🤖 AI

The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking

Dit artikel presenteert een op ontwerp gerichte studie die aantoont dat het bewust benutten van fouten en hallucinaties van generatieve AI als een "leerpartner" in een cursus databaseontwerp effectief het hogere orde denken, metacognitieve betrokkenheid en vakinhoudelijke striktheid van studenten bevordert.

Oorspronkelijke auteurs: Hadi Hosseini

Gepubliceerd 2026-05-08

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Hadi Hosseini

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

Stel je voor dat je koken leert, en in plaats van een strenge leraar die je alleen perfecte recepten geeft, heb je een sous-chef die ongelooflijk snel en deskundig is, maar af en toe zout toevoegt in plaats van suiker of vergeet de oven aan te zetten.

De meeste mensen zouden zeggen: "Vuur de sous-chef! Ze maken fouten!" Maar dit paper betoogt iets anders: Die foutmakende sous-chef is eigenlijk de beste leraar die je kunt hebben.

Hier is het verhaal van het paper, opgesplitst in eenvoudige concepten:

Het Grote Idee: De "Onvolmaakte" Tutor

De auteur, Hadi Hosseini, is hoogleraar aan de Penn State University en geeft een college over databaseontwerp. Hij merkte dat studenten AI (zoals de chatbots die we vandaag kennen) gebruikten om hun huiswerk te doen. Meestal worden leraren bang en zeggen ze: "Gebruik geen AI, dat is bedrog!" of "Het geeft verkeerde antwoorden!"

Hosseini besloot het verhaal om te draaien. In plaats van de fouten van de AI te verbergen, maakte hij ze het hoofdonderwerp. Hij behandelde de AI niet als een magische antwoordenmachine, maar als een "leerpartner" die briljant maar gebrekkig is.

Het Klaslokaalexperiment: "Santa's Werkplaats"

Hosseini herbouwde zijn hele cursus rondom dit idee. Zo deed hij dat:

De Opzet: Hij leerde studenten over databases (hoe informatie te organiseren) met een mix van video's, lezen en een speciale wekelijkse "AI-module".
De Twist: In deze module vroegen studenten de AI niet zomaar om antwoorden. Ze kregen taken waarbij er verwacht werd dat de AI fouten zou maken.
- Het "Wat-Kan-Er-Verkeerd-Gaan"-Spel: De AI zou misschien een diagram tekenen dat de regels van de logica schendt. De taak van de studenten was niet om het over te kopiëren; het was om speurder te spelen, de fout te vinden en uit te leggen waarom het verkeerd was.
- De "Santa's Werkplaats"-Casestudie: Studenten moesten een database bouwen voor Santa's werkplaats. Ze zouden de AI om hulp vragen, de AI zou een lichtjes gebrekkige oplossing geven, en de studenten moesten het oplossen.
Het Doel: Door studenten te dwingen de AI te bekritiseren en te repareren, moesten ze diep nadenken. Ze konden niet zomaar passief kopiëren; ze moesten de regels goed genoeg begrijpen om de AI in de leugen te betrappen.

Wat gebeurde er? (De Resultaten)

Hosseini testte 13 studenten in deze klas. Dit was wat hij vond:

Ze werden veel slimmer: Voor de klas wist de gemiddelde student ongeveer 60% van het materiaal. Na de klas wisten ze bijna 98%. Dat is een enorme sprong.
Het "Valse Expert"-Probleem: Toen gevraagd werd: "Hoe goed ben je in het gebruik van AI?", zeiden veel studenten: "Ik ben een pro!" Maar toen ze getest werden op echte AI-vragen, waren ze niet zo goed als ze dachten. Ze waren te zelfverzekerd.
De Oplossing: Omdat de klas hen dwong AI-fouten te vinden, leerden ze nederiger en zorgvuldiger te zijn. Ze vertrouwden de AI niet langer blindelings en begonnen zelf na te denken.
Geen Voorafgaande Kennis Nodig: Het maakte niet uit of een student begon als een AI-tovenaar of een totale beginner. De methode werkte voor iedereen.

De Analogie: Fietsen Leren met Oefenwieltjes die Afvallen

Stel je traditioneel leren voor als fietsen met oefenwieltjes die nooit afvallen. Je went aan de steun, maar je leert nooit zelf in evenwicht te blijven.

In de methode van dit paper is de AI als een oefenwiel dat opzettelijk wiebelt.

Als het wiel naar links wiebelt, moet de student naar rechts sturen om rechtop te blijven.
Als het wiel een rare richting geeft, moet de student de kaart controleren.
Door de "wiebelende" AI constant te corrigeren, leert de student veel sneller hoe hij in evenwicht moet blijven (kritisch denken) dan als de AI gewoon perfect was geweest.

De Conclusie

Het paper concludeert dat de "hallucinaties" van AI (zijn verzonnen feiten en fouten) geen bug zijn; ze zijn een feature.

Als we AI gebruiken als een gereedschap dat we constant moeten controleren, bevragen en repareren, dwingt het ons om ons brein op een hoger niveau te gebruiken. We gaan van het "onthouden van feiten" naar "analyseren, evalueren en creëren". De fouten worden de vonk die ons kritisch denken aanwakkert.

Kortom: Vrees de fouten van de AI niet. Gebruik ze als een sportschool voor je brein.

Technische Samenvatting: De Pedagogiek van AI-Fouten

Probleemstelling
De integratie van Generatieve AI (GenAI) en Large Language Models (LLM's) in het hoger onderwijs heeft een debat op gang gebracht over hun nut versus de risico's. Hoewel AI-tools kunnen helpen bij het voltooien van taken, wijst eerdere onderzoek erop dat overmatige afhankelijkheid onderliggende concepten kan verduisteren, waardoor studenten oplossingen produceren die ze niet volledig begrijpen. Bovendien is de "illusie van leren" een specifiek risico in zelfgestuurde online omgevingen. Huidige educatieve reacties neigen vaak naar restrictie of verbod, wat het risico met zich meebrengt dat de onvermijdelijkheid van AI-integratie en haar potentie als pedagogisch hulpmiddel worden genegeerd. Het kernprobleem dat wordt aangepakt, is hoe men verder kan gaan dan fundamentele cognitieve niveaus (kennis, begrip, toepassing) naar hoger orde denken (analyse, evaluatie, synthese) op een manier die de inherente onfeilbaarheid van AI benut in plaats van er bang voor is.

Methodologie
Deze studie hanteert een ontwerpgerichte, mixed-methods aanpak binnen een asynchrone bachelorcursus databaseontwerp ( $n=13$ ). De cursus is herontworpen om GenAI te behandelen als een "leerpartner" wiens imperfecte output dient als katalysator voor kritische betrokkenheid.

Cursusontwerp: Het curriculum is gestructureerd in onderling verbonden modules (die DBMS-architectuur, ER-modellering, normalisatie, SQL, NoSQL en grafdatabases behandelen). Elke module bevat lesplannen (Wat/Waarom/Hoe), korte video's, gecureerde lezingen en een centrale AI-module.
AI-Integratiestrategie: De AI-modules zijn gebouwd op een iteratief kritiek-verfijningscyclus geleid door Bloom's Taxonomie:
- Prompting-strategieën: Studenten leren zero-shot versus few-shot prompting en chain-of-thought-technieken.
- Analyse van faalmodi: Studenten analyseren "wat-kan-er-fout-gaan"-scenario's, zoals door AI gegenereerde ER-diagrammen die referentiële integriteit schenden of onzinnige attributen produceren.
- Casestudies: Een terugkerend scenario ("Sinterklaas' Werkplaats") vereist dat studenten databaseontwerpen genereren, evalueren en verfijnen op basis van AI-feedback.
Dataverzameling:
- Pre/Post-beoordelingen: Zeven identieke meerkeuzevragen over kernconcepten van databases werden aan het begin en einde van de cursus afgenomen.
- Geletterdheidsonderzoeken: Een tweedelige vragenlijst mat AI-geletterdheid (6 zelfbeoordelingsitems, aangepast van AILQ/MAILS, en 5 objectieve meerkeuzevragen over concepten, prompting en adaptatie) en zelfgerapporteerde databasegeletterdheid (Likert-schaal over DBMS-gebruik, SQL, typen en ER-ontwerp).
- Kwalitatieve data: Studentherzieningen, rechtvaardigingen van AI-artefacten en feedback over betrokkenheid.

Belangrijkste Bijdragen

Pedagogisch Herontwerp: Het artikel presenteert een specifiek cursusherontwerp dat GenAI integreert, niet als een oplossingsgenerator, maar als een bron van fouten die moeten worden onderzocht. Dit bevordert expliciet metacognitieve vaardigheden (zelfbewaking, foutdetectie) en verschuift de leeraccenten naar cognitieve processen van hogere orde.
Evaluatiekader: De auteurs stellen een mixed-methods kader voor dat zelfgerapporteerde geletterdheid, objectieve AI-competentiemaatstaven en vakinhoudelijke prestaties combineert om studentenbetrokkenheid bij AI te onderzoeken.
Empirisch Bewijs van Kalibratie: De studie toont een systematische misalignering aan tussen de waargenomen AI-vaardigheden van studenten en hun objectief gemeten prestaties, wat de pedagogische noodzaak van kalibratie en reflectief oordeel onderstreept.

Resultaten

Leergroei: Pre/post-beoordelingen toonden een zeer significante verbetering in databasecompetentie. De scores stegen van een gemiddelde van 4,25 (SD=1,57) naar 6,83 (SD≈0,39) op een schaal van 7. Een gepaarde t-toets bevestigde deze verbetering ( $t(12) \approx 5,10, p < .001$ ), met een groot effectgrootte (Cohen's $d = 1,49$ ).
AI-geletterdheid versus Competentie: Er was een matige negatieve correlatie ( $r = -0,39$ ) tussen zelfgerapporteerde AI-geletterdheid en objectieve AI-competentie, hoewel dit niet statistisch significant was ( $p \approx 0,21$ ). Dit suggereert een neiging van studenten om hun AI-vaardigheden te overschatten.
Voorspellende Factoren: Initieel zelfgerapporteerde bekwaamheid in AI of databasevaardigheden voorspelde geen leergroei (correlaties waren dicht bij nul), wat aangeeft dat de AI-geïntegreerde pedagogie studenten ten goede kwam, ongeacht hun eerdere zelfvertrouwen of waargenomen vaardigheidsniveaus.
Metacognitieve Betrokkenheid: Kwalitatieve analyse onthulde dat studenten actief betrokken waren bij metacognitieve bewaking door AI-outputs te inspecteren, fouten te identificeren (zoals hallucinaties, integriteitsschendingen) en ontwerpen te herzien op basis van domeinprincipes in plaats van AI-suggesties voor waarheid aan te nemen.

Betekenis en Claims
Het artikel beweert dat de onfeilbaarheid van LLM's "pedagogisch productief" is. Door AI-fouten te kaderen als kansen voor analyse en evaluatie, kunnen docenten studenten betrekken bij fundamentele processen van hoger orde denken. De studie betoogt dat gestructureerde interactie met door AI gegenereerde fouten metacognitieve betrokkenheid ondersteunt en vakinhoudelijke strengheid versterkt.

De auteurs positioneren dit werk als een ontwerpgebaseerd onderzoek dat instructiehaalbaarheid en directionele leer-effecten demonstreert. Ze erkennen beperkingen, waaronder de kleine steekproefgrootte, de afwezigheid van een controlegroep en de afhankelijkheid van zelfgerapporteerde maatstaven. Bijgevolg claimt het artikel geen causaal bewijs van superioriteit ten opzichte van niet-AI-instructie, maar biedt het bewijs dat AI-geïntegreerde scaffolding, specifiek via foutanalyse, effectief hoger orde denken en metacognitieve kalibratie kan bevorderen in het bacheloronderwijs in informatica. Het kader wordt gepresenteerd als generaliseerbaar buiten databaseontwerp, wat toekomstige gecontroleerde, multi-institutionele studies motiveert.