AI kan een leerling namelijk beter laten presteren, terwijl die leerling ondertussen steeds minder zelf plant, controleert en beoordeelt wat hij doet. De auteurs, onder wie Inge Molenaar van de Radboud Universiteit, presenteren daarom een nieuw model voor leren met generatieve AI. Het artikel is een theoretische bijdrage waarin bestaand onderzoek wordt samengebracht. Het voorgestelde model moet nog systematisch worden getoetst.
Een goed antwoord is nog geen bewijs van leren
De kern van hun betoog is eenvoudig. Tot voor kort betekende een betere prestatie meestal ook dat iemand waarschijnlijk iets had geleerd. Een leerling die na veel oefenen betere wiskundesommen maakte of een betere tekst schreef, had doorgaans zelf kennis en vaardigheden opgebouwd.
Generatieve AI maakt die koppeling minder vanzelfsprekend. Een leerling kan een opdracht beter uitvoeren doordat de AI een plan maakt, informatie ordent, een tekst opstelt, code schrijft of een oplossing voorstelt. Het eindproduct kan daardoor veel beter worden zonder dat de leerling zelf dezelfde vooruitgang heeft geboekt. Zodra de AI wordt weggehaald, kan blijken dat de kennis of vaardigheid nauwelijks is gegroeid.
De auteurs noemen leren daarom pas duurzaam wanneer kennis, vaardigheden en het vermogen om het eigen leren te sturen ook overeind blijven als de ondersteuning van AI wordt verminderd of verdwijnt.
Niet alleen het denkwerk wordt uitbesteed
Dat leerlingen een deel van hun denkwerk aan hulpmiddelen overlaten, is op zichzelf niet nieuw en ook niet per definitie ongunstig. Een rekenmachine neemt rekenwerk over en een zoekmachine voorkomt dat iemand alles uit het hoofd hoeft te weten. Daardoor kan ruimte ontstaan voor moeilijker denkwerk.
Volgens de auteurs ontstaat er met generatieve AI echter een extra risico. Leerlingen kunnen niet alleen het werk zelf uitbesteden, maar ook de regie over hun denken.
Dan laat een leerling bijvoorbeeld niet alleen een tekst maken, maar vraagt hij AI ook welk onderwerp geschikt is, hoe de opdracht moet worden aangepakt, welke argumenten goed zijn, of het resultaat klopt en wat daarna de beste stap is. De leerling hoeft dan steeds minder zelf doelen te stellen, keuzes te maken, de voortgang te controleren en achteraf te beoordelen wat wel en niet heeft gewerkt. De auteurs noemen dat metacognitieve offloading: het uitbesteden van het sturen en controleren van het eigen denken.
Dat kan vooral gebeuren wanneer leerlingen een opdracht te moeilijk of weinig belangrijk vinden, nog weinig voorkennis hebben, niet goed weten welke aanpak werkt of onvoldoende kunnen beoordelen hoe betrouwbaar AI is. Ook succes kan het patroon versterken. Als AI steeds snel een goed ogend antwoord produceert, kunnen leerlingen ten onrechte het gevoel krijgen dat zij de stof zelf beheersen.
De leerling moet zelf aan het stuur blijven
Daar zetten de auteurs het tegenovergestelde tegenover: leerlingen moeten op belangrijke momenten juist weer zelf verantwoordelijk worden gemaakt voor hun keuzes. Zij noemen dat metacognitieve onloading.
Voor een docent betekent dat bijvoorbeeld dat een leerling vóór het gebruik van AI eerst zelf moet bedenken wat een goed antwoord zou moeten bevatten. Tijdens de opdracht kan de leerling worden gevraagd waar hij nog onzeker over is of hoe hij controleert of het antwoord klopt. Na afloop kan hij de redenering opnieuw moeten uitleggen zonder hulp van AI.
Die ondersteuning moet bovendien tijdelijk zijn. Naarmate leerlingen zelfstandiger worden, moeten aanwijzingen en controlevragen worden afgebouwd. Te veel ondersteuning kan volgens de auteurs namelijk hetzelfde probleem veroorzaken: als elke stap al voor een leerling wordt voorgestructureerd, hoeft die opnieuw nauwelijks zelf na te denken over zijn aanpak.
Vier manieren waarop leren en presteren uit elkaar kunnen lopen
In hun zogeheten SYNC-model zetten de onderzoekers leren en presteren daarom los van elkaar. Dat levert vier situaties op.
Een leerling kan weinig leren én zwak presteren, bijvoorbeeld doordat hij zonder voldoende kennis of begeleiding aan een moeilijke opdracht begint. Hij kan ook veel leren terwijl de zichtbare prestatie aanvankelijk minder hoog is: de leerling doet dan veel zelf, maakt fouten, krijgt gerichte begeleiding en ontwikkelt gaandeweg kennis en zelfstandigheid.
De derde situatie is volgens de auteurs juist bij generatieve AI belangrijk. Een leerling presteert uitstekend zolang AI beschikbaar is, maar leert weinig doordat de technologie veel van het denk- en controlewerk overneemt. De onderzoekers noemen dat autopilot performance: de leerling lijkt het te kunnen, maar de prestatie leunt sterk op AI.
De gewenste situatie is dat AI én de prestatie verbetert én het leren ondersteunt. Daarvoor moet duidelijk blijven welk werk de AI mag overnemen en waar de leerling zelf verantwoordelijk blijft voor doelen, controle, beoordeling en uiteindelijke beslissingen. De auteurs verwachten dat leerlingen die toestand gemakkelijker bereiken wanneer zij eerst voldoende kennis en zelfstandigheid hebben opgebouwd, in plaats van vanaf het begin vooral op AI te leunen.
Juist een overtuigend AI-antwoord kan riskant zijn
De auteurs waarschuwen daarbij voor vier eigenschappen van AI-antwoorden. Een soepel en overtuigend antwoord kan sneller betrouwbaar lijken dan het werkelijk is. AI kan bovendien geneigd zijn de gebruiker te bevestigen, waardoor tegengeluiden verdwijnen. Een strak opgebouwd antwoord kan twijfelachtige beweringen geloofwaardig laten klinken. En ook uitleg, bronvermeldingen of zichtbare tussenstappen kunnen ten onrechte de indruk geven dat een antwoord dus wel juist zal zijn.
Daarom pleiten de auteurs niet voor zo veel mogelijk AI-hulp, maar voor gerichte ondersteuning. Soms moet AI juist even niet meteen het volledige antwoord geven, maar een vraag terugstellen, een tegenargument geven of de leerling eerst zelf een keuze laten maken.
Het SYNC-model is voorlopig vooral een manier om anders naar AI in het onderwijs te kijken. De auteurs benadrukken zelf dat nog nauwelijks goede meetinstrumenten bestaan om vast te stellen wanneer leerlingen werkelijk de regie over hun denken aan AI overlaten. Ook moet nog worden onderzocht hoe het model uitpakt bij verschillende leeftijden, vakken en soorten opdrachten.
Wat betekent dit in de praktijk?
Voor leraren betekent dit dat een goed eindproduct niet vanzelf laat zien hoeveel een leerling heeft geleerd. Wanneer AI een groot deel van een opdracht kan uitvoeren, wordt het belangrijker om ook te kijken naar hoe een leerling plant, keuzes maakt, controleert en achteraf kan uitleggen wat hij heeft gedaan.
Bij opdrachten met AI kan ondersteuning zo worden ingericht dat leerlingen op belangrijke momenten zelf aan zet blijven. Zij kunnen bijvoorbeeld eerst een aanpak formuleren, een AI-antwoord beoordelen aan de hand van vooraf bepaalde criteria of na afloop zonder AI uitleggen hoe zij tot een conclusie zijn gekomen.
Voor scholen en ontwikkelaars is de boodschap dat meer AI-ondersteuning niet automatisch beter is. Volgens het model moet hulp geleidelijk worden aangepast en afgebouwd, zodat AI wel kan helpen bij het uitvoeren van taken zonder dat leerlingen het plannen, controleren en beoordelen van hun eigen werk volledig uit handen geven.
Bron: Fan, Y., Yan, L., Molenaar, I., Greiff, S. & Gašević, D. (2026). A Metacognitive Approach to Learning and Performance in Human-AI Interaction. Perspective paper.
