Wanneer één AI-antwoord gevolgen krijgt

Een docent in de senioreneducatie gebruikt een generatief AI-systeem om een eenvoudige uitleg over online bankieren op te stellen. De tekst leest prettig en lijkt overtuigend, maar bevat een verouderde beveiligingsinstructie. Als de docent het antwoord rechtstreeks overneemt, kan een ogenschijnlijk kleine fout doorwerken in lesmateriaal, uitleg en het handelen van deelnemers.

Dit voorbeeld laat zien waarom AI-geletterdheid meer vraagt dan weten hoe je een opdracht invoert. Je moet begrijpen hoe data, algoritmen, modellen, prompts en uitvoer met elkaar samenhangen. Alleen dan kun je beoordelen waar een resultaat vandaan komt, welke risico’s eraan kleven en wanneer menselijke controle noodzakelijk is.

De bouwstenen van AI-geletterdheid

Artificiële intelligentie (AI) is een verzamelnaam voor computersystemen die taken uitvoeren waarvoor mensen doorgaans cognitieve vaardigheden gebruiken. Denk aan herkennen, voorspellen, classificeren, aanbevelen of tekst produceren. Het systeem “denkt” daarbij niet noodzakelijk zoals een mens, ook al kan het resultaat menselijk overkomen.

AI-geletterdheid is het vermogen om AI te begrijpen, verantwoord te gebruiken en kritisch te beoordelen. In een onderwijscontext betekent dit onder meer dat je kunt herkennen wanneer AI wordt ingezet, de kwaliteit van AI-uitvoer kunt inschatten en rekening houdt met privacy, eerlijkheid en pedagogische geschiktheid. Het gaat dus om een combinatie van kennis, praktische vaardigheid en professioneel oordeel.

De belangrijkste begrippen vormen geen losse woordenlijst. Ze beschrijven onderdelen van één keten: gegevens worden verwerkt volgens een methode, daaruit ontstaat een model en dat model produceert een uitvoer op basis van nieuwe invoer. De mens bepaalt vervolgens of die uitvoer bruikbaar, betrouwbaar en verantwoord is.

Begrip Betekenis Rol in het onderwijs
Data Voorbeelden of gegevens waarmee een systeem wordt ontwikkeld of gebruikt. Data kunnen tekst, afbeeldingen, cijfers of interacties bevatten. Lesmateriaal, toetsresultaten en gebruikersinvoer kunnen als data dienen. De kwaliteit en herkomst ervan beïnvloeden het resultaat.
Algoritme Een reeks regels of berekeningsstappen waarmee gegevens worden verwerkt. Een algoritme kan bijvoorbeeld patronen zoeken of voorspellen welk leerniveau waarschijnlijk passend is.
Model Het resultaat van een leerproces waarin patronen uit trainingsdata zijn vastgelegd. Het model kan teksten genereren, antwoorden classificeren of aanbevelingen doen.
Training Het proces waarin een model patronen leert uit grote hoeveelheden voorbeelden. De samenstelling van de trainingsdata beïnvloedt wat het model goed herkent en waar blinde vlekken ontstaan.
Prompt De invoer of instructie die een gebruiker aan een generatief AI-systeem geeft. Een docent kan doelgroep, doel, taalniveau en gewenste vorm specificeren.
Uitvoer Het resultaat dat het systeem produceert, zoals tekst, een samenvatting of feedback. De uitvoer is een voorstel dat gecontroleerd moet worden, geen automatisch betrouwbaar eindproduct.
Menselijke controle Het beoordelen, corrigeren en verantwoorden van het gebruik en de uitkomst. De onderwijsprofessional bewaakt juistheid, veiligheid, toegankelijkheid en aansluiting op de deelnemer.

Van data naar een waarschijnlijk resultaat

Data vormen de grondstof van veel AI-systemen. Tijdens de training krijgt een systeem grote aantallen voorbeelden aangeboden, waarna het statistische patronen leert herkennen. Een taalmodel leert bijvoorbeeld welke woorden en zinsdelen vaak in elkaars omgeving voorkomen, zonder dat het de werkelijkheid ervaart zoals een mens dat doet.

De kwaliteit van een model hangt gedeeltelijk samen met de gegevens waarop het is getraind. Onvolledige, verouderde of eenzijdige data kunnen leiden tot beperkte of scheve resultaten. Als bepaalde groepen, taalvarianten of onderwijscontexten weinig voorkomen in de trainingsdata, kan het model daar minder passende antwoorden voor produceren.

Een algoritme en een model zijn daarbij niet hetzelfde. Het algoritme beschrijft de methode waarmee het systeem patronen leert of berekeningen uitvoert, terwijl het model de geleerde patroonstructuur bevat. Je kunt het vergelijken met een recept en een bereide maaltijd: het recept stuurt het proces, maar het eindproduct bevat het resultaat van de gebruikte ingrediënten en handelingen.

Aspect Algoritme Model
Kernfunctie Bepaalt hoe gegevens worden verwerkt of hoe leren plaatsvindt. Gebruikt geleerde patronen om een voorspelling of uitvoer te maken.
Ontstaat door Ontwerpkeuzes van ontwikkelaars en technische methoden. Training met data volgens een gekozen algoritme.
Voorbeeld Een methode die fouten meet en modelparameters aanpast. Een taalmodel dat op basis van invoer een tekst genereert.
Belangrijk risico De gekozen methode kan ongeschikt zijn voor het doel. Het model kan fouten, vooroordelen of verouderde patronen reproduceren.

Een veelvoorkomende misvatting is dat een groot taalmodel een betrouwbare kennisbank is die simpelweg feiten opzoekt. Een generatief model produceert doorgaans een waarschijnlijke voortzetting op basis van patronen, tenzij het systeem aanvullend met gecontroleerde bronnen is verbonden. Daardoor kan een antwoord vloeiend en overtuigend zijn, terwijl een feit, bron of redenering niet klopt.

Een goede werkwijze begint daarom met het vaststellen van de functie van AI. Een systeem kan nuttig zijn voor een eerste opzet, taalvereenvoudiging of het genereren van alternatieven. Voor feiten met grote gevolgen, zoals veiligheidsadvies of formele beoordelingsbesluiten, zijn betrouwbare bronnen en menselijke verificatie noodzakelijk.

Prompt, context en uitvoer vormen één geheel

Bij generatieve AI is de prompt de zichtbare invoer waarmee de gebruiker richting geeft aan het resultaat. Een prompt kan het doel, de doelgroep, de context, de gewenste vorm en beperkingen beschrijven. Hoe relevanter deze informatie is, hoe groter de kans dat de uitvoer aansluit bij de onderwijsbehoefte.

Een uitgebreide prompt garandeert echter geen juist antwoord. De prompt beïnvloedt vooral welke patronen het model activeert en hoe het resultaat wordt vormgegeven. Als de benodigde informatie niet betrouwbaar in het model aanwezig is, kan een nauwkeurig geformuleerde opdracht nog steeds een fout of verzonnen detail opleveren.

Ook dezelfde prompt kan verschillende uitkomsten geven. Generatieve systemen werken vaak met waarschijnlijkheden en kunnen variatie toelaten bij de keuze van woorden of formuleringen. Die variatie is bruikbaar bij creatieve taken, maar minder wenselijk wanneer consistentie, toetsbaarheid of veiligheid centraal staat.

[[flowchart-placeholder]]

De relatie tussen prompt en uitvoer is daarom geen simpele opdracht-responsrelatie. De uitvoer ontstaat uit de combinatie van de prompt, het getrainde model, eventuele aanvullende context en technische instellingen. De gebruiker ziet meestal niet precies welke trainingsvoorbeelden of interne berekeningen tot een specifieke formulering hebben geleid.

Schema waarin een prompt samen met het getrainde model, aanvullende context en technische instellingen leidt tot AI-uitvoer, gevolgd door menselijke controle op juistheid, geschiktheid en veiligheid.

Onderdeel van een prompt Functie Voorbeeld in senioreneducatie
Doel Maakt duidelijk wat het resultaat moet ondersteunen. “Schrijf een uitleg die deelnemers voorbereidt op veilig videobellen.”
Doelgroep Stuurt taalgebruik, voorkennis en tempo. “De doelgroep bestaat uit beginnende cursisten van 65 jaar en ouder.”
Context Geeft relevante omstandigheden en randvoorwaarden. “De deelnemers gebruiken verschillende tablets en hebben weinig digitale ervaring.”
Vorm Bepaalt hoe de informatie wordt gepresenteerd. “Gebruik vier korte stappen en leg technische termen direct uit.”
Grenzen Vermindert ongewenste of ongeschikte inhoud. “Verzin geen apparaatinstellingen en benoem wanneer modellen kunnen verschillen.”

Een veelvoorkomende valkuil is dat gebruikers alleen de toon of lengte specificeren. Een opdracht als “maak dit eenvoudig” zegt weinig over voorkennis, leerdoel of noodzakelijke nauwkeurigheid. Eenvoudige taal is bovendien niet hetzelfde als inhoudelijke versimpeling: belangrijke waarschuwingen mogen niet verdwijnen om een tekst korter te maken.

Een tweede misvatting is dat een betere prompt de verantwoordelijkheid naar het systeem verplaatst. De gebruiker blijft verantwoordelijk voor de keuze om AI in te zetten en voor de manier waarop de uitvoer wordt gebruikt. In het onderwijs vraagt dat om controle op feitelijke juistheid, begrijpelijkheid, inclusiviteit en aansluiting bij het leerdoel.

Van bruikbare tekst naar verantwoord onderwijs

AI-uitvoer kan taalkundig sterk zijn zonder pedagogisch passend te zijn. Een tekst kan bijvoorbeeld correct uitleggen hoe tweestapsverificatie werkt, maar te veel stappen tegelijk aanbieden voor beginnende deelnemers. Een onderwijsprofessional kijkt daarom niet alleen naar de vraag “Klopt dit?”, maar ook naar “Helpt dit deze deelnemers om het leerdoel te bereiken?”

Menselijke controle werkt op meerdere niveaus. Eerst beoordeel je de feiten en eventuele bronnen, daarna kijk je naar taalniveau, opbouw en relevantie. Vervolgens controleer je risico’s zoals privacy, stereotypering, uitsluiting en ongewenste afhankelijkheid van het systeem.

Bij persoonsgegevens is terughoudendheid essentieel. Namen, gezondheidsinformatie, leerproblemen, toetsresultaten of herkenbare beschrijvingen van deelnemers horen niet zonder duidelijke grondslag in een extern AI-systeem. Anonimiseren helpt, maar ook combinaties van details kunnen iemand herkenbaar maken.

Beoordelingsvraag Waarop let je? Mogelijke vervolgstap
Is het feitelijk juist? Controleer concrete claims, instructies en bronverwijzingen. Vergelijk met actuele, gezaghebbende bronnen.
Past het bij het leerdoel? Kijk of de inhoud het gewenste leren ondersteunt. Verwijder interessante maar afleidende informatie.
Is het begrijpelijk? Beoordeel woorden, zinslengte, structuur en benodigde voorkennis. Herschrijf moeilijke passages en licht termen toe.
Is het eerlijk en inclusief? Let op aannames, stereotypen en eenzijdige voorbeelden. Voeg passende perspectieven toe of pas formuleringen aan.
Is het veilig en verantwoord? Controleer privacy, mogelijke schade en de gevolgen van fouten. Gebruik minder gegevens of kies een werkwijze zonder AI.

De beste praktijk is om de rolverdeling expliciet te houden: AI ondersteunt, de onderwijsprofessional beslist. Dat betekent niet dat iedere zin handmatig opnieuw moet worden geschreven, maar wel dat de intensiteit van de controle past bij het risico. Een uitnodigingstekst vraagt doorgaans minder verificatie dan gezondheidsinformatie, veiligheidsadvies of een beslissing over een deelnemer.

Voorbeeld: een handleiding voor veilig videobellen

Een docent wil een korte handleiding maken voor deelnemers die voor het eerst een tablet gebruiken om met familie te videobellen. Het AI-systeem krijgt als context dat de doelgroep weinig digitale ervaring heeft en dat de handleiding maximaal één pagina mag beslaan. De docent vraagt om duidelijke stappen, uitleg van noodzakelijke pictogrammen en een waarschuwing voor onverwachte oproepen.

Eerst produceert het model een overzichtelijke tekst met vijf stappen. De formuleringen zijn vriendelijk, maar één stap noemt een menuknop die niet op alle tablets dezelfde naam heeft. Daarnaast stelt de uitvoer dat iedere videobelapplicatie gesprekken standaard versleutelt, een te algemene bewering die zonder broncontrole niet verantwoord kan worden overgenomen.

De docent doorloopt vervolgens een gecontroleerd proces:

  1. Doel controleren: de tekst moet zelfstandig videobellen ondersteunen, niet alle functies van de toepassing uitleggen.
  2. Feiten verifiëren: de docent vergelijkt instellingen en beveiligingsclaims met actuele informatie van de gebruikte toepassing.
  3. Variatie benoemen: apparaatafhankelijke instructies worden vervangen door herkenningspunten en een waarschuwing dat schermen kunnen verschillen.
  4. Taal aanpassen: termen zoals “account” en “machtiging” krijgen een korte uitleg in alledaagse taal.
  5. Veiligheid bewaken: de handleiding adviseert om onbekende oproepen niet zomaar te beantwoorden en geen codes te delen.

De meerwaarde van AI ligt hier in het snel creëren en structureren van een eerste versie. De beperking is dat het systeem de apparaten, toepassingen en deelnemers niet zelf observeert en dus gemakkelijk te algemene aannames maakt. De uiteindelijke handleiding wordt onderdeel van de normale materiaalworkflow: inhoudelijke controle, redactie, toegankelijkheidscontrole en vaststelling door de docent.

Voorbeeld: conceptfeedback op een schrijfopdracht

Een opleider geeft volwassen deelnemers een schrijfopdracht over hun motivatie om vrijwilligerswerk te doen. Om tijd te besparen, overweegt de opleider AI te gebruiken voor conceptfeedback op structuur en duidelijkheid. De teksten kunnen echter persoonlijke ervaringen bevatten, waardoor zowel privacy als de rol van AI in de beoordeling aandacht vereist.

De opleider kiest ervoor geen herkenbare teksten of persoonsgegevens in te voeren. In plaats daarvan gebruikt zij korte, geanonimiseerde fragmenten en vraagt zij alleen om mogelijke aandachtspunten voor opbouw, samenhang en begrijpelijkheid. Het model mag geen eindbeoordeling, cijfer of uitspraak over de capaciteiten van de deelnemer geven.

De verwerking verloopt in vier stappen:

  1. Gegevens beperken: namen, locaties en persoonlijke omstandigheden worden verwijderd of vervangen.
  2. AI-taak afbakenen: het systeem signaleert mogelijke verbeterpunten, maar beoordeelt niet of de deelnemer “goed genoeg” schrijft.
  3. Uitvoer vergelijken: de opleider legt de suggesties naast de beoordelingscriteria en de volledige tekst.
  4. Feedback vaststellen: alleen relevante, correcte en respectvolle suggesties komen in de uiteindelijke feedback terecht.

De aanpak kan helpen om alternatieve formuleringen of onduidelijke overgangen sneller te signaleren. Tegelijk mist het systeem kennis van gesprekken, leerontwikkeling en persoonlijke doelen die voor goede feedback belangrijk zijn. Het professionele oordeel van de opleider verbindt daarom de AI-suggesties met het curriculum, de beoordelingscriteria en de relatie met de deelnemer.

Dit voorbeeld maakt ook het verschil tussen ondersteunen en beslissen zichtbaar. AI kan patronen aanwijzen of opties formuleren, maar een beoordeling heeft gevolgen voor een deelnemer en vereist uitlegbaarheid en context. Hoe groter het gevolg van een uitkomst, hoe belangrijker menselijke controle en een duidelijk verantwoordingsproces worden.

De samenhang in één denklijn

De kernbegrippen vormen samen een keten: data beïnvloeden de training, training vormt een model, een prompt stuurt het gebruik en het model produceert uitvoer. Die uitvoer is gebaseerd op geleerde patronen en waarschijnlijkheden, niet automatisch op begrip of gecontroleerde waarheid. Menselijke beoordeling maakt het verschil tussen een overtuigend AI-resultaat en een verantwoord onderwijsproduct.

De belangrijkste uitgangspunten zijn:

  • AI-geletterdheid combineert begrijpen, gebruiken en kritisch beoordelen.

  • Algoritmen en modellen zijn verbonden, maar vervullen verschillende functies.

  • Een sterke prompt verbetert de aansluiting, maar garandeert geen juistheid.

  • AI-uitvoer is een voorstel, geen bewijs en geen zelfstandig professioneel oordeel.

  • Controle moet passen bij het risico, de doelgroep en de gevolgen van een fout.

Met deze begrippen kun je AI-toepassingen nauwkeuriger beschrijven en gerichter beoordelen. Je ziet niet alleen wat een systeem produceert, maar ook welke schakels en menselijke keuzes achter dat resultaat liggen. Nu de basis staat, gaan we verder met Vervolgstappen voor de onderwijspraktijk.

Last modified: Tuesday, 13 October 2026, 1:46 PM