💻 computer science

Learning Context: A Unified Framework and Roadmap for Context-Aware AI in Education

Dit white paper stelt een verenigd Learning Context-framework voor dat het Model Context Protocol en de privacy-bewarende infrastructuur van SafeInsights benut om AI in het onderwijs te transformeren van context-blinde nabootsing naar holistische, langdurige personalisatie, met een initiële implementatie gepland via het OpenStax-ecosysteem.

Oorspronkelijke auteurs: Naiming Liu, Brittany Bradford, Johaun Hatchett, Gabriel Diaz, Lorenzo Luzi, Zichao Wang, Debshila Basu Mallick, Richard Baraniuk

Gepubliceerd 2026-02-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Naiming Liu, Brittany Bradford, Johaun Hatchett, Gabriel Diaz, Lorenzo Luzi, Zichao Wang, Debshila Basu Mallick, Richard Baraniuk

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Probleem: De "Amnesische" Tutor

Stel je voor dat je een briljante persoonlijke tutor inhuurt die ongelooflijk slim is en elke vraag direct kan beantwoorden. Echter, deze tutor heeft een vreemde aandoening: hij heeft totale amnesie (geheugenverlies).

Elke keer dat je gaat studeren, behandelt hij je als een vreemde. Hij onthoudt niet:

Dat je heel goed bent in wiskunde maar moeite hebt met lezen.
Dat je angstig wordt vlak voor toetsen.
Dat je vorig jaar de basis van dit onderwerp hebt geleerd, maar het bent vergeten.
Dat je liever leert via verhalen dan via droge lijstjes.

Omdat hij niets onthoudt, moet hij elke keer weer bij nul beginnen. Als je overstapt van zijn bijles-app naar een andere huiswerk-app, weet de nieuwe tutor jou ook niet. Je moet je hele levensverhaal en leerstijl telkens opnieuw uitleggen aan elk nieuw hulpmiddel dat je gebruikt.

Het artikel stelt dat de huidige AI in het onderwijs precies zoals deze "amnesische" tutor is. Het is krachtig, maar context-blind. Het ziet je huidige vraag, geeft antwoord, en vergeet vervolgens alles over jou op het moment dat het gesprek eindigt.

De Oplossing: Het "Leerpaspoort" (Learning Context)

De auteurs stellen een nieuw raamwerk voor genaamd Learning Context (LC). Zie dit als een digitaal "Leerpaspoort" dat met de student meereist.

In plaats van dat de AI elke keer vanaf nul begint, draagt dit paspoort een rijk, gedetailleerd profiel van de leerling dat met hen meegaat van app naar app, van school naar school en van jaar naar jaar. Het bevat drie hoofdvormen van informatie:

Wie je bent: Jouw sterktes, zwaktes en hoe je denkt (bijv. "Ik leer het best met plaatjes").
Hoe je je voelt: Je stemming, angstniveau en motivatie (bijv. "Ik voel me nu gefrustreerd").
Waar je bent: Welke tools je gebruikt en met wie je leert (bijv. "Ik werk met een studiegroep op een tablet").

De Vierstaps-Routekaart om dit te Bouwen

Het artikel schetst een vierdelig plan om dit systeem te bouwen:

1. De Theorie (Het Blauwdruk)

Eerst moeten ze afspraken maken over wat er in het paspoort komt te staan. Ze kijken niet alleen naar toetsresultaten. Ze bouwen een kaart gebaseerd op hoe mensen daadwerkelijk leren, wat onder meer bestaat uit:

De "Wie": Jouw achtergrond en persoonlijkheid.
De "Met Wie": Je leraren en vrienden.
De "Wat": De specifieke leerstof.
De "Wanneer": Of je moe bent, enthousiast, of net aan een onderwerp begint.
De "Waar": De digitale omgeving waarin je je bevindt.

2. De Technologie (De Motor)

Vervolgens moeten ze deze theorie omzetten in computercode. Ze willen een datastructuur creëren die gemakkelijk door computers gelezen kan worden, maar die ook logisch is voor mensen.

De "Warm-Start" Magie: Momenteel heeft AI een "cold start" (het weet niets). Met dit nieuwe systeem kan een AI een "warm-start" doen. Stel je voor dat je een kamer binnenloopt en de leraar direct zegt: "Hoi Alex, ik zie dat je goed bent in verhalen maar moeite vindt met vergelijkingen, dus laten we proberen deze wiskundeprobleem als een verhaal uit te leggen." Dat is het doel.
De Connector (MCP): Ze willen een nieuwe industriestandaard gebruiken genaamd de Model Context Protocol (MCP). Denk aan deze als een universele USB-C poort. Het zorgt ervoor dat verschillende AI-tools (zoals een reken-app, een schrijf-app of een bijles-bot) allemaal veilig op hetzelfde "Leerpaspoort" kunnen inpluggen, zodat ze allemaal dezelfde gegevens kunnen lezen zonder dat er voor elk apparaat een eigen kabel nodig is.

3. De Testfase (De Proefloop)

Je kunt het niet alleen bouwen; je moet het ook in het echte leven testen. De auteurs werken samen met OpenStax (een platform met miljoenen gratis tekstboeken) en SafeInsights (een beveiligd onderzoekslaboratorium).

Ze voeren experimenten uit om te zien of leerlingen beter leren wanneer de AI hen "herinnert" versus wanneer de AI dat niet doet.
Ze controleren of de AI jouw behoeften correct kan raden door alleen je chatberichten te lezen, of dat de AI het paspoort nodig heeft om het goed te doen.
Het Doel: Bewijzen dat een "context-bewuste" AI-tutor effectiever is dan een "context-blinde" een.

4. De Privacybewaker (De Kluis)

Dit is het meest cruciale deel. Het verzamelen van zoveel persoonlijke gegevens is riskant. Het artikel benadrukt een "Privacy-First" aanpak.

De Kluis: Ze bouwen een beveiligde "data enclave" (zoals een hoogtechnologische kluis) waar de gegevens worden bewaard.
De Regel: De AI-tools krijgen nooit de ruwe, privé gegevens te zien (zoals je naam of adres). In plaats daarvan krijgen ze alleen een "samenvatting" of een "snapshot" van wat ze nodig hebben om jou effectief te onderwijzen.
De Keuze van de Gebruiker: Studenten en leraren zullen de controle hebben. Zij kunnen beslissen wat er in het paspoort komt en wie er toegang toe heeft.

Waarom dit Belangrijk is

Het artikel beweert dat als we dit systeem bouwen, we twee grote problemen kunnen oplossen:

Beter Leren: AI zal stoppen met het geven van generieke antwoorden en zal beginnen met het geven van gepersonaliseerde hulp die past bij jouw brein en jouw stemming.
Rechtvaardigheid: Momenteel behandelt AI iedereen misschien wel hetzelfde, wat schadelijk kan zijn voor leerlingen die extra ondersteuning nodig hebben. Een "context-bewuste" AI kan signaleren wanneer een leerling worstelt door angst of een taalbarrière, en de onderwijsstijl aanpassen om te helpen inhalen, in plaats van simpelweg harder te pushen.

Samenvatting

Kortom, dit artikel is een blauwdruk om AI te veranderen van een vergeetachtige, eenheidsworst-robot naar een bedachtzame, langdurige leerpartner. Door AI een "geheugen" te geven van wie jij bent (jouw Learning Context) en al je tools te verbinden met een veilig "paspoort"-systeem, hopen zij het onderwijs persoonlijker, effectiever en eerlijker te maken voor iedereen.

Technische Samenvatting: Een Verenigd Raamwerk en Roadmap voor Contextbewuste AI in het Onderwijs

1. Probleemstelling

Het artikel identificeert een kritieke beperking in de huidige staat van Generatieve AI (specifiek Large Language Models) binnen de onderwijstechnologie: contextblindheid. Hoewel AI-tools wijdverbreide adoptie hebben bereikt als "arrival technologies" voor de levering van inhoud en procedurele ondersteuning, missen ze een duurzaam, holistisch begrip van de lerende. Huidige systemen opereren als "stochastische papegaaien" die bij elke sessie worden gereset, en falen in het vasthouden of benutten van:

Cognitieve factoren: Voorkennis, misconcepties en mentale modellen.
Affectieve factoren: Angst, motivatie en zelfeffectiviteit.
Socioculturele factoren: Identiteit, interactie met peers en culturele normen.

Deze fragmentatie dwingt lerenden om bij elke nieuwe tool weer bij een "cold start" te beginnen, wat diepgaand, gepersonaliseerd leren verhindert en het risico op het vergroten van ongelijkheid vergroot. De auteurs stellen dat zonder een principieel raamwerk om deze factoren over korte, medium en lange termijn te coderen, AI niet kan transformeren van een imitator van instructie naar een ware partner in het leerproces.

2. Methodologie en Raamwerk

Het artikel stelt een multidisciplinaire Research and Development (R&D) roadmap voor, georganiseerd in vier onderling verbonden thema's om een Learning Context (LC) raamwerk te operationaliseren.

Thema 1: Theoretisch Raamwerk voor de Leercontext

De auteurs synthetiseren decennia aan leerwetenschap (socioculturele theorie, constructivisme, gedistribueerde cognitie, activiteittheorie) om LC te definiëren, niet als een achtergrondvariabele, maar als een actieve constituent van het leren. Ze stellen een verenigd raamwerk voor dat gestructureerd is rond vijf kerndimensies:

Wie: Lerende factoren (voorkennis, misconcepties, metacognitie, psychosociale kenmerken).
Met wie: Sociale context (samenwerking met peers, feedback van instructeurs, betrokkenheid).
Wat: Inhouds- en taakcontext (moeilijkheidsgraad, domein, modaliteit).
Wanneer: Temporele dynamiek (het onderscheid tussen stabiele eigenschappen en volatiele toestanden, longitudinale blootstelling).
Waar: Digitale omgeving (micro-systemen zoals specifieke taken tot meso-systemen zoals platformnavigatie).

Thema 2: Technologie voor de Leercontext

Dit thema vertaalt het theoretische raamwerk naar een computationele agenda. Belangrijke technische componenten zijn onder meer:

Datastructuur: Een meerlagige graafrepresentatie (mogelijk JSON-LD of Knowledge Graphs) waarbij knopen entiteiten vertegenwoordigen (lerende, inhoud, peers) en randen relaties coderen. Dit omvat een Belief-based Model (BBM) om mentale modellen en misconcepties vast te leggen.
Meetinfrastructuur: Het verder gaan dan binaire correctheidslogs door rijkere signalen te vangen via chatbot-transcripten, multimodale sensoring (met privacybeperkingen) en OS-niveau instrumentatie (GUI-agents) om leergedrag over verschillende tools heen te volgen.
Prioritering en Compressie: Het aanpakken van het dimensionaliteitsprobleem door middel van feature-importance analyse, probabilistische selectie en adaptief vergeten, om ervoor te zorgen dat de LC computationeel efficiënt blijft terwijl de pedagogische getrouwheid behouden blijft.
Interoperabiliteit via Model Context Protocol (MCP): Het artikel pleit voor het gebruik van de MCP-standaard om AI-tools in staat te stellen te "warm-starten" door een externe LC-server te bevragen. Dit stelt AI-agents in staat om gestructureerde context-snapshots op te halen en nieuwe bewijslast terug te duwen zonder toegang tot ruwe Persoonsgegevens (PII).

Thema 3: Toepassing, Testen en Validatie

De auteurs schetsen een Design-Based Implementation Research (DBIR) aanpak, vermengd met User-Centered Design (UCD).

Implementatielocatie: Het raamwerk wordt geïmplementeerd in het OpenStax ecosysteem (specifiek het Assignable platform) en gevalideerd met SafeInsights, een privacy-bewarende onderzoeksinfrastructuur aan de Rice University.
Experimenteel Ontwerp: De studie maakt gebruik van binnen-cursus factoriële ontwerpen (contextbewuste versus context-blinde AI) en micro-gerandomiseerde trials om de causale impact van context op leerresultaten te schatten.
Succescriteria: Validatie vereist dat het contextbewuste systeem leerwinst demonstreert (effectgrootte Cohen's $d \ge 0.20$ ), hoge voorspellende validiteit ( $\ge 95\%$ nauwkeurigheid in staat-classificatie) en nul kritieke privacy-schendingen.

Thema 4: Privacy en Ethiek

Privacy wordt behandeld als een overkoepelende beperking in plaats van een achterafje. De auteurs stellen een "privacy-by-design" aanpak voor die de trade-off tussen privacy ( $\epsilon$ ) en prestatie ( $\delta$ ) onderzoekt. Strategieën omvatten:

Governance: Het definiëren van eigendoms- en controlemodellen voor LC-data.
Architectuur: Het verkennen van gecentraliseerde, gedecentraliseerde en federatieve modellen om single-point breaches te voorkomen.
Gecontroleerde Openbaarmaking: Het gebruik van differential privacy en dataminimalisatie om AI te laten profiteren van context zonder toegang tot ruwe PII.
Rechtvaardigheid: Ervoor zorgen dat de LC fungeert als een ondersteuningsmechanisme om te voorkomen dat AI vooroordelen versterkt of verwachtingen verlaagt op basis van de achtergrond van een student.

3. Belangrijkste Resultaten en Bewijs

Het artikel presenteert vier vignettes (voorlopige experimenten) om de noodzaak en haalbaarheid van het LC-raamwerk aan te tonen:

Vignette 1 (Personalisatie): Demonstreerde dat het verstrekken van onderscheidende leerlingprofielen (bijv. hoog Engels/laag wiskunde versus hoog wiskunde/laag Engels) aan een LLM resulteerde in significant verschillende, meer passende instructiestrategieën (narratief-gebaseerd versus vergelijking-gestuurd).
Vignette 2 (Instructionele Verschuiving): Toonde aan dat het verstrekken van een affectief profiel (angst, lage zelfeffectiviteit) aan een LLM de strategieselectie verschoof van generieke inhoudlevering naar leerlinggerichte ondersteuning (bijv. het bevorderen van een groeimindset), terwijl het context-blinde model inhoudgericht bleef.
Vignette 3 (Misalignement van Relevantie en Impact): Onthulde dat huidige LLM's van nature geen prioritering van context toepassen. De modellen kennen hoge impactgewichten toe aan irrelevante afleiders (bijv. favoriete hobby's) terwijl ze cruciale pedagogische kenmerken (bijv. inspanningsregulatie) onderwaarderen, wat de noodzaak van een extern prioriteringsraamwerk benadrukt.
Vignette 4 (Closed-Loop Validatie): In een pilotstudie met behulp van GPT-5.1 testten de auteurs de "observeerbaarheid" van LC. Terwijl conceptuele misconcepties met 91,4% nauwkeurigheid werden hersteld, waren gedragskenmerken zoals consciëntieusheid en taalvaardigheid moeilijker af te leiden uit dialoog alleen (60–68% nauwkeurigheid). Dit valideert de noodzaak van een persistente LC-datalayer om "langzaam opkomende" kenmerken te vangen die de AI niet betrouwbaar in een enkele sessie kan afleiden.

4. Betekenis en Claims

Het artikel positioneert het LC-raamwerk als een noodzakelijke evolutie voor AI in het onderwijs, waarbij het veld verschuift van "context-blinde imitatie" naar "principieel, holistisch begrip."

Oplossen van het Cold-Start Probleem: Door "warm-start" mogelijkheden mogelijk te maken via MCP, stelt het raamwerk AI-tools in staat om onmiddellijk aan te passen aan het unieke profiel van een lerende, waardoor kostbare instructietijd wordt bespaard.
Interoperabiliteit: Het raamwerk biedt een gestandaardiseerde, machine-leesbare taal voor de leercontext die tussen verschillende AI-tools en platforms kan reizen, waardoor datasilo's worden doorbroken.
Gelijkheid en Ethiek: De auteurs beweren dat contextbewuste AI essentieel is voor het verkleinen van de ongelijkheid. Door de volledige lerende te begrijpen (inclusief affectieve en socioculturele barrières), kan AI diepe, robuuste ondersteuning bieden in plaats van oppervlakkige, eenheidsworst-imitatie die lerenden met een achterstand kan benadelen.
Schaalbare Roadmap: Het artikel beweert niet dat alle problemen zijn opgelost, maar biedt een concrete, multidisciplinaire roadmap voor de R&D-gemeenschap om deze contextbewuste systemen te bouwen, te testen en te valideren binnen authentieke onderwijsomgevingen (OpenStax) met strikte privacy-standaarden (SafeInsights).

De auteurs concluderen dat het realiseren van de belofte van AI voor het onderwijs een collectieve inspanning vereist om deze contextbewuste systemen te bouwen, zodat de technologie dient als een dynamische partner in de reis van de lerende in plaats van een statisch, geïsoleerd hulpmiddel.