Mapping the Emerging Curriculum for AI-Assisted Software Engineering via Syllabus Analysis

Stel je de wereld van software engineering voor als een enorme, bruisende bouwplaats. Decennialang werden de blauwdrukken met de hand getekend en werden de stenen één voor één gelegd door bekwame metselaars met hamers en beitels. Maar onlangs is er een nieuw soort hulpje op de bouwplaats gearriveerd: een supersnelle, praatgrage robotassistent die stenen kan pakken, cement kan mengen en zelfs kan suggereren waar de volgende muur gebouwd moet worden. Dit is Generatieve AI. Het is niet zomaar een luxe rekenmachine; het is een tool die code kan schrijven, bugs kan oplossen en systemen kan ontwerpen, waardoor de manier waarop professionele bouwers elke dag werken, verandert.

Stel je nu de scholen voor die de volgende generatie meesterbouwers opleiden. Zij staan voor een lastige puzzel: hoe leer je studenten wolkenkrabbers bouwen wanneer hun beste vriend een robot is die het halve werk voor hen kan doen? Als je ze alleen leert hoe ze met de robot moeten werken, vergeten ze misschien hoe ze een huis moeten bous als de robot kapot gaat. Als je de robot negeert, blijven ze achter in de echte wereld. Dit artikel duikt in de syllabus — de lesplannen en huiswerklijsten — van universiteiten die precies deze puzzel proberen op te lossen. Het vraagt zich af: leren deze scholen studenten om alleen maar met de robot te chatten, of leren ze hen hoe ze de baas van de robot kunnen zijn terwijl ze nog steeds de oude regels van de bouw kennen?

---

De Grote Syllabus-detectivehunt

Een team onderzoekers besloot detective te spelen. Ze vroegen docenten niet alleen wat ze dachten dat ze deden; ze gingen rechtstreeks naar de bron. Ze doorzochten het publieke internet naar 23 werkelijke universitaire cursussen in de Verenigde Staten die expliciet over "AI-ondersteunde Software Engineering" gingen. Dit waren niet zomaar lessen waarin AI zijdelings werd genoemd; het waren gevorderde cursussen waar studenten AI-tools moesten gebruiken om echte cijfers te halen voor echte softwareprojecten.

De onderzoekers behandelden deze syllabi als schatkaarten. Ze zochten naar drie hoofdzaken:

1. Het Doel: Wat moesten de studenten leren?
2. Het Huiswerk: Hoe werden ze getest?
3. De Tools: Welke specifieke robotassistenten mochten ze gebruiken (of werden ze verplicht te gebruiken)?

Wat de Klassen Eigenlijk Leren

De onderzoekers ontdekten dat deze nieuwe cursussen niet alleen gaan over het leren typen van de perfecte magische woorden (prompts) om een robot code te laten schrijven. Dat zou zijn alsoals een bouwvakker alleen leren hoe hij de robot moet vragen om "een muur te bouwen" zonder ooit te controleren of de muur wel recht staat.

In plaats daarvan richt het meest voorkomende lesplan zich op Mens-AI-samenwerking. Denk aan een dans waarbij de mens leidt en de robot volgt, maar de mens moet de stappen perfect kennen. De belangrijkste leerdoelen waren:

• Het Beheren van de Context: Studenten leren hoe ze de robot genoeg informatie kunnen geven om een goede job te doen, in plaats van alleen maar "maak het werkend" te roepen.
• Bouwen en Evalueren: Studenten genereren niet alleen code; ze bouwen software met AI en treden vervolgens op als kwaliteitsinspecteurs om te controlen of het werk van de AI veilig, correct en betrouwbaar is.
• Het "Black Box"-probleem: Een paar cursussen leerden studenten zelfs hoe ze hun eigen AI-tools kunnen bouwen, in plaats van ze alleen maar te gebruiken.

De onderzoekers merkten op dat hoewel sommige klassen de ethiek aanstipten (een "goede" robotgebruiker zijn) en ontwerp (dingen maken waar mensen echt van houden), de hoofdfocus zwaar lag op de technische handeling van het bouwen en controleren van software.

Het Huiswerk: Geen "Laat je Werk Zien" meer op Papier

Een van de meest interessante bevindingen was hoe deze klassen studenten beoordelen. In het verleden gaf een docent misschien een toets om te zien of een student code vanuit het niets kon schrijven. Maar met AI is dat alsof je een chef vraagt een maaltijd te koken zonder fornuis.

Het onderzoek vond dat deze cursussen grotendeels de traditionele, hoge-inzet examens hebben afgeschaft, waarbij studenten alleen in een kamer zitten. In plaats daarvan leunen ze zwaar op projecten en samenwerking.

• Het Grote Project: De meeste cursussen vertrouwen op een massaal eindproject (een "capstone") dat een groot deel van het cijfer bepaalt.
• De AI-vereiste: In bijna elke cursus moesten studenten AI-tools gebruiken om hun opdrachten te voltooien. Het was niet optioneel; het maakte deel uit van de baan.
• De "Proces"-controle: Omdat de AI het zware werk doet, beoordelen docenten het proces. Ze kijken naar hoe studenten met de AI communiceren, hoe ze de fouten van de AI herstellen en hoe ze hun code uitleggen. Het gaat minder om "Heb je het juiste antwoord?" en meer om "Kun je me laten zien hoe je daar bent gekomen en waarom het veilig is?"

Verrassend genoeg gebruikten zeer weinig van deze cursussen "geproctoreerde" examens (waarbij een docent toezicht houdt om te zorgen dat je de regels volgt). De onderzoekers suggereren dat dit betekent dat scholen wedden op het idee dat de beste manier om te leren het doen van het echte werk is, met de AI als partner, in plaats van te proberen studenten te misleken om het alleen te doen.

De Robot-gereedschapskist: Een Lange Staart van Opties

Wat betreft de specifieke tools, vonden de onderzoekers een beetje een rommeltje. Slechts 9 van de 23 cursussen vermeldeneden publiekelijk de specifieke AI-tools die ze gebruikten. Onder de cursussen die dat wel deden, kwamen een paar namen herhaaldelijk naar voren: Claude Code, Cursor en GitHub Copilot.

De lijst was echter een "long tail" (lange staart). Dit betekent dat hoewel een paar tools populair waren, er geen enkele duidelijke "winnaar" was. Sommige klassen gebruikten één tool, andere een andere, en sommige gebruikten een heleboel verschillende tools. De onderzoekers suggereren dat dit komt omdat de technologie zo snel beweegt dat scholen nog steeds aan het uitzoeken zijn welke tool de beste "hamer" voor de klus is. Ze merkten ook op dat veel cursussen helemaal geen tools vermelden, misschien omdat ze studenten willen leren zich aan te passen aan elke tool, in plaats van aan één specifiek merk.

Het Grotere Plaatje: Een Werk in Uitvoering

Het paper concludeert dat we ons in de beginfase van dit nieuwe curriculum bevinden. Er is nog geen enkele "perfecte" manier om AI-ondersteunde engineering te onderwijzen. Het is meer een gigantische ontwerpomgeving waar docenten experimenteren.

Sommige cursussen richten zich op de basis van hoe AI werkt, terwijl andere direct overgaan op complexe projecten. Sommige maken zich zorgen over ethiek, terwijl andere geobsedeerd zijn door snelheid. De onderzoekers suggereren dat de meest succesvolle klassen de klassen lijken te zijn die AI behandelen als een krachtige partner in de bouwploeg, en niet als een toverstaf die de arbeider vervangt. Ze leren studenten om de architecten te zijn die weten hoe ze de robot moeten aansturen, het werk moeten controleren en ervoor moeten zorgen dat het uiteindelijke gebouw stevig en veilig staat.

Kortom, de toekomst van software engineering onderwijs gaat niet over het verbieden van de robots of het laten overnemen door de robots. Het gaat erom de volgende generatie bouwers te leren hoe ze de blauwdrukken vasthouden, de juiste instructies geven en het werk dubbelchecken, om er zeker van te zijn dat wanneer de robot de muur bouwt, deze gebouwd is om lang mee te gaan.