingen beter passen in de onderwijspraktijk wanneer docenten, leerlingen en experts vroeg in het ontwerpproces worden betrokken. Bij de toepassing voor Nederlandse werkwoordspelling gebeurt dat bijvoorbeeld via focusgroepen, bruikbaarheidstests en formatieve evaluaties.
Bron: Simon, M.-S. (2026). AI for active learners: Applying insights from the learning sciences and human-centered AI to educational contexts. In Proceedings of the 34th ACM Conference on User Modeling, Adaptation and Personalization (UMAP ’26), Gothenburg, Sweden. DOI: https://doi.org/10.1145/3774935.3803070
