🤖 AI

PedaCo-Gen: Scaffolding Pedagogical Agency in Human-AI Collaborative Video Authoring

Dit onderzoek introduceert PedaCo-Gen, een systeem dat docenten helpt bij het co-creëren van instructieve video's met AI door een pedagogisch gefundeerd tussenstap te gebruiken die de kwaliteit verbetert en de professionele expertise van de gebruiker versterkt.

Oorspronkelijke auteurs: Injun Baek, Yearim Kim, Nojun Kwak

Gepubliceerd 2026-03-30

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Injun Baek, Yearim Kim, Nojun Kwak

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

PedaCo-Gen: De Slimme Co-Piloot voor Leraren die Video's Maken

Stel je voor dat je een leraar bent en je wilt een fantastische, leerzame video maken over hoe een planeet ontstaat. Vroeger moest je dit alles zelf doen: script schrijven, beelden zoeken, voice-over opnemen en alles monteren. Dat kostte dagen.

Vandaag de dag hebben we kunstmatige intelligentie (AI) die video's kan maken in een seconde. Maar hier zit een probleem: deze AI's zijn als snelle, maar ongediplomeerde stagiairs. Ze zijn geweldig in het maken van mooie plaatjes, maar ze weten niet altijd wat goed is voor het leren. Ze kunnen bijvoorbeeld te veel rommel toevoegen die afleidt, of belangrijke dingen vergeten uitleggen. Het resultaat is vaak een mooie video die leerlingen niets leert.

PedaCo-Gen is de oplossing. Het is geen AI die alles alleen doet, maar een samenwerkingspartner voor leraren. Het werkt als een slimme "co-piloot" die zorgt dat de video niet alleen mooi is, maar ook didactisch perfect.

Hier is hoe het werkt, vertaald naar alledaagse beelden:

1. De "Blauwdruk" (De Tussenstap)

Bij gewone AI's geef je een opdracht ("Maak een video over planeten") en de AI schiet direct de eindvideo op je af. Dat is als een kok die direct een gerecht op je bord zet zonder dat je hebt kunnen proeven of het wel op smaak is.

PedaCo-Gen doet het anders. Het stopt eerst bij de blauwdruk.

De AI schrijft eerst het script en beschrijft de beelden (de blauwdruk).
Jij (de leraar) kijkt hier naar voordat er ook maar één seconde video wordt gegenereerd.
Dit is als het controleren van de bouwtekening van een huis voordat de eerste baksteen wordt gelegd. Je kunt nog makkelijk de muren verplaatsen; als het huis al gebouwd is, is het veel moeilijker.

2. De "Didactische Vriend" (De AI-Reviewer)

Het meest unieke aan PedaCo-Gen is dat de AI niet alleen een script schrijft, maar ook criticiert.

De AI heeft een "hoofd" gevuld met de 12 regels voor goed leren (de CTML-theorie). Denk hieraan als een ervaren mentor die naast je staat.
Als de AI een script schrijft, zegt hij: "Hé, dit script is te rommelig. We hebben te veel achtergrondmuziek die afleidt, en we hebben de belangrijke termen niet eerst uitgelegd. Laten we dat aanpassen."
De AI werkt hierbij als een metacognitieve steunpilaar. Hij helpt jou om na te denken over hoe je lesgeeft, in plaats van alleen maar het werk voor je te doen.

3. De "Poortwachter" (Jij bent de Baas)

In veel AI-systemen ben je een passieve kijker. Bij PedaCo-Gen ben je de poortwachter.

De AI suggereert verbeteringen, maar jij beslist wat er gebeurt.
Je kunt zeggen: "Ja, die suggestie is goed," of "Nee, voor mijn specifieke klas wil ik dit anders."
Dit zorgt ervoor dat de leraar de controle behoudt. De AI is de gereedschapskist, maar jij bent de timmerman die het meubelstuk bouwt.

Wat vonden leraren hiervan?

De onderzoekers hebben dit systeem getest met 23 leraren. De resultaten waren duidelijk:

Minder gedoe: Leraren vonden dat het systeem hen veel tijd bespaarde omdat ze niet hoeven te "gokken" of de video wel goed is. Ze hoeven niet meer 10 keer te proberen (trial-and-error) voordat het resultaat klopt.
Beter leren: De video's die met PedaCo-Gen werden gemaakt, waren volgens de regels voor goed leren veel beter dan die van de standaard AI. Ze waren rustiger, duidelijker en leerden de leerlingen meer.
Vertrouwen: Leraren voelden zich niet overgenomen door de machine, maar juist versterkt. Ze voelden zich als experts die een slimme assistent hadden.

Waarom is dit belangrijk?

Vroeger dachten we dat AI alles voor ons zou doen. PedaCo-Gen leert ons iets belangrijks: AI is het beste wanneer het samenwerkt met menselijke expertise.

Het is alsof je een auto met een zeer krachtige motor (de AI) hebt, maar je hebt nog steeds een ervaren bestuurder (de leraar) nodig om te weten waar je naartoe moet en hoe je veilig rijdt. PedaCo-Gen zorgt ervoor dat de bestuurder de controle behoudt, terwijl de motor het zware werk doet.

Kortom: PedaCo-Gen is een tool die leraren helpt om met AI video's te maken die niet alleen mooi zijn om naar te kijken, maar die leerlingen echt iets leren, zonder dat de leraar zijn eigen vakinhoudelijke kennis hoeft op te geven.

Probleemstelling

Hoewel Text-to-Video (T2V) generatieve AI veelbelovend is voor het democratiseren van contentcreatie, vertonen bestaande modellen een kritiek tekort: ze zijn geoptimaliseerd voor visuele fideliteit (hoe realistisch het beeld eruitziet) in plaats van voor instructieve effectiviteit.

De "One-Shot" Black Box: Traditionele T2V-pijplijnen werken vaak als een eenmalig proces waarbij een prompt direct wordt omgezet in een video. Dit laat educatoren geen ruimte voor granulaire controle.
Pedagogische mislukkingen: Zonder specifieke instructies negeert de AI gevestigde didactische principes, wat leidt tot video's die onbedoeld de cognitieve belasting van de leerling verhogen (extrane cognitieve last) en de leerdoelen ondermijnen.
Gebrek aan menselijke regie: Educatoren kunnen de kwaliteit niet garanderen en hebben geen middelen om de AI te corrigeren voordat de zware visuele synthese plaatsvindt.

Methodologie: Het PedaCo-Gen Systeem

Het paper introduceert PedaCo-Gen, een mens-AI collaboratief systeem dat is ontworpen om instructieve video's te produceren die gebaseerd zijn op Mayer's Cognitieve Theorie van Multimedia Learning (CTML).

Kernarchitectuur:
Het systeem vervangt de "one-shot" benadering door een iteratieve workflow met een Intermediate Representation (IR) fase. Dit betekent dat er eerst een "video blauwdruk" (script en visuele beschrijvingen) wordt gegenereerd en beoordeeld voordat de daadwerkelijke video wordt gegenereerd.

Setup-fase:
- De gebruiker voert leerinhoud in.
- Pedagogische constraints worden ingesteld op basis van de 12 principes van CTML (bijv. Coherentie, Redundantie, Signaleren).
Script Generatie:
- Een Large Language Model (LLM) genereert een eerste conceptscript dat is gestructureerd per scène (visuele beschrijving + voice-over).
Refinement-fase (De kern van de samenwerking):
- Een expert-review module (gebaseerd op een LLM) fungeert als een "metacognitieve steun" (scaffold).
- De AI analyseert het script tegen de CTML-principes en geeft uitlegbaar feedback.
- De gebruiker kan alle feedback toepassen of selectief het script bewerken. Dit creëert een "mens-in-de-lus" (human-in-the-loop) proces.
Output-fase:
- Na goedkeuring van het script wordt het doorgegeven aan een T2V-model (Veo 3.1) voor de visuele synthese.

Technische Implementatie:

LLM: Gemini 2.5 Flash voor scriptgeneratie en review.
Video Synthese: Veo 3.1 voor het genereren van video-scènes.
Prompt Engineering: Specifieke prompts worden gebruikt om de AI te dwingen zich te houden aan principes zoals het vermijden van achtergrondmuziek (Coherentie) en het synchroniseren van tekst en beeld (Contiguity).

Studie-ontwerp

Deelnemers: 23 onderwijsprofessionals (docenten en onderwijskundigen).
Opzet: Within-subject design. Deelnemers maakten video's over drie onderwerpen (causaal, abstract, procedureel) onder twee condities:
1. Baseline: LLM-scripts die door mensen werden geredigeerd met CTML-richtlijnen als referentie.
2. PedaCo-Gen: Scripts die werden verfijnd via het mens-AI collaboratieve workflow-systeem.
Metingen: Kwantitatieve evaluatie van 13 items (12 CTML-principes + algehele validiteit) op een 5-punts Likert-schaal, gecombineerd met kwalitatieve feedback over gebruiksgemak en intentie.

Belangrijkste Resultaten

1. Verbetering van Pedagogische Kwaliteit
PedaCo-Gen leidde tot statistisch significante verbeteringen ( $p < .05$ ) in alle 12 CTML-principes in vergelijking met de baseline.

Gemiddelde score: Steeg van 3,07 (baseline) naar 3,86 (PedaCo-Gen).
Grootste winst: Pre-training (+0,86) en Coherentie (+0,84). De AI-reviewer zorgde ervoor dat sleutelconcepten eerder werden geïntroduceerd en irrelevante decoratieve elementen werden verwijderd.
Toepassingsgebied: De verbeteringen waren consistent over verschillende onderwerpsoorten (causaal, abstract, procedureel).

2. Gebruikerservaring en Efficiëntie

Productie-efficiëntie: Deelnemers scoorden dit zeer hoog ( $M=4,26$ ). Hoewel het systeem extra stappen toevoegt (review), reduceerde het de "trial-and-error" kosten aanzienlijk in vergelijking met het handmatig corrigeren van zwarte-bus AI-generaties.
Validiteit van de Gids: De AI-feedback werd gezien als pedagogisch waardevol en actiegericht ( $M=4,04$ ).
Pedagogische Agency: Deelnemers voelden zich niet vervangen, maar versterkt. Ze fungeerden als "pedagogische poortwachters" die de AI-voorstellingen kritisch konden evalueren en aanpassen.

3. Beperkingen

Tekstweergave: T2V-modellen hebben nog moeite met het correct renderen van tekst (spelfouten), wat de effectiviteit van principes als Signaleren en Ruimtelijke Contiguity beperkt.
Audio: Sommige deelnemers vonden de stemmen onnatuurlijk.
Transparantie: Sommige deelnemers hadden twijfels over de herkomst van de gegenereerde inhoud (provenance) en de consistentie van de output.

Belangrijkste Bijdragen

Conceptueel Kader: Het paper introduceert een nieuw paradigma voor educatieve AI: van "one-shot" generatie naar principiële co-creatie met een IR-fase.
Pedagogische Agency: Het bewijst dat het toevoegen van "productieve wrijving" (iteratieve review) de menselijke expertise versterkt in plaats van ondermijnt, waardoor educatoren de regie behouden.
Systeemontwerp: Een werkend prototype dat CTML-principes structureel integreert in de generatieve pipeline, niet als een naslagwerk, maar als een harde constraint voor de AI.
Empirisch Bewijs: Kwantitatief bewijs dat mens-AI samenwerking leidt tot objectief betere educatieve video's dan menselijke redactie van ruwe AI-output.

Betekenis en Toekomstperspectief

PedaCo-Gen markeert een verschuiving in het ontwerp van educatieve AI-tools. Het toont aan dat generatieve AI pas echt waardevol is voor het onderwijs wanneer deze wordt gekoppeld aan domeinexpertise (pedagogie) via transparante, controleerbare workflows.

Toekomstige richtingen:

Integratie van Explainable AI (XAI) om te verklaren waarom een scène op een bepaalde manier is gegenereerd (bijv. "De achtergrond is vereenvoudigd om de cognitieve last te verlagen").
Adaptiviteit: Het systeem aanpassen aan de doelgroep (bijv. complexiteit van taal voor kleuters vs. studenten).
Curriculum-uitlijning: Het trainen van AI-systemen op officiële nationale curriculumstandaarden om generieke uitleg te vervangen door contextbewuste instructie.

Kortom, PedaCo-Gen biedt een blauwdruk voor hoe AI-tools kunnen worden ontworpen die niet alleen productief zijn, maar ook pedagogisch verantwoord en betrouwbaar voor educatoren.