- View
Van losse proef naar verantwoord gebruik
Bij opleidingscentrum De Horizon gebruiken enkele docenten generatieve AI om lesmateriaal te vereenvoudigen, feedbackzinnen te formuleren en toetsvragen te bedenken. De eerste resultaten zijn veelbelovend, maar de werkwijzen verschillen sterk per docent. Bovendien is niet altijd duidelijk welke gegevens in een AI-systeem mogen worden ingevoerd, wie de uitkomsten controleert en hoe studenten worden geïnformeerd.
Dit probleem speelt op veel onderwijsinstellingen. AI-geletterdheid krijgt pas praktische waarde wanneer kennis wordt vertaald naar afspraken, werkprocessen en professioneel handelen. De belangrijkste vervolgstap is daarom niet om zo snel mogelijk meer AI-tools te gebruiken, maar om bewust te bepalen waar AI onderwijskundige meerwaarde biedt en onder welke voorwaarden het gebruik verantwoord is.
Deze les gaat uit van een eenvoudige situatie: een onderwijsorganisatie heeft enige ervaring met AI, maar nog geen volledig uitgewerkt beleid. De vraag is dan: hoe ga je van individuele experimenten naar een aanpak die veilig, uitlegbaar en bruikbaar is? Daarvoor zijn drie zaken nodig: een afgebakende toepassing, gedeelde verantwoordelijkheid en een cyclisch verbeterproces.
Vier begrippen die richting geven
Een gebruikssituatie is een concreet onderwijsproces waarin AI een bepaalde functie vervult. Denk aan het maken van een eerste lesopzet, het aanpassen van een tekstniveau of het samenvatten van algemene cursusinformatie. Een gebruikssituatie beschrijft dus niet alleen welke technologie wordt gebruikt, maar ook het doel, de betrokken personen en de plaats binnen het onderwijsproces.
Menselijke controle betekent dat een bevoegde medewerker verantwoordelijk blijft voor de uiteindelijke beslissing of het eindproduct. Een docent controleert bijvoorbeeld of een door AI gegenereerde uitleg vakinhoudelijk klopt, aansluit bij het niveau van de groep en geen ongepaste aannames bevat. De AI produceert een voorstel; de professional beoordeelt, past aan en beslist.
AI-governance omvat de afspraken waarmee een organisatie het gebruik van AI bestuurt. Daaronder vallen verantwoordelijkheden, privacyregels, toegestane toepassingen, kwaliteitscontrole en de procedure voor incidenten. Governance hoeft voor een kleinschalige proef niet omvangrijk te zijn, maar moet wel duidelijk genoeg zijn om willekeur en onveilige werkwijzen te voorkomen.
Monitoring is het systematisch volgen van resultaten, risico’s en ervaringen. Daarbij kijkt een team niet alleen naar tijdwinst, maar ook naar inhoudelijke kwaliteit, toegankelijkheid, fouten en gevolgen voor verschillende groepen studenten. Monitoring maakt van AI-gebruik een leerproces in plaats van een eenmalige technische keuze.
| Begrip | Centrale vraag | Voorbeeld in seniore educatie |
|---|---|---|
| Gebruikssituatie | Welk onderwijsprobleem willen we ondersteunen? | Algemene cursusinformatie herschrijven in duidelijke taal. |
| Menselijke controle | Wie controleert en neemt de uiteindelijke beslissing? | Een docent beoordeelt iedere aangepaste tekst vóór publicatie. |
| AI-governance | Welke regels en verantwoordelijkheden gelden? | Persoonsgegevens mogen niet in een openbaar AI-systeem worden ingevoerd. |
| Monitoring | Hoe bepalen we of de toepassing verantwoord werkt? | Het team registreert fouten, correctietijd en reacties van studenten. |
Begin bij een afgebakend onderwijsprobleem
Een verantwoorde invoering begint met het probleem, niet met de tool. De vraag “Waar kunnen we AI voor gebruiken?” is te breed en nodigt uit tot toepassingen zonder helder onderwijsdoel. Een betere startvraag is: welk terugkerend probleem willen we verbeteren, en waaraan herkennen we verbetering? Zo kan een team vaststellen dat cursusteksten voor sommige oudere deelnemers te ingewikkeld zijn en dat docenten veel tijd besteden aan het maken van toegankelijkere versies.
Vervolgens wordt de gebruikssituatie begrensd. Het team legt vast welke informatie de AI mag verwerken, welke uitvoer wordt verwacht en welke medewerker de controle uitvoert. Een veilige eerste toepassing werkt bij voorkeur met algemene of fictieve gegevens, heeft beperkte gevolgen wanneer er iets misgaat en laat voldoende ruimte voor menselijke correctie. Het automatisch vereenvoudigen van een algemene instructietekst is daarom meestal geschikter als eerste proef dan het geven van individueel studieadvies op basis van studentgegevens.
Ook succescriteria horen vooraf duidelijk te zijn. Tijdwinst is relevant, maar vormt nooit het enige criterium in het onderwijs. Het team kijkt bijvoorbeeld ook naar begrijpelijkheid, vakinhoudelijke juistheid, aansluiting bij de doelgroep en de hoeveelheid noodzakelijke correcties. Zonder zulke criteria kan een snelle AI-uitvoer aantrekkelijk lijken, terwijl docenten achteraf veel tijd verliezen aan herstelwerk.
Een veelvoorkomende misvatting is dat een kleinschalige proef nauwelijks afspraken nodig heeft. Juist tijdens experimenten ontstaan gemakkelijk informele routines die later moeilijk te veranderen zijn. Een korte beschrijving van doel, grenzen, controle en evaluatie is daarom geen bureaucratische last, maar een beschermende basis. Zo blijft duidelijk dat experimenteren niet hetzelfde is als vrijblijvend handelen.
Verdeel verantwoordelijkheid vóór het gebruik begint
AI neemt geen professionele verantwoordelijkheid over. Wanneer een systeem een foutieve uitleg, stereotiepe formulering of ongeschikt advies produceert, moet duidelijk zijn wie dit signaleert en corrigeert. Daarom heeft iedere gebruikssituatie een proceseigenaar nodig: een medewerker die verantwoordelijk is voor de werkwijze, ook wanneer meerdere collega’s de AI gebruiken. Dat kan een docent, onderwijskundige of teamleider zijn, afhankelijk van het proces.
Verantwoordelijkheid bestaat uit verschillende lagen. De docent bewaakt de inhoud en de didactische geschiktheid, terwijl een privacyfunctionaris of aangewezen coördinator kan adviseren over gegevensverwerking. Een leidinggevende besluit mogelijk of een toepassing structureel wordt ingezet. Studenten en cursisten dragen geen verantwoordelijkheid voor fouten die ontstaan doordat de instelling onvoldoende controle heeft ingericht.
Transparantie ondersteunt die verantwoordelijkheidsverdeling. Studenten hoeven niet bij iedere kleine tekstbewerking een technische uitleg te krijgen, maar zij moeten wel betekenisvol worden geïnformeerd wanneer AI hun leerproces, beoordeling of begeleiding beïnvloedt. De informatie moet begrijpelijk maken waarvoor AI wordt gebruikt, wat de beperkingen zijn en bij wie iemand terechtkan met vragen of bezwaren. Transparantie is daarmee meer dan de mededeling “deze tekst is gemaakt met AI”.
Een typische valkuil is dat menselijke controle alleen op papier bestaat. Als docenten tientallen AI-producten onder hoge tijdsdruk moeten beoordelen, kan controle veranderen in oppervlakkig goedkeuren. Effectieve menselijke controle vraagt daarom om voldoende tijd, relevante vakkennis en de bevoegdheid om de uitvoer af te wijzen. Een mens in het proces is pas waardevol wanneer die persoon daadwerkelijk kan ingrijpen.
| Onderdeel | Informele aanpak | Verantwoorde aanpak |
|---|---|---|
| Doel | “We proberen AI eens uit.” | Het onderwijsprobleem en het beoogde resultaat zijn vastgelegd. |
| Gegevens | Iedere gebruiker bepaalt zelf wat wordt ingevoerd. | Toegestane en verboden gegevens zijn vooraf afgesproken. |
| Controle | Iemand kijkt er mogelijk nog naar. | Een bevoegde medewerker controleert vóór gebruik of publicatie. |
| Communicatie | Studenten merken het vanzelf. | Betrokkenen krijgen relevante en begrijpelijke informatie. |
| Incidenten | Fouten worden individueel hersteld. | Fouten worden gemeld, onderzocht en gebruikt om de werkwijze te verbeteren. |
Werk cyclisch: plannen, uitvoeren, beoordelen en bijstellen

AI-toepassingen zijn niet statisch. Systemen kunnen worden bijgewerkt, gebruikers kunnen hun werkwijze veranderen en nieuwe groepen studenten kunnen anders reageren op dezelfde uitvoer. Een eenmalige goedkeuring is daarom onvoldoende. Een praktisch verbeterproces bestaat uit vier terugkerende stappen: plannen, beperkt uitvoeren, beoordelen en bijstellen.
Tijdens het plannen beschrijft het team het doel, de grenzen, de risico’s en de succescriteria. Daarna volgt een beperkte uitvoering met een kleine groep medewerkers, een korte periode of een beperkte hoeveelheid materiaal. In de beoordelingsfase worden zowel voordelen als problemen onderzocht. Het team kijkt niet alleen of de AI een bruikbaar resultaat produceert, maar ook hoeveel correctie nodig is en welke gevolgen de toepassing heeft voor studenten en docenten.
Bijstellen kan verschillende uitkomsten hebben. Het team kan instructies aanscherpen, extra controle toevoegen, de toepassing verder beperken of besluiten ermee te stoppen. Stoppen is geen mislukking wanneer monitoring laat zien dat de risico’s groter zijn dan de opbrengsten. Het is juist een teken dat de organisatie haar professionele verantwoordelijkheid serieus neemt.
Deze cyclus voorkomt de misvatting dat AI-beleid een definitief document is. Regels hebben alleen waarde wanneer ze aansluiten op de dagelijkse praktijk en veranderen wanneer nieuwe inzichten dat vereisen. Korte evaluatiemomenten en een eenvoudig incidentenregister kunnen al voldoende zijn om patronen zichtbaar te maken. Daarmee ontstaat een beheersbare route van experiment naar verantwoord gebruik.
[[flowchart-placeholder]]
Professionalisering gaat verder dan toolvaardigheid
Medewerkers hebben meer nodig dan uitleg over knoppen en prompts. Professionalisering in AI-geletterdheid omvat ook het herkennen van onbetrouwbare uitvoer, het beschermen van gegevens, het beoordelen van vooringenomenheid en het uitleggen van keuzes aan studenten. Een docent moet bijvoorbeeld weten dat een overtuigend geformuleerd antwoord nog steeds feitelijk onjuist kan zijn. Kritische beoordeling blijft dus een vakinhoudelijke en pedagogische taak.
Scholing werkt het best wanneer zij aansluit op echte werkzaamheden. Algemene demonstraties kunnen belangstelling wekken, maar veranderen de onderwijspraktijk pas wanneer docenten leren hoe zij een specifieke toepassing veilig uitvoeren. Bij tekstvereenvoudiging gaat het bijvoorbeeld om controle op kernbegrippen, toon, betutteling en verlies van noodzakelijke nuance. Bij het ontwerpen van toetsvragen spelen weer andere kwaliteitscriteria, zoals leerdoeldekking en een eenduidig correct antwoord.
Niet iedere medewerker hoeft dezelfde expertise te hebben. Alle gebruikers hebben een basisniveau nodig, terwijl proceseigenaren en ondersteunende specialisten diepere kennis nodig hebben over risicoanalyse, gegevensbescherming en kwaliteitsborging. Deze gelaagde aanpak voorkomt dat verantwoordelijkheid uitsluitend bij een kleine groep deskundigen terechtkomt. Tegelijk voorkomt zij dat iedere docent afzonderlijk complexe juridische of technische afwegingen moet maken.
Een andere valkuil is dat scholing alleen plaatsvindt vóór de invoering. Ervaringen uit de praktijk leveren juist waardevolle leermomenten op, zoals terugkerende fouten of onverwachte reacties van cursisten. Professionalisering hoort daarom verbonden te zijn met monitoring en teamoverleg. Zo worden individuele ontdekkingen gedeelde organisatiekennis.
Praktijkvoorbeeld: begrijpelijke cursuscommunicatie
De Horizon wil inschrijfinformatie voor een digitale vaardighedencursus toegankelijker maken voor oudere deelnemers. Het team kiest één afgebakende gebruikssituatie: AI maakt een eerste versie op taalniveau B1, zonder namen, contactgegevens of andere persoonsgegevens. De communicatieadviseur bewaakt de feitelijke inhoud en een docent controleert of termen als “gebruikersaccount” en “tweestapsverificatie” begrijpelijk worden uitgelegd zonder belangrijke betekenis te verliezen.
De aanpak verloopt in vier stappen. Eerst stelt het team criteria vast: alle cursusvoorwaarden moeten behouden blijven, de toon moet respectvol zijn en iedere tekst moet vóór publicatie worden gecontroleerd. Daarna worden enkele bestaande teksten verwerkt, waarna twee medewerkers de oorspronkelijke en aangepaste versies vergelijken op duidelijkheid, juistheid en benodigde correctietijd. Ten slotte bespreekt het team signalen van deelnemers en past het de instructies aan wanneer de AI bijvoorbeeld te veel informatie weglaat.
De opbrengst is niet alleen een mogelijk snellere tekstbewerking. Door vaste controlecriteria te gebruiken, ontwikkelt het team ook een gedeeld beeld van toegankelijke communicatie. De beperking blijft dat taalniveau geen garantie biedt voor begrijpelijkheid: voorkennis, digitale ervaring en persoonlijke omstandigheden verschillen per cursist. AI ondersteunt hier het redactieproces, maar vervangt geen doelgroepexpertise of contact met deelnemers.
Praktijkvoorbeeld: conceptvragen voor een kennistoets
Na de eerste proef onderzoekt De Horizon een tweede, maar risicovollere toepassing: het laten genereren van conceptvragen voor een kennistoets. Het team beperkt AI tot het maken van eerste voorstellen op basis van leerdoelen en openbaar cursusmateriaal. Antwoorden van studenten, beoordelingsgegevens en vertrouwelijke toetsbanken worden niet ingevoerd. Een vakdocent blijft volledig verantwoordelijk voor selectie, aanpassing en opname in de toets.
Ook hier volgt het team een vaste route. De docent controleert eerst of iedere vraag aantoonbaar bij een leerdoel past, vervolgens of er één verdedigbaar correct antwoord is en daarna of de formulering geen onbedoelde aanwijzingen bevat. Een tweede docent beoordeelt de conceptvragen onafhankelijk, zodat plausibel klinkende fouten minder snel worden gemist. Pas na deze controles komen geschikte vragen in de normale toetsontwikkelingsprocedure terecht.
De toepassing kan docenten helpen om sneller varianten en invalshoeken te verzamelen. Tegelijk is de beperking aanzienlijk: AI begrijpt niet vanzelf welke inhoud in de lessen daadwerkelijk centraal stond en kan onjuiste of te eenvoudige alternatieven produceren. Daarom mag snelheid niet leiden tot het overslaan van bestaande kwaliteitsprocedures. De AI wordt toegevoegd aan de workflow voor toetsontwikkeling; zij vervangt die workflow niet.
| Kenmerk | Cursuscommunicatie | Conceptvragen voor toetsen |
|---|---|---|
| Mogelijke meerwaarde | Sneller een toegankelijke eerste tekstversie maken. | Sneller ideeën en vraagvarianten verzamelen. |
| Belangrijkste risico | Nuance of noodzakelijke informatie gaat verloren. | Onjuiste, dubbelzinnige of slecht passende vragen. |
| Menselijke controle | Communicatieadviseur en docent controleren vóór publicatie. | Vakdocent en tweede beoordelaar controleren vóór opname. |
| Gevolg van een fout | Verwarring over cursusdeelname of voorwaarden. | Een onbetrouwbare of onrechtvaardige beoordeling. |
| Passende invoering | Kleinschalige proef met algemene teksten. | Streng begrensde ondersteuning binnen de bestaande toetsprocedure. |
Een eenvoudige route naar duurzame invoering
Verantwoorde invoering hoeft niet te beginnen met een omvangrijk beleidsprogramma. Een organisatie kan starten met één laagrisicotoepassing, duidelijke rollen en een kort evaluatiemoment. Belangrijk is dat de proef vanaf het begin verbonden is met bestaande processen voor privacy, kwaliteitszorg en professionele ontwikkeling.
Een bruikbare volgorde bestaat uit vijf beslissingen:
- Kies een concreet probleem: Formuleer welk onderwijsproces verbetering nodig heeft.
- Baken de toepassing af: Leg vast welke gegevens, gebruikers en resultaten binnen de proef vallen.
- Wijs verantwoordelijkheid toe: Benoem wie controleert, beslist en incidenten opvolgt.
- Meet kwaliteit en risico’s: Beoordeel tijd, correcties, bruikbaarheid, toegankelijkheid en ongewenste effecten.
- Beslis bewust over vervolg: Schaal op, pas aan, beperk verder of stop op basis van de bevindingen.
Opschalen betekent niet simpelweg dat meer medewerkers toegang krijgen. De organisatie moet nagaan of ondersteuning, controlecapaciteit en communicatie met hetzelfde tempo kunnen meegroeien. Een proef die bij twee ervaren docenten goed werkt, kan bij organisatiebrede toepassing nieuwe risico’s opleveren. Duurzame invoering vraagt daarom om geleidelijke uitbreiding en herhaalde beoordeling.
Van experiment naar professioneel handelen
-
Start bij een onderwijsprobleem, niet bij de aantrekkingskracht van een nieuwe tool.
-
Baken iedere AI-toepassing af met duidelijke regels voor gegevens, controle en besluitvorming.
-
Behandel invoering als een cyclus van plannen, beperkt uitvoeren, beoordelen en bijstellen.
-
Verbind AI-geletterdheid aan de organisatie, zodat scholing, privacy, kwaliteitszorg en onderwijsprocessen elkaar versterken.
AI-geletterdheid wordt zichtbaar in de keuzes die een onderwijsorganisatie dagelijks maakt. Met kleine, controleerbare stappen kan een team leren zonder studenten of medewerkers onnodig aan risico’s bloot te stellen. Zo groeit AI-gebruik van een los experiment naar een bewuste en professioneel verantwoorde onderwijspraktijk.