ÀÖÓãºǫ́

GenAI verandert veel in het onderwijs: het verandert hoe we leren en wat we leren. En het gebruik is niet gering; volgens de laatste surveys maakt op dit moment zo’n 65% van de studenten gebruik van AI tools. Onderwijskundig adviseur Laura Koenders gelooft dat het gebruik van AI door studenten onverminderd groot zal blijven. In dit artikel onderzoekt ze of en hoe studenten leren van het gebruik van genAI, en hoe we ervoor kunnen zorgen dat AI gebruik bijdraagt aan het leren.

·¡´Ú´Ú¾±³¦¾±Ã«²Ô³Ù¾±±ð³Ù´Ç´Ç±ô

Studenten gebruiken AI tools in groten getale en op allerlei manieren (Chung et al., 2024).  Binnen het schrijfproces kan genAI bijvoorbeeld ingezet worden als ‘interviewer’ of als ‘redacteur’, voor zowel de grote lijnen als kleinere tekstuele aanpassingen. Als het gaat om het schrijven van artikelen kan het gebruiken van genAI dan ook erg efficiënt zijn.

Dit is ook precies waar de Large Language Modellen erg goed in zijn: genAI is een eindeloze, onvermoeibare sparringpartner met toegang tot een gigantische bibliotheek met daarin eindeloze voorbeelden, nuances, synoniemen, etc. Natuurlijk, er zijn veel bezwaren om genAI in te zetten in het onderwijs (en daarbuiten). Van de focus van de ‘wereldbibliotheek’ op de westerse wereld, tot de ecologische voetafdruk en het energiegebruik van een LLM, tot de problemen met copyright en de ondemocratische invloed van de edtech in het sociaal domein (waaronder het onderwijs) - dit is allemaal ontegenzeggelijk waar. Zie hiervoor ook dit artikel. Al deze bezwaren zijn relevant en kunnen reden zijn om genAI niet te gebruiken binnen je vak of voor je eigen werkzaamheden. 

GenAI is een efficiëntietool, en verheft ‘efficiëntie’ dan ook als het hoogst haalbare

En toch is het verleidelijk om genAI in te zetten. Het is tijdbesparend, en de output is indrukwekkend. Het is dan ook geen wonder dat studenten de tool weten te vinden en ondanks alle bezwaren ‘en masse’ adopteren. Volgens de laatste surveys maakt op dit moment zo’n 65% van de studenten er gebruik van (Deschenes and McMahon, 2024; Chung et al., 2024), wat een snelle adoptie van deze technologie laat zien aangezien deze tools pas sinds november 2022 op grote schaal beschikbaar zijn.

Leren studenten van het gebruik van large language models?

Als studenten large language models gebruiken is een belangrijke vraag: leren ze wat van dit gebruik? We hebben gezien dat het delegeren van taken aan genAI ontzettend tijdsefficiënt kan zijn. Maar, om hier Ethan Mollick te quoten: "In general, I am in favor of delegating tasks to AI, but education is different - the effort is the point." (Mollick, 2024. Blogpost ‘post-apocalyptic education’).

Er is inmiddels veel onderzoek geweest naar de effecten van genAI op het leren, en de eerste meta-analyse is recentelijk verschenen (Deng, 2024). De auteurs concluderen veel verschillende zaken. Ten eerste blijken studenten die ChatGPT gebruiken meer gemotiveerd te zijn om complexe taken af te ronden. Ten tweede hoeven ze minder mentale inspanning te leveren. Ten derde: het blijkt dat bij studenten die ChatGPT gebruiken de academische prestaties verbeteren, en dat studenten beter kritisch en analytisch gaan denken van ChatGPT gebruik. Dit klinkt dus fantastisch! Maar helaas is die conclusie niet zo snel te trekken. 

Om te beginnen bij de academische prestaties: in veel studies binnen de meta-analyse van Deng et al. (2024) wordt de academische prestatie afgelezen aan de kwaliteit van een product dat de studenten afleveren (bijvoorbeeld geschreven product). Echter, bij een deel van de studies is ChatGPT gebruikt bij deze meting. Dat betekent dat de studenten wel een verbeterd (of beter) product hebben afgeleverd, maar dit zegt niets over de prestatie van studenten en of ze daadwerkelijk iets geleerd hebben. Performing is niet hetzelfde als learning. Met andere woorden: je weet niet zeker of de student beter is geworden in de academische vaardigheid, of dat de verbetering komt doordat chatGPT iets goed kan. Bovendien is de bevinding dat studenten beter kritisch en analytisch denken gebaseerd op zelfrapportage, en helaas kunnen mensen niet zo goed van zichzelf inschatten hoe kritisch of analytisch ze zijn.

Cognitive offloading

De effecten van genAI op het leren vragen dus om meer onderzoek. Uiteraard is er wel meer over nagedacht, en zijn er pogingen gedaan om ‘het leren zelf’ beter in kaart te brengen. En, ondanks dat er nog niet zoveel empirisch bewijs is, zijn er wel zorgen. De belangrijkste zorg is dat genAI-gebruik leidt tot oppervlakkig leren en ‘mentale luiheid’ (Stadler, 2024; Chen, 2025). Dit zijn geen loze zorgen. Er zijn studies die laten zien dat genAI-gebruik negatief wordt geassocieerd met vaardigheden van kritisch denken. En dit effect wordt gemedieerd door cognitive offloading (Gerlich, 2025). 

Of AI positieve effecten op het leren heeft hangt af van het type gebruik

Cognitive offloading is het mechanisme achter deze ‘mentale luiheid’. Met andere woorden: het uitbesteden van cognitieve taken aan genAI. Dit is natuurlijk precies wat genAI aantrekkelijk maakt. Je hoeft niet meer na te denken over de juiste formulering en structuur van een tekst - dat doet genAI wel voor je! De tools zijn zo ontworpen dat dit heel verleidelijk is. 

Zelfs als genAI ingezet wordt als een tutor blijkt dat studenten er anders mee omgaan dan met een menselijke tutor - bij een genAI tutor stellen studenten meer operationele vragen, en zijn met pragmatische taak-gerichte activiteiten bezig. Bij een menselijke tutor zijn studenten meer pro-actief en evalueren ze de feedback beter (Chen, 2025). 

Vicieuze cirkel

Cognitive offloading mag, maar uiteraard niet bij de taken die belangrijk zijn voor het leren. Voor de belangrijke taken wil je dat studenten kritisch blijven denken, en zelf inzet tonen. Maar het feit dat genAI er is kan tot een interessante vicieuze cirkel leiden: hoe meer mensen genAI vertrouwen, hoe sneller ze taken uitbesteden, hoe minder ze kritisch denken, hoe meer ze genAI vertrouwen, en weer meer uitbesteden. En met een beetje pech ook de zaken die wel belangrijk zijn.

En daar komen we bij de crux die het lastig maakt en waar veel docenten tegen aan lopen. Of een tool (elke tool uiteraard) bijdraagt aan het leren hangt volledig af van hoe de tool wordt ingezet. En nou is het lastige van genAI tools dat ze zo zijn ontworpen dat het vreselijk verleidelijk is om ze 'verkeerd' te gebruiken. Ze praten zo vriendelijk terug, ze zijn zo behulpzaam - je hoeft het niet eens te vragen en je tekst wordt al herzien. 

Hoe ‘verleiden’ we studenten tot goed genAI gebruik?

Dus is de vraag waar elke docent en onderwijsontwikkelaar mee aan de slag moet: Hoe ‘verleiden’ we studenten tot goed genAI gebruik - gebruik dat bijdraagt aan het leren en ervoor zorgt dat studenten geen leermomenten missen?

Het is handig om allereerst te weten waar mensen van leren (Schneider & Preckel, 2017): we leren van herhaling, door kennis en vaardigheden te automatiseren (Sweller, 1988), door bekende stof op verschillende manieren te horen en gebruiken en daar telkens nieuwe en moeilijkere stof aan toe te voegen (Schneider & Preckel 2017; Rosenshine, 2012). We onderhouden en worden beter in vaardigheden door gericht te oefenen (Van Tartwijk, 2023), waarbij het helpt om goede feedback te krijgen op wat je al kunt en wat je nog kunt verbeteren (Hattie & Timperley, 2007). We blijven gemotiveerd om te leren door succeservaringen, door uitdagingen, en door samen te werken met anderen. Als genAI zo wordt ingezet zodat het hieraan bijdraagt, dan zal het bijdragen aan leren.

De belangrijkste boodschap van dit artikel is dan ook: zet genAI altijd doordacht in! Dit pleit er automatisch tegen om studenten zonder AI kennis ‘los te laten’ met de tool. 

Om AI goed doordacht in te kunnen zetten, is AI geletterdheid heel belangrijk. Het vergroten van kennis via professionalisering is hier een belangrijk voorbeeld van. Op deze manier worden docenten en studenten beter in staat gesteld om de juiste afwegingen te maken ten aanzien van het gebruik van genAI.

Auteur / contactpersoon

• 

  dr. Laura Koenders

  E-mail: l.koenders@uu.nl

  Telefoonnummer: 06 28 801 161

Bronnen

• Chen, Xianga, Zhou, Jia, Shanga, Xiny Li, Gasevic, Fan (2024). Unpacking help-seeking process through multimodal learning analytics: A comparative study of ChatGPT vs Human expert. Computers & Education. 
• Chung, J., Henderson, M., Pepperell, N., Slade, C., Liang, Y. (2024). Student perspectives on AI in Higher Education: Student Survey. Student Perspectives on AI in Higher Education Project. 
• Deng, Jiang, Yu, Lu, Liu (2025). Does ChatGPT enhance student learning? A systematic review and meta-analysis of experimental studies, Computers & Education, Volume 227, .
• Deschenes, A. & McMahon, M. (2024). A Survey on Student Use of Generative AI Chatbots for Academic Research. Evidence Based Library and Information Practice, 19(2), 2–22.
• Gerlich, M. (2025) AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. Societies, 15, 6.
• Hattie, J. and Timperley, H. (2007). The power of feedback. Review of Educational Research, 77(1),
• Risko, E.F., & Gilbert, S.J. (2016) Cognitive Offloading. Trends Cogn. Sci., 20, 676–688.
• Rosenshine, B. (2012). Principles of Instruction: Research-Based Strategies That All Teachers Should Know. American Educator, 36(1),12-19.
• Schneider, M., & Preckel, F. (2017). Variables Associated With Achievement in Higher Education :  A Systematic Review of Meta-Analyses, Psychological Bulletin, 143, 565-600.  
• Stadler, Bannert, Sailer (2024). Cognitive ease at a cost: LLMs reduce mental effort but compromise depth in student scientific inquiry, Computers in Human Behavior, Volume 160 .
• Sweller, J. (1988). Cognitive load during problem solving: effects on learning. Cognitive science, 12, 257–285.
• Van Tartwijk, J., van Dijk, E. E., Geertsema, J., Kluijtmans, M., & van der Schaaf, M. (2022). Teacher expertise and how it develops during teachers' professional lives. In R. J. Tierney, F. Rizvi, & K. Ercikan (Eds.), International Encyclopedia of Education: Fourth Edition (pp. 170-179). Elsevier. 

Publicatiedatum: maart 2025