Het gebruik van AI in het onderwijs is met de komst van ChatGPT flink toegenomen, maar voor Theo Bakker is het geen nieuwe kost. ‘Ik gebruikte mijn eerste AI-model 15 jaar geleden al in het onderwijs om uitval te voorspellen’, vertelt Bakker. Hij heeft een achtergrond op het snijvlak van data, onderwijssystemen en IT-strategieën bij de UvA, VU en Deloitte. Hij promoveerde aan de VU op het studieverloop en -succes van studenten met autisme. Momenteel werkt hij als lector Learning Technology & Analytics bij de Haagse Hogeschool en is hij verbonden aan VU Amsterdam als universitair docent bij Klinische Neuro- en Ontwikkelingspsychologie.
Bakker merkt dat zijn interessegebied, kansengelijkheid in het onderwijs, en AI, steeds vaker in dezelfde zin worden genoemd. ‘Maar het blijft vaak hangen bij de vraag: “Kunnen studenten de benodigde IT-toepassingen betalen?” Kansengelijkheid is echter veel meer dan dat.’ Daarom besloot Npuls dat het tijd was voor een visie op de impact van AI op kansengelijkheid in het vervolgonderwijs. Npuls is het samenwerkingsprogramma van het Nederlandse mbo-, hbo- en wo-onderwijs en de IT-coöperatie SURF. Theo Bakker is eindredacteur van het visiedocument. Hij schreef het stuk samen met meerdere collega’s uit mbo, hbo en wo.
Kansengelijkheid
Het document begint onder andere met het uiteenzetten wat de auteurs onder kansengelijkheid verstaan. Zo stellen de experts dat de studieloopbaan van een student zo min mogelijk afhankelijk zou moeten zijn van de omgeving waarin die is opgegroeid. Sandjai Bhulai, hoogleraar wiskunde schrijft: ‘Om een eerlijke kans voor iedereen te creëren, moeten we de vicieuze cirkel van kansenongelijkheid – die van ouders op kinderen wordt doorgegeven – doorbreken. Daarvoor is het soms nodig om studenten juist op een ongelijke manier te behandelen. Bijvoorbeeld door een student met minder kansen meer tijd en aandacht te geven dan de ander. Dit lijkt misschien tegenstrijdig, maar het is een belangrijke stap om uiteindelijk een gelijk resultaat te bereiken.’
Hoe kan de inzet van AI daarbij helpen? In het document zetten Bakker en collega’s de mogelijke positieve impact naast de mogelijk negatieve impact van AI. Hier zien we terug dat elk potentieel voordeel ook een nadeel kan zijn. Bakker: ‘Dat is altijd zo geweest met technologie, en daar moeten we ons tot zien te verhouden.’ Neem bijvoorbeeld de invloed van AI op begeleiding van studenten. Aan de ene kant kan AI begeleiding op maat bieden en zich aanpassen naar de behoefte en snelheid van de individuele student. Aan de andere kant is het een risico dat AI zich aanpast naar de gemiddelde student, maar individuele situaties niet goed kan inschatten.
AI trainen
Een ander mogelijk voordeel of nadeel is de veelbesproken objectiviteit of juist subjectiviteit van AI. ‘Een algoritme is objectief, maar versterkt patronen uit de begindata’, legt Bakker uit. ‘Een aanwezige bias wordt versterkt en door de herkenbaarheid van de resultaten zien we dat niet altijd. We kunnen AI trainen en met specifieke prompts vragen rekening te houden met inclusiviteit.’
Ook hebben de auteurs verschillende cases van succesvolle AI-toepassingen en negatieve gevolgen van AI op een rijtje gezet. Een positief voorbeeld is een AI-toepassing om studenten in het mbo te helpen die een grotere kans hebben om te stoppen met hun opleiding, ontwikkeld door Vrije Universiteit Amsterdam en ROC TOP. Het systeem gebruikt studiedata en AI om te bepalen welke studenten extra begeleiding nodig hebben. Deze informatie wordt gedeeld met mentoren en studieloopbaanbegeleiders, zodat zij deze studenten sneller kunnen helpen en voorkomen dat ze uitvallen.
Bakker is hoopvol over het gebruik van AI in het onderwijs. Het document biedt instellingen verschillende handvatten om AI op een zorgvuldige en eerlijke manier te gebruiken. Bijvoorbeeld door verschillende groepen mensen met diverse achtergronden te betrekken bij het ontwikkelen en gebruiken van AI. Bakker: ‘Zoals bij alle nieuwe technologische toepassingen ervaar je pas wat ze precies betekenen als je ze gaat gebruiken. We moeten sneller leren van ervaringen met AI, zodat we er tijdig en doordacht op kunnen inspelen.’
