De recente discussies over artificiële intelligentie (AI) in het hoger onderwijs draaien vaak om kansen, uitdagingen en mogelijke valkuilen. Dat is terecht, maar de analyse kan scherp worden als we de vraag verschuiven: niet alleen “hoe gebruiken studenten AI?”, maar “welke aannames over kennis, autonomie en beoordeling worden zichtbaar wanneer AI deel uitmaakt van het leerproces?” AI fungeert dan niet slechts als tool, maar als institutionele spiegel.
Een eerste kans is dat AI laagdrempelige oefenvelden biedt. Studenten kunnen een argumentatie uitwerken, kritisch lezen of een tekst in een andere taal structureren vóórdat ze een eindproduct indienen. Daarmee kan AI bijdragen aan een cultuur van iteratief leren: fouten worden minder punitief en meer een onderdeel van cognitieve ontwikkeling.
Een tweede kans is dat AI de onzichtbare aannames in opdrachten blootlegt. Als een taak te goed of te slecht door een taalmodel kan worden opgelost, dwingt het docenten om na te denken over wat de leerdoelstelling werkelijk inhoudt: reproduceren, analyseren, oordelen of handelen in context? Hierdoor kan AI een impuls zijn voor betere opdrachtontwerp.
| Kans | Uitdaging | Valkuil |
|---|---|---|
| Persoonlijke feedback en oefening | Ongelijke toegang en digitale ongelijkheid | Verwarring tussen vlotte tekstproductie en begrip |
| Zichtbare aannames in toetsen | Gouvernance van data, leveranciersafhankelijkheid | Een binaire AI-vrije aanpak |
| Ruimte voor ethische reflectie over AI | Docentenwerkdruk en professionele vorming | Automatische beoordeling als zwarte doos |
Toch verdient de uitdaging van beoordelingsintegriteit een genuanceerde lezing. Een strategie die zich puur richt op detectie, kan averechts werken: het plaatst de institutionele verantwoordelijkheid bij studenten en verbergt structurele vragen over hoe we competentie aantonen. In plaats daarvan is een helder gebruiksbeleid nodig dat per leergang onderscheid maakt tussen wat mag, wat niet mag en waarom.
Een AI-vrije toets zegt weinig over kennis; een goed ontworpen opdracht die menselijk oordeelsvermogen vraagt, zegt meer.
De belangrijkste valkuil is de illusie van neutraliteit. Modellen zijn getraind op bestaande teksten en reflecteren culturele, taalkundige en institutionele onevenwichten. Wie hun output onverkort accepteert, kan ongemerkt een vorm van epistemische afhankelijkheid versterken: studenten oefenen minder in het zoeken naar bronnen, wegen van bewijs en formuleren van eigen standpunten.
Voor het hoger onderwijs betekent dit dat AI niet louter technisch of juridisch moet worden gereguleerd. Het vraagt om pedagogische governance: duidelijke leerdoelen, transparante criteria, menselijke toetsing bij hoogstake-beoordelingen en aandacht voor de positie van studenten met uiteenlopende achtergronden. AI kan dan worden ingezet om het hoger onderwijs robuuster te maken — mits we de spiegel serieus nemen.