An Inductive Typology of Artificial Intelligence Use in Science Teaching and Its Alignment with AI Literacy Frameworks

Kunstmatige intelligentie is vanuit het rijk van sciencefiction overgestapt naar het dagelijkse gesprek in scholen, met de belofte om te veranderen hoe kinderen leren en hoe docenten werken. In de specifieke wereld van de natuurwetenschappelijke educatie, waar leerlingen leren door vragen te stellen, modellen te bouwen en ideeën te testen, roept de komst van deze slimme computersystemen een fundamentele vraag op: hoe worden ze eigenlijk gebruikt? Het gesprek schommelt vaak tussen twee extremen. Aan de ene kant is er de hoop dat deze hulpmiddelen het leren zullen revolutioneren door te fungeren als persoonlijke tutors voor elke leerling. Aan de andere kant is er de vrees dat ze simpelweg taken zullen automatiseren of menselijk oordeel zullen vervangen. Om te begrijpen wat er werkelijk gebeurt, moeten onderzoekers verder kijken dan de hype en de feitelijke praktijken onderzoeken die in academische studies worden beschreven. Ze moeten weten of docenten deze hulpmiddelen gebruiken om nieuwe manieren van denken over wetenschap te creëren, of dat ze ze simpelweg in oude routines passen. Dit is het terrein dat een recente grootschalige studie verkende, die probeerde het reële landschap van kunstmatige intelligentie in de natuurwetenschappelijke klaslokalen in kaart te brengen.

Om dit complexe veld te begrijpen, begonnen de onderzoekers met een enorme verzameling bewijsmateriaal. Ze verzamelden 795 door vakgenoten beoordeelde artikelen uit wetenschappelijke tijdschriften die kunstmatige intelligentie bespraken in de context van natuurwetenschappelijk onderwijs. In plaats van elk woord van elk artikel te lezen, concentreerden ze zich op de abstracts—de korte samenvattingen die het hoofdpunt en de methoden van elk onderzoek beschrijven. Dit stelde hen in staat om de brede patronen over duizenden pagina's aan onderzoek te zien zonder verloren te raken in de details van een enkel experiment. Hun doel was niet om een specifiek hulpmiddel te testen of om te bewijzen dat één methode beter werkt dan een andere. In plaats daarvan wilden ze een beeld schetsen van hoe docenten momenteel worden beschreven in hun gebruik van deze technologieën. Ze benaderden de gegevens zonder een vooraf gemaakte lijst met categorieën, waardoor de patronen natuurlijk uit de tekst zelf konden voortkomen. Deze methode zorgde ervoor dat hun bevindingen de werkelijkheid weerspiegelden van wat er daadwerkelijk in de literatuur werd gerapporteerd, in plaats van wat onderzoekers verwachtten te vinden.

Terwijl ze door de honderden samenvattingen sorteerden, begonnen zes duidelijke manieren van het gebruik van kunstmatige intelligentie op te vallen. Het meest voorkomende gebruik, dat in bijna 78 procent van de studies voorkwam, was voor instructieve levering en pedagogiek. In deze gevallen gebruikten docenten kunstmatige intelligentie om te helpen bij het presenteren van inhoud, leerlingen door onderzoek te leiden of moeilijke concepten tijdens de les uit te leggen. De tweede meest frequente categorie betrof beoordeling en feedback, die in ongeveer 46 procent van de artikelen werd gevonden. Hier hielp de technologie docenten bij het controleren van het werk van leerlingen, het nakijken van opdrachten of het geven van directe commentaren op de prestaties. De derde groep, die in ongeveer 24 procent van de studies voorkwam, richtte zich op lesplanning en curriculumontwerp, waarbij docenten de hulpmiddelen gebruikten om materialen voor te bereiden of hun cursussen te organiseren voordat de leerlingen zelfs maar arriveerden. De overige categorieën waren minder frequent maar nog steeds significant: het gebruik van interactieve agenten zoals chatbots om met leerlingen te praten, het inzetten van simulaties en virtuele omgevingen om wetenschappelijke verschijnselen te modelleren, en het gebruik van de technologie voor de eigen professionele ontwikkeling en ondersteuning van de docenten.

De onderzoekers namen deze zes categorieën vervolgens en bekeken ze door een specifieke lens: een kader ontwikkeld door de Organisatie voor Economische Samenwerking en Ontwikkeling om te beschrijven hoe mensen met kunstmatige intelligentie omgaan. Dit kader verdeelt betrokkenheid in vier gebieden: interageren met het systeem, content ermee creëren, de outputs ervan beheren en het systeem zelf ontwerpen. Wanneer de onderzoekers hun bevindingen op deze structuur projecteerden, kwam er een duidelijk verhaal naar voren. De literatuur toonde aan dat docenten kunstmatige intelligentie overwegend gebruiken om ermee te interageren en om te ontwerpen hoe het in hun lessen past. Ze zijn doorgaans niet bezig met het bouwen van de onderliggende computercode of de complexe algoritmen die deze systemen aandrijven. In plaats daarvan treden zij op als deskundige integratoren die beslissen hoe ze deze hulpmiddelen toepassen op hun specifieke onderwijsdoelen. Ze configureren de hulpmiddelen, passen ze aan hun behoeften in de klas aan en structureren de leeractiviteiten eromheen.

Dit onderscheid is cruciaal omdat het de gedachte uitdaagt dat docenten software engineers moeten worden om kunstmatige intelligentie effectief te kunnen gebruiken. De studie suggereert dat de primaire rol van de docent in dit nieuwe landschap die van een pedagogisch architect is. Zij zijn degenen die de outputs van de technologie interpreteren, beslissen wanneer ze deze gebruiken en ervoor zorgen dat het aansluit bij de doelen van de natuurwetenschappelijke educatie, zoals het bevorderen van bewijsgestuurd redeneren of het begrijpen van complexe modellen. Het onderzoek geeft aan dat hoewel de technologie krachtig is, de educatieve waarde voortkomt uit de manier waarop docenten het in hun bestaande praktijken verweven. De studies beschreven docenten zelden als passieve ontvangers van technologie, noch toonden ze hen als de technische makers van de systemen. In plaats daarvan werden zij afgebeeld als actieve besluitvormers die deze hulpmiddelen gebruiken om hun professionele oordeelsvermogen te versterken.

De bevindingen onthulden ook dat het gebruik van kunstmatige intelligentie in de natuurwetenschappelijke educatie in de beste zin van het woord conservatief is. In plaats van de fundamentele structuren van hoe wetenschap wordt onderwezen omver te werpen, wordt de technologie geabsorbeerd in gevestigde routines. Het wordt gebruikt om de kerntaken van het lesgeven te ondersteunen: het uitleggen van concepten, het controleren van begrip en het plannen van lessen. Hoewel er enthousiasme is over het potentieel voor radicale verandering, is de huidige realiteit er een van augmentatie. Docent gebruiken deze hulpmiddelen om het zware werk van beoordeling op te pakken of om materiaal voor de planning te genereren, waardoor er meer tijd vrijkomt om zich te richten op de menselijke elementen van het lesgeven. Het onderzoek suggereert dat het meest voorkomende gebruik van kunstmatige intelligentie is om het bestaande werk van een natuurwetenschappelijk docent efficiënter en effectiever te maken, in plaats van de docent te vervangen of een geheel nieuwe manier van leren te creëren.

Een van de meest interessante aspecten van de studie is wat het zegt over de toekomst van de lerarenopleiding. Omdat de literatuur aantoont dat docenten deze hulpmiddelen primair gebruiken om leerervaringen te ontwerpen en te beheren, impliceert de studie dat professionele ontwikkeling zich op deze vaardigheden moet richten. Docenten moeten leren hoe ze de outputs van kunstmatige intelligentie kritisch kunnen evalueren, hoe ze deze hulpmiddelen kunnen aanpassen aan hun specifieke vakgebied en hoe ze ze verantwoord kunnen integreren in hun curriculum. Ze hoeven niet noodzakelijkerwijs te leren hoe ze de systemen zelf moeten coderen. De studie benadrukt dat de meest waardevolle vaardigheid voor een natuurwetenschappelijk docent in het tijdperk van kunstmatige intelligentie het vermogen is om te oordelen wanneer en hoe deze hulpmiddelen te gebruiken om de unieke eisen van wetenschappelijk onderzoek te ondersteunen.

De onderzoekers waren zorgvuldig in het vermelden van de beperkingen van hun werk. Hun bevindingen zijn gebaseerd op wat er in academische artikelen wordt geschreven, wat niet perfect overeen kan komen met wat er in elk klaslokaal gebeurt. Ze merkten ook op dat hun analyse zich richtte op Engelstalige publicaties, wat sommige lokale of niet-Engelstalige perspectieven zou kunnen missen. Bovendien, omdat ze samenvattingen analyseerden in plaats van volledige teksten, legden ze de brede lijnen vast van hoe deze hulpmiddelen worden beschreven, maar niet de diepe, genuanceerde details van elke afzonderlijke les. Ondanks deze beperkingen biedt de studie een solide, op bewijs gebaseerd overzicht van de huidige situatie. Het verlegt het gesprek van speculatie naar een helder begrip van hoe kunstmatige intelligentie vandaag de dag daadwerkelijk in de natuurwetenschappelijke educatie wordt gepositioneerd.

Uiteindelijk schetst de studie een beeld van een beroep dat zich met praktische wijsheid aanpast aan een nieuw hulpmiddel. Kunstmatige intelligentie komt niet aan als een mysterieuze kracht die de toekomst van het onderwijs zal dicteren. Het komt aan als een bron die docenten leren te gebruiken, vorm te geven en te sturen. Het onderzoek laat zien dat docenten niet wachten tot technologie hun problemen oplost; ze zijn actief bezig met het uitzoeken hoe ze het kunnen gebruiken om de problemen op te lossen die ze al ervaren. Door zich te richten op de feitelijke praktijken die in honderden studies worden beschreven, hebben de onderzoekers aangetoond dat de integratie van kunstmatige intelligentie in het natuurwetenschappelijk onderwijs een verhaal is van menselijke handelingsbekwaamheid. Het is een verhaal van docenten die nieuwe hulpmiddelen gebruiken om hun werk beter te doen, en ervoor zorgen dat de technologie de doelen van het leren dient in plaats van andersom.