Cognitieve wetenschappers beschouwen leren, denken en gedrag steeds vaker als dynamische processen die voortdurend in beweging zijn, in plaats van als uitkomsten van één afzonderlijke oorzaak. Die verschuiving is mede mogelijk dankzij AI-technologie, die grote hoeveelheden gegevens over langere perioden kan analyseren en patronen blootlegt die voor het menselijk oog nauwelijks zichtbaar zijn.
De auteurs kozen voor een conceptuele bijdrage omdat traditionele, reductionistische modellen menselijk gedrag en cognitie volgens hen onvoldoende verklaren. Leren voltrekt zich op meerdere niveaus en tijdschalen tegelijk, van milliseconden bij neurale processen tot jaren bij gewoontevorming. Wang en collega’s willen laten zien hoe AI kan bijdragen aan een beter begrip van deze complexe en onderling verbonden processen. Hun artikel richt zich op drie domeinen waarin deze benadering volgens hen veelbelovend is: algemene cognitie, geestelijke gezondheid en onderwijs.
Theoretisch kader en voorbeelden
De onderzoekers presenteren geen empirisch onderzoek met eigen dataverzameling, maar synthetiseren bestaande ontwikkelingen binnen de cognitieve wetenschap. Zij beschrijven hoe AI drie functies kan vervullen: als simulator van denkprocessen, als schatter van onderliggende cognitieve dynamiek, of als combinatie van beide.
Voor het onderwijsdomein schetsen de onderzoekers hoe adaptieve leersystemen in theorie zouden kunnen functioneren. Op het niveau van de individuele leerling kan een systeem verschillende soorten fouten onderscheiden. Het kan bijvoorbeeld het verschil herkennen tussen een rekenfout en een conceptueel misverstand bij algebra. Op basis daarvan kan telkens opnieuw worden ingeschat welke onderdelen een leerling beheerst en waar extra ondersteuning nodig is.
Vervolgens kan het systeem voorstellen welke oefening logisch aansluit, hoe moeilijk die moet zijn en hoeveel herhaling wenselijk is. Het leerpad ligt dan niet vast voor alle leerlingen, maar past zich aan op basis van eerdere antwoorden. De auteurs benadrukken dat dit illustraties zijn van hoe dergelijke systemen zouden kunnen werken binnen de principes van complexe-systeemtheorie.
Op klasniveau beschrijven de onderzoekers onderwijs als een netwerk waarin docent, leerlingen en leerstof met elkaar verbonden zijn. Strategieën en misvattingen kunnen zich binnen zo’n netwerk verspreiden. Wanneer meerdere leerlingen dezelfde fout maken, kan dat worden gezien als een patroon binnen de groep, niet alleen als een individueel probleem. Deze netwerkbenadering maakt zichtbaar hoe leerprocessen elkaar beïnvloeden.
Vergelijking met andere domeinen
De auteurs onderbouwen hun betoog ook met voorbeelden uit de psychiatrie en de studie van algemene cognitie. In de geestelijke gezondheidszorg kunnen AI-systemen gegevens uit smartphones, wearables en andere digitale bronnen combineren om stemmingsschommelingen, terugvalrisico’s en behandelrespons te voorspellen. Slaappatronen, hartslagvariabiliteit, bewegingsgegevens en spraakkenmerken worden daarbij geanalyseerd om patronen te detecteren.
Binnen de studie van algemene cognitie beschrijven de onderzoekers hoe kleine neurale netwerken per deelnemer strategieën kunnen reconstrueren bij concrete taken. Bij besluitvorming kunnen deze modellen bijvoorbeeld zichtbaar maken hoe mensen verschillend reageren op winst en verlies, of hoe zij hun keuzes aanpassen na onverwachte uitkomsten.
Volgens de onderzoekers keren dezelfde principes van complexe systemen terug in alle drie de domeinen. Feedbacklussen, patronen die voortkomen uit interactie en processen die zich op meerdere niveaus tegelijk afspelen, spelen een rol bij stemmingsregulatie, leeraanpassing in klaslokalen en cognitieve strategieën bij individuele taken. Wat deze toepassingen verbindt, is niet het specifieke onderwerp, maar de manier van modelleren: het vastleggen van tijdsgevoelige en onderling afhankelijke processen.
Menselijke controle blijft essentieel
De wetenschappers maken nadrukkelijk duidelijk dat AI-systemen geen vervanging zijn van de docent. Menselijke controle blijft noodzakelijk. Aanbevelingen van een systeem moeten inzichtelijk zijn, zodat een docent kan beoordelen waarop een voorstel is gebaseerd. Ook moet zichtbaar zijn hoe zeker of onzeker een voorspelling is.
Daarnaast wijzen de auteurs op het risico dat een systeem in de ene school anders presteert dan in de andere. Modellen moeten daarom worden getest in verschillende contexten en zo nodig worden aangepast aan de lokale situatie. Ook moet worden nagegaan of bepaalde groepen leerlingen systematisch anders worden beoordeeld. De inzet van AI in het onderwijs vraagt volgens hen om zorgvuldige toetsing, transparantie en voortdurende menselijke betrokkenheid.
Uitdagingen en risico’s
De onderzoekers benoemen diverse uitdagingen bij de toepassing van AI in onderwijs en andere domeinen. Geavanceerde AI-systemen zijn in de praktijk moeilijk te vertrouwen omdat hun redenering vaak ondoorzichtig is en uitkomsten onbetrouwbaar kunnen blijken. Problemen zoals ongefundeerde antwoorden, overfitting op kleine datasets, beperkte gevoeligheid voor context, prestatieverschillen tussen populaties en systematische beoordelingsverschillen voor ondervertegenwoordigde groepen vormen serieuze belemmeringen.
Volgens het onderzoeksteam blokkeren deze problemen brede wetenschappelijke en onderwijskundige toepassing, waar uitlegbaarheid en verantwoordelijkheid essentieel zijn. Zij noemen verschillende oplossingsrichtingen: het baseren van gegenereerde uitkomsten op controleerbare bronnen, het koppelen van complexe modellen aan beter uitlegbare vereenvoudigingen, het testen van modellen in uiteenlopende contexten, het analyseren van prestaties per subgroep en het waarborgen van menselijke betrokkenheid bij elke voorspelling of aanbeveling.
Ook privacy, beveiliging en governance zijn volgens de auteurs cruciaal bij het gebruik van gedetailleerde, langdurige gegevens uit wearables en digitale registraties. Traditionele toestemmingsregelingen schieten volgens hen tekort bij de schaal en reikwijdte van moderne AI. Naast anonimisering en veilige opslag is een bestuursstructuur nodig die controle verdeelt, ontwerpkeuzes afstemt op waarden van betrokkenen en prestaties controleerbaar maakt.
Verder benadrukken zij het belang van participatieve ethische kaders, controles op rechtvaardigheid en transparante vormen van menselijk toezicht en noemen zij duurzame implementatie als voorwaarde: AI-oplossingen moeten uitvoerbaar zijn in verschillende contexten en professionals ondersteunen in plaats van vervangen.
Conclusie en perspectief
De onderzoekers concluderen dat AI en complexe-systeemtheorie de cognitieve wetenschap transformeren door de verschuiving van reductionistische naar holistische modellen.
Door AI te combineren met complexe-systeemdenken ontstaat volgens de auteurs een onderzoeksrichting die nieuwe inzichten kan opleveren in leren, geheugen en geestelijke gezondheid. Zij beschouwen dit als het begin van een nieuwe fase waarin cognitie wordt begrepen als het resultaat van samenwerkende componenten, in plaats van als het product van geïsoleerde oorzaken.
Wat betekent dit in de praktijk?
Voor docenten in het primair en voortgezet onderwijs laat dit artikel zien hoe educatieve AI past binnen een bredere systeembenadering van leren. De auteurs schetsen adaptieve leersystemen als illustratie, maar benadrukken dat inzet alleen verantwoord is als aanbevelingen uitlegbaar zijn, onzekerheid zichtbaar is en de docent de regie houdt.
Voor leerlingen betekent deze benadering dat onderwijs in theorie beter kan aansluiten bij hun actuele beheersing, doordat systemen per antwoord opnieuw kunnen inschatten waar extra oefening nodig is. De auteurs maken wel duidelijk dat concrete effecten afhangen van verdere toetsing in verschillende schoolcontexten.
Voor schoolleiders en beleidsmakers onderstreept het artikel dat implementatie vraagt om testen in de eigen context, controle op verschillen tussen leerlinggroepen en heldere afspraken over privacy, beveiliging en governance bij langdurige data over leerprocessen.
Bron: Wang, P., Sun, X., Zou, L., Lai-Chong Law, E. & Paas, F. (2026). AI-driven complex systems redefine cognitive science, The Innovation. DOI: https://doi.org/10.1016/j.xinn.2026.101314
