Cognitive Offloading and Human Interaction with Generative Artificial Intelligence in Low-Resource Higher Education

In de stille zoem van een universiteitsbibliotheek of het schijnsel van het laptopscherm van een student vindt een subtiele verschuiving plaats in de manier waarop mensen leren. Eeuwenlang heeft onderwijs vertrouwd op het menselijk brein dat het zware werk doet: feiten onthouden, ideeën verbinden en worstelen met moeilijke vragen totdat er een antwoord naar voren komt. Deze mentale inspanning is niet slechts een hindernis om te overwinnen; het is het eigenlijke mechanisme waarmee begrip wortel schiet. Onlangs is er een nieuw type computerprogramma op het toneel verschenen, een dat in staat is om essays te schrijven, problemen op te lossen en complexe onderwerpen in enkele seconden uit te leggen. Deze technologie, bekend als generatieve kunstmatige intelligentie, biedt een verleidelijke afkorting. Het stelt gebruikers in staat om het mentale werk van het denken over te dragen, of uit handen te geven, aan een machine. Deze praktijk, genaheend cognitieve offloading genoemd, is niet geheel nieuw; mensen hebben altijd al hulpmiddelen zoals boeken of rekenmachines gebruikt om hen te helpen denken. Deze nieuwe systemen zijn echter anders omdat ze niet alleen informatie opslaan, maar deze ook genereren, waardoor ze fungeren als actieve partners in de creatie van kennis. De vraag die onderwijzers en studenten vandaag de dag bezighoudt, is niet of deze technologie zal arriveren, maar wat er met de menselijke geest gebeurt wanneer zij begint te vertrouwen op deze machines voor precies de processen die het leren definiëren.

Een onderzoeker, Dodzi Koku Hattoh van de Universiteit van Ghana, heeft dit veranderende landschap onderzocht met een specifieke focus op de theoretische implicaties voor hoger onderwijsomgevingen die niet beschikken over overvloedige middelen. In veel delen van de wereld worden instellingen voor hoger onderwijs geconfronteerd met ernstige beperkingen: overvolle klaslokalen, beperkte toegang tot bibliotheken en een tekort aan academische mentoren. In deze omgevingen wenden studenten zich vaak tot kunstmatige intelligentie, niet omdat ze het werk willen vermijden, maar omdat ze geen andere keuze hebben. De onderzoeker betoogt dat de impact van deze technologie niet begrepen kan worden door simpelweg te vragen of het goed of slecht is. In plaats daarvan stelt de analyse dat de uitkomst volledig afhangt van de context waarin de technologie wordt gebruikt. De studie suggereert dat hoewel deze instrumenten een vitale levenslijn kunnen vormen door de toegang tot kennis te vergroten voor degenen die anders achter zouden blijven, ze ook een verborgen kostenpost met zich meebrengen die in de loop van de tijd oploopt.

De studie introduceert een concept genaamd "cognitieve schuld" om deze verborgen kosten te beschrijven. Net zoals een financiële schuld groeit wanneer men geld leent zonder de middelen om het terug te betalen, groeit cognitieve schuld wanneer een student herhaaldelijk het werk van het denken overdraagt aan een algoritme. Als een student een systeem van kunstmatige intelligentie gebruikt om een tekst samen te vatten, een argument te genereren of een probleem op te lossen bij elke gelegenheid, bespaart hij misschien tijd op het moment zelf. De onderzoeker suggerekt echter dat deze constante delegatie op de lange termijn de capaciteit van het brein om diep, reflectief denken uit te oefenen, verzwakt. De mentale spieren die nodig zijn voor kritisch oordeelsvermogen, geheugenretentie en onafhankelijk redeneren beginnen te atrofiëren door een gebrek aan gebruik. Dit is geen plotseling falen, maar een geleidelijke erosie. De student kan efficiënt worden in het produceren van antwoorden, maar verliest de capaciteit om die antwoorden te bevragen of kennis vanaf de basis op te bouwen. De analyse vond dat dit risico bijzonder acuut is wanneer de afhankelijkheid van de machine de standaard manier van leren wordt, waardoor een nuttig hulpmiddel verandert in een vervanging voor de menselijke geest.

Een ander cruciaal resultaat uit het artikel is wat de auteur de "nieuwsgierigheidsparadox" noemt. Nieusgierigheid is de motor van het leren; het is het gevoel van het niet-weten dat een persoon drijft om te exploreren, te worstelen met onzekerheid en vol te houden totdat een oplossing is gevonden. Generatieve kunstmatige intelligentie is ongelooflijk goed in het onmiddellijk bevredigen van nieuwsgierigheid. Het biedt directe antwoorden, verklaringen en verbindingen, waardoor de wrijving en het wachten dat gewoonlijk gepaard gaan met de zoektocht naar kennis, worden weggenomen. De onderzoeker suggereert dat hoewel dit het leren gemakkelijker en toegankelijker maakt, het ook het proces kan kortsluiten dat nieuwsgierigheid duurzaam maakt. Wanneer de onzekerheid van het niet-weten te snel wordt weggenomen, kan de drang om dieper te graven, om te worstelen met een moeilijk concept of om een onderwerp vanuit meerdere hoeken te verkennen, vervagen. De technologie vergroot de horizon van wat een student kan vragen, maar het kan tegelijkertijd de bereidheid verkleinen om de strijd te doorstaan die nodig is om het antwoord te vinden. Het resultaat is een vorm van leren die breed en snel is, maar potentieel oppervlakkig, waarbij de gewoonte van diepe inkwartiering wordt vervangen door de gewoonte van snelle consumptie.

De onderzoeker benadrukt dat deze dynamiek niet onvermijdelijk is. Het pad dat een student bewandelt, hangt af van hoe de technologie in hun onderwijs wordt geïntegreerd. Zij stellen een continuüm voor, een glijdende schaal die varieert van "adaptieve cognitieve augmentatie" tot "epistemische afhankelijkheid". Aan de ene kant fungeert kunstmatige intelligentie als een steiger, die de leerling ondersteunt en hen helpt hoogtes te bereiken die zij alleen niet zouden kunnen bereiken. In deze modus breidt het instrument de participatie uit en compenseert het voor een gebrek aan middelen, waardoor studenten in ondergefinancierde universiteiten toegang krijgen tot dezelfde kwaliteit van begeleiding als die in rijke instellingen. Aan de andere kant van de schaal ligt afhankelijkheid, waarbij de student zo zwaar op de machine leunt dat hij zijn eigen intellectuele autonomie verliest. De onderzoeker betoogt dat het verschil tussen deze twee uitkomsten niet wordt bepaald door de technologie zelf, maar door de onderwijsomgeving. Als een universiteit studenten aanmoedigt om het instrument te gebruiken om ideeën te genereren die zij vervolgens bekritiseren, verfijnen en uitdagen, is het resultaat groei. Als de omgeving boven alles snelheid en efficiëntie prioriteert, is het resultaat een achteruitgang van het onafhankelijk denken.

Deze analyse draagt een diepere politieke en culturele last, met name voor instellingen in de Global South. De onderzoeker wijst erop dat de meeste van deze systemen van kunstmatige intelligentie zijn getraind op data uit de westerse wereld, die de waarden, talen en geschiedenissen van dominante culturen weerspiegelen. Wanneer studenten in omgevingen met weinig middelen deze systemen als hun primaire bron van kennis gebruiken, riskeren zij het versterken van een vorm van digitaal kolonialisme. Hun onderwijs wordt gevormd door een wereldbeeld dat mogelijk niet hun eigen realiteit weerspiegelt, en lokale manieren van weten worden naar de marge gedrukt. De studie suggereert dat ware onderwijsgelijkheid meer vereist dan alleen toegang tot de technologie; het vereist een bewuste inspanning om ervoor te zorgen dat de kennis die door deze systemen wordt geproduceerd, diverse perspectieven bevat en dat studenten de macht behouden om hun eigen intellectuele paden te definiëren.

Om deze uitdagingen het hoofd te bieden, adviseert de auteur een verschuiving in de manier waarop universiteiten kunstmatige intelligentie benaderen. Zij suggereren om verder te gaan dan eenvoudige "geletterdheid", waarbij studenten leren hoe ze de instrumenten moeten gebruiken, naar "cognitieve veerkracht". Dit betekent het trainen van studenten om hun vermogen om kritisch te denken te behouden, zelfs wanneer zij omringd worden door geautomatiseerde antwoorden. Het houdt in dat opdrachten worden ontworpen die studenten vereisen om de output van de machine te bekritiseren, haar fouten te vinden en hun eigen redenering te rechtvaardigen. Het doel is om "productieve wrijving" te behouden, de noodzakelijke strijd die leidt tot diep begrip. Verder roept de onderzoeker op tot de ontwikkeling van lokale, contextgevoelige AI-systemen die de culturen en kennissystemen van de regio's waar zij worden gebruikt, weerspiegelen, in plaats van uitsluitend te vertrouwen op geïmporteerde modellen.

Uiteindelijk concludeert het artikel dat de toekomst van het hoger onderwijs in het tijdperk van kunstmatige intelligentie niet zal worden bepaald door hoe geavanceerd de technologie wordt, maar door hoe goed instellingen de menselijke capaciteit voor onafhankelijk denken beschermen. De uitdaging is niet om deze krachtige instrumenten te verwerpen, maar om ze te integreren op een manier die de menselijke geest versterkt in plaats van verzwakt. De maatstaf voor succes zal zijn of studenten nog steeds in staat zijn hun eigen vragen te stellen, onzekerheid te navigeren en nieuwe kennis te genereren, waarbij zij de machine gebruiken als een partner in plaats van een meester. De onderzoeker suggereert dat als het onderwijs dit evenwicht kan bewaren, het de kracht van kunstmatige intelligentie kan aanwenden om het menselijk potentieel te vergroten zonder de zeer kwaliteiten op te offeren die ons mens maken.