Decennia lang heeft onderwijsevaluatie gewerkt op de behoeften van beleidsmakers in plaats van op studenten. De opkomst van multimodale kunstmatige intelligentie (AI) biedt echter een kans om deze dynamiek opnieuw te evalueren en de behoeften van leerlingen, docenten en gezinnen centraal te stellen. Als AI niet zorgvuldig wordt geïmplementeerd, bestaat het risico dat verouderde beoordelingsparadigma’s worden versterkt, maar als het strategisch wordt ingezet, kan het doorbraken opleveren op het gebied van efficiëntie, bruikbaarheid en gepersonaliseerd leren.
De dringende behoefte aan leerlinggerichte metingen
De sleutel tot effectieve AI-integratie in het onderwijs is het omdraaien van het script: het ontwerpen van beoordelingen voor studenten en docenten, niet alleen voor externe rapportage. Traditionele gestandaardiseerde tests geven vaak voorrang aan verantwoordelijkheid boven daadwerkelijk leren, en dienen eerder als achterblijvende indicatoren dan als hulpmiddelen voor realtime verbetering. Het potentieel van beoordelingen met een open einde, zoals portfolio’s en projecten, werd historisch gezien beperkt door logistieke lasten. AI kan deze taken nu opschalen, waardoor de evaluatie wordt gestandaardiseerd en de feedback wordt gepersonaliseerd.
In plaats van bang te zijn voor bedrog, moeten docenten AI zien als een basis van informatie die leerlingen kunnen bekritiseren, evalueren en transformeren. De meest waardevolle aanpak is een partnerschap tussen docenten en AI, waarbij docenten een integraal onderdeel blijven van het scoreproces, omdat directe observatie van het werk van studenten essentieel is om hun voortgang te begrijpen.
Automatisering vermijden omwille van de automatisering
Het inzetten van AI zonder duidelijke pedagogische bedoelingen brengt het risico met zich mee dat er alleen maar een ‘sneller paard’ wordt gebouwd, waardoor de inefficiënties uit het verleden worden versterkt. De huidige AI-modellen zijn primair ontworpen voor commercieel gebruik, niet voor het genereren van zinvolle onderwijskundige inzichten. Om effectief te zijn, moeten assessments verder gaan dan traditionele formats en naadloos integreren in ontwikkelingsgerichte activiteiten.
AI kan gegevens verzamelen via stemherkenning, tekenanalyse en zelfs fysiek-digitale interfaces (zoals augmented reality-tools). Het doel is om leerbarrières in een vroeg stadium te onderkennen door metingen in de dagelijkse routines te integreren zonder dat dit ten koste gaat van instructietijd. Cruciaal is dat AI-modellen moeten worden getraind op diverse datasets om te voorkomen dat bestaande vooroordelen worden verergerd, waardoor eerlijkheid voor alle leerlingen wordt gegarandeerd.
Praktische metingen en bruikbare gegevens
De echte waarde van AI ligt in het vastleggen van leidende indicatoren die complexe gegevens bruikbaar maken. In plaats van zich te fixeren op gemiddelde scores, richt praktische meting zich op de variabiliteit in prestaties als een op te lossen probleem. Docenten kunnen AI gebruiken om deze fluctuaties te analyseren en cruciale vragen te beantwoorden: wat werkt, voor wie en onder welke omstandigheden?
Maar zelfs de meest geavanceerde hulpmiddelen zijn nutteloos zonder de infrastructuur en samenwerkingsroutines die nodig zijn voor betekenisgeving. Leiders moeten doelbewuste “gebruikssystemen” ontwerpen om ervoor te zorgen dat AI echte verbetering teweegbrengt, en niet alleen oppervlakkige naleving.
Studenten empoweren door beoordelingsgeletterdheid
Ten slotte is het beoordelingsvermogen – leerlingen leren hun eigen gegevens te interpreteren – essentieel. Wanneer leerlingen eigenaar zijn van hun resultaten, worden ze actieve agenten in hun leerproces en krijgen ze de mogelijkheid om de kritische vraag te stellen: “Waar nu heen?” In het AI-tijdperk is beoordelingsgeletterdheid onlosmakelijk verbonden met AI-geletterdheid.
Studenten moeten leren om door AI gegenereerde output kritisch te evalueren, in het besef dat de kwaliteit van het resultaat afhangt van de kwaliteit van de prompt. Zoals experts waarschuwen, zullen slecht geformuleerde vragen onbetrouwbare antwoorden opleveren. Het cultiveren van een klasklimaat met veel vertrouwen waarin falen wordt omarmd, is ook essentieel voor het vastleggen van echte redeneerprocessen.
Concluderend kan worden gesteld dat de verschuiving naar leerlinggerichte, AI-gestuurde beoordeling niet simpelweg een technologische upgrade is; het is een fundamentele heroverweging van de manier waarop we het onderwijs meten, leren en verbeteren. Door prioriteit te geven aan bruikbaarheid, geldigheid in gebruik en de keuzevrijheid van studenten, kunnen we AI inzetten om een toekomst op te bouwen waarin toetsing echt tegemoet komt aan de behoeften van het klaslokaal, en niet alleen van de hoofdstad.
