Auteur: Mischa Beckers, Lector Data Science, HZ University of Applied Sciences
Bestuurslid Lectorenplatform PRIO, portefeuille Responsible Application of Data & AI
“AI in het onderwijs” was het thema van een van de rondetafelgesprekken voor docenten tijdens het Teachers & Staff Event. De wereld verandert, maar verandert het onderwijs wel mee? Het uitgangspunt bij deze sessie was dat we niet de diepte ingingen over definities van AI, maar de nadruk legden op de inzet van AI in het onderwijs. Als basis voor het gesprek fungeerde een set vragen die opgesteld waren door Esther van der Stappen (Lector Digitale Didactiek, Avans Hogeschool).
Aan dit rondetafelgesprek dat ik modereerde namen 13 docenten van zes hogescholen deel. Bij een korte kennismaking bleek dat het gebruik van AI in het onderwijs door de deelnemers nog beperkt is. Waar het al gebruikt wordt is het Generative AI en veelal de meest bekende toepassing daarvan, namelijk ChatGPT. Vanzelfsprekend zijn AI, Data Science, Machine Learning etc. wel onderdeel van diverse curricula. Ofwel, er wordt wel veel AI ontwikkeld, maar daarbij is de inzet van AI-tools minimaal. Een van de aanwezige onderwijsinstellingen gaf aan druk te experimenteren met een eigen AI-model om studenten feedback te kunnen geven. Bij datzelfde instituut is er een werkgroep die in kaart brengt hoe AI in het onderwijs instellingsbreed ingezet kan worden.
Na deze snelle inventarisatie concentreerden we ons op vragen over drie samenhangende thema’s. Allereerst de vraag welke (opleidings)doelen relevant blijven in tijden van AI. Om tot daar te komen ging het gesprek eerst over vereiste kennis en met name vaardigheden. Communicatieve vaardigheden en kritisch kunnen denken kwamen al vlot naar voren als essentiële, te behouden vaardigheden. Die zijn namelijk nodig om zelf (!) een coherent verhaal te kunnen maken. Dat behelst eerst het uitdenken van dat verhaal en vervolgens mag je jezelf bij het uitwerken daarvan best laten helpen (door AI). Dit houdt verband met de wensen en behoeften van de klant/stakeholder en het zelf kunnen toetsen of wat er vervolgens aangeboden wordt (dus al dan niet hetgeen met behulp van AI uitgevoerd is), klopt. Dat betekent dat er eerst begrip nodig is van de inhoud van wat er aangeboden wordt aan de klant/stakeholder. In daarbij passend onderwijs bouwen studenten dus eerst begrip op (over softwareontwerpen en ontwikkelen) en mogen ze pas hulpmiddelen (AI) inzetten als voldoende basisbegrip aanwezig is. Op die manier kan de student motiveren/beargumenteren of wat aangeboden wordt ook daadwerkelijk klopt (aansluit op wensen en behoeften).
In termen van de pyramidemodel van Miller, dat de ontwikkeling van een student tot en met het niveau van beroepsbekwaam beschrijft, wordt know how dus steeds belangrijker. Op deze manier sluit het aan bij de complexe werkelijkheid van het werkveld. Dat werkveld kan op deze manier profiteren van de verantwoorde inzet van AI (als hulpmiddel) in de zoektocht naar efficiëntie en effectiviteit (meer produceren in dezelfde of kortere tijd). Een interessante kanttekening die gemaakt werd: weet het werkveld zelf wel hoe de wereld er over vijf jaar uitziet, ofwel welke vaardigheden belangrijk(er) worden? En, kunnen zij zich scenario’s voorstellen die we nu nauwelijks horen, zoals het vervallen van de behoefte aan onderhoudbare applicaties ten gunste van snel te ontwikkelen applicaties die compleet (snel) vervangen worden wanneer er nieuwe wensen (bij)komen etc. Immers, als dat soort scenario’s werkelijkheid worden, verandert het hele speelveld van leerdoelen/-uitkomsten rigoureuzer. Men was het er over eens dat voor de verantwoorde inzet van AI voor meer efficiëntie en effectiviteit een aanvullende vaardigheid belangrijk is, namelijk ethisch besef.
Als volgende thema kwam toetsing aan de orde en dan met name de toetsvorm waarin wel of niet een plaats is voor AI. De discussie startte met een aantal toetsvormen die passend zijn voor het toetsen van basiskennis en -vaardigheden. Diverse vormen van mondelinge toetsen en assessments kwamen voorbij, evenals de digitale toets in een gesloten omgeving (geen toegang tot internet of specifieke (AI-)applicaties). Om basisbegrip, aangevuld met het kunnen motiveren en beargumenteren van oplossingen te toetsen, vond men het peer assessment een goede toetsvorm. Student 1 kijkt het werk van student 2 na en levert daar een kritische reflectie op, en vice versa. Los hiervan bleek er nog wel discussie te voeren over wat überhaupt een goede toetsvorm is bij programmeeropdrachten. Zoals al bleek bij het bespreken van doelen (zie hierboven) is het belangrijk dat studenten een goede beheersing hebben van de soft of professional skills. De consensus was dat we deze niet los moeten toetsen, maar altijd in samenhang met een opdracht of in de context van een prakrijkgericht project.
Ten slotte stonden we stil bij wat er verandert aan het onderwijsontwerp en hoe we hiermee studenten kunnen stimuleren om moeite te willen blijven doen om diepgaand te leren. Het is belangrijk te beseffen dat studenten zoeken naar relevantie. Die blijkt uit echte opdrachten (praktijkcasuïstiek). Dat betekent niet alleen dat we de opdrachten van buiten moeten halen, maar dat we de studenten ook rechtstreeks moeten confronteren met die beroepspraktijk. Bijvoorbeeld door een product owner aan te stellen uit het werkveld. Immers, die stelt echte en gerichte(re) vragen. In relatie tot wat al eerder werd genoemd over soft en professional skills werd de vraag gesteld of studenten nog wel in staat zijn om goed te zoeken? Hebben ze daar de juiste vaardigheden en houding voor? Als ChatGPT alleen als zoekmachine wordt gebruikt, leidt dat tot inflatie van zoekvaardigheden. Immers, een slechte prompt levert een slecht resultaat. Om een passende en gerichte prompt te maken moet je rekening gehouden met veel aspecten (context). De relatie herkennen tussen de inhoud van de prompt en vervolgens met de inhoud van het antwoord is van essentieel belang (kritische houding).
Natuurlijk kwam de vraag voorbij welke AI wel als hulpmiddel mag worden ingezet en welke niet. Het unaniem gegeven antwoord was dat je daar je vingers niet aan moet branden. Ofwel, maak daarvoor geen lijsten, want dat is nooit toereikend of bij te houden en bovendien werken studenten daar toch wel omheen. De pragmatisch aangehangen oplossing was een richtlijn die stelt dat als de student AI inzet, die student moet vermelden dat er AI ingezet is, welke en waarom. Het is belangrijk(er) aan te geven wát je wilt dat de student bereikt (al dan niet met de inzet van AI), onafhankelijk van welke AI daarbij gebruikt is. Goede feedback is cruciaal in het leerproces. Daar ging het laatste deel van het gesprek over. Met als conclusie dat AI om studenten feedback te geven acceptabel is, mits het als hulpmiddel wordt ingezet voor de mens die uiteindelijk verantwoordelijk is voor het contact. Ook hier: maak richtlijnen en geef aan wat de meerwaarde en de beperkingen van AI in dit geval zijn.
75 minuten was kort voor een sessie met zo’n relatief complex onderwerp. Het was mooi om te zien dat er al snel een echt gesprek ontstond waarbij meerwaarde en valkuilen werden afgewogen, voorbeelden te over voorbij kwamen en waarbij men elkaar aanvulde of kritisch doorvroeg. Bij de nazit bleek een belangrijke conclusie: op veel instituten worstelen we met hetzelfde, maar er is veel consensus waar we naar toe moeten; elkaar daarvoor blijven opzoeken is nodig.
