The Reliance Negotiation Framework: A Dynamic Process Model of Student LLM Engagement in Academic Writing

Dit artikel introduceert het Reliance Negotiation Framework, een dynamisch procesmodel dat studenten' omgang met large language models in academisch schrijven conceptualiseert als een voortdurende onderhandeling tussen waargenomen voordelen, risico's, ethische verbintenissen en situationele eisen, gebaseerd op een gemengde methodenstudie onder 382 studenten aan een Amerikaanse instelling voor minderheden.

De kern

De "Onderhandelings-Regel" voor AI bij Studenten

Een nieuwe manier om te kijken naar hoe studenten AI gebruiken (of niet) bij hun huiswerk.

Stel je voor dat studenten die met AI (zoals ChatGPT) werken, niet als robots zijn die een knop omzetten ("AI aan" of "AI uit"). Ze zijn ook geen statische categorieën ("de slimme gebruiker" of "de luike").

In plaats daarvan is dit artikel een nieuw model, de Reliance Negotiation Framework (RNF). Dit model ziet het gebruik van AI als een continue onderhandeling die elke student elke dag opnieuw doet.

De Vergelijking: De Student als Een Slimme Chef

Stel je een student voor als een chef in een drukke keuken die een groot diner moet koken.

• De taak: Het diner (het huiswerk) moet op tijd klaar zijn.
• De tool: De chef heeft een superkrachtige robot-assistent (de AI) die snel kan snijden en recepten kan bedenken.
• Het dilemma: Moet ik de robot gebruiken om tijd te winnen, of doe ik het zelf om mijn kookvaardigheden te oefenen?

Volgens dit artikel is het antwoord niet "altijd ja" of "altijd nee". Het is een onderhandeling die de chef elke keer opnieuw voert, afhankelijk van de situatie.

---

De Vier Spelers in de Onderhandeling

Elke keer als de student een nieuwe opdracht krijgt, zijn er vier factoren die tegen elkaar weeggen, net als gewichten op een schaal:

1. De Voordelen (De "Tijdbesparing"):

   • Vergelijking: "Als ik de robot gebruik, ben ik 2 uur eerder klaar en heb ik tijd om te slapen."
   • Wetenschap: Dit is wat studenten winnen (tijd, ideeën, betere tekst).

2. De Risico's (De "Gevaarlijke Ingrediënten"):

   • Vergelijking: "Maar wacht, de robot kan soms verkeerde ingrediënten gebruiken (hallucinaties), of de inspecteur (de docent) kan zien dat ik de robot heb gebruikt."
   • Wetenschap: Dit zijn de angsten (straf, slechte kwaliteit, niet leren).

3. De Morele Waarden (De "Chef's Geweten"):

   • Vergelijking: "Ik vind het eerlijk om zelf te koken. Of: 'Ik mag dit alleen doen als de chef het toestaat'."
   • Wetenschap: Dit is wat de student ethisch vindt. Sommige studenten zeggen: "Ik gebruik dit nooit, punt."

4. De Situatie (De "Druk in de Keuken"):

   • Vergelijking: "Het is nu 23:00 uur, de deadline is morgen en de chef (docent) staat achter me te kijken."
   • Wetenschap: Hoeveel tijd heb je? Hoe streng is de docent? Is het een makkelijk of moeilijk vak?

Het Resultaat: De uitkomst van deze onderhandeling bepaalt of de student de AI gebruikt, hoe, en hoeveel. En het mooie is: dezelfde student kan morgen een heel ander antwoord geven als de situatie verandert (bijvoorbeeld: een makkelijk vak vs. een moeilijk vak).

---

De Twee Soorten Chefs: De Onderhandelaars en De Weigeraars

Het artikel ontdekte iets verrassends: niet iedereen onderhandelt.

• De Onderhandelaars (87%): Deze studenten wegen de vier factoren af. "Ik gebruik AI voor dit ene hoofdstuk omdat ik haast heb, maar niet voor dat andere omdat ik het zelf wil leren." Hun gedrag verandert per situatie.
• De Principiële Weigeraars (13%): Deze studenten hebben een ononderhandelbare regel. Voor hen is het geen afweging. "Ik gebruik AI nooit, ongeacht hoe druk het is of wat de docent zegt." Ze zijn als een chef die zegt: "Ik kook alleen met mijn eigen handen, punt."
  • Waarom is dit belangrijk? Veel bestaande modellen denken dat deze mensen "te dom" zijn om AI te gebruiken of "te lui". Dit model zegt: nee, ze hebben een sterke morele overtuiging.

---

Waarom is dit een Revolutie? (De "Grote Drie" Problemen)

Het artikel zegt dat oude theorieën drie grote fouten maken:

1. De "Vaste Type" Fout:

   • Oude gedachte: "Jan is een 'afhankelijke gebruiker'."
   • Nieuwe gedachte: Jan is vandaag een 'afhankelijke gebruiker' omdat hij moe is, maar morgen is hij een 'strategische gebruiker' omdat hij een moeilijke opdracht heeft. Mensen zijn niet vaststaande types; ze zijn situatief.

2. De "Ervaring" Fout:

   • Oude gedachte: "Hoe meer je AI gebruikt, hoe slimmer je wordt in het gebruik."
   • Nieuwe gedachte: Soms gebeurt het tegenovergestelde. Als je AI te vaak gebruikt zonder na te denken, word je er niet slimmer op, maar verslaafd aan het gemak. Je leert niet meer zelf te koken, je vertrouwt alleen nog op de robot. Dit heet het "Efficiëntie-Atrofie Paradox" (je wordt snel, maar je spieren worden slap).

3. De "Niet-Gebruik" Fout:

   • Oude gedachte: Als iemand AI niet gebruikt, is dat omdat ze het niet kunnen of niet durven.
   • Nieuwe gedachte: Soms is het een bewuste keuze uit ethische overwegingen. Dat is een vorm van vaardigheid, geen gebrek daaraan.

---

Wat betekent dit voor scholen en docenten?

Het artikel geeft drie belangrijke adviezen, vooral voor scholen waar veel studenten uit minder vooruitstrevende achtergronden komen (de "Minority-Serving Institutions"):

1. Stop met alleen controleren (Detectie):
   Als je alleen kijkt of studenten AI gebruiken (zoals een politieagent), zullen ze alleen stoppen als ze bang zijn om gepakt te worden. Zodra de camera uitgaat, gebruiken ze het weer.

   • Beter: Leer ze kritisch te zijn. Laat ze zien waar de robot fouten maakt.

2. Begrijp de "Armoede" van de situatie:
   Studenten die minder voorbereiding hebben, zien AI als een reddingsboei om hun achterstand in te halen. Als je die reddingsboei wegneemt zonder hen eerst te helpen zwemmen (leren schrijven), zinken ze. Scholen moeten eerst de basisvaardigheden verbeteren voordat ze AI verbieden.

3. Leer ze onderhandelen, niet alleen gehoorzamen:
   Het doel is niet om studenten te verbieden AI te gebruiken. Het doel is om ze te leren hoe ze het slim en eerlijk gebruiken. Net als een chef die leert wanneer hij de robot mag gebruiken en wanneer hij zelf moet snijden.

Samenvatting in één zin

Studenten zijn geen statische "gebruikers" of "niet-gebruikers", maar slimme onderhandelaars die elke dag beslissen of AI een hulpmiddel is of een valkuil, afhankelijk van hun waarden, hun angst, hun tijd en hun morele kompas. En scholen moeten leren meedenken in die onderhandeling, in plaats van alleen te straffen.

Technische samenvatting

1. Het Probleem: Tekortkomingen in Bestaande Modellen

De huidige academische literatuur en beleidsvorming rondom het gebruik van Large Language Models (LLM's) door studenten in het hoger onderwijs vertoont fundamentele tekortkomingen. Bestaande theoretische kaders worden als ontoereikend beschouwd om de complexiteit van studentenengagement te verklaren:

• Typologische modellen: Deze classificeren studenten in statische categorieën (bijv. strategisch, instrumenteel, afhankelijk), maar kunnen de variabiliteit binnen één student over verschillende taken en contexten niet verklaren.
• Technologieacceptatiemodellen (zoals TAM/UTAUT2): Deze verklaren adoptie, maar niet de kwaliteit van het gebruik na adoptie. Er is een "ontwikkelingsparadox" waar ervaring niet noodzakelijk leidt tot meer sofisticatie, maar soms tot habitueren en minder gereguleerd gebruik.
• AI-geletterdheidskaders: Deze behandelen competentie als een statische voorspeller in plaats van een dynamische input. Ze kunnen ook "principieel niet-gebruik" (een ethische keuze om AI niet te gebruiken) niet verklaren; ze zien dit vaak als een gebrek aan engagement in plaats van een vorm van ethisch redeneren.

Er is een structureel gat in de theorie: er ontbreekt een model dat rekening houdt met binnen-student variabiliteit, de ontwikkeling van gewoonten versus vaardigheden, en ethische afwegingen als een vorm van redenering.

2. Methodologie

Het artikel is gebaseerd op een sequentiële verklarende mixed-methods studie uitgevoerd aan een openbare instelling die zich richt op minderheden (Minority-Serving Institution, MSI) in de Verenigde Staten.

• Deelnemers: 382 undergraduate studenten.
• Datacollectie:
  • Enquête (N = 382).
  • 14 semi-gestructureerde interviews.
  • Drie kwalitatieve enquête-aspecten.
  • 1.435 gecodeerde instances van data.
• Analyse: De studie combineert kwantitatieve regressieanalyses (om voorspellers te identificeren) met kwalitatieve thematische analyse (om mechanismen en trajecten te begrijpen). Specifiek werd gekeken naar de interactie tussen motivatie, context en competentie.

3. Kernbijdrage: Het Reliance Negotiation Framework (RNF)

Het RNF conceptualiseert LLM-afhankelijkheid niet als een stabiel kenmerk, maar als een continu onderhandeld proces. Dit proces wordt gedreven door vier gelijktijdige inputs die een output genereren, waarbij de output op zijn beurt de inputs voor toekomstige beslissingen recursief aanpast.

De Vier Inputs:

1. Waargenomen voordelen (Perceived benefits): Gebaseerd op de Expectancy-Value Theory (EVT). Omvat tijdbesparing, ideeëngeneratie, kwaliteitsverbetering en scaffolding.
2. Waargenomen risico's (Perceived risks): Ook gebaseerd op EVT (kosten). Omvat academische integriteitsrisico's, epistemische risico's (hallucinaties), cognitieve-ontwikkelingsrisico's (vaardigheidsatrofie) en sociale risico's.
3. Ethische toewijdingen (Ethical commitments): Gebaseerd op morele ontwikkelingsmodellen (Kohlberg).
   • Tier 1: Compliance-gebaseerd (gebaseerd op detectie).
   • Tier 2: Norm-afhankelijk (gebaseerd op instructeursbeleid).
   • Tier 3: Principieel (gebaseerd op zelfgeschreven waarden).
4. Situational demands (Situatieve eisen): Gebaseerd op Situative Cognition (Greeno). Omvat tijdsdruk, takenbelang, instructeursbeleid en discipline-specifieke normen.

De Twee-Model Architectuur:

Een cruciale innovatie is de onderscheiding tussen twee modi:

• Negotiation-mode (87% van de deelnemers): Studenten onderhandelen dynamisch tussen de vier inputs. Hun gedrag is contextgevoelig.
• Abstention-mode (13% van de deelnemers): Studenten hebben een categorische ethische verplichting die de onderhandeling volledig blokkeert voordat deze begint. Voor hen is het niet-gebruik een "side constraint" die niet onderhandelbaar is, ongeacht context of voordelen. Bestaande modellen verwarren deze groep vaak met studenten met lage geletterdheid.

Drie Definierende Eigenschappen:

1. Recursief: Outputs (gedrag) veranderen de inputs voor de volgende cyclus (bijv. een ervaring met een hallucinatie verhoogt het waargenomen risico).
2. Gesitueerd: Het proces wordt geconstitueerd door de affordances en constraints van de specifieke leeromgeving (bijv. STEM vs. Geesteswetenschappen).
3. Ontwikkelend: Het onderhandelingsproces kan evolueren van reactief (Tier 1) naar reflectief (Tier 3), maar dit is niet lineair en niet onvermijdelijk.

4. Resultaten en Gevonden Mechanismen

• Variabiliteit: Studenten tonen verschillende afhankelijkheidspatronen afhankelijk van de taak (bijv. strategisch in één vak, instrumenteel in een ander). Dit weerlegt statische typologieën.
• De Efficiëntie-Atrofie Paradox: Meer ervaring met LLM's leidt niet automatisch tot betere vaardigheden. Zonder verificatie-ervaringen normaliseert het gebruik en neemt de vaardigheidsontwikkeling af.
• Ethische Afwijzing: 13% van de studenten weigert AI op principiële gronden (bijv. data-provenance, milieu-impact). Dit is een vorm van geletterdheid en ethisch redeneren, geen gebrek daaraan.
• MSI-context: Studenten aan MSI's (vaak eerste-generatie studenten) ervaren een grotere "efficiëntie-dividend" omdat ze AI gebruiken om voorbereidingskloven te dichten. Dit maakt hen kwetsbaarder voor het "substitutie-effect" (waarbij AI de leerervaring vervangt in plaats van aanvult).

5. Betekenis en Implicaties

Het RNF heeft verstrekkende gevolgen voor onderzoek, beleid en onderwijspraktijk:

• Voor Onderzoek: Het stelt vier falsifieerbare voorspellingen op (bijv. binnen-student variabiliteit moet significant zijn; ethische niveaus moeten leiden tot gedragsstabiliteit ongeacht toezicht). Het vraagt om longitudinale studies en nieuwe meetinstrumenten die "principieel niet-gebruik" kunnen onderscheiden van "strategisch niet-gebruik".
• Voor Beleid (Academische Integriteit):
  • Detectie-gecentreerd beleid werkt alleen tijdelijk en creëert compliance die verdwijnt zonder toezicht.
  • Geletterdheids-gecentreerd beleid verbetert de beoordeling van risico's en voordelen.
  • Ethiek-gecentreerd beleid (ontwikkeling van morele redenering) is de meest duurzame aanpak, maar vereist tijd en diepgaande curricula.
  • Voor MSI's is puur detectiebeleid onrechtvaardig omdat het studenten straft die AI gebruiken om structurele achterstanden te compenseren, zonder die achterstanden aan te pakken.
• Voor Pedagogie: AI-geletterdheid moet niet gaan over "hoeveel" je gebruikt, maar over de nauwkeurigheid van de onderhandeling. Het doel is om studenten te leren AI-output te verifiëren en te kalibreren (bijv. door fouten te analyseren), in plaats van simpelweg gebruik te verbieden of te moedigen.

Conclusie:
Het RNF biedt een theoretisch raamwerk dat LLM-gebruik ziet als een dynamisch, contextgevoelig en ethisch onderhandeld proces. Het stelt dat instituties moeten stoppen met het behandelen van studenten als statische typen en moeten investeren in pedagogische infrastructuur die de onderhandelingscompetenties van studenten ontwikkelt, met name voor kwetsbare populaties die het meest afhankelijk zijn van AI om academische kloven te overbruggen.