📈 economics

Curriculum design in the age of AI

Dit artikel modelleert hoe de beschikbaarheid van AI het optimale curriculumontwerp verandert, waarbij wordt aangetoond dat hoewel AI het leerproces voor hoogopgeleide studenten kan versnellen wanneer het inspanning complementeert, het leraren over het algemeen dwingt om taaksequenties te vervormen om de inspanning van studenten te stimuleren, wat uiteindelijk resulteert in een verminderde algehele vaardigheidsontwikkeling.

Oorspronkelijke auteurs: Benjamin Davies

Gepubliceerd 2026-07-22

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Benjamin Davies

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 probeert ergens beter in te worden, zoals het spelen van een videogame of het oplossen van een lastige puzzel. Je weet dat er twee manieren zijn om een level aan te pakken: je kunt er doorheen "grinden" door zelf te worstelen met elke hindernis, of je kunt een "cheat code" gebruiken die de puzzel direct voor je oplost. In de wereld van economie en onderwijs is dit een klassieke afweging. De "grind" is hard werken, maar het bouwt je hersenspieren (vaardigheden) op voor de toekomst. De "cheat code" is makkelijk en geeft je nu een perfecte score, maar het laat je hersenspieren zwak achter. Dit artikel, geschreven door een econoom genaamd Benjamin Davies, stelt een prangende vraag voor onze tijd: Als studenten toegang hebben tot een super-slimme cheat code (Artificiële Intelligentie), hoe moeten docenten dan hun huiswerk ontwerpen om ervoor te zorgen dat studenten nog steeds sterk worden?

Het artikel gebruikt een model waarbij een student een reeks taken tegenkomt. Ze kunnen ofwel het werk doen (wat inspanning kost maar vaardigheid opbouwt) of het aan AI overlaten (wat geen inspanning kost maar geen vaardigheid opbouwt). De taak van de docent is om de taken in een specifieke volgorde te rangschikken — een "curriculum" — om de student ertoe te krijgen zoveel mogelijk werk te verrichten. Het artikel onderzoekt wat er gebeurt wanneer de docent probeert de verleiding van de student om de AI te gebruiken, te slim af te zijn. Het blijkt dat de aanwezigheid van AI docenten dwingt om het spel volledig te veranderen: soms maakt het vroege huiswerk meer gericht op specifieke soorten denken om studenten betrokken te houden, en soms helpt AI hoogopgeleide studenten zelfs sneller te leren terwijl het laagopgeleiden benadeelt.

Het Dilemma van de Cheat Code

Beschouw de opleiding van een student als een lange videogame-campagne. De "vaardigheden" zijn de kracht en intelligentie van je personage, die alleen groeien wanneer je de monsters zelf bevecht. De "inspanning" is de energie die je uitgeeft aan het zwaaien met je zwaard. In dit verhaal is de AI een magische staf die elk monster direct kan verslaan. Als je de staf gebruikt, krijg je de schat (het cijfer) zonder met je zwaard te zwaaien, maar je personage wordt niet sterker.

De docent is de game designer. Hun doel is niet alleen om je een hoge score te geven; het is om ervoor te zorgen dat jouw personage aan het einde van het spel een legendarische held wordt. Het artikel vraagt: Hoe moet de game designer de levels zo ordenen dat jij kiest om met je zwaard te zwaaien in plaats van de staf te gebruiken?

De Wereld Zonder Cheat Code: Een Soepele Klim

Eerst kijkt het artikel naar een wereld waarin de cheat code niet bestaat (of de student weigert deze te gebruiken). In dit "First-Best" scenario ontwerpt de docent een perfect pad. De vroege levels zijn simpel, maar vereisen dat je veel met je zwaard zwaait (hoge "inspanningsintensiteit"). Naarmate je sterker wordt en je personage een level omhoog gaat, worden de latere levels lastiger. Ze vereisen dat je uitzoekt hoe je met het zwaard moet zwaaien, en niet alleen blindelings zwaait (hoge "vaardigheidsintensiteit").

De logica is simpel: Wanneer je zwak bent, moet je de basis oefenen. Wanneer je sterk bent, moet je strategie leren. Het artikel bewijst dat, zonder AI, het beste curriculum begint met zwaar werk en geleidelijk verschuift naar intellectuele puzzels. Dit is logisch omdat je kracht en je strategie beter samenwerken; hoe sterker je wordt, hoe effectiever je strategie wordt.

De Wereld Met de Cheat Code: De Twist

Introduceer nu de AI. Plotseling heeft de student een keuze: "Zwaai ik met mijn zwaard, of wapper ik gewoon met de staf?" Als de staf een perfect cijfer geeft met nul inspanning, zal de student bij elk makkelijk level met de staf wapperen. Als de docent het "First-Best" plan aanhoudt (makkelijke levels eerst), zal de student de AI gebruiken, niets leren, en faalt het plan van de docent.

Om dit te repareren, moet de docent het curriculum "vervormen". Dit is de grote ontdekking van het artikel. Om de student te stoppen met het wapperen met de staf in de vroege levels, moet de docent die vroege levels meer "hersencapaciteit" (vaardigheid) vereisen op een specifieke manier. Ze moeten de vroege taken zo maken dat ze van de student vereisen om de juiste methoden te identificeren om het probleem op te lossen, in plaats van alleen een gegeven methode toe te passen. Dit dwingt de student om de regels van het spel te begrijpen om het level te verslaan, wat het gebruik van de AI minder effectief maakt omdat de AI niet simpelweg een vooraf ingestelde routine kan uitvoeren; de student moet eerst bedenken wat te doen.

Het artikel laat zien dat dit een vreemde, U-vormige curve voor het huiswerk creëert:

Vroege Levels: De docent maakt ze veeleisender qua strategisch denken (hoge vaardigheidsintensiteit) om de student te dwingen de juiste aanpak te identificeren.
Middelste Levels: Naarmate de student slimmer wordt, neemt de docent de complexiteit iets terug en laat de student meer "grinden" (inspanning).
Late Levels: Zodra de student een pro is, keert de docent terug naar het oorspronkelijke plan: complexe strategiepuzzels die de student op eigen kracht kan oplossen.

Het resultaat? De student leert nog steeds, maar leert minder dan wanneer de AI niet zou bestaan. De docent moest het spel zo erg verdraaien om de student eerlijk te houden dat de algehele leercurve afvlakt.

De Magische Staf Wordt Beter: Hoge Vaardigheden vs. Lage Vaandigheden

Het artikel gaat nog een stap verder. Wat als de AI nog slimmer wordt? Specifiek: wat als de AI gebruikt kan worden om het eigenlijke werk (de inspanning) te versnellen zodra de student de strategie heeft bepaald? Het artikel vindt een verrassende splitsing in hoe dit de studenten beïnvloedt.

De Hoogopgeleide Student: Als een student al behoorlijk goed is in het spel, helpt een slimmere AI hen zelfs sneller te leren. Waarom? Omdat de AI de inspannende delen van het werk (zoals het bewijzen van een reeks lemma's in een wiskundig probleem) kan versnellen zodra de student zijn vaardigheid heeft gebruikt om de strategie te bepalen. De AI werkt als een katalysator voor de productiviteit van hun inspanning, waardoor ze hun vaardigheden sneller kunnen ontwikkelen.
De Laagopgeleide Student: Als een student moeite heeft, zorgt een slimmere AI ervoor dat ze langzamer leren. De "super-staf" is simpelweg te verleidelijk. Ze gebruiken het om het harde werk volledig over te slaan, en omdat ze het werk overslaan, bouwen ze nooit de vaardigheden op die nodig zijn om beter te worden.

Dit suggere咗 dat naarmate AI beter wordt, de kloof tussen de "slimme" studenten en de "worstelende" studenten groter kan worden. De slimme gebruiken het hulpmiddel om te vliegen; de worstelende gebruiken het hulpmiddel om te blijven drijven, zonder ooit zelf te leren vliegen.

De Kern van het Verhaal

Het artikel zegt niet dat AI slecht of goed is; het zegt dat AI de regels van het spel verandert. Als docenten huiswerk blijven ontwerpen zoals ze dat voorheen deden, zullen studenten de AI gebruiken om te bedriegen, en zal het leren stoppen. Om hiertegen te strijden, moeten docenten misschien het vroege huiswerk meer richten op het "laten zien van het proces" en het begrijpen van het "waarom", in plaats van alleen op het behalen van het juiste antwoord.

Het model suggereert dat als je wilt dat studenten leren, je ze niet alleen een lijst met taken kunt geven. Je moet de moeilijkheid zorgvuldig ontwerpen zodat het gebruiken van de "cheat code" een slechte deal voelt. Maar zelfs met het beste ontwerp suggereert het artikel dat de aanwezigheid van AI het moeilijker maakt voor iedereen om hun volledige potentieel te bereiken, en dat het het verschil tussen een topstudent en een worstelende student nog dramatischer kan maken. Het is een herinnering aan het feit dat in het tijdperk van AI, de manier waarop we lesgeven net zozeer moet veranderen als de manier waarop we leren.

Technische Samenvatting: Curriculumontwerp in het Tijdperk van AI

Probleemstelling
Het artikel behandelt de uitdaging van het ontwerpen van onderwijscurricula in een omgeving waarin studenten toegang hebben tot Kunstmatige Intelligentie (AI) die in staat is om huiswerk te delegeren. Hoewel AI de productiviteit kan vergroten, suggereert empirisch bewijs dat het het leerproces kan belemmeren door studenten toe te staan de "productieve strijd" te omzeilen die essentieel is voor vaardigheidsverwerving. Het kernprobleel is een principal-agent-dynamiek: een vooruitziende docent (principal) moet een sequentie van taken (curriculum) ontwerpen om de vaardigheidsontwikkeling van een myope student (agent) te maximaliseren, wetende dat de student kan kiezen tussen werken (inspanning kosten maar vaardigheden opbouwen) of delegeren aan AI (geen inspanning kosten maar ook geen vaardigheden opbouwen). De docent moet de taakmoeilijkheid balanceren om inspanning te stimuleren, terwijl rekening wordt gehouden met de verleiding van de student om te delegeren.

Methodologie
De auteur ontwikkelt een dynamisch model van "leren door doen" met endogeen curriculumontwerp.

Agenten: Een myope student en een docent.
Taken: Een sequentie $t \in \{0, \dots, T-1\}$ .
Productie: Werken aan een taak combineert inspanning ( $x$ ) en vaardigheid ( $s$ ) om output te produceren. Inspanning is kostbaar; vaardigheid is kosteloos. Het zijn complementaire inputs. Taken worden gekenmerkt door inspanningsintensiteit ( $\eta$ ), waarbij een lage $\eta$ een hoge afhankelijkheid van vaardigheid impliceert (het identificeren van methoden) en een hoge $\eta$ een hoge afhankelijkheid van inspanning impliceert (het toepassen van gegeven methoden).
Delegatie: De student kan een taak delegeren aan AI, waarbij een vaste beloning $u$ wordt ontvangen met nul inspanning en nul vaardigheidsgroei.
Vaardigheidsaccumulatie: Vaardigheid neemt evenredig toe met de geleverde inspanning ( $\Delta s = r x$ ) als de student werkt; anders blijft de vaardigheid statisch.
Doelstelling: De docent kiest de sequentie van inspanningsintensiteiten $(\eta_t)$ om de totale vaardigheidsgroei ( $s_T - s_0$ ) van de student te maximaliseren, onderworpen aan de incentive compatibility (IC) beperking van de student: de student werkt alleen als de beloning van het werken groter is dan de delegatiebeloning.

De analyse gaat verder door de best-response inspanning en beloning van de student te karakteriseren, en vervolgens de optimale curriculum van de docent op te lossen onder twee scenario's: de "first-best" (geen delegatiedreiging) en de "second-best" (delegatiedreiging). Ten slotte wordt het model uitgebreid met een "AI-kwaliteitsparameter" ( $q$ ) die de inspanning kan aanvullen (de marginale productiviteit van inspanning verhogen) maar ook de delegatiebeloning verhoogt.

Belangrijkste Bijdragen en Resultaten

1. First-Best Curriculum (Geen Delegatiedreiging)
Wanneer de delegatiebeloning nul is ( $u=0$ ), werkt de student altijd. De docent optimaliseert enkel om inspanning te maximaliseren.

Resultaat (Theorem 1): Het optimale curriculum kenmerkt zich door taken die geleidelijk minder inspanningsintensief en meer vaardigheidsintensief worden over de tijd.
Mechanisme: Vroege taken zijn inspanningsintensief om inspanning te stimuleren wanneer de student een lage vaardigheid heeft. Naarmate de student vaardigheden accumuleert, schakelt de docent over naar vaardigheidsintensieve taken. Omdat inspanning en vaardigheid complementair zijn, maakt een hogere vaardigheid inspanning productiever; de docent vermindert daarom de inspanningsintensiteit om te profiteren van deze complementariteit en zo maximale inspanning te extraheren uit de nu meer capabele student.

2. Second-Best Curriculum (Delegatiedreiging)
Wanneer $u > 0$ , kan de student delegeren als de beloning van het werken onvoldoende is.

Resultaat (Theorem 2): De docent moet het curriculum vervormen om de incentive constraints te voldoen. De optimale sequentie vertoont toenemende-dan-afnemende inspanningsintensiteiten.
Mechanisme: Bij vroege taken heeft de student een lage vaardigheid en een lage beloning uit het werken, waardoor delegatie aantrekkelijk wordt. Om dit te voorkomen, moet de docent de vroege taken meer vaardigheidsintensief maken dan de first-best voorschrift (door $\eta$ omlaag te vervormen) om de beloning van de student uit het werken te verhogen. Naarmate de student vaardigheden opdoet, versoepelt de delegatiebeperking en gaat het curriculum over naar het first-best pad van afnemende inspanningsintensiteit.
Implicatie: De aanwezigheid van AI leidt tot minder algehele vaardigheidsontwikkeling vergeleken met de first-best situatie, omdat de docent het curriculum moet vervormen om de student betrokken te houden.

3. Impact van Initiële Vaardigheid en Parameters

Resultaat (Theorem 3): Totale vaardigheidsgroei is toenemend in initiële vaardigheid ( $s_0$ ), productiviteit ( $\pi$ ) en de vaardigheidsaccumulatiesnelheid ( $r$ ), maar afnemend in de delegatiebeloning ( $u$ ).
Mechanisme: Dit bevestigt de "skill begets skill" dynamiek. Hogere initiële vaardigheid vermindert de verleiding om vroegtijdig te delegeren, wat een curriculum dichter bij de first-best mogelijk maakt, wat de vaardigheidsaccumulatie verder versnelt.

4. AI als Complement aan Inspanning
Het model wordt uitgebreid om toe te staan dat AI-kwaliteit ( $q$ ) de marginale productiviteit van inspanning verhoogt (complementariteit) terwijl het ook de delegatiebeloning verhoogt.

Resultaat (Theorem 4): De impact van verbeterde AI-kwaliteit is niet-monotoon en hangt af van het vaardigheidsniveau van de student.
- Studenten met hoge vaardigheid: Naarmate $q$ toeneemt, ontwikkelen deze studenten hun vaardigheden sneller. Hun werkbeloning stijgt sneller dan hun delegatiebeloning, waardoor ze eerder bereid zijn te werken. De docent reageert door de inspanningsintensiteit te verhogen om te profiteren van hun productiviteit.
- Studenten met lage vaardigheid: Naarmate $q$ toeneemt, ontwikkelen deze studenten hun vaardigheden langzamer. De toename van de delegatiebeloning domineert de toename van de marginale productiviteit van inspanning, waardoor delegatie aantrekkelijker wordt. De docent moet het curriculum verder vervormen (de inspanningsintensiteit verlagen) om werk te stimuleren, wat resulteert in minder inspanning en tragere vaardigheidsaccumulatie.
Resultaat (Sectie 5.3): Het algemene effect van AI-kwaliteit op de totale vaardigheidsgroei hangt af van de lengte van het curriculum ( $T$ ) en de accumulatiesnelheid ( $r$ ). In korte curricula kan het negatieve effect op vroege (lage vaardigheids) taken domineren. In lange curricula kan het positieve effect op latere (hoge vaardigheids) taken domineren, mits de student genoeg vaardigheden kan accumuleren om de initiële verleiding tot delegatie te overwinnen.

Betekenis en Claims
Het artikel beweert een theoretisch kader te bieden voor het begrijpen van hoe onderwijsontwerp moet adapteren aan AI. Het betoogt dat:

Curriculumvervorming is Noodzakelijk: Om AI-geïnduceerde vaardigheidsatrofie te voorkomen, moeten docenten taken bewust ontwerpen die meer vaardigheidsintensief zijn (vereist het identificeren van methoden) dan in een AI-vrije omgeving. Dit sluit aan bij empirische suggesties om van studenten te eisen dat zij "hun proces documenteren" en "begrip demonstreren".
Divergerende Effecten: Verbeteringen in AI-kwaliteit bevoordelen of schaden het leren niet uniform. Ze creëren een divergentie waarbij studenten met hoge vaardigheden hun leren versnellen, terwijl studenten met lage vaardigheden verder achter kunnen raken door de verhoogde verleiding tot delegatie.
Dynamische Complementariteiten: Het model benadrukt het belang van vroege investering in vaardigheden. Omdat vaardigheid vaardigheid voortbrengt, is het voorkomen van vroege delegatie cruciaal voor langetermijnontwikkeling.
Breder Toepasbaar: Hoewel gericht op onderwijs, is de logica van het model met betrekking tot delegatie en incentive design toepasbaar op andere contexten, zoals industriële offshoring (waar overheden bijvoorbeeld de binnenlandse productie kunnen stimuleren om menselijk kapitaal op te bouwen) of academische integriteit (kopiëren van medestudenten).

Het artikel concludeert bescheiden door op te merken dat de aannames (bijv. myope studenten, optimalisatie van een enkele student) in toekomstig onderzoek kunnen worden versoepeld om complexere real-world scenario's aan te pakken, zoals het ontwerpen van curricula voor heterogene studentenpopulaties.