Reshaping Undergraduate Computer Science Education in the Generative AI Era

Op basis van bevindingen uit internationale workshops betoogt dit white paper dat het onderwijs in Computerwetenschappen op bachelor niveau moet verschuiven van een focus op routinematige implementatie-taken naar een nadruk op systeemontwerp, abstractie en de kritische evaluatie van door AI gegenereerde artefacten om studenten effectief voor te bereiden op het tijdperk van generatieve AI.

De kern

Het Grote Plaatje: De "Junior Engineer" is Veranderd

Stel je voor dat de opleiding tot informaticus de afgelopen 50 jaar leek op het trainen van een timmerman. Je begon met het leren hoe je een hamer vasthoudt, hoe je hout zaagt en hoe je een tafel schuurt. Je besteedde jaren aan het oefenen van deze handmatige vaardigheden, omdat dat de manier was om dingen te bouwen.

Stel je nu voor dat er een robot is verschenen die in enkele seconden perfect kan hameren, zagen en schuren. De robot kan de basis van een tafel sneller bouwen dan welke mens dan ook.

Het Probleem: Universiteiten leren studenten nog steeds hoe ze een hamer moeten vasthouden. Maar de arbeidsmarkt heeft geen mensen nodig die alleen maar hamers vasthouden; de markt heeft mensen nodig die het huis kunnen ontwerpen, kunnen controleren of de robot de tafel correct heeft gebouwd, en kunnen beslissen of de tafel veilig is om aan te zitten.

Dit paper betoogt dat omdat AI (de robot) nu de "junior" taken kan overnemen (basiscode schrijven, eenvoudige bugs oplossen, documentatie schrijven), we de manier waarop we toekomstige informatici opleiden volledig moeten veranderen.

---

De Kernverschuiving: Van "Hoe te Bouwen" naar "Wat te Bouwen"

1. De Oude Manier: Het Leerlingmodel

In het verleden leerden studenten door het saaie, repetitieve werk te doen. Ze losten kleine bugs op en schreven eenvoudige code. Dit was hun "leertijd". Door het harde werk van het schrijven van code, leerden ze hoe de machine dacht.

De Disruptie: AI-tools (zoals Claude, Codex of Gemini) hebben de leerlingtijd overgenomen. Ze kunnen de basiscode direct schrijven. Als studenten de AI simpelweg het werk laten doen, leren ze nooit hoe ze moeten denken. Ze worden dan als iemand die een tafel online heeft besteld, maar niet weet hoe hij hem moet assembleren of of hij wel stevig is.

2. De Nieuwe Manier: Het Architect- en Inspectormodel

Het paper suggereert dat we de focus moeten verleggen van het schrijven van code naar het ontwerpen van systemen en het controleren van het werk.

• De Architect (Systeemontwerp): In plaats van zich zorgen te maken over de syntaxis (de specifieke letters en symbolen van de code), moeten studenten zich richten op het grote plaatje. Wat moet het systeem doen? Hoe passen de onderdelen in elkaar?
• De Inspector (Verificatie): Omdat de AI de code schrijft, moet de mens de deskundige inspecteur worden. Kun jij zien of de AI een fout heeft gemaakt? Is de code veilig? Lost het daadwerkelijk het probleem op? Het paper noemt dit het "Verificatiespectrum"—variërend van eenvoudige controle tot rigoureuze wiskundige bewijsvoering.

---

De Workshop: Luisteren naar Docenten en Studenten

De auteurs hielden twee workshops om uit te zoeken hoe ze dit kunnen oplossen:

1. Faculty Workshop: Docenten en experts uit de sector bespraken welke vaardigheden ontbreken.
2. Student Workshop: Huidige studenten en pas afgestudeerden deelden hun angsten en hoop.

Waar zij het over eens waren (De Consensus):

• Stop met het memoriseren van syntaxis: Besteed geen jaren aan het onthouden van codebibliotheken. AI onthoudt dat wel voor je.
• Focus op "Meta-vaardigheden": Leer studenten hoe ze moeten leren, hoe ze de juiste vragen stellen en hoe ze kritisch kunnen denken.
• AI is een Partner, geen Vervanging: Studenten moeten AI gebruiken als een "co-piloot" (een behulpzame assistent), niet als een "kruk" (iets dat het denken voor hen overneemt).
• Projecten uit de Praktijk: In plaats van kleine, geïsoleerde huiswerkopdrachten, moeten studenten werken aan grote, complexe, echte projecten waarbij ze AI-tools moeten integreren.

Waar zij het oneens waren (De Spanning):

• Docenten maakten zich zorgen over de "Junior Gap". Als AI het junior werk doet, hoe leren studenten dan om senior engineers te worden? Ze vrezen dat studenten afstuderen zonder de diepe kennis die nodig is om complexe problemen op te lossen.
• Studenten maakten zich zorgen over hun toekomstige banen. Ze vroegen zich af: "Als AI het werk doet, word ik dan nog wel aangenomen?" Ze maakten zich ook zorgen over luiheid of onbedoeld spieken.

---

De Voorgestelde Oplossing: De "Breadcrumb" Strategie

Het paper suggereert een slimme manier om het curriculum bij te werken zonder het hele tekstboek weg te gooien. Ze noemen dit de "Breadcrumb" strategie (kruimelpad-strategie).

Stel je voor dat je door een bos loopt (een vierjarige studie). In plaats van een heel nieuw pad aan te leggen, laat je kleine "kruimels" achter langs het bestaande pad.

• Wat is een kruimel? Een kleine oefening, een specifieke vraag of een kleine prompt die wordt toegevoegd aan een normale les.
• Voorbeeld: In een wiskundeles, in plaats van alleen een vergelijking op te lossen, kan de student de opdracht krijgen: "Gebruik AI om een oplossing te genereren, en leg vervolgens uit waarom het antwoord van de AI wel of niet juist is."
• Het Doel: Deze kleine duwtjes gebeuren in elke les, elk jaar. Zo bouwen studenten langzaam een nieuwe set vaardigheden op (ethiek, verificatie, systeemontwerp) zonder dat er een enorme herziening van elk afzonderlijk vak nodig is.

---

Het Nieuwe "Afstudeerprofiel"

Tegen de tijd dat een student afstudeert, zouden ze niet alleen een "programmeur" moeten zijn. Ze zouden moeten zijn:

1. Een Ethische Bewaker: Ze begrijpen de juridische en morele gevolgen van de software die ze bouwen (bijv. privacy, bias, veiligheid).
2. Een Specificatie-expert: Ze zijn erg goed in het helder beschrijven van wat er gebouwd moet worden, zodat de AI (of een menselijk team) dit correct kan bouwen.
3. Een Kritische Verifieerder: Ze kunnen naar door AI gegenereerde code kijken en de verborgen vallen, beveiligingslekken of logische fouten opsporen.
4. Een Collaborateur: Ze weten hoe ze efficiënt met AI-tools kunnen samenwerken, waarbij ze de AI behandelen als een junior medewerker die toezicht nodig heeft.

De Barrières (Wat er Nu Moet Gebeuren)

Het paper geeft toe dat dit niet eenvoudig is. Om dit te laten slagen, moeten universiteiten:

• Docenten Ondersteunen: Docenten hebben tijd, geld en tools nodig om te leren hoe ze met AI moeten doceren. Ze kunnen niet simpelweg blijven nakijken met de oude methoden.
• Beoordeling Veranderen: Als studenten AI gebruiken, hoe test je hen dan? Het paper suggereert het testen van het proces (hoe ze dachten) in plaats van alleen het eindresultaat.
• Samenwerking met de Industrie: Scholen moeten met bedrijven praten om er zeker van te zijn dat ze de juiste vaardigheden aanleren voor de banen die er daadwerkelijk zijn.

Samenvatting

Het paper zegt: Het tijdperk van "handmatig code schrijven" is voorbij. AI heeft het zware werk overgenomen. Om relevant te blijven, moet het computer science onderwijs stoppen met het opleiden van studenten tot "menselijke typemachines" en beginnen met het opleiden van "menselijke architecten en inspecteurs". We moeten "kruimels" van kritisch denken, ethiek en verificatie door het hele curriculum verspreiden, zodat studenten bij hun afstuderen klaar zijn om de AI te beheren, in plaats van erdoor vervangen te worden.

Technische samenvatting

Technische Samenvatting: De vormgeving van het bacheloronderwijs in Computer Science in het tijdperk van Generatieve AI

Probleemstelling

Het artikel identificeert een kritieke verstoring in het onderwijs aan Computer Science (CS), gedreven door de snelle vooruitgang van Generatieve AI (GenAI). Historisch gezien heeft de CS-pedagogiek zich gericht op de arbeidsintensieve vertaling van logische intentie naar syntactische code, met een progressie van programmeermechanica naar software engineering-praktijken (debuggen, testen, documentatie). AI-coderingstools (bijv. Claude Code, OpenAI Codex, Google Gemini) automatiseren echter nu veel taken die traditioneel werden toegewezen aan "junior engineers", zoals het oplossen van eenvoudige bugs, het schrijven van boilerplate-code en het genereren van unit tests.

Deze automatisering creëert een dubbele uitdaging:

1. Curriculum-obsolescentie: Het traditionele leerling-meestermodel, waarbij studenten expertise opbouwen door progressief complexe programmeertaken uit te voeren, wordt verstoord doordat AI de functionele rol van de instap-engineer overneemt.
2. Vaardigheidserosie: Onbeperkt AI-gebruik in het onderwijs brengt het risico met zich mee dat de intellectuele vaardigheden van studenten, specif seguito kritisch denken, probleemoplossend vermogen en het vermogen om de correctheid van systemen te verifiëren, ondermijnt. Empirisch bewijs suggereert dat hoewel AI de prestaties tijdens de uitvoering kan verbeteren, het kan leiden tot een daling van de exameresultaten wanneer de AI wordt verwijderd, wat wijst op een "crutch"-effect (het gebruik van AI als kruk).
3. Kwaliteits- en aansprakelijkheidsgaten: AI-ondersteunde ontwikkeling versnelt vaak de korte termijn snelheid, maar leidt tot een persistente toename van codecomplexiteit en statische analyse-waarschuwingen (technische schuld). Bovendien vormt het gebrek aan professionele aansprakelijkheidskaders voor AI-gegenereerde code in veiligheidskritische systemen een aanzienlijk risico.

Methodologie

Om deze uitdagingen aan te pakken, organiseerden de auteurs twee internationale workshops in Singapore, gefaciliteerd door het AI4SG Lab (NUS School of Computing), de SoC Horizons Office en Google. De methodologie maakte gebruik van een dual-stakeholder benadering om diverse perspectieven te vangen:

1. Docentenworkshop (november 2025): Een driedaagse sessie met 30 deelnemers, bestaande uit CS-docenten en professionals uit de industrie uit Noord-Amerika, Azië, Europa en Oceanië. De workshop maakte gebruik van een gestructureerd brainstormproces (KEEP, CUT, GAP, THREAT) om kerncompetenties te defini diện, het curriculum (jaren 1–4) te herontwerpen en implementatieproblemen aan te pakken.
2. Studentenworkshop (januari 2026): Een eendaagse sessie met 60 deelnemers, bestaande uit huidige CS-studenten en pas afgestudeerden (ongeveer 50% afkomstig van instellingen in Singapore). Deze workshop richtte zich op de geleefde ervaringen van studenten, zorgen over de erosie van kritisch denken en voorkeuren voor beoordeling en leertrajecten.

De studie erkent beperkingen, waaronder zelfselectiebias onder deelnemers, de geografische concentratie van studentenparticipanten, en het feit dat de bevindingen reflecties zijn van percepties en voorstellen in plaats van empirisch gevalideerde uitkomsten.

Belangrijkste Bijdragen

Het artikel stelt een strategisch kader voor om het bacheloronderwijs in CS te hervormen, waarbij de focus verschuift van syntaxis-gecentreerde instructie naar hogere-orde competenties. De belangrijkste bijdragen zijn:

• De "Breadcrumb"-strategie: Een pedagogisch mechanisme om AI-native vaardigheden (ethiek, verificatie, specificatie) door het hele vierjarige curriculum te integreren via kleine, praktische oefeningen, prompts en aanwijzingen (nudges) ingebed in bestaande cursussen, in plaats van als afzonderlijke modules.
• Een Verificatiespectrum: Het artikel herdefinieert "verificatie" als een kerncompetentie voor afgestudeerden, variërend van een continuüm van informele code-review en testen tot type-systeem-gestuurde ontwikkeling en volledige formele verificatie. Het betoogt dat naarmate AI code genereert, de rol van de mens verschuift naar die van een "senior engineer" die verantwoordelijk is voor het specificeren van de intentie en het verifiëren van conformiteit.
• Criteria voor Curriculumherstructurering: De auteurs stellen vijf pijlers voor hervorming voor:
  1. Bevorderen van AI-Native Competenties: Studenten trainen om professioneel en ethisch met AI te werken, met de focus op specificatie, verificatie en kritische reflectie.
  2. Heroriëntatie op Fundamentele Educatie (jaren 1–2): De focus verschuiven van routinematig coderen naar abstractie, decompositie en algoritmisch redeneren. Dit omvat "top-down" benaderingen zoals het reverse-engineeren van gecompileerde oplossingen om specificaties te extraheren.
  3. Versterken van Geavanceerde Trajecten (jaren 3–4): De nadruk leggen op systeemdenken, grootschalige gedistribueerde systemen en interdisciplinaire betrokkenheid (bijv. "AI+X").
  4. Omarmen van Nieuwe Pedagogieën: Bewegen naar projectgebaseerd leren, "prompt-first" opdrachten en beoordelingen die het probleemoplossingsproces en de AI-interactiegeschiedenis evalueren in plaats van alleen het eindproduct.
  5. Verschuiving van Institutionele Ondersteuning: Pleiten voor herallocatie van middelen om de werkdruk van docenten te ondersteunen, prikkels voor het ontwikkelen van "AI-klare" opdrachten en de creatie van gedeelde repositories voor schaalbare hervormingen.

Resultaten en Consensus

De workshops toonden een significante consensus tussen docenten en studenten, naast genuanceerde divergenties:

Gebieden van Consensus:

• Verschuiving naar Hoogwaardig Denken: Beide groepen zijn het erover eens dat het onderwijs moet verschuiven van het memoriseren van syntaxis naar het beheersen van abstractie, systeemontwerp en probleemdecompositie.
• Belang van Fundamenten: Kern Theorie (wiskunde, datastructuren, algoritmen) blijft essentieel, maar moet worden onderwezen als een fundament voor het verifiëren van AI-outputs.
• Meta-vaardigheden: Er is een gedeelde erkenning van de noodzaak van "meta-vaardigheden", inclusief kritisch denken, zelfregulatie en ethisch redeneren.
• Beoordelingshervorming: Beide groepen pleiten voor een tweeledige beoordelingsaanpak: gecontroleerde (AI-vrije) toetsing om fundamenteel begrip te verifiëren en open (AI-toegestane) opdrachten die het proces, de specificatie en de verificatie evalueren.
• Ervaringsgericht Leren: Grote, real-world projecten hebben de voorkeur boven geïsoleerde programmeeroefeningen. Docenten suggereerden "reverse-engineering" van bestaande oplossingen, terwijl studenten pleitten voor autonomie in projecten "in het wild".

Divergenties:

• Competentie-gaten: Docenten richtten zich op het "Junior Engineer-probleem", waarbij afgestudeerden onmiddellijk over senior-niveau architecturale vaardigheden moeten beschikken. Studenten richtten zich meer op inzetbaarheid en het opvallen in een door AI verzadigde markt.
• Aansprakelijkheid: Docenten uitten acute zorgen over professionele aansprakelijkheid en het gebrek aan kaders voor de goedkeuring (sign-off) van AI-gegenereerde code in veiligheidskritische domeinen, een zorg die minder prominent was in de discussies met studenten.
• Pedagogische Structuur: Docenten gaven de voorkeur aan gestructureerde, door instructeurs gestuurde formaten (bijv. "prompt-first" cursussen met gedefinieerde steunstructuren), terwijl studenten meer autonomie prefereerden bij het kiezen van problemen en leertrajecten.

Betekenis en Claims

Het artikel positioneert zichzelf als een fundamentele stap in een voortdurende, op bewijs gebaseerde conversatie in plaats van een definitieve conclusie. De betekenis ligt in:

1. Synthese van Duale Perspectieven: Door zowel de stemmen van docenten als studenten te vangen, identificeert het papier gebieden van consensus en divergentie die benaderingen met één stakeholder vaak missen.
2. Programma-brede Scope: In tegenstelling tot initiatieven die zich richten op individuele cursussen, stelt dit werk criteria voor het herstructureren van het gehele vierjarige bachelorcurriculum.
3. Actiegericht Kader: Het gaat verder dan theoretische discussie en stelt concrete strategieën voor, zoals de "Breadcrumb"-methode en specifieke beoordelingshervormingen (bijv. het indienen van AI-interactiegeschiedenissen).
4. Oproep tot Validatie: De auteurs claimen bescheiden dat de voorgestelde oplossingen (bijv. specificatie-gestuurde opdrachten, verificatie-georiënteerde workflows) nog getest moeten worden. Zij nodigen de bredere gemeenschap uit om deze praktische oplossingen te implementeren en empirische gegevens te leveren om de voorgestelde criteria te valideren tegen de snel evoluerende arbeidsmarkt.

Het artikel concludeert dat hoewel de omvang van de AI-verstoring onbekend is, de verschuiving van handmatige codegeneratie naar systeembeheer, verificatie en ethische verantwoordelijkheid onmiddellijk is. Het voorgestelde kader heeft als doel afgestudeerden voor te bereiden die niet alleen problemen kunnen oplossen met AI, maar ook in staat zijn om verantwoordelijk artefacten te beheren en mede te creëren.