Mijn favoriete onderdeel van lesgeven op de middelbare school was niet de beoordeling. Het was de chaos van het experimenteren.
Ik heb het boekverslag geschrapt. Dood bij aankomst. In plaats daarvan gebruikten de leerlingen grafische organisatoren, beperkt tot 100 woorden, voor multimodale antwoorden. Voor mondelinge verslagen gold een harde limiet van twee minuten. Als ik je betrapte op lezen tijdens SSR? Bonuspunten. Eenvoudig.
Testen? Breng uw aantekeningen mee. Mijn dia’s. Het leerboek. Iets.
Het kon me niet schelen of je datums herinnerde. Ik wilde zien of je kon synthetiseren, evalueren en analyseren.
In de twaalf jaar dat ik les geef, heb ik nooit één student gedwongen een opstel van vijf alinea’s te schrijven.
Waarom?
Ik ben een professionele schrijver voordat de meeste van deze AI-modellen werden geboren. Ik heb een hekel aan het formaat. Structuur is belangrijk. Maar structuur die alleen in een klaslokaal bestaat? Dat is tijdverspilling.
Onlangs hebben enkele Substack-schrijvers over AI in het onderwijs mijn interesse in design opnieuw aangewakkerd.
Ik heb een test gedaan.
Ik vroeg de grote LLM’s één ding: Wat maakt een opdracht gemakkelijk voor jou?
Ik wist het antwoord voordat ik het vroeg. Patroonherkenning.
Wij geven de technologie de schuld. Dat is lui.
Het probleem is niet dat AI te krachtig is.
Het probleem is dat we onze opdrachten zo hebben ontworpen dat ze voorspelbaar, procedureel en saai automatiseerbaar zijn.
De industrie weet dit: als je het kunt automatiseren, wordt het geautomatiseerd. Onderwijs komt net te laat op het feest.
Waar de Formule AI van houdt
We zijn geen AI-vriendelijke taken tegengekomen. Wij hebben ze gebouwd.
LLM’s gedijen op structuur. Geen inzicht. Geen levenservaring. Structuur.
Dit is wat de creativiteit van studenten doodt en AI voedt:
1. Stijve sjablonen
Het essay van vijf alinea’s is koning. Intro. Drie hoofdparagrafen. Conclusie. Wissel van onderwerp. De vorm blijft.
AI hoeft niet na te denken. Het vult gewoon de lege plekken in.
2. Duidelijke aanwijzingen
“Leg de watercyclus uit.”
“Lijst van de oorzaken van de revolutie.”
Dit zijn geen vragen. Het zijn zoekopdrachten.
Het model wijst de cue toe aan het opgeslagen antwoord. Het is voltooiing, geen creatie.
3. Ondiep denken
Samenvatten. Definiëren. Lijst.
Cognitieve wetenschappers noemen dit ‘oppervlakteniveau’. Het is waar de patroondichtheid het hoogst is. AI domineert het oppervlak. Het probeert nauwelijks diepte.
4. Controlelijst Rubrieken
Voeg drie voorbeelden toe.
Gebruik vijf woordenschatwoorden.
Nuttig? Ja.
Algoritmevriendelijk? Angstaanjagend dus.
LLM’s reverse-engineeren uw rubriek. Ze optimaliseren voor punten, niet voor betekenis.
5. Geen context
Wanneer een opdracht negeert wie de leerling werkelijk is, wordt het gedecontextualiseerde kennis.
Ik liet kinderen boeken koppelen aan tv-programma’s. Naar videogames. Op hun leven.
AI heeft geen leven. Wanneer de taak context mist, heeft AI geen nadeel tegen u.
De achterwaartse ontwerpval
Ironie? Onze beste raamwerken hebben dit mogelijk gemaakt.
Achterwaarts ontwerp begint met resultaten. Vervolgens bouw je de test.
Het is samenhangend. Het is netjes.
En het is verschrikkelijk om na te denken.
Wanneer je ‘succes’ te duidelijk definieert (scriptieverklaring, drie citaten, 800 woorden), schrijf je alleen maar een prompt voor een AI.
Ik heb het mijn nichtjes zien doen. Het eerste wat ze doen? Kopieer en plak de instructies en de rubriek in ChatGPT.
Conformiteit is gegarandeerd.
Een checklist is niet genoeg. Je hebt kwaliteitsindicatoren nodig. Je hebt domeinen op hoog niveau uit Bloom’s Taxonomie nodig. Niet alleen vakjes om te controleren.
Ja, nieuwe modellen bootsen synthese na. Ja, ze faken creativiteit.
Het maakt ontwerpen moeilijker. Het maakt het controleren eenvoudiger.
Waar AI struikelt
Verbrand je leerplan niet. Verander gewoon de variabelen.
AI worstelt met:
- Authentieke dubbelzinnigheid
- Lokale, specifieke context
- Zichtbaar proces
- Menselijk oordeel
- Originele synthese onder beperkingen
Beperkingen zijn cruciaal.
Met de gemeenteraad praten? Moeilijk.
Een podcast schrijven? Raar voor een LLM.
Conflicterende lokale gegevens gebruiken? Lastig.
Herzien op basis van haatmail van collega’s? Pijnlijk voor een bot.
Wanneer een taak van patroonuitvoering naar betekenisconstructie gaat, hapert de bot.
We hebben ‘productieve wrijving’ nodig.
Geen chaos.
Wrijving.
Collega’s van AI Friction Labs bouwen dit. Ze vervangen ‘behulpzame’ AI door weerstand. Socratische dialoog. Onderhandeling met belanghebbenden. Verdedig uw argument in realtime.
Ze beoordelen de gedachtegang, niet de pdf.
Projectmatig leren?
- Definieer de puinhoop.
- Zoek uit wat je niet weet.
- Test een oplossing.
- Mislukking. Herhalen.
Geen enkel sjabloon werkt hier. Geen ontsnappingsluik van vijf alinea’s.
Dus wat nu?
We stellen de verkeerde vraag.
Niet: “Hoe stoppen we met vals spelen?”
Maar “Waarom was deze opdracht zo gemakkelijk te vervalsen?”
Dat doet pijn. Het zou moeten.
Als een bot het binnen enkele seconden doet, hebben we dan het leerproces gemeten? Of maten we gehoorzaamheid aan een formule?
De taken die AI kapot maken, zijn de taken die het volgende vereisen:
- Nieuwe ideeën.
- Gespecialiseerde expertise.
- Geleefde ervaring die geen enkele dataset heeft.
Dit is geen crisis. Het is een filter.
Het laat ons zien waar onze opdrachten mislukten.
We moeten ervaringen ontwerpen die gesitueerd, iteratief, menselijk denken vereisen.
Dat soort dingen zijn nog steeds moeilijk voor hen.
Succes.
