STEM Faculty Perspectives on Generative AI in Higher Education

Dit artikel presenteert de bevindingen van een focusgroepstudie onder 29 STEM-docenten aan een grote Amerikaanse openbare universiteit, waarin hun perspectieven op de integratie van generatieve AI worden onderzocht, variërend van pedagogische toepassingen tot zorgen over academische integriteit, en concludeert dat een effectieve adoptie een heroverweging vereist van toetsing, pedagogiek en institutioneel beleid.

De kern

Hier is een samenvatting van het onderzoek in eenvoudig, alledaags Nederlands, met behulp van een paar creatieve vergelijkingen om het begrijpelijk te maken.

De Hoofdverhaal: Leren Varen met een Nieuwe Motor

Stel je voor dat hoger onderwijs een grote, oude boot is die al eeuwen vaart. De studenten zijn de passagiers en de docenten zijn de kapiteins. Plotseling duikt er een nieuwe, superkrachtige motor op: Generatieve AI (zoals ChatGPT).

Het vreemde is: de passagiers (de studenten) hebben deze motor al zelf geïnstalleerd en gebruiken hem volop. De kapiteins (de docenten) moeten nu ineens reageren op een technologie die al in de cabine staat, terwijl ze niet precies weten hoe ze hem moeten besturen.

Dit onderzoek, gedaan door 29 docenten van de technische faculteit aan de San Francisco State University, kijkt naar hoe deze kapiteins met die nieuwe motor omgaan.

Wat ontdekten ze?

1. De Docent is nu de 'Hoofdredacteur' (Niet de Schrijver)

Vroeger schreven docenten al hun eigen quizvragen en lesmateriaal, net als een kok die alles zelf kookt. Nu gebruiken ze AI om het recept te laten opschrijven.

• De vergelijking: Het lijkt alsof de kok minder werk heeft, maar dat is een illusie. De kok moet nu urenlang smaken aan het gerecht, de smaak verbeteren en controleren of er geen giftige paddenstoelen in zitten.
• De bevinding: Docenten besteden minder tijd aan het maken van content, maar veel meer tijd aan het controleren, verbeteren en verifiëren van wat de AI heeft gemaakt. Het werk verschuift van "creëren" naar "cureren" (kieszaken).

2. De Illusie van de Slimme Student

Sommige docenten zien dat studenten hun opdrachten sneller inleveren en dat er minder mensen vastlopen.

• De vergelijking: Het is alsof een student een fiets met een elektrische motor heeft gekregen. Hij komt sneller aan op de top, maar hij heeft misschien nooit geleerd hoe hij zelf moet trappen. Als de motor uitvalt (of als ze de motor niet meer mogen gebruiken), weten ze niet hoe ze verder moeten.
• Het probleem: De AI kan code schrijven of een tekst maken, maar de student begrijpt niet hoe het werkt. Als ze later zelf moeten debuggen (fouten zoeken), zakken ze door de bodem omdat ze de basisprincipes niet snappen. Het is een "schijncompetentie".

3. De Strijd om de Eerlijkheid (De "AI-Detectie" Dilemma)

Docenten maken zich zorgen dat studenten hun huiswerk laten maken door de AI en dit als hun eigen werk presenteren.

• De vergelijking: Het is als een jacht op spookschepen. De huidige AI-detectietools zijn als slechte radar: ze zien soms een vliegtuig als een schip (vals positief) en missen echte schepen volledig.
• De oplossing: Veel docenten geven de jacht op spookschepen op. In plaats daarvan gaan ze terug naar oude methoden: mondelinge examens of huiswerk dat in de klas wordt gemaakt, waar je geen telefoon of AI bij kunt hebben. Of ze maken opdrachten waarbij studenten moeten vergelijken: "Hier is een tekst van de AI, hier is jouw versie, leg uit wat de AI fout deed."

4. Wat hebben de Docenten Nodig? (De Hulp van de Havenmeester)

De docenten zeggen: "Wij willen deze motor gebruiken, maar we hebben meer hulp nodig dan alleen een handleiding."

• Training: Ze willen niet alleen weten hoe je de knoppen indrukt, maar ook waarom de motor werkt (en waarom hij soms leugens vertelt).
• Regels: Nu is het zo dat in klas A AI mag, en in klas B niet. Studenten raken in de war. Ze willen duidelijke, eerlijke regels voor de hele school.
• Tijd en Geld: Het opnieuw inrichten van een cursus kost tijd. Docenten willen betaalde tijd om hun lessen aan te passen, net zoals een kok betaald krijgt om een nieuw menu te ontwikkelen.
• Een AI-Cursus voor Iedereen: Ze pleiten voor een verplichte cursus over "AI-geletterdheid" voor alle studenten, niet alleen voor de technici. Iedereen moet leren hoe je met deze krachtige tool omgaat, net als je leert hoe je veilig over de weg loopt.

De Conclusie in Eén Zin

Het invoeren van AI in het onderwijs is niet zomaar een nieuwe tool toevoegen; het is alsof je de hele boot moet ombouwen. Je moet de navigatie (de examens), de vaartuigregels (het beleid) en de vaardigheden van de bemanning (de docenten en studenten) volledig opnieuw bedenken om ervoor te zorgen dat we niet alleen sneller varen, maar ook niet tegen een ijsberg aan varen.

Kortom: AI is een krachtige hulpmotor, maar als we niet oppassen, leren onze studenten niet meer zelf te roeien. De school moet zorgen dat ze beide kunnen: de motor gebruiken én zelf weten hoe ze de boot sturen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "STEM Faculty Perspectives on Generative AI in Higher Education" in het Nederlands.

Probleemstelling

Generatieve kunstmatige intelligentie (GenAI) is steeds meer aanwezig in het hoger onderwijs, maar de adoptie is grotendeels door studenten gedreven. Dit dwingt docenten om te reageren op technologie die al in de klas is geïntegreerd, zonder dat er altijd duidelijke institutionele richtlijnen zijn. Hoewel sommige docenten GenAI omarmen voor didactische doeleinden (zoals contentgeneratie en beoordeling), staan anderen sceptisch tegenover de impact op academische integriteit, het leerproces en de validiteit van assessments. Er is een gebrek aan inzicht in hoe STEM-docenten (Wetenschap, Technologie, Ingenieurswetenschappen, Wiskunde) deze technologie collectief interpreteren, integreren en welke institutionele ondersteuning ze nodig hebben om verantwoord gebruik te bevorderen.

Methodologie

De auteurs voerden een kwalitatief onderzoek uit met behulp van focusgroepen om de perspectieven van STEM-docenten te onderzoeken.

• Deelnemers: 29 faculteitsleden van het College of Science and Engineering (CoSE) aan de San Francisco State University (SFSU), een grote openbare universiteit die zich richt op toegankelijkheid en een grote populatie van eerste-generatiestudenten en studenten met een Pell Grant. De groep bestond uit lectoren en tenured/tenure-track docenten, voornamelijk uit Informatica (41,9%), maar ook uit andere STEM-disciplines zoals Ingenieurswetenschappen, Wiskunde, Chemie en Biologie.
• Datacollectie: Zeven focusgroepsessies (ongeveer 90 minuten per sessie) die online via Zoom werden gehouden. De sessies omvatten zowel discipline-specifieke groepen (alleen Informatica) als interdisciplinaire groepen.
• Analyse: De sessies werden opgenomen en getranscribeerd. De data werden geanonimiseerd en geanalyseerd met behulp van Google NotebookLM om thema's en patronen te identificeren. Deze AI-ondersteunde output werd vervolgens handmatig geverifieerd door het onderzoeksteam aan de hand van de originele transcripties en notities.
• Onderzoeksvragen (RQ's):
  1. Hoe integreren docenten GenAI in cursusontwerp en leeractiviteiten?
  2. Welke voordelen en uitdagingen observeren docenten met betrekking tot studentleren?
  3. Welke institutionele middelen en beleidslijnen zijn nodig voor effectieve adoptie?

Belangrijkste Bijdragen

1. Inzicht in STEM-perspectieven: Het biedt een gedetailleerd beeld van hoe docenten aan een toegankelijke, grote openbare universiteit omgaan met GenAI, een context die vaak onderschat wordt in vergelijking met elite-instellingen.
2. Pedagogische inzichten: Het identificeert specifieke voordelen (zoals snellere iteratie) en kritieke uitdagingen (zoals het maskeren van conceptuele lacunes) in de STEM-educatie.
3. Aanbevelingen voor institutioneel beleid: Het stelt concrete, door docenten ingegeven aanbevelingen op voor institutionele ondersteuning, variërend van training tot beleidsvorming.

Resultaten en Bevindingen

1. Integratie in Cursusontwerp (RQ1)
Docenten gebruiken GenAI voornamelijk in drie categorieën:

• Cursusontwerp en voorbereiding: Genereren van quizvragen, het ontwikkelen van realistische scenario's, het maken van rubrics en het verduidelijken van instructies. Docenten merken echter op dat dit geen tijdwinst oplevert, maar een verschuiving van contentcreatie naar expert-curatie (het controleren, verfijnen en verifiëren van AI-gegenereerde output).
• Directe ondersteuning van studenten: Studenten worden aangemoedigd GenAI te gebruiken voor brainstormen, het genereren van code-snippets (die dan moeten worden geïntegreerd), en het vertalen van pseudocode naar echte code. Een veelgebruikte strategie is het laten vergelijken van menselijke en AI-gegenereerde oplossingen.
• Administratieve taken: Samenvatten van e-mails en het opstellen van feedback. Er is echter bezorgdheid over het verlies van authenticiteit in de communicatie.

2. Voordelen en Uitdagingen voor Studentleren (RQ2)

• Voordelen: GenAI helpt studenten technische hordes te overwinnen, versnelt het iteratieproces en fungeert als een "privé-teachingassistent" die 24/7 beschikbaar is. Dit leidt tot hogere inleverpercentages en snellere projectvoortgang.
• Uitdagingen:
  • Illusie van competentie: Docenten zien dat studenten werk sneller inleveren, maar vaak worstelen met het debuggen van AI-code omdat ze de onderliggende logica niet begrijpen.
  • Academische integriteit: Het is moeilijk om AI-gegenereerd werk te detecteren, en bestaande detectietools zijn onbetrouwbaar.
  • Verslechtering van kritisch denken: Er is een risico dat studenten overmatig afhankelijk worden van AI, waardoor ze essentiële probleemoplossende vaardigheden niet ontwikkelen.
  • Reactie: Docenten experimenteren met een tweeledige strategie: terugkeer naar traditionele methoden (mondelinge examens, pen-en-papier examens) én het ontwerpen van opdrachten die kritische evaluatie van AI-output vereisen.

3. Institutionele Behoeften (RQ3)
Docenten benadrukken de noodzaak van:

• Training en middelen: Workshops over de werking van Large Language Models (LLMs), prompt engineering en het delen van herbruikbare prompts en case studies.
• Beleid en richtlijnen: Duidelijke, coördinatie op afdelingsniveau om verwarring bij studenten te voorkomen (bijv. wanneer AI wel of niet mag). Er is behoefte aan richtlijnen voor citatie en auteursrechten.
• Curriculaire veranderingen: Een verplichte, universiteitsbrede cursus over AI-geletterdheid en ethiek voor alle studenten, niet alleen voor technische vakken.
• Tijdsinvestering: Docenten vragen om betaalde vrijstelling van tijd om cursussen opnieuw te ontwerpen en institutionele investeringen in AI-ondersteunende teams.

Betekenis en Conclusie

De studie concludeert dat effectieve integratie van GenAI in het hoger onderwijs meer vereist dan alleen technische adoptie. Het vereist een fundamentele heroverweging van:

1. Beoordelingsmethoden: De verschuiving van het testen van kennisherroeping naar het testen van kritisch denken en het vermogen om AI-output te evalueren.
2. Pedagogie: Het actief inbouwen van interventies om kritisch denken te stimuleren ondanks de aanwezigheid van AI.
3. Institutioneel bestuur: Een balans vinden tussen universiteitsbrede beleidskaders (voor consistentie) en afdelingsautonomie (voor discipline-specifieke toepassing).

De auteurs waarschuwen dat permanente institutionele veranderingen niet te snel mogen worden doorgevoerd gezien de onzekerheid over de toekomst van GenAI, maar dat er wel dringend geïnvesteerd moet worden in de ontwikkeling van docenten en de ondersteunende infrastructuur. De bevindingen zijn specifiek voor STEM-docenten aan een toegankelijke openbare universiteit en kunnen mogelijk niet direct worden gegeneraliseerd naar andere disciplines of instellingstypen.