Het SAMR-model – Substitutie, Augmentatie, Modificatie, Herdefinitie – is lange tijd een hoeksteen geweest van discussies over technologie in het onderwijs. Het werd begin jaren 2000 geïntroduceerd en bood een eenvoudige manier om te categoriseren hoe technologie het leren beïnvloedt. De opkomst van kunstmatige intelligentie (AI) brengt echter een kritieke fout aan het licht: SAMR beschouwt verandering als inherent beter terwijl dat niet het geval is. AI kan zowel positieve als negatieve resultaten versterken op elk integratieniveau. Het model heeft een tweede dimensie nodig om rekening te houden met de vraag of technologie het lesgeven en leren versterkt of verzwakt.
De beperkingen van het originele model
Oorspronkelijk bedoeld als beschrijvend hulpmiddel, werd SAMR al snel prescriptief. Opvoeders begonnen vervanging als ‘fundamenteel’ te beschouwen en herdefinitie als het ideaal, waardoor het eerder een trap dan een spectrum werd. In een door AI aangedreven wereld mislukt dit lineaire denken: AI kan eenvoudige taken ongelooflijk krachtig maken, en geavanceerde taken bedrieglijk leeg maken. De eenassige benadering van SAMR is niet langer voldoende.
Het portret van een lerarenproject en een cruciale vraag
Recent onderzoek van het door Ed3 geleide initiatief “Portrait of a Teacher in the Age of AI” bracht dit probleem uit de eerste hand aan het licht. Docenten die AI in het hele SAMR-spectrum gebruiken, rapporteerden consequent zowel positieve * als * negatieve effecten op elk niveau. De vraag werd duidelijk: heeft SAMR een tweede as nodig om te beoordelen of veranderingen constructief of destructief zijn?
Introductie van de positief-negatieve dimensie
Het belangrijkste inzicht is dat SAMR niet alleen beschrijft wat voor soort veranderingstechnologie introduceert, maar of die verandering het leren verbetert of verslechtert. Elk niveau kan zowel nuttig als schadelijk zijn.
- Vervanging: Het vervangen van papieren quizzen door digitale quizzen kan tijd voor docenten vrijmaken voor zinvolle interacties, of het kan de beoordeling automatiseren zonder menselijke beoordeling.
- Herdefinitie: AI kan meertalige verhalen en creatieve expressie mogelijk maken, maar het kan leerlingen ook in staat stellen gepolijst werk te produceren zonder echte inspanning of begrip.
Deze dualiteit vereist een herkadering: SAMR is niet langer een klim van ‘minder innovatief’ naar ‘meer innovatief’. Het is een tweeassig systeem:
- Wijze van integratie: (vervanging, vergroting, wijziging, herdefinitie)
- Richting van impact: (negatief ↔ positief)
Vier belangrijke nuances van het nieuwe model
Deze uitgebreide weergave onthult cruciale inzichten:
- Niveau voorspelt de kwaliteit niet: Vervanging kan net zo effectief zijn als herdefinitie, mits zorgvuldig geïmplementeerd.
- Efficiëntie kan erosie maskeren: De tijd die wordt bespaard door automatisering kan de verbindingen tussen leraar en leerling verbeteren of deze volledig vervangen.
- Herdefinitie kan hol zijn: AI kan oppervlakkige leerwinst creëren zonder echte diepgang.
- De beslissende factor is relationeel: Positief gebruik versterkt relaties, feedback en toegang; negatieven verzwakken ze.
Voorbij sequentieel denken
Een andere misvatting is dat SAMR een sequentiële progressie is. Leraren gaan niet noodzakelijkerwijs van vervanging naar herdefinitie. AI maakt dit nog minder voorspelbaar; een leraar kan beginnen met Redefinition met behulp van simulaties en vervolgens terugkeren naar Substitutie voor het genereren van materiaal om tijd vrij te maken voor individuele ondersteuning van studenten. SAMR wordt beter begrepen als een reeks modi die nuttig zijn onder verschillende omstandigheden.
De vragen opnieuw formuleren
Het nieuwe model verschuift de focus van waargenomen innovatie naar tastbare impact:
- Verdiept deze AI de menselijke verbinding of verzwakt deze?
- Vergroot het de capaciteit van leraren of beperkt het deze?
- Biedt het mogelijkheden voor studenten of beperkt het deze?
Deze vragen geven prioriteit aan de richting van de impact, niet aan het niveau van verfijning. Elk niveau van SAMR kan uitstekend of schadelijk zijn, afhankelijk van de praktijk.
Verbinding maken met de adoptiecurve
Ten slotte heeft SAMR interactie met de technologie-adoptiecyclus. Early adopters neigen naar Redefinition, terwijl latere adopters voor veiligheid en gemak beginnen met Substitutie. Deze herformulering suggereert dat leraren niet vastzitten op bepaalde niveaus vanwege een gebrek aan creativiteit, maar omdat ze zich in verschillende stadia van adoptie bevinden. Door deze dynamiek te begrijpen, kunnen leiders realistische verwachtingen scheppen en passende ondersteuning bieden.
Concluderend kan worden gesteld dat een SAMR-model met twee assen de complexiteit van de lerarenpraktijk erkent, diverse contexten respecteert en het menselijk oordeel centraal stelt als de bepalende variabele. Naarmate AI steeds meer doordringt, is de relevante vraag niet: “Hoe hoog is dit op SAMR?” maar: “Versnelt of vertraagt dit gebruik van AI de leerresultaten?”
