Impact van AI op de samenleving
Inleiding
De wetenschappelijke literatuur over de impact van AI op leerprocessen is sterk in groei. We onderscheiden drie domeinen: cognitieve impact, motivationele effecten en sociale dimensies van leren.
Cognitieve impact
Cognitive offloading
Een terugkerend thema in de literatuur (Risko & Gilbert, 2016; Sweller, 2023) is cognitive offloading: het delegeren van mentale taken aan externe hulpmiddelen. AI versterkt dit fenomeen aanzienlijk.
Risico's:
- Verminderde ontwikkeling van basisvaardigheden (schrijven, rekenen, redeneren)
- "Automation bias": blinde acceptatie van AI-output
- Verminderd geheugengebruik en diepgaand verwerken
Kansen:
- Meer cognitieve ruimte voor hogere-orde denken
- Snellere iteratie en experimenteren
- Scaffolding voor zwakkere studenten
Zone of Proximal Development
Vygotsky's concept van de Zone of Proximal Development (ZPD) wordt in recente literatuur herinterpreteerd in AI-context. Chan & Hu (2023) argumenteren dat AI een unieke vorm van scaffolding kan bieden die zich aanpast aan het niveau van de student — iets wat in grote groepen moeilijk haalbaar is voor de docent.
Motivationele effecten
Uit een meta-analyse van Zawacki-Richter et al. (2022) over 146 studies blijkt een gemengd beeld:
- Studenten rapporteren hogere zelfeffectiviteit wanneer AI direct feedback geeft
- Tegelijk neemt de intrinsieke motivatie af wanneer AI taken volledig overneemt
- Prestatiegerichte studenten tonen sterkere neiging tot over-reliance op AI
Sociale dimensie
Leren is inherent sociaal (Wenger, 1998). De literatuur waarschuwt voor het risico dat AI-gebruik de sociale dimensie van leren ondermijnt:
- Minder peer-interactie bij AI-ondersteunde opdrachten
- Risico op "AI-isolement": student lost problemen op met AI in plaats van medestudenten te raadplegen
- Taalverwervingsonderzoek toont verminderde output bij studenten die AI gebruiken voor taalproductie (Huang et al., 2024)
Academische integriteit
Dit is het meest besproken thema in recente onderwijsliteratuur. Thurlings & Zijlstra (2023) onderscheiden drie posities:
| Positie | Uitgangspunt | Implicatie voor beleid |
|---|---|---|
| Verbodsbenadering | AI = fraude | Detectietools, expliciete verboden |
| Transitiebenadering | AI = nieuw realiteit | Opdrachten aanpassen, AI toelaten mits verantwoord |
| Integratieve benadering | AI = kans | AI-gebruik expliciet inbouwen als leeractiviteit |
De internationale consensus verschuift richting de integratieve benadering, waarbij AI-gebruik transparant en doelgericht wordt ingezet als onderdeel van het leerproces.
Referenties
- Chan, C. K. Y., & Hu, W. (2023). Students' voices on generative AI. Computers and Education: Artificial Intelligence, 5.
- Huang, J., et al. (2024). The impact of AI writing assistants on L2 writing development. Language Learning & Technology, 28(1).
- Thurlings, M., & Zijlstra, H. (2023). Academic integrity in the age of generative AI. Higher Education, 86, 1–18.
- Zawacki-Richter, O., et al. (2022). Systematic review of AI in higher education. International Journal of Educational Technology in Higher Education, 19(1).