Samenvatting

Veel scholen maken gebruik van adaptieve leermiddelen in hun dagelijkse onderwijspraktijk. Adaptieve leermiddelen passen zich aan de behoefte van de leerling aan op basis van de antwoorden die hij geeft. Hierdoor krijgt de leerling lesstof en opdrachten aangeboden die passen bij zijn niveau. Door de inzet van adaptieve leermiddelen willen scholen beter in kunnen spelen op de individuele behoefte van leerlingen.

Er worden op dit moment 2 soorten kunstmatige intelligentie in adaptieve leermiddelen toegepast. Verreweg de meeste adaptieve leermiddelen zijn regelgebaseerde systemen. Deze vertonen intelligent gedrag dat van tevoren door een mens is bedacht en geprogrammeerd. Dit type wordt al een aantal jaar gebruikt op scholen, en hiervan weten we al redelijk goed wat wel en niet werkt.

Het andere type adaptieve leermiddel maakt gebruik van zelflerende artificial intelligence (AI). Het intelligent gedrag komt voort uit het destilleren van patronen door de AI op basis van gegevens. Dit type, dan wel niet gecombineerd met een regelgebaseerd systeem, komt nog niet veel voor in de onderwijspraktijk.

Doorontwikkeling van technologie

De verwachting is dat adaptieve leermiddelen doorontwikkelen en hun mogelijkheden en effectiviteit via de inzet van verschillende technologieën zullen vergroten. Zelflerende AI lijkt één van de belangrijkste technologieën om die belofte waar te maken. Door inzet van AI in adaptieve leermiddelen kan het onderwijs naar verwachting nog beter inspelen op de behoefte van een leerling.

Zover zijn we nog niet. We zien nog maar mondjesmaat leermiddelen waarin zelflerende AI wordt toegepast. We weten daarom nog weinig over de manier waarop het onderwijs deze technologie echt effectief kan inzetten. Dat wil niet zeggen dat het onderwijs op dit moment geen AI in het onderwijs moet willen inzetten. Door te experimenteren leren we namelijk wat wel en niet werkt. Maar dan wel met passende maatregelen en voorwaarden.

Wat leest u in dit artikel?

In dit artikel geven we een nuchtere blik op de ontwikkeling van AI in leermiddelen op dit moment. Om dit op overzichtelijke wijze te doen, doen we eerst een stapje terug.

We leggen eerst uit wat we onder AI verstaan en hoe we dit in leermiddelen terug zien. Vervolgens gaan we specifiek in op de huidige staat van ontwikkeling van AI en op vormen waar al voorzichtig zelflerende AI wordt ingezet. We sluiten af met de huidige beperkingen rondom de inzet van AI in het onderwijs en geven praktische tips voor scholen die met AI aan de slag willen.

Wat is artificial intelligence?

Artificial intelligence (AI) of kunstmatige intelligentie is het vermogen van computers om taken uit te voeren waarvoor mensen hun intelligentie inzetten. Denk daarbij aan waarnemen, herkennen, analyseren, redeneren, problemen oplossen, voorspellen en interacteren met de omgeving. Dit allemaal geïnspireerd door de manier waarop mensen hun zenuwstelsel en lichaam gebruiken om te voelen, leren, redeneren en actie te ondernemen, maar dan anders.

AI kan bijvoorbeeld veel meer data in korte tijd verwerken dan een mens. Door de toename in rekencapaciteit en de beschikbaarheid van enorme hoeveelheden data maakt AI nu een snelle ontwikkeling door. Data vormt namelijk de basis voor het trainen van algoritmes die AI mogelijk maken. Door deze grote en gevarieerde hoeveelheid gegevens te verwerken en te analyseren kunnen AI-systemen beter worden.

Schematische weergave van hoe kunstmatige intelligentie werkt: op basis van data werkt het algoritme van kunstmatige intelligentie aan verschillende verschijningsvormen
Data vormt de basis voor het trainen van algoritmes die AI mogelijk maken © Kennisnet

Adaptief leermiddel: verschil tussen regelgebaseerd systeem en zelflerende AI

Het grootste deel van de bestaande adaptieve leermiddelen zijn regelgebaseerde systemen. Dat wil zeggen dat het intelligente gedrag dat ze vertonen – ze kunnen hun gedrag aanpassen op basis van gegevens van eerdere leerlingen en opdrachten – vooraf is bedacht. Gegevens uit het leerproces spelen daarbij een rol, maar hoe het adaptief leermateriaal omgaat met die gegevens is van tevoren voorgeprogrammeerd.

Een adaptief leermiddel dat gebruik maakt van zelflerende AI om intelligent gedrag te vertonen, komt op een andere manier tot stand. Het intelligente gedrag komt voort uit het analyseren van grote hoeveelheden gegevens. Uit die analyse haalt de AI-toepassing zelf patronen voor het maken van een beslissing.

Neem het ontwikkelen van een schaakprogramma. Het is mogelijk om deze te programmeren met alle mogelijke strategieën, beslissingen en regels vooraf helemaal uitgedacht. Het eindproduct blijft dan qua mogelijkheden beperkt tot wat programmeurs weten over effectieve strategieën. En beperkt zich tot hoe goed zij dit weten te vertalen (lees: programmeren) in het programma. Maakt het systeem een foute beslissing, dan is dat terug te leiden tot een beslissing of een fout die een programmeur heeft gemaakt.

Bij een schaakprogramma dat gebruik maakt van zelflerende AI, bedenken programmeurs niet alle stappen van tevoren, maar zetten ze een model in dat in staat is om te leren van data om patronen te herkennen en daardoor te kunnen schaken. Ze voeden het bijvoorbeeld met een dataset die bestaat uit miljoenen schaakpartijen die mensen hebben gespeeld. Door het analyseren van al deze gegevens leert het systeem zelf wat effectieve strategieën en patronen zijn. Voor mensen is het onmogelijk om zoveel gegevens te analyseren, maar een zelflerend AI-programma kan dat wel.

Bij een schaakprogramma met zelflerende AI zetten programmeurs een model in dat patronen leert herkennen van data en daardoor kan schaken © iStock

Zowel regelgebaseerde als zelflerende AI systemen kunnen dus intelligent gedrag vertonen, maar de manier waarop verschilt. De ene vorm is daarbij niet beter dan de ander. Welke vorm het meest geschikt is, hangt af van de situatie en de toepassing. Voor het herkennen van gesproken tekst is bijvoorbeeld een vorm van zelflerende AI veel beter geschikt dan een regelgebaseerd systeem. Het controleren van de antwoorden van een multiple choice intaketoets om een beeld te krijgen van iemands voorkennis, zou weer prima met een regelgebaseerd systeem kunnen. Om een bepaald doel te bereiken kan overigens ook een combinatie van regelgebaseerd en zelflerend nodig zijn.

Hype Cycle: AI nog sterk in ontwikkeling

Een Hype Cycle brengt in kaart hoe een nieuwe technologie zich ontwikkelt van belofte tot geaccepteerd product. Het biedt een momentopname van de relatieve volwassenheid van technologie en het potentieel daarvan in de toekomst. Hieronder tonen we de Hype Cycle van huidig adaptief leermateriaal en van leermateriaal dat gebruik maakt van zelflerende AI.

Kennisnet plaatst adaptief leermateriaal dat gebruik maakt van zelflerende AI, in de Peak of Inflated expectations-fase © Kennisnet

Leermiddelen met zelflerende AI: peak of inflated expectations

Kennisnet plaatst adaptief leermateriaal dat gebruik maakt van zelflerende AI, in de peak of inflated expectations-fase. Dat wil zeggen dat er veel aandacht voor is, en dat de verwachtingen over wat deze technologie in het onderwijs kan betekenen heel hoog zijn. De technologie heeft de belofte in zich om nog beter in te kunnen springen op de individuele behoefte van een leerling.

Tegelijkertijd zijn er nog maar weinig instellingen en producten die er gebruik van maken. Er is dus weinig ervaring mee opgedaan in de praktijk: de verwachtingen zijn nog niet getoetst en zullen ook niet allemaal waargemaakt worden. Naarmate we meer ervaring opdoen met het gebruik van AI in het onderwijs, kunnen we onze verwachtingen over deze technologie bijstellen. Pas dan krijgen we een goed beeld van hoe we deze technologie effectief kunnen inzetten.

Regelgebaseerde adaptieve leermiddelen: through of disillusionment

Bestaande adaptieve leermiddelen, die meestal nog geen gebruik maken van zelflerende AI maar wel van gegevens uit het leerproces, zijn in hun ontwikkeling al een fase verder. In de zogenaamde trough of disillusionment wordt het kaf van het koren gescheiden. Dat klinkt als een negatieve fase, maar eigenlijk is het de meest leerzame. We weten nog zeker niet alles over effectieve inzet van adaptieve leermiddelen, maar we doen wel steeds meer ervaring op en leren daardoor wat wel werkt en wat niet werkt.

Regelgebaseerde adaptieve leermiddelen worden inmiddels vrij veel ingezet in het onderwijs. Ze hebben al enkele jaren van (door)ontwikkeling achter de rug en worden op een groot aantal scholen al gebruikt.

Er zijn verschillende soorten met verschillende doelstellingen. Zo zijn er adaptieve leermiddelen die onderdeel zijn van een (papieren) methode. Ook zien we adaptieve leermaterialen die niet bij een specifieke methode horen, maar deze wel kunnen aanvullen. Denk aan adaptieve leermiddelen die zich richten op een specifiek aspect van taal en rekenen. Ook zijn er adaptieve leermiddelen die eigen leerlijnen bevatten en die we los van de leerlijn van een methode kunnen gebruiken.

Door onderzoek weten we steeds beter wat regelgebaseerde adaptieve leermiddelen kunnen bieden en hoe we ze het beste in kunnen zetten in het onderwijs. De verwachting is dat zelflerende AI ook in deze bestaande leermiddelen een rol krijgt.

Waar wordt zelflerende AI al in adaptieve leermiddelen ingezet?

Zoals gezegd: het overgrote deel van adaptieve leermiddelen maakt op dit moment nog geen gebruik van zelflerende AI. De verwachting is ook niet dat adaptieve leermiddelen compleet veranderen qua werking en allemaal gebaseerd worden op zelflerende AI. Het hangt van het specifieke onderwijsdoel af of zelflerende AI voor een specifieke functionaliteit zal worden gebruikt. Waar zien we zelflerende AI nu al wel terugkomen?

Spraakherkenning

Er zijn vroege toepassingen van adaptieve leermiddelen waarbij zelflerende AI wordt gebruikt voor het kunnen begrijpen en analyseren van gesproken teksten van leerlingen. Hiermee kunnen leerlingen ondersteund worden bij hun spraakontwikkeling. AI-technologie wordt hier dan gebruikt om de gesproken woorden te herkennen en eventueel om te zetten naar tekst. De technologie wordt hier dus ingezet voor een heel specifieke taak binnen de context van een specifiek vak.

Advies op het gebied van interventies

Ook zien we een aantal adaptieve leermiddelen die stellen dat hun adaptiviteit is gebaseerd op zelflerende AI. Een leermiddel maakt dan een keuze welke interventie – welke opdracht, welke uitleg, welke route – bij een bepaalde leerling het beste is op basis van wat deze heeft geleerd van onderwijsgegevens. Dit is qua functionele werking vergelijkbaar met regelgebaseerde systemen die we nu veel zien in leermiddelen, maar bevat in plaats daarvan zelflerende AI als basis. Deze toepassing zien we nog niet veel in de praktijk. Een voorbeeld waar dit al wel wordt toegepast, is in een systeem waarmee een schoolbestuur in België wil gaan werken.

Chatbots

Een andere toepassing van bestaande zelflerende AI in het onderwijs zijn chatbots. Dit zijn programma’s die interactie hebben met mensen via taal. Ze simuleren daardoor een intelligent menselijk gesprek.

Telefoon die wordt vastgehouden met op het scherm een gesprek zichtbaar met een chatbot. Op de achtergrond is een laptop te zien.
Voor een goed functionerende chatbot zijn 3 componenten noodzakelijk: AI die begrijpt wat de gebruiker zegt, een interface en een ontwerp van het verloop van een gesprek. © iStock

De populariteit van chatbots neemt toe doordat ze een laagdrempelige interface bieden die heel veel lijkt op messaging apps zoals bijvoorbeeld WhatsApp, waarin ze gebruik maken van natuurlijke taal. De meeste chatbots werken met geschreven tekst, maar er komen ook steeds meer chatbots die functioneren met gesproken tekst.

Binnen de context van adaptieve leermiddelen zien we chatbots waar leerlingen vragen kunnen stellen over de lesstof. De chatbot kan de vraag herkennen en dan een antwoord geven aan leerlingen. Ook zien we chatbots die via het stellen van vragen aan de leerling een beeld proberen te vormen van de mate waarin een leerling bepaalde lesstof al begrijpt.

Meer weten over chatbots? Lees het artikel Alles over chatbots in het onderwijs.

Gespreksanalyse

We zien ook ontwikkelingen waarbij een AI-toepassing iemand kan ondersteunen in het geven van feedback. De AI analyseert dan op welke toon iemand feedback geeft en welke elementen van effectieve feedback hij gebruikt. Die krijgt daar dan weer een gepersonaliseerde terugkoppeling van terug. Dergelijke toepassingen zien we nog niet direct in het onderwijs, maar al wel in tools gericht op de professionele ontwikkeling van medewerkers. Zowel voor leerlingen als leraren zou dit ook interessant kunnen zijn.

Beperkingen en aandachtspunten van AI

Een AI die (het volledige takenpakket van) een leraar kan overnemen, dat zien we de komende decennia niet gebeuren. Ook AI-systemen die vakoverstijgend kunnen redeneren, om daarmee bijvoorbeeld de gehele leerlijn over alle vakken heen te kunnen personaliseren, zijn op korte- en middellange termijn niet te verwachten. Daarvoor zijn bijvoorbeeld gegevens nog te gefragmenteerd van elkaar opgeslagen. Bovendien zijn gegevens uit verschillende systemen en contexten ook niet zomaar vergelijkbaar met elkaar. AI zou daar iets in kunnen betekenen door de gegevens te combineren en te analyseren, en hier ongetwijfeld allerlei patronen in te vinden. Maar of de conclusies daarvan valide zijn, is de vraag en vraagt om verder onderzoek.

AI-toepassingen die alleen een specifieke taak of activiteit uitvoeren, zullen we de komende jaren wél steeds vaker zien, zoals ook blijkt uit eerder genoemde voorbeelden. Dit zijn toepassingen die heel specifieke en routinematige taken goed kunnen uitvoeren, zoals het omzetten van spraak naar tekst of het analyseren van rekenopdrachten. Dit noemen we ook wel taakspecifieke AI. Deze AI-toepassingen hebben niet het complete lerende vermogen van mensen.

We moeten in de praktijk nog veel leren over hoe we deze middelen goed en effectief kunnen inzetten. Welke effecten heeft het bijvoorbeeld op leerresultaten? En hoe kunnen we het goed integreren in de lespraktijk, zonder dat het afleidt? Andere aandachtspunten zijn de uitlegbaarheid van AI en de ethische vraagstukken die AI oproept.

AI als black box

Een beperking van taakspecifieke AI-toepassingen heeft betrekking op de uitlegbaarheid. We vergelijken zelflerende AI-systemen daarom soms ook wel met een black box: ze zijn in staat een bepaalde taak uit te voeren, maar de manier waarop is moeilijk of niet te doorgronden. Hoe kunnen we AI nou inzetten als we niet eens weten hoe de suggesties of conclusies ervan tot stand zijn gekomen?

Regelgebaseerde adaptieve leermiddelen hebben dit nadeel in principe niet. Deze kunnen in theorie goed uitleggen over hoe ze tot een beslissing kunnen komen. De gehele werking en logica van het systeem is namelijk bekend: die hebben de programmeurs zelf bedacht. Uiteraard is het bij regelgebaseerde systemen ook van belang om de vraag te stellen welke achterliggende informatie van belang is om de beslissing goed te kunnen wegen.

We zien op dit terrein ook veel ontwikkeling in zogenaamde uitlegbare AI. Hierbij probeert men inzicht te geven in de manier waarop een toepassing. die gebruik maakt van zelflerende AI, tot een conclusie of een advies komt. Daarnaast is het afhankelijk van de specifieke gebruikte technieken bij AI in hoeverre uitlegbaarheid makkelijk of moeilijk is. En er zijn best wel mogelijkheden om de werking van AI te kunnen evalueren, ook voor scholen.

Meer weten over uitlegbare AI in het onderwijs? Lees het artikel Artificial intelligence verantwoord inzetten: laat het algoritmen zichzelf uitleggen.

Ethische vraagstukken

Daarnaast wekt de inzet van AI in het onderwijs veel ethische vraagstukken op. Adaptieve leermaterialen maken nu al allerlei beslissingen zonder tussenkomst van een leraar. Is er nog wel een mogelijkheid straks om van het advies van een adaptief leermateriaal af te wijken? Wat als er verschillen van inzicht zijn tussen leraar en leermiddel? Wat doet de inzet van AI en het meten van leerlingen met de leerlingen zelf? Wat vinden wij een acceptabele manier waarop AI in het onderwijs kan worden ingezet? En wat vinden we van het verzamelen van gegevens van leerlingen, die zo belangrijk zijn om zelflerende AI effectief te laten zijn? Dergelijke vragen zijn van belang om over in gesprek te gaan.

Praktische tips waar u op moet letten als u met AI in leermiddelen aan de slag gaat

Het is absoluut interessant voor scholen om met adaptieve leermiddelen met AI aan de slag te gaan. Bijvoorbeeld om de mogelijkheden te ontdekken, wat de beperkingen zijn en om een beeld te vormen van hoe dit vanuit de visie op onderwijs een rol zou kunnen spelen.

Bedenk daarbij wel dat de technologie absoluut nog niet uitgekristalliseerd is, en er dus nog veel te leren is. We weten nog niet zoveel over de positieve, maar ook zeker niet over de negatieve effecten op onderwijskwaliteit. Dus het is goed om te beseffen dat grootschalige aankoop en implementatie, in het hart van het onderwijsproces, niet per se een goed idee is. In een kleinere, experimentele setting kan dit wel. Maar dan wel onder een aantal voorwaarden:

  1. Stimuleer het gesprek over de mogelijkheden van AI
    Op deze manier kan de school goed ervaren hoe AI in het onderwijs een bijdrage kan leveren. Formuleer duidelijke doelen en verwachtingen en betrek ook bewust ethische aspecten in het gesprek. Binnen de school zullen er allerlei beelden zijn over wat AI wel of niet zou moeten doen in het onderwijs. Deze kunnen informatief zijn om de kaders voor eventuele toekomstige pilots en experimenten te formuleren. U kunt ter ondersteuning van dit proces de publicatie ‘Waarden wegen – een ethisch perspectief op digitalisering in het onderwijs’ gebruiken.
  2. Experimenteer en evalueer
    Door in kleine settings AI-leermiddelen uit te proberen, kunt u kijken of deze wel of niet voldoen aan de verwachtingen. Stel de verwachtingen zo nodig bij. Evalueer ook de kaders: waren deze misschien te beperkend of kijken we er nu anders tegenaan gezien de ervaring?
  3. Ga in gesprek met leveranciers over welke rol AI nu eigenlijk speelt binnen een leermiddel
    Niet alle systemen die intelligent gedrag vertonen zijn ook daadwerkelijk zelflerende AI. Vraag door over hoe een systeem is opgebouwd, en waar en hoe het gebruikt wordt. Betrek leveranciers ook bij experimenten, zodat zij ook leren over wat effectief is in de praktijk.

Meer lezen

Wilt u meer lezen over artificial intelligence in het onderwijs?

Lees dan ook:

Deel deze pagina: Artificial intelligence in leermiddelen: een nuchtere blik op de stand van zaken

Delen
  • LinkedIn
  • Facebook
  • Twitter
  • E-mail