Je medewerkers leveren ineens fantastische rapporten op met behulp van Copilot. Geweldig natuurlijk… tot je je realiseert dat ze het eigenlijk niet meer zelf kunnen….  De learning performance paradox. De oplossing is het ontwerpen van een goede AI oplossing die wel gericht is op leren.

Soms zie je een artikel waarvan je meteen denkt: oei dit is precies waar wij ook mee bezig zijn en waar ik naar op zoek was! Dat had ik bij het paper Building AI Companions that Prioritise Learning over Performance van Khosravi et al. Ik kwam het tegen via Philippa Hardman, die zowiezo interessant is om te volgen als je dat nog niet doet. En eerlijk gezegd: veel van de ideeën sluiten naadloos aan bij waar wij in ons boek Werkplekleren met AI al over schrijven. Maar de 3 vragen om jezelf te stellen bij elke AI oplossing zijn erg mooi! Vooral de derde benoem ik niet altijd expliciet.

 

Allereerst: de learning-performance paradox

Ik vind het toch mooi dat ze maar even een paradox in het leven roepen, al schijnt het woord al langer te bestaan.
The learning-performance paradox is the well-documented phenomenon whereby AI tools can enhance short-term task outputs while simultaneously undermining durable learning, including cognitive growth, knowledge transfer, and metacognitive development.
De term doet mij ook denken aan de learning zone versus de performance zone. Een learning mindset is gericht op groeien door te leren van fouten, terwijl een performance mindset draait om direct presteren en het behalen van resultaten. Een lab in een organisatie helpt bijvoorbeeld om meer in een learning mindset te komen. Wij noemen het in ons boek werken met AI. Dat zie je bijvoorbeeld wanneer iemand:
  • direct een samenvatting laat maken zonder zelf te lezen
  • code kopieert zonder te begrijpen wat er gebeurt
  • AI een advies laat schrijven zonder zelf analyse te doe

Hoewel zij vinden dat werken met AI prima is in een werkcontext, maar niet in het onderwijs denk ik dat dit onderscheid ook belangrijk is op de werkplek. In ons boek noemen wij dit werken met AI versus leren met AI. Zoals zij mooi samenvatten:

AI voor werk probeert cognitieve inspanning te verminderen.
AI voor leren moet cognitieve inspanning juist slim ondersteunen.

 
 

We hebben AI companions nodig met goede didactische onderbouwing

De belangrijkste stelling van het artikel is: de huidige taalmodellen (LLM’s ) zijn gebouwd voor productiviteit en werk en zijn dus onvoldoende als leertools. We hebben daarom “AI learning companions” nodig – als apart gebouwde tooling. Hier gaat het niet om gewone chatbots, of agents gebouwd als tutors, maar AI-systemen die expliciet ontworpen zijn voor leerprocessen als reflectie, zelfregulatie, retrieval, etc. Ze leggen ook uit wat hiervoor nodig is. En dat levert meteen de 3 vragen op die je jezelf moet stellen.
 
Wat is er nodig bij zo’n AI companion?
 
1. Een goede didactische onderbouwing
Denk aan deep learning, guided scaffolding, maar ook situated learning (leren als het ontwikkelen van je vakmanschap in communities en professionele identiteit). Een goede companion maakt daarom gebruik van real-world scenarios, reflecties en helpen bij het achterhalen van misvattingen.
 
2. De companion moet ook aansluiten bij de lerende en daarom kennis opbouwen over de lerende
Dit vind ik nu trouwens al de kracht van (de meeste) taalmodellen: het geheugen werkt goed en zeker binnen een chat kun je laten vragen naar voorkennis en dan sluit het model hierop aan. Dit kan nog sterker door aan te sluiten bij learning analytics en bijvoorbeeld Multimodal learning analytics (MMLA). De cyclus die ze hiervoor gebruiken is Capture, Model, Adapt en Evolve.
 
3. Ethisch ontwerp
Leren is hoogst persoonlijk en grijpt in op je leven. Verantwoord ontwerp is daarom geen bijzaak, maar een kernvereiste: de AI companions moeten lerenden beschermen tegen mogelijke schade. Ik denk zelf aan de emoties die bij reflectie naar boven kunnen komen of ook verkeerde informatie. Of denk aan een afhankelijkheid die ontstaat. Daarom moet er altijd nog een mens in de loop blijven. Denk ook aan transparantie. In dat opzicht vind ik het zelf ook altijd fijn als je bij een assistent de prompt kan zien die er achter zit. Daarnaast moet je ook iets met de ingebakken vooroordelen in taalmodellen.
 
Een mooi raamwerk!
 

Twee voorbeelden

Wat fijn is dat er vijf voorbeelden genoemd worden, zo krijg je een beter beeld van wat ze bedoelen met AI companion. Twee daarvan
 
1. Khanmigo, van de Khan Academy, waar je wiskunde en een aantal andere vakken kunt leren. Khanmigo is wel een bekend voorbeeld. Khanmigo is begonnen als een socratische tutor maar daar werden de leerlingen gek van om alleen maar vragen te krijgen. Daarna is het gemodelleerd op wiskunde tutoren. Ethisch ontwerp is heel belangrijk omdat het om minderjarigen gaan. Bij leerlingen in de klas zijn alle gesprekken zichtbaar voor hun leraar (en thuis voor ouders).
 
2. CodeHelp om te leren programmeren. Studenten kunnen codeer vragen stellen en krijgen dan hulp zonder dat de juiste code wordt gegeven, die moeten ze nog zelf verzinnen. Er zijn algemene tutoren en tutoren met een inhoudelijke focus. De didactische keuzes zijn het voorkomen van code antwoorden en daarmee actief leren stimulerend. De code query zorgt ervoor dat je kunt leren in een echt context met een programmeer opdracht uit de praktijk. Er is nog weinig sprake van adaptiviteit. Wel is het open source en is de code beschikbaar.
 
 

Drie vragen om jezelf te stellen bij je eigen ontwerp van een AI toepassing

Ik vind het een heel mooi en krachtig model. Ga je zelf aan het bouwen, dan wel een chatbot of prompt kun je deze 3 criteria heel mooi meenemen: welk didactisch model past? hoe zorg je dat het aansluit bij het niveau van je lerenden? en wat zijn de ethische vangrails?

  1. Welk didactisch model wil ik gebruiken en hoe zet ik dit erin?

Veel AI-oplossingen zijn technisch slim, maar didactisch nogal leeg. Denk daarom bewust na over de leerprincipes achter je ontwerp: wil je vooral reflectie stimuleren, retrieval practice inzetten, leren in de praktijk ondersteunen of juist scaffolding bieden? De keuzes die je maakt bepalen of AI vooral antwoorden geeft, of echt helpt om te leren. Zorg dat dit dus in de achterliggende prompt en instructies verwerkt is.

  1. Past het bij het niveau en de context van de lerende? Hoe zorg ik dat het bij elke lerende aansluit?

Een beginner heeft iets anders nodig dan een expert. Goede AI sluit daarom aan bij voorkennis, werkcontext en leerdoelen van de gebruiker. Dat vraagt niet alleen personalisatie, maar ook het vermogen om vragen te stellen, mee te bewegen en soms juist minder hulp te geven.

  1. Welke ethische vragen spelen er? Welke menselijke begeleiding blijft nodig?

AI in leerprocessen raakt al snel aan vertrouwen, afhankelijkheid en beoordeling. Hoe voorkom je hallucinaties, vooroordelen of ongewenste sturing? En minstens zo belangrijk: waar blijft menselijke begeleiding noodzakelijk, bijvoorbeeld bij feedback, reflectie of emotioneel beladen leerprocessen?

 

 

Wat neem ik mee? Leren met AI kan ook ongemakkelijk zijn

 
Ik ben het niet helemaal eens dat de huidige taalmodellen zijn gebouwd voor werk. Ze zijn ontworpen om nieuwe teksten, afbeeldingen en video’s te maken, vanuit onze prompts en niet per se in de context van werk. Je kunt taalmodellen juist ook heel krachtig inzetten voor leren, juist leren is ook erg talig, denk aan learning by conversations. Dus daar kun je ook prima taalmodellen voor gebruiken. Wel zit je met het hallucineren en bias.

Ook grappig vind ik dat de studenten bij defensie van het voorbeeld van Erik in ’t Veld uit ons boek dezelfde reactie hadden als de studenten van Khanmigo. Erik: ‘Ik ontwikkelde een chatbot die fungeert als een virtuele opleider binnen één van de opleidingen die wij verzorgen. De bot ondersteunt de lerenden op het moment dat ze zelfstandig in de elektronische leeromgeving aan het leren zijn. Hij geeft geen antwoorden, maar helpt je vinden waar je het antwoord zelf kunt vinden, want dat moet je in het echte werk ook kunnen. Het is bewust geen informatie bot.’ De studenten van Erik vonden ook dat de assistent maar eens antwoord moest geven in plaats van alleen vragen stellen. Dus er is wel een verwachting die we moeten managen bij AI companions.

Misschien is dat wel de grootste uitdaging van AI in leren: we verwachten een assistent die het werk makkelijker maakt, terwijl goed leren soms juist betekent dat het ongemakkelijk mag zijn. In Werkplekleren met AI onderzoeken we precies dat spanningsveld tussen presteren en leren.

 
 
 

 

Hoe ontwerp je AI-oplossingen die ook écht bijdragen aan leren? In de leergang Ontwerp een sterke blend gaan we aan de slag met dit model. Je leert hoe je didactische keuzes maakt bij het inzetten van AI, hoe je aansluit bij de praktijk van lerenden én welke ethische afwegingen daarbij horen. Start in september

 
 
 
Meer informatie over de leergang