💻 computer science

AI to Learn 2.0: A Deliverable-Oriented Governance Framework and Maturity Rubric for Opaque AI in Learning-Intensive Domains

Dit paper introduceert 'AI to Learn 2.0', een bestuurskader en maturiteitsrubric voor ondoorzichtige AI in leerintensieve domeinen dat zich richt op de eindlevering en vereist dat deze zonder de oorspronkelijke AI-modellen controleerbaar, overdraagbaar en verantwoordbaar is, om zo te voorkomen dat gepolijste AI-outputs vervangen worden voor menselijk begrip en vaardigheid.

Oorspronkelijke auteurs: Seine A. Shintani

Gepubliceerd 2026-04-23

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Seine A. Shintani

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

AI om te Leren 2.0: Een Nieuwe Regelset voor Slimme Hulp

Stel je voor dat je een chef-kok bent die een prachtige taart bakt. Vroeger deed je dit helemaal zelf: je mixte het beslag, je zette de oven op de juiste temperatuur en je besliste of de taart klaar was. Iedereen die de taart at, wist: "Deze kok kan bakken."

Nu heb je een superkrachtige robot-assistent gekregen. Deze robot kan het beslag in 2 seconden mixen, de oven perfect regelen en zelfs de taart versieren. Het resultaat? Een taart die er nog mooier uitziet dan ooit tevoren.

Het probleem: Als je die taart nu aan je vrienden geeft en zegt: "Kijk, ik heb dit zelf gemaakt!", dan liegen ze niet. De taart is er, hij smaakt goed, maar jij hebt er eigenlijk niets mee gedaan. Je hebt de vaardigheid van het bakken niet geleerd, je hebt alleen de robot gebruikt. In het onderwijs en in het werk noemen we dit een "proxy-fout": het eindresultaat ziet er goed uit, maar het bewijst niet meer dat jij het kunt.

Dit artikel introduceert AI om te Leren 2.0. Het is geen verbod op robots, maar een nieuwe manier om te kijken naar wat er na het gebruik van de robot overblijft.

De Gouden Regel: Wat blijft er over?

De auteur stelt een simpele vraag: Als de robot morgen verdwijnt, kun jij dan nog steeds met je taart (of je werk) aan de slag?

AI om te Leren 2.0 zegt: "Ja, je mag de robot gebruiken om te brainstormen, te tekenen of te schrijven. Maar het eindproduct dat je inlevert, moet 'robot-onafhankelijk' zijn."

Dit betekent twee dingen:

Het product moet zelfstandig zijn: Je mag niet afhankelijk zijn van de robot om je werk te laten werken. Het moet een "afgewerkt pakket" zijn dat iedereen kan begrijpen, zonder dat ze de robot hoeven te raadplegen.
Jij moet het nog steeds kunnen uitleggen: Vooral in leeromgevingen (zoals school of opleidingen) moet jij kunnen bewijzen dat jij begrijpt wat er in die taart zit. Als de robot de taart maakt, moet jij kunnen uitleggen waarom hij zo eruit ziet, of je moet zelf een stukje bakken dat de robot niet heeft gedaan.

Het "Afleverpakket": De 5 Delen van een Goede Taart

Om te bewijzen dat je werk eerlijk en veilig is, moet je niet alleen de taart inleveren, maar ook een kookboekje erbij. Dit pakket bestaat uit 5 onderdelen:

Het Gereduceerde Kunstwerk (De Taart): Het eindresultaat zelf, maar dan zonder de robot erin verwerkt. Het moet een simpele tekst, een code of een tekening zijn die iedereen kan lezen.
Het Recept (De Herkomst): Een lijstje van welke robot je hebt gebruikt, wat je ermee hebt gedaan, en welke ingrediënten (data) je hebt gebruikt.
De Waarschuwingsteken (Geldigheid): Een sticker op de taart die zegt: "Deze taart is lekker voor een verjaardag, maar niet voor een ziekenhuisfeest." Het zegt waar het werk wel en niet werkt.
De Noodknop (Foutregels): Wat moet je doen als de taart niet goed smaakt? Wanneer moet je stoppen en een mens om hulp vragen?
De Kostennota (Hulpbronnen): Heb je een dure robot nodig om de taart te eten? Of kun je hem gewoon op een bord leggen? Het moet duidelijk zijn of je nog steeds een dure robot nodig hebt om je werk te gebruiken.

De Scorekaart: Hoe goed ben je?

De auteurs hebben een scorekaart gemaakt met 7 vragen om te kijken hoe "volwassen" je werk is. Het is als een rijbewijs voor AI-werk:

De Poortvragen (Belangrijkste regels): Als je hierin faalt, mag je niet door.
- Is je werk nog steeds afhankelijk van de robot? (Nee = goed).
- Heb jij de laatste stem? (Ja = goed).
- Weet je waar je werk faalt? (Ja = goed).
- Heb je je geheimen veilig gehouden? (Ja = goed).
De Bonuspunten: Hoe goed is je recept? Kunnen anderen je werk overnemen? Hoeveel energie kost het?

Als je op de poortvragen slaagt én je kunt bewijzen dat jij het werk begrijpt (zelfs als de robot het heeft geschreven), dan heb je een AI om te Leren 2.0-certificaat.

Voorbeelden uit de Wereld

Slecht (C1): Een student laat een robot een verslag schrijven en levert het in. De taart is mooi, maar de student kan geen enkele vraag beantwoorden over de inhoud. Resultaat: Geen certificaat.
Midden (C2): De student laat de robot schrijven, maar moet daarna een mondelinge toets afleggen. Hij kan het uitleggen, maar het verslag zelf is nog steeds een "zwarte doos". Resultaat: Beter, maar nog niet goed genoeg.
Goed (C4): Een onderzoeker gebruikt een robot om een formule te vinden. Maar hij levert ook een document in dat zegt: "Deze formule werkt alleen bij hoge temperaturen, en als de temperatuur daalt, moet je stoppen." De robot is weg, de formule staat er, en de waarschuwingen zijn duidelijk. Resultaat: Certificaat!
Leerkracht (C5): Een leraar gebruikt een robot om oefentoetsen te maken. De robot doet het zware werk, maar de leraar controleert alles en zorgt dat de toetsen op papier staan zonder dat de robot erbij hoeft. De leerlingen doen de toets zonder robot. Resultaat: Dit is een veilige infrastructuur.

Waarom is dit belangrijk?

Vroeger vroegen we: "Mag je AI gebruiken?"
Nu moeten we vragen: "Wat blijft er over als de AI weggaat?"

AI om te Leren 2.0 is geen anti-robot beweging. Het is een manier om ervoor te zorgen dat we de robot gebruiken als een hulpmiddel om te leren en te bouwen, en niet als een vervanger die ons eigen denken uitbuit. Het zorgt ervoor dat als jij een taart bakt, jij ook echt de bakker bent, en niet alleen de eigenaar van de robot.

Kortom: Gebruik de robot, maar zorg dat jij de meester blijft.

Probleemstelling

Generatieve AI (GenAI) dringt steeds sneller door in onderzoek, onderwijs en professioneel werk, sneller dan bestaande governance-kaders kunnen specificeren hoe AI-ondersteunde outputs moeten worden beoordeeld in leerintensieve contexten. Het centrale probleem dat het paper identificeert, is proxy-falen (proxy failure).

In leerintensieve domeinen (zoals onderwijs en onderzoekstraining) fungeert een ingediend artefact (een verslag, code, analyse) niet alleen als een product, maar ook als bewijs van menselijk begrip, oordeelsvermogen en overdraagbaarheid. GenAI creëert een nieuwe vorm van proxy-falen: een gepolijst artefact kan nuttig zijn, maar dient niet langer als geloofwaardig bewijs van de menselijke competentie die het werk zou moeten certificeren. Bestaande kaders richten zich vaak op het detecteren van misbruik of op het herontwerpen van taken, maar bieden geen formalisme om te beoordelen wat er overblijft na het gebruik van "opaque" (ondoorzichtige) AI in termen van het eindproduct en de menselijke vaardigheid.

Methodologie: AI to Learn 2.0

Het paper introduceert AI to Learn 2.0, een governance-raamwerk dat zich richt op het eindleveringspakket (deliverable package) in plaats van alleen op het gebruikte model. Het raamwerk staat het gebruik van ondoorzichtige AI toe tijdens exploratie, drafting en workflow-ontwerp, maar stelt strikte voorwaarden aan wat er overblijft na het proces.

De kernmethodologie bestaat uit drie pijlers:

1. Het Dual Residual Requirement (Twee Overblijfsel-vereisten)

Voor volledige naleving moeten twee voorwaarden worden vervuld:

Artefact-residu (ArtRes): Het eindleveringspakket moet bruikbaar, auditabel, overdraagbaar en verdedigbaar zijn zonder dat de oorspronkelijke ondoorzichtige AI of cloud-API nodig is voor de routinematige gebruik of als bewijs.
Capaciteits-residu (CapRes): In leerintensieve contexten moet de menselijke gebruiker voldoende bewijs van uitleg- of overdraagvermogen behouden. De mens moet de kernclaims kunnen verklaren of het werk op een vergelijkbare taak kunnen toepassen zonder live afhankelijkheid van de AI.

2. Het Leveringspakket (The Deliverable Package)

Elk AI-ondersteund workflow moet worden gepresenteerd als een pakket van vijf elementen ( $D = (A, P, V, F, R)$ ):

Distilled Artifact (A): Het zwarte-kast-vrije artefact voor routinematig gebruik (bijv. geverifieerde code, een expliciete vergelijking, een checklist).
Provenance & Audit Record (P): Een traceerbaar verslag van welke AI-tools zijn gebruikt, voor welk doel, welke data blootgesteld zijn, en welke menselijke verificatie heeft plaatsgevonden.
Validity-Domain Statement (V): Een verklaring over waar het artefact van toepassing is, waar niet, en waarom (grenzen en aannames).
Failure / Escalation Rule (F): Regels voor wat te doen bij onzekerheid, fouten of tegenstrijdigheden (wanneer moet de mens ingrijpen?).
Operational Resource Note (R): Documentatie van runtime-afhankelijkheden (bijv. is live AI-inferentie nodig voor gebruik?).

3. De Rijpheidsrubriek (Maturity Rubric)

Om workflows te beoordelen, introduceert het paper een zeven-dimensionale rijpheidsrubriek met een schaal van 0 tot 4. De dimensies zijn:

Residuele ondoorzichtigheid: Hangt het gebruik nog af van de oorspronkelijke AI?
Menselijke soevereiniteit: Wie heeft de eindverantwoordelijkheid en autoriteit om het pakket te vrijgeven?
Auditabiliteit: Kan een derde partij reconstrueren hoe het artefact tot stand kwam?
Validiteitsdomein en foutbewustzijn: Zijn de grenzen en escalatieregels duidelijk?
Informatiebeveiliging: Zijn gevoelige data beschermd bij gebruik van AI?
Energie- en resource-proportionaliteit: Is de AI-afhankelijkheid tijdens runtime geminimaliseerd?
Gebruiksgemak voor derden: Kan het pakket zonder kennis van de oorspronkelijke maker worden overgedragen?

Compliance: Een workflow is alleen compliant als:

Het Kernpakket compleet is (Artefact-residu, Menselijke soevereiniteit, Informatiebeveiliging, Pakketvolledigheid).
De Poortdrempels (Gate Thresholds) worden gehaald (minimaal score 3 op dimensies 1, 2, 4 en 5).
In leerintensieve contexten: Er voldoende Capaciteits-residu is (bewezen door een bijbehorende "capability-evidence ladder").

Belangrijkste Bijdragen

Conceptuele Verschuiving: Het verplaatst de focus van "model-transparantie" naar "leveringspakket-residu". Het erkent dat een interpreteerbaar model niet genoeg is als het eindproduct nog steeds afhankelijk is van ondoorzichtige processen voor zijn geldigheid.
Operationalisering: Het biedt een concreet instrument (het pakket + de rubriek) voor gestructureerde beoordeling door derden, in plaats van alleen hoog niveau principes.
Scheiding van Bewijs en Infrastructuur: Het maakt onderscheid tussen AI als onderwijsinfrastructuur (waarbij de leraar de AI gebruikt) en AI als bewijs van leerlingcompetentie. AI mag de infrastructuur versterken, maar het bewijs van leerlingbegrip moet menselijk en controleerbaar blijven.
Gevallenstudies: Het paper valideert het raamwerk door zeven contrastgevallen te analyseren, variërend van "chatbot-verslagen zonder verdediging" (falen) tot "zelfgehoste quiz-pipelines met deterministische kwaliteitscontrole" (succes).

Resultaten uit de Gevallenstudies

De toepassing van de rubriek op de zeven gevallen (C1 t/m C7) toont aan:

C1 (Chatbot-verslag): Faalt volledig. Het artefact is statisch maar afhankelijk van ondoorzichtige generatie; geen audit of validiteitsgrenzen.
C2 (Verslag + mondelinge verdediging): Verbeterd door de mondelinge verdediging (capaciteits-residu), maar faalt nog steeds omdat het leveringspakket (audit, validiteit) onvolledig is. Dit onderstreept dat capaciteitsbewijs alleen een zwak pakket niet kan redden.
C3 vs C4 (Symbolische regressie): C3 produceert een leesbare vergelijking (goed voor transparantie) maar faalt omdat er geen geldigheidsdomein of foutregels zijn. C4 slaagt alleen omdat deze elementen zijn toegevoegd. Dit toont aan dat interpretatie alleen niet genoeg is; het moet gebonden zijn.
C5 & C7 (Infrastructuur): Leerkracht-geauditeerde oefenvormen en zelfgehoste pipelines scoren hoog omdat de AI tijdens de ontwikkeling wordt gebruikt, maar het eindproduct (de webformulieren of vraagbank) volledig "black-box-vrij" is voor de gebruiker.
C6 (Cursusworkflow): Combineert C5 met "no-AI" checkpoints voor studenten. Dit is het enige scenario dat zowel aan het artefact-residu als aan het capaciteits-residu voldoet, wat het ideale model voor leerintensieve contexten illustreert.

Significantie en Conclusie

AI to Learn 2.0 biedt een pragmatische oplossing voor het governance-probleem van GenAI in kritieke domeinen. Het raamwerk:

Vermijdt een verbod: Het verbiedt AI niet, maar reorganiseert waar AI mag worden gebruikt (exploratie) versus wat er over moet blijven (het eindproduct).
Bewaakt Validiteit: Het zorgt ervoor dat een gepolijst artefact niet valse zekerheid geeft over menselijk begrip.
Faciliteert Derde-Partij Beoordeling: Door het gebruik van een gestructureerd pakket en een rubriek, kunnen beoordelaars (docenten, auditors, collega's) objectief bepalen of een workflow betrouwbaar is, zonder toegang te hebben tot de oorspronkelijke AI-prompts of interne logs.

Het paper concludeert dat de vraag niet langer is "Is AI gebruikt?", maar "Wat blijft er over na het gebruik van AI?". AI to Learn 2.0 biedt de tools om die vraag te beantwoorden en zo de integriteit van leer- en certificeringsprocessen te behouden in een tijdperk van generatieve AI.