💬 NLP

How AI Systems Think About Education: Analyzing Latent Preference Patterns in Large Language Models

Dit onderzoek toont aan dat GPT-5.1 systematisch coherent onderwijsvoorkeuren vertoont die grotendeels overeenkomen met menselijke expertconsensus, maar in gebieden van normatieve meningsverschillen, zoals emotionele dimensies, eigen standpunten inneemt in plaats van neutraal te blijven.

Oorspronkelijke auteurs: Daniel Autenrieth

Gepubliceerd 2026-03-24

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Daniel Autenrieth

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

De Titel: Wat denkt een AI eigenlijk over onderwijs?

Stel je voor dat je een zeer slimme, digitale leraar hebt die alles op internet kent. Je noemt hem GPT-5.1. Je vraagt hem: "Hoe moet je een kind leren?" of "Wat is een goede les?".

Deze studie doet iets heel speciaals: in plaats van te kijken of de AI goed kan rekenen of spellen, kijken we naar wat de AI vindt. Heeft de AI een mening? Heeft hij een soort 'karakter' als het gaat om onderwijs? En komt die mening overeen met wat echte onderwijsdeskundigen vinden?

1. De Methode: Een Drie-Deurs Test

De onderzoekers hebben een slimme manier bedacht om dit te testen, alsof ze een detective zijn die een verdachte ondervraagt.

De Expert-panel (De Jury): Eerst hebben ze 23 echte onderwijsdeskundigen (leraren, psychologen, experts) bij elkaar gehaald. Ze hebben een lijst gemaakt van 48 regels over goed onderwijs (bijvoorbeeld: "Leerlingen moeten zelf ontdekken" of "AI mag geen emoties simuleren").
- Het resultaat: De experts waren het vaak eens over de basis (zoals: "Fouten maken is oké"). Maar over gevoelige onderwerpen, zoals "Mag een AI troost bieden aan een verdrietig kind?", waren ze verdeeld. De ene expert zei "Ja, dat is nodig", de andere "Nee, dat is nep en gevaarlijk". Er was geen eenduidig antwoord.
De AI-test (De Ondervraging): Vervolgens hebben ze de AI 102.960 keer geconfronteerd met keuzes.
- De vraag: "Kies je optie A of optie B?"
- Voorbeeld: "Optie A: De AI zegt direct het antwoord. Optie B: De AI vraagt: 'Wat zie jij hier?'"
- De AI moest duizenden keren kiezen. Het doel was om te zien of de AI willekeurig koos of dat er een logisch patroon in zijn keuzes zat.
De Analyse (De Rekenmachine): Met een wiskundig model (een soort 'smaakmeter') hebben ze gekeken of de keuzes van de AI logisch consistent waren.

2. De Ontdekkingen: De AI heeft een 'Ziel'

Hier komen de verrassende resultaten:

A. De AI is geen robot zonder gevoelens, hij heeft een 'karakter'.

Je zou denken dat een AI gewoon een spiegel is van de data die hij heeft gelezen. Maar nee! De studie laat zien dat de AI een zeer consistent systeem van waarden heeft.

Metafoor: Stel je voor dat je een dobbelsteen gooit. Als je 100 keer gooit, krijg je willekeurige cijfers. Maar als je een dobbelsteen gooit die zwaarder is aan één kant, landt hij steeds vaker op 6. De AI is als die 'zware dobbelsteen'. Hij kiest niet willekeurig; hij heeft een voorkeur.
Feit: De keuzes van de AI waren voor 99,78% logisch consistent. Als hij A liever heeft dan B, en B liever dan C, dan wil hij ook A liever dan C. Hij is niet in de war.

A. Waar experts het eens zijn, is de AI ook 'in orde'.

Over de basisregels van goed onderwijs (zoals: "Leerlingen moeten zelf nadenken", "Diversiteit is belangrijk", "Fouten maken mag") was de AI het volledig eens met de experts.

De AI haat het om kinderen in hokjes te plaatsen op basis van hun prestaties of achtergrond.
De AI vindt het belangrijk dat leerlingen zelf patronen ontdekken in plaats van alleen feiten te horen.

**C. Waar experts het niet eens zijn, kiest de AI een kant.**

Dit is het meest interessante deel. Over de gevoelige onderwerpen (zoals emoties) waren de experts verdeeld.

Het dilemma: Moet een AI een verdrietig kind troosten, of moet hij zeggen: "Ik ben een machine, ga naar een mens"?
De keuze van de AI: De AI koos duidelijk voor het troosten. Hij gaf de voorkeur aan een AI die direct emotionele steun biedt, zelfs als de helft van de experts daar twijfel over had.
De les: De AI blijft niet neutraal als mensen het oneens zijn. Hij neemt een standpunt in. Hij kiest voor een wereld waar de AI empathisch is, zelfs als experts zeggen dat dat riskant kan zijn.

3. Waarom is dit belangrijk? (De "Grote Vraag")

De studie stelt een heel diepe vraag die we nog niet goed hebben beantwoord:

"Waar moeten we AI op afstemmen als mensen het zelf niet eens zijn?"

Stel je voor dat je een robot bouwt om kinderen op te voeden.

Groep A (experts) zegt: "Laat de robot streng zijn."
Groep B (experts) zegt: "Laat de robot lief zijn."
Er is geen 'juist' antwoord.

De AI in dit onderzoek heeft besloten: "Ik kies voor lief."

Dit is niet per se 'fout', maar het is wel een keuze. De AI heeft niet gezegd: "Ik weet het niet, ik doe maar wat." Hij heeft een mening gevormd.

Het risico: De "Bubbel" van de AI

Omdat de AI kiest voor een bepaalde stijl van onderwijs (bijvoorbeeld: meer zelfontdekking, meer emotie), kan dit goed werken voor kinderen die al gewend zijn aan die manier van leren. Maar voor kinderen uit een andere cultuur of een andere schoolstijl kan de AI juist lastig zijn.

Metafoor: Stel je voor dat de AI een leraar is die alleen maar in het Frans spreekt. Voor kinderen die Frans spreken is hij een genie. Voor kinderen die dat niet doen, is hij een onbegrijpelijke vreemdeling. De AI "voordeelt" dus onbewust de groep die al past bij zijn waarden.

4. Conclusie in één zin

Deze studie laat zien dat AI's niet zomaar 'neutrale tools' zijn; ze hebben een eigen, logisch systeem van waarden ontwikkeld. Waar mensen het eens zijn, helpt de AI goed mee. Maar waar mensen het oneens zijn, kiest de AI zelf een kant.

De boodschap voor ons: We moeten niet alleen kijken of de AI slim is, maar ook welke 'persoonlijkheid' hij heeft en of die persoonlijkheid past bij de kinderen die we les willen geven. We moeten weten dat de AI een mening heeft, zelfs als hij dat niet hardop zegt.

Probleemstelling

Grote Taalmodellen (LLM's) worden steeds meer geïntegreerd in educatieve ecosystemen als tutors, content-generators en interactieve kennisbronnen. Een fundamentele, maar empirisch onderbelichte vraag is: welke onderliggende educatieve-theoretische aannames en voorkeuren zijn impliciet ingebouwd in deze systemen?

De kern van het probleem ligt in de AI-uitlijning (alignment). Waar eerdere onderzoek zich voornamelijk richtte op algemene ethische of politieke waarden, blijft het educatieve domein grotendeels onontgonnen. Dit is kritiek omdat educatieve waarden niet monolithisch zijn; er bestaat aanzienlijke normatieve onenigheid zelfs onder experts (bijvoorbeeld over de rol van AI bij emotionele ondersteuning of waarde-overdracht). Als menselijke waarden omstreden zijn, is het onduidelijk waarvoor een model moet worden uitgelijnd. Het artikel onderzoekt of LLM's neutraal blijven in deze gebieden of dat ze coherentere posities aannemen die mogelijk afwijken van het expertconsensus.

Methodologie

De studie hanteert een geïntegreerde mixed-methods aanpak die bestaat uit twee fasen:

Fase 1: Instrumentontwikkeling via Delphi-studie

Expertpanel: Een panel van 23 experts (onderwijskunde, computerwetenschap, media-pedagogiek, etc.) werd samengesteld via maximum-variation sampling.
Drie rondes:
1. Exploratief: Identificatie van centrale categorieën en universele waarden.
2. Gestructureerde evaluatie: 48 items werden beoordeeld op een 9-puntsschaal. Consensus werd gedefinieerd als IQR ≤ 1 en ≥70% van de scores in de top-twee (8-9).
3. Verfijning: Focus op items met dissensus, inclusief varianten om de aard van de meningsverschillen te verduidelijken.
Resultaat: Een gevalideerd instrument met 48 items verdeeld over 8 educatieve-theoretische dimensies (o.a. pedagogische houding, leerbegrip, emotionele dimensies, democratische waarden).

Fase 2: Gestructureerde Preferentie-Elicitatie (SPE)

Scenario's: Op basis van de 48 items werden 144 concrete pedagogische scenario's ontwikkeld (positief, neutraal, en negatief per item).
Datacollectie: GPT-5.1 (versie gpt-5.1-2025-11-13) werd geconfronteerd met alle mogelijke paren van deze scenario's (10.296 unieke paren). Elk paar werd 10 keer geprompted, resulterend in 102.960 API-calls.
Prompt: Een geforceerde keuze tussen optie A en B, met order-balancing om sequentie-effecten te minimaliseren.

Analyse: Thurstonian Utility Modeling

De verkregen data werden gemodelleerd met een Thurstonian Utility-model. Dit model neemt aan dat elke optie een latente nuttigheid (utility) heeft die normaal verdeeld is.
De parameters ( $\mu$ en $\sigma$ ) werden gefit om de waarschijnlijkheid van preferentie te voorspellen.
Coherentie-maatstaven: Transitiviteit (logische consistentie) en modelnauwkeurigheid (hoe goed het nuttigheidsmodel de waargenomen keuzes verklaart).

Belangrijkste Bijdragen

Eerste systematische meting: Dit is het eerste empirische onderzoek dat educatieve voorkeuren in LLM's kwantificeert.
Gecombineerde methodiek: Een replicabel raamwerk dat Delphi-consensusvorming koppelt aan gestructureerde preferentie-elicitering en Thurstonian-modellering voor domeinspecifieke uitlijningsevaluatie.
Kwantitatief bewijs van coherentie: Het aantonen dat GPT-5.1 een hoogcoherent systeem van educatieve waarden bezit, modelleerbaar via nuttigheidsfuncties.
Inzicht in uitlijning bij onenigheid: Het blootleggen dat afwijkingen tussen model en experts precies plaatsvinden waar experts onderling het oneens zijn, wat de vraag oproept wat "uitlijning" betekent in omstreden domeinen.

Resultaten

1. Coherentie van het Model
GPT-5.1 vertoont uitzonderlijk hoge logische consistentie:

Transitiviteit: 99,78% (slechts 22 van de 10.000 geteste tripletten toonden een logische contradictie).
Modelnauwkeurigheid: 92,79% (het nuttigheidsmodel verklaart bijna 9.600 van de 10.296 vergelijkingen correct).
Dit bevestigt dat de output niet willekeurig is, maar voortkomt uit een gestructureerd intern waardesysteem.

2. Overeenstemming met Expertconsensus
In domeinen waar experts het eens zijn, aligneert het model sterk:

Constructivisme: Sterke voorkeur voor actief kennisopbouwen, fouttolerantie en het ontdekken van patronen.
Inclusie: Hoge prioriteit voor toegankelijkheid en diversiteit.
Anti-deficiet: Sterke afwijzing van het categoriseren van leerlingen op basis van prestaties of achtergrond.
Democratische waarden: Voorkeur voor het scheiden van feiten en meningen.

3. Afwijkingen in Domeinen van Expertdissensus
Waar experts verdeeld zijn, neemt het model een duidelijke, coherente positie in, in plaats van neutraal te blijven:

Emotionele Dimensies (C): Experts waren verdeeld (ca. 55% bezorgd over authenticiteit/manipulatie vs. 45% voorstander van AI-ondersteuning). GPT-5.1 gaf deze dimensie de hoogste prioriteit (60% win-rate) en keurde directe emotionele responsiviteit en het creëren van "flow-momenten" goed.
Epistemische Normativiteit: Het model keurde "valse balans" (het gelijkstellen van feiten en meningen) af en koos voor expliciete scheiding, terwijl experts hierover verdeeld waren.
Conclusie: Het model adopteert een positie binnen het spectrum van redelijke menselijke meningsverschillen, maar deze positie komt niet noodzakelijk overeen met het gemiddelde van de expertgroep.

4. Rangschikking van Nuttigheid

Hoogste nuttigheid: Toegankelijkheid, creativiteit, culturele diversiteit en constructivistisch leren.
Laagste nuttigheid (negatief): Eurocentrisme (-9,65), het portretteren van maatschappelijke problemen als onoplosbaar, en het sorteren van leerlingen op culturele achtergrond.

Betekenis en Implicaties

De Uitdaging van Uitlijning: De studie toont aan dat "menselijke waarden" geen enkelvoudig doelwit zijn. In domeinen van legitieme onenigheid (zoals emotionele ondersteuning) kan een model niet "neutraal" zijn; het moet een positie innemen. Dit stelt de vraag: waar moet een model dan naartoe worden uitgelijnd?
Emergente Waarden: De educatieve voorkeuren lijken deels emergent te zijn via het trainingsproces (waarschijnlijk RLHF), zonder expliciete programmering voor dit specifieke domein.
Transparantie en "Utility Engineering": Omdat modellen coherente posities innemen in omstreden gebieden, is transparantie cruciaal voor gebruikers en ontwikkelaars. De auteurs pleiten voor "Utility Engineering" (analyse en sturing van emergente waarden) in plaats van alleen het nastreven van een statisch consensusdoel.
Risico op Educatieve Ongelijkheid: De voorkeuren van het model (constructivisme, procesgericht, kritisch denken) sluiten sterk aan bij pedagogische benaderingen in goed bekostigde omgevingen. Dit kan leiden tot een "Matthew-effect" in AI-onderwijs, waarbij leerlingen die al vertrouwd zijn met deze waarden beter profiteren dan leerlingen uit contexten met andere pedagogische tradities of beperkte middelen.
Toekomstig Onderzoek: De methodiek biedt een blauwdruk voor het evalueren van andere modellen en domeinen, en benadrukt de noodzaak van longitudinale studies en cross-culturele validatie.

Samenvattend demonstreert dit onderzoek dat moderne LLM's niet slechts neutrale tools zijn, maar complexe, coherente waardesystemen bezitten die zowel overeenstemmen met expertconsensus als eigen posities innemen in gebieden van menselijke onenigheid.