From Generative AI to Agentic AI in Higher Education: A Structured Literature Synthesis of Instructional, Human Agency, and Governance Tensions
Dit artikel synthetiseert gefragmenteerde literatuur over de transitie van reactieve generatieve AI naar proactieve agentische AI in het hoger onderwijs om de belangrijkste spanningen op het gebied van instructie, agency en governance te identificeren, wat culmineert in de ontwikkeling van het AIRA-G-framework om institutionele gereedheid en verantwoording te begeleiden.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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
Het Grote Plaatje: Van een Slimme Rekenmachine naar een Zelfrijdende Auto
Stel je voor dat het hoger onderwijs een drukke stad is. Lange tijd hebben universiteiten Generatieve AI (GenAI) gebruikt als een zeer slimme, snelle rekenmachine of een persoonlijke assistent. Je stelt een vraag ("Schrijf een samenvatting van dit boek") en het geeft je een antwoord. Het wacht tot jij op de knop drukt.
Maar het artikel betoogt dat we nu overgaan naar Agentic AI. Dit is niet langer alleen een rekenmachine; het is als een zelfrijdende auto of een rondlopende rondleidende gids. Het wacht niet alleen op vragen. Het kan:
- Zelf een route plannen.
- Het verkeer (data) controleren en het plan aanpassen.
- Met andere auto's (systemen) praten om te coördineren.
- Beslissingen nemen over waar het naartoe gaat zonder dat je bij elke stap vraagt wat het moet doen.
De auteurs zeggen dat universiteiten niet klaar zijn voor deze verschuiving. Ze hebben regels voor hoe studenten rekenmachines gebruiken, maar ze hebben geen regels voor hoe je een zelfrijdende auto moet beheren die de hele klas bestuurt.
De Vier Grote Spanningen (De "Verkeersopstoppingen")
Het artikel identificeert vier hoofpproblemen (spanningen) die optreden wanneer je overstapt van de "rekenmachine" naar de "zelfrijdende auto".
1. De Verschuiving: Van Instrument naar Teamgenoot
- De Analogie: Stel je een hamer voor. Je zwaait ermee om een spijker in te slaan. Hij doet precies wat je zegt. Stel je nu een robot-bouwvakker voor die beslist welke spijkers hij moet raken, wanneer hij een pauze moet nemen en hoe hij de muur bouwt.
- Het Probleem: AI beweegt zich van een instrument dat je vasthoudt naar een "gedistribueerde actor" die zij aan zij werkt met docenten en studenten. De vraag wordt: Hoeveel van het rijden laten we de robot doen? Als de AI het lesplan bepaalt of het examen nakijkt, wie is er dan eigenlijk de baas?
2. De Valstrik: Personalisatie versus Echt Leren
- De Analogie: Stel je een persoonlijke chef-kok voor die precies kookt wat jij begeert. Als je alleen eet wat je begeert, kun je ziek worden omdat je niet eet wat je nodig hebt (zoals groenten).
- Het Probleem: Agentic AI is geweldig in het "personaliseren" van leren (je precies geven wat je wilt). Maar als het leren te makkelijk maakt of je alleen geeft wat je al weet, stop je misschien met het worstelen met moeilijke concepten. Het artikel waarschuwt dat als AI alles te gemakkelijk maakt, studenten misschien stoppen met het "mentale zware werk" dat nodig is om echt te leren. We moeten ervoor zorgen dat de AI niet slechts een afkorting is, maar een echte leraar.
3. De Balans: Helpen versus Krukken
- De Analogie: Denk aan steunwieltjes op een fiets. Ze helpen je bij het evenwicht totdat je klaar bent om alleen te rijden. Maar als je de steunwieltjes voor altijd erop laat, leer je nooit om zelf je evenwicht te bewaren.
- Het Probleem: AI kan studenten helpen sneller te leren (steunwieltjes). Maar er is een risico op "cognitieve ontlasting" (cognitive offloading): de AI gebruiken om het denken voor jou te doen. Als studenten vertrouwen op de AI om te schrijven, op te lossen of na te denken, verliezen ze misschien hun eigen vermogen om die dingen te doen. Het doel is "gekalibreerde agency": de AI gebruiken als een helper, niet als een vervanging voor je eigen brein.
4. Het Risico: Eén Gebroken Raam versus Het Hele Gebouw
- De Analogie: Als een student een slechte rekenmachine gebruikt, krijgt hij een fout antwoord (een gebroken raam). Maar als een zelfrijdende auto in het schoolsysteem wordt gehackt of een slechte beslissing neemt, kan het de hele schoolbus laten crashen, studentengeheimen lekken of een student onterecht van school sturen (het hele gebouw dat schudt).
- Het Probleem: Wanneer AI slechts een instrument is, is het risico klein (een fout antwoord). Wanneer AI een "agent" is die verbonden is met studentendossiers, cijfers en schooldatabases, explodeert het risico. Het gaat niet meer alleen over spieken; het gaat over beveiliging, privacy en wie verantwoordelijk is wanneer het systeem een fout maakt.
De Oplossing: Het AIRA-G Framework
De auteurs stellen een nieuwe manier voor waarop universiteiten kunnen beslissen of ze deze nieuwe AI-systemen moeten gebruiken. Ze noemen het het AIRA-G Framework.
Zie dit als een verkeerslichtsysteem voor AI. Voordat een universiteit een nieuwe AI-"zelfrijdende auto" in hun stad toelaat, moeten ze deze door vier controlepunten (lenzen) halen:
- Autonomie-check: Hoeveel kan deze AI zelfstandig doen? Beantwoordt het alleen vragen, of neemt het beslissingen?
- Leer-check: Helpt dit studenten daadwerkelijk om te leren, of maakt het dingen alleen maar sneller?
- Menselijke check: Maakt dit studenten slimmer en onafhankelijker, of maakt het hen lui en afhankelijk?
- Veiligheidscheck: Is de universiteit klaar om de risico's aan te kunnen? Kunnen ze data beschermen? Kunnen ze het repareren als het kapot gaat?
Op basis van deze controles wordt de AI in een van de vier Zones ingedeeld:
- Zone A (Groen licht - Laag risico): De AI is slechts een helper (zoals een FAQ-bot). Actie: Laat het toe, maar vertel studenten waar het voor dient.
- Zone B (Geel licht - Begeleid): De AI helpt docenten bij het plannen of geven van feedback, maar een mens controleert het. Actie: Laat het toe, maar houd een docent in de loop.
- Zone C (Oranje licht - Gecontroleerde piloot): De AI doet grote suggesties (zoals studenten adviseren over vakken). Actie: Test het voorzichtig bij een kleine groep met strikte regels en logs.
- Zone D (Rood licht - Stop): De AI neemt beslissingen met grote impact (zoals het beoordelen van eindexamens of beslissen wie afstudeert) zonder voldoende veiligheidsnetten. Actie: Gebruik dit nog niet. Het is te gevaarlijk.
De Kernboodschap
Het artikel zegt niet: "Verbied AI" of "Gebruik alles". Het zegt: "Stop met het behandelen van AI als een simpel instrument en begin het te behandelen als een partner met een eigen kracht."
Universiteiten moeten stoppen met de vraag: "Is dit instrument cool?" en beginnen met de vraag: "Is onze school klaar om deze partner te besturen?" Ze moeten controleren of de AI veilig is, of het daadwerkelijk helpt bij het leren, en of mensen nog steeds aan het stuur zitten. Het AIRA-G Framework is hun kaart om deze beslissingen veilig te nemen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.