🔬 physics

Exploring Students' Perceptions of Using Generative AI-Assisted Problem Posing

Deze fenomenologische studie onderzoekt de percepties van studenten over het gebruik van generatieve AI voor het formuleren van natuurkundige vraagstukken, waarbij wordt vastgesteld dat training in prompt engineering hun interacties en attitudes positief heeft gevormd, waardoor de bredere integratie van AI in gestructureerde leerpraktijken wordt ondersteund ondanks enkele aanhoudende aarzelingen.

Oorspronkelijke auteurs: Lindsay Dawson, N. Sanjay Rebello

Gepubliceerd 2026-08-14

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Lindsay Dawson, N. Sanjay Rebello

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 te leren fietsen. Je zou er ook gewoon kunnen zitten en iemand anders naar kunnen kijken terwijl die fietst, of je zou de exacte route die zij namen uit je hoofd kunnen leren. Maar de echte magie gebeurt wanneer je je eigen kleine hellingen begint te bouwen, je eigen obstakels ontwerpt en uitzoekt hoe je je evenwicht houdt op een wiebelig oppervlak dat je zelf hebt bedacht. In de wereld van natuurkundig onderwijs wordt deze handeling van het verzinnen van je eigen uitdagingen "probleemstelling" (problem posing) genoemd. Het is een chique manier om te zeggen: in plaats van alleen een wiskundige puzzel op te lossen die iemand anders je heeft gegeven, verdraai je de regels, verander je de getallen of stel je je een nieuw scenario voor om te zien of je echt begrijpt hoe het universum werkt.

Stel je nu voor dat je een superintelligente, alwetende robotvriend hebt (Generatieve AI) die je kan helpen deze hellingen te bous. Maar hier komt de crux: als je de robot alleen vraagt: "Maak me een moeilijke fietshelling," kan hij je iets vreemds of nuttelooss geven. Echter, als je leert hoe je met de robot praat met behulp van een speciale "geheime taal" genaamd prompt engineering — waarbij je de robot zeer specifieke instructies, rollen en stappen geeft — wordt het een ongelooflijke partner. Dit artikel onderzoekt wat er gebeurt wanneer studenten deze geheime taal leren. De onderzoekers wilden weten: verandert het lesgeven van studenten hoe ze deze taal gebruiken om hun eigen natuurkundeproblemen te verzinnen de manier waarop ze AI gebruiken? En vinden studenten het eigenlijk leuk om deze robotvriend te gebruiken om te studeren, of denken ze dat het een methode is die het leerproces ondermijnt?

Het Experiment: Studenten leren praten met de Robot

In dit onderzoek nodigden onderzoekers van Purdue University een groep universiteitsstudenten die een natuurkundecursus volgden uit om een spelletje te spelen met Generatieve AI. Het doel was om te zien of een beetje training een onhandige interactie met AI kon veranderen in een krachtig studiehulpmiddel. De studenten gingen gedurende één week door drie fasen.

Eerst, in de fase "Vóór de Training", kregen de studenten de opdracht om een AI-tool naar keuze te gebruiken om een nieuwe versie van een natuurkundeprobleem te maken dat ze al eerder hadden opgelost. Ze moesten met de AI chatten, een nieuw probleem maken en vervolgens opschrijven wat ze over het gesprek vonden. Op dit punt stelden de meeste studenten alleen basisvragen, zoals "Geef me een moeilijkere versie hiervan."

Vervolgens kwam de "Trainingsfase". De studenten keken naar een video van 15 minuten. Dit was geen saaie lezing; het leerde hen hoe ze "prompt engineering" konden gebruiken. Denk hierbij aan het leren geven van zeer specifieke aanwijzingen aan een GPS. In plaats van alleen te zeggen "Rijd naar het strand," leer je te zeggen: "Rijd naar het strand, maar neem de panoramische route, vermijd de snelweg en stop voor een ijsje." De video leerde hen ook een speciale manier om over natuurkundeproblemen na te denken, wat hen hielp te begrijpen hoe ze de context of de moeilijkheidsgraad van een probleem op een betekenisvolle manier konden veranderen.

Ten slotte, in de fase "Na de Training", gingen de studenten terug naar de AI. Ze kregen precies dezelfde opdracht: een nieuw natuurkundeprobleem maken. Maar dit keer moesten ze de nieuwe "geheime taal" en de denkvaardigheden gebruiken die ze net hadden geleerd. Daarna reflecteerden ze op hoe anders de ervaring voelde vergeleken met de eerste keer.

Wat de Studenten Ontdekten

De resultaten waren alsof je toekijkt hoe een groep mensen van het onhandig bedienen van een nieuwe gamecontroller overgaat naar het worden van professionele spelers. Wanneer de onderzoekers naar de reflecties van de studenten keken, ontdekten ze dat 76% van de studenten een positieve verandering ervoer in hoe zij met de AI communiceerden na de training.

Vóór de training beschreven veel studenten hun gesprekken met de AI als "basis", "ongeconcentreerd" of als het krijgen van antwoorden die niet helemaal aansloten bij wat ze nodig hadden. Het was alsof je een aangepaste pizza probeerde te bestellen door alleen maar "Ik wil pizza!" te roepen en op het beste te hopen. Na de training voelden de studenten dat hun gesprekken meer als een echt dialoog werden. Ze gebruikten technieken zoals "rollen spelen" (de AI vragen om een specifiek personage aan te nemen) en "chain of thought" (de AI vragen om stap voor stap zijn werk te laten zien). Eén student merkte op dat de antwoorden voorheen minder gedetailleerd aanvoelden, maar dat de antwoorden van de AI na het leren van de nieuwe technieken "duidelijker, grondiger en beter in de stappen uitgelegd" werden.

Interessant genoeg waren de weinige studenten die geen grote verandering voelden, meestal degenen die al wisten hoe ze met AI moesten praten of die al zelf eenvoudige trucjes gebruikten. Voor hen gaf de training simpelweg namen aan dingen die ze al deden.

Vinden Studenten het Leuk om AI te Gebruiken om te Studeren?

De tweede grote vraag was: Willen studenten deze methode ook echt gebruiken om op eigen initiatief te studeren? Het antwoord was grotendeels een vrolijk "Ja", maar met een paar chagrijnige "Nee's" en enkele "Missjes".

Ongeveer 68% van de studenten had een positieve houding tegenover het gebruik van AI voor probleemstelling. Ze zagen het als een manier om gepersonaliseerde oefenopgaven te krijgen, feedback in de stijl van een tutor te ontvangen en zich te richten op de specifieke gebieden waar ze zwak in waren. Ze stelden zich voor het te gebruiken om zich voor te bereiden op examens of om hun begrip van lastige concepten te verdiepen. Het was als het hebben van een persoonlijke coach die net zoveel verschillende oefeningen voor jou kan verzinnen als je wilt.

Nog eens 17% van de studenten had gemengde gevoelens. Ze vonden het idee cool en dachten dat het nuttig zou kunnen zijn, maar ze waren aarzelend. Sommigen maakten zich zorgen dat de AI fouten zou maken of nep-problemen zou generen, waardoor ze alles dubbel zouden moeten controleren. Anderen vonden het wel nuttig, maar gaven de voorkeur aan de officiële huiswerkopdrachten en oefentoetsen die hun docenten gaven. Ze waren als kinderen die het leuk vonden om hun eigen LEGO-kasteel te bouwen, maar nog steeds wilden controleren of de instructies wel perfect waren voordat ze begonnen.

Ten slotte had ongeveer 9% van de studenten een negatieve kijk. Deze studenten waren resoluut tegen het gebruik van AI voor hun studie. Hun redenen gingen niet over de kwaliteit van de problemen, maar over ethiek. Sommigen vonden het moreel verkeerd om AI voor schoolwerk te gebruiken, terwijl anderen bezorgd waren over de milieu-impact van het draaien van deze krachtige computers. Zij geloofden dat studenten jarenlang natuurkunde hebben geleerd zonder AI, met tekstboeken en menselijke docenten, en dat het stimuleren van AI niet wenselijk is.

Het Grotere Plaatje

Wanneer je alle stukjes bij elkaar legt, suggereert de studie een duidelijke trend: Training maakt het verschil. De overgrote meerderheid van de studenten die een verbetering in hun interactie met AI ervoeren na de training, had ook een positieve kijk op het gebruik van AI voor probleemstelling. Zelfs onder de studenten die sceptisch waren over AI in het algemeen, erkenden zij die een verbeterde interactie ervoeren dat het leren hoe je de AI moet aansturen (prompten) cruciaal was.

De onderzoekers ontdekten dat hoewel de meeste studenten openstaan voor het gebruik van AI als studiegenoot, er een kleine groep is die het vanwege morele bezwaren nooit zal gebruiken. Echter, voor de rest lijkt het onderwijzen van deze "prompt engineering"-vaardigheden de sleutel te zijn om het potentieel van AI te ontsluiten. Het verandert een hulpmiddel dat je misschien alleen antwoorden geeft, in een partner die je helpt je eigen begrip op te bouwen. De studie concludeert dat scholen deze "prompt engineering"-vaardigheden in overweging moeten nemen om studenten te helpen het meeste uit AI te halen zonder hun eigen vermogen tot kritisch denken te verliezen. Het gaat er niet om de student te vervangen door de robot; het gaat erom de student te leren hoe hij de robot moet besturen.

Technische Samenvatting: Het verkennen van de percepties van studenten bij het gebruik van door Generatieve AI ondersteunde probleemstelling

Probleemstelling
Probleemstelling — de pedagogische praktijk van het genereren van nieuwe problemen of betekenisvolle variaties op opgeloste problemen — is een cognitieve vaardigheid op hoog niveau die de transfer van leren ondersteunt en het probleemoplossend vermogen versterkt in de natuurkunde. Deze taak is echter inherent moeilijk voor beginnende leerlingen, omdat het vaak synthesevaardigheden vereist die hun huidige conceptuele begrip overstijgen. Hoewel Generatieve AI (Gen AI) potentieel biedt als een ondersteuningstool voor dergelijke taken, brengt ongecontroleerd gebruik risico's met zich mee voor de autonomie van de student, waaronder overmatige afhankelijkheid en het genereren van oppervlakkige antwoorden. Bovendien is er beperkt onderzoek naar hoe studenten effectief kunnen worden getraind in het gebruik van Gen AI voor gestructureerde zelfstudietechnieken zoals probleemstelling buiten het klaslokaal, met name met betrekking tot de specifieke rol van prompt engineering bij het vormgeven van deze interacties.

Methodologie
Deze studie maakte gebruik van een fenomenologische benadering om de percepties te onderzoeken van $N=49$ bachelorstudenten ingeschreven voor een eerste semester calculus-gebaseerd natuurkundacursus aan een grote Amerikaanse universiteit. De studie werd uitgevoerd als een extra-credit opdracht over een periode van één week en bestond uit drie afzonderlijke fasen:

Pre-training: Studenten genereerden een variatie op een practicumprobleem met behulp van een Gen AI-platform naar keuze en reflecteerden op de interactie.
Training: Studenten bekeken een video van 15 minuten waarin de mechanica van Gen AI, specifieke prompt engineering-technieken (bijv. rollenspel, chain-of-thought) en een conceptueel kader voor probleemstelling gebaseerd op horizontale en verticale transfer van leren, werden geïntroduceerd.
Post-training: Studenten herhaalden de taak van probleemstelling met behulp van de nieuw verworven technieken en reflecteerden op de verschillen in hun interacties en het nut van de methode.

De data-analyse maakte gebruik van een beschrijvende fenomenologische benadering. Open vragen in enquêtes werden geanalyseerd om de essentie van de geleefde ervaringen van de studenten te identificeren. Drie onafhankelijke beoordelaars codeerden de gegevens in opkomende thema's, waarbij zij een matige interbeoordelaarsbetrouwbaarheid bereikten (Cohen's Kappa $\approx$ 0,50–0,53).

Belangrijkste Bijdragen en Resultaten
De studie adresseert twee primaire onderzoeksvragen met betrekking tot de impact van prompt engineering-training en de attitudes van studenten tegenover Gen AI-ondersteunde probleemstelling.

Impact van training op interacties (RQ1): De resultaten wijzen op een significante positieve verschuiving in de interacties tussen student en AI na de training. Ongeveer 76% van de deelnemers ervoer een positieve verandering in de kwaliteit van hun interacties, waarbij zij opmerkten dat de outputs na de training meer conversationeel, gedetailleerder en afgestemd waren op hun specifieke behoeften. Studenten rapporteerden dat interacties vóór de training vaak ongericht waren of generieke reacties opleverden, terwijl interacties na de training specifieke technieken gebruikten om de AI effectief te sturen. De overige studenten rapporteerden geen significante verandering, wat zij vaak toeschreven aan eerdere bekendheid met prompt engineering of basisgebruik.
Attitudes van studenten (RQ1): De attitudes van studenten tegenover het gebruik van Gen AI voor probleemstelling waren over het algemeen positief (68%), waarbij velen interesse toonden in het adopteren van de techniek voor examenvoorbereiding, conceptuele verdieping en geïndividualiseerde oefening. Een subgroep van studenten (17%) had gemengde opvattingen; hoewel zij geïnteresseerd waren in de methode, uitten zij twijfels over de betrouwbaarheid van door AI gegenereerde inhoud en een voorkeur voor door instructeurs verstrekte materialen. Een kleinere groep (9%) had negatieve opvattingen, primair gedreven door morele of ethische bezwaren tegen het gebruik van Gen AI in de academische wereld in plaats van tegen de probleemstellingstechniek zelf.

Betekenis en Claims
Het artikel claimt dat training in prompt engineering een cruciale voorwaarde is voor studenten om Gen AI effectief te kunnen inzetten voor complexe cognitieve taken zoals probleemstelling. De studie suggereert dat zonder dergelijke training studenten met AI kunnen interageren op manieren die resulteren in laagwaardige outputs of het diepere leren niet ondersteunen.

De auteurs positioneren dit werk als een fundament voor de integratie van Gen AI-training in de curricula van het natuurkundig onderwijs. Zij stellen dat door studenten uit te rusten met de vaardigheden om AI-interacties te sturen, docenten de inzet van Gen AI kunnen faciliteren als een gestructureerde zelfstudietool die de leervoordelen maximaliseert en de risico's voor de autonomie van de student minimaliseert. Het artikel merkt bescheiden op dat hoewel de meerderheid van de studenten openstaat voor deze integratie, toekomstig werk de subgroep van studenten met ethische bedenkingen moet adresseren en de specifieke kwaliteit van de door studenten gegenereerde problemen verder moet analyseren om de effectiviteit van de techniek voorbij de perceptie te valideren.

Meer zoals dit