📄 social_science

Gurukul 2.0: A Capability-Based Model Integrating Indigenous Mentoring, AI, and Character Formation for Graduate Competence

Deze studie valideert het "Gurukul 2.0"-model, waarbij wordt aangetoond dat de integratie van inheemse Guru–Shishya-mentoring, AI-versterkt gepersonaliseerd leren en karaktervorming de professionele competentie van afgestudeerden significant verbetert door de ontwikkeling van leervermogen, gemodereerd door de leerbereidheid van de student.

Oorspronkelijke auteurs: Neerupa Chauhan, K.Vinodha Devi, Aakash Kumar, Sreela Krishnan, Nithin Venugopal, Thanuja K A K A

Gepubliceerd 2026-08-08

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Neerupa Chauhan, K.Vinodha Devi, Aakash Kumar, Sreela Krishnan, Nithin Venugopal, Thanuja K A K A

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

Stel je voor dat je door een enorme, bruisende universiteitscampus loopt. Het is een plek waar miljoenen studenten elk jaar afstuderen, maar er broeit een vreemd probleem: veel van deze afgestudeerden hebben het gevoel dat ze het juiste "ticket" hebben om de arbeidsmarkt te betreden, maar ze bezitten niet echt de vaardigheden om de baan uit te voeren. Ze kennen de feiten, maar ze kunnen zich niet aanpassen, samenwerken of nieuwe problemen oplossen. Dit is de paradox van "schaal zonder substantie" die universiteiten in groeiende economieën proberen op te lossen.

Om dit op te lossen, kijken onderzoekers naar twee zeer verschillende werelden. Aan de ene kant is er Kunstmatige Intelligentie (AI). Denk aan AI als een superintelligente, onvermoeibare tutor die lessen direct op maat kan maken voor elke individuele student, door precies de feedback te geven die ze nodig hebben, op het moment dat ze die nodig hebben. Aan de andere kant is er een eeuwenoude Indiase traditie genaamd Guru-Shishya. Dit is niet alleen een leraar die een college geeft; het is een diepe, levenslange band waarbij een mentor (de Guru) een student (de Shishya) begeleidt, niet alleen in boeken, maar ook in karakter, ethiek en het leven. De grote vraag is: Kunnen we de hoogtechnologische snelheid van AI combineren met de diepe, menselijke warmte van dit eeuwenoude mentorschap om de perfecte afgestudeerde te creëren? Het antwoord ligt in een concept genaamd de Capability Approach (de benadering van vermogens), die suggereert dat onderwijs niet alleen moet gaan over het uitreiken van certificaten (outputs), maar over het opbouwen van het werkelijke vermogen om dingen te doen en iemand te zijn (capabilities).

Het Gurukul 2.0 Experiment: Het Mengen van Magie en Machines

In dit onderzoek besloot een team van onderzoekers uit India een nieuw idee te testen dat zij Gurukul 2.0 noemen. Stel je een school voor waar het ouderwetse mentorschap van een wijze gids wordt gekoppeld aan de futuristische kracht van AI. Ze wilden zien of deze combinatie studenten tot "T-shaped professionals" kon transformeren.

Wat is een T-shaped professional? Stel je de letter "T" voor. De verticale lijn vertegenwoordigt diepgaande, expertkennis in één specifiek onderwerp (zoals techniek of kunst). De horizontale lijn vertegenwoordigt het vermogen om met anderen samen te werken, te communiceren, aan te passen en problemen op te lossen over verschillende vakgebieden heen. De onderzoekers wilden weten: Helpt het combineren van menselijk mentorschap, AI-tools en karaktervorming daadwerkelijk om studenten die "T" op te bouwen?

Het Recept voor Succes
De onderzoekers ondervroegen 378 studenten van diverse hogescholen in India en vroegen hen naar hun ervaringen met mentoren, hun gebruik van AI-tools (zoals chatbots voor leren) en hun eigen karakterontwikkeling. Ze bouwden een model om te zien hoe deze stukjes in elkaar passen.

Dit is wat ze vonden, stap voor stap:

De Menselijke Aanraking is de Krachtpatser: De studie ontdekte dat de kwaliteit van het mentorschap (de Guru-Shishya-relatie) de sterkste drijfveer was voor het leervermogen van een student. Wanneer een mentor de sterke punten van een student echt begreep, ethische begeleiding bood en gaf om hun persoonlijke groei, schoot het Leervermogen (Learning Capability) van de student omhoog. Het is als het hebben van een coach die je niet alleen de tactieken leert, maar ook zo in je gelooft dat je bereid bent risico's te nemen.
AI is de Perfecte Sidekick: AI-tools hielpen ook aanzienlijk. Wanneer studenten AI gebruikten om gepersonaliseerde feedback te krijgen en op hun eigen tempo te leren, verbeterde hun vermogen om te leren aanzienlijk. De studie maakt echter duidelijk: AI verving de mentor niet. In plaats daarvan werkte het naast de menselijke mentor. Denk aan de mentor als de kapitein van het schip en de AI als het hoogtechnologische navigatiesysteem; je hebt beide nodig om de bestemming te bereiken.
Karakter is de Motor: De onderzoekers keken ook naar "Karaktervorming" (of Samskara), wat het opbouwen van waarden zoals eerlijkheid, discipline en empathie omvat. Hoewel dit een kleinere directe impact had op het leervermogen vergeleken met mentorschap en AI, was het nog steeds een essentieel onderdeel van de mix. Het is de brandstof die de motor draaiende houdt wanneer het moeilijk wordt.
De Geheime Saus: Leervermogen: Al deze drie zaken (Mentorschap, AI en Karakter) voedden één centraal resultaat: Ontwikkeling van het Leervermogen (Learning Capability Development). Dit is het werkelijke vermogen van de student om kennis te verwerven, te integreren en toe te passen. De studie vond dat dit "Leervermogen" de enige factor was die direct leidde tot het worden van een T-shaped professional. Met andere woorden: mentorschap en AI maken je niet direct een professional; ze maken je eerst een betere leerling, en dat is wat je een professional maakt.
De "Ready" Factor: Tot slot vond de studie dat de eigen Leerbereidheid (Learning Readiness) van een student ertoe deed. Als een student gemotiveerd was, bereid was om te proberen en bereid was feedback te accepteren, dan was de verbinding tussen hun leervermogen en hun professionele succes zelfs nog sterker. Het is alsoك het hebben van een geweldige auto (Leervermogen) en een geweldige bestuurder (Bereidheid); als de bestuurder niet klaar is om te gaan, komt de auto niet ver.

Wat dit betekent voor de toekomst
De onderzoekers zijn zeer zeker over deze resultages omdat ze een rigoureuze statistische methode genaamd Structural Equation Modeling hebben gebruikt om hun ideeën te testen op echte gegevens. Ze kwamen tot de conclusie dat het "Gurukul 2.0"-model werkt: Inheemse mentoring en AI-ondersteund leren zijn geen vijanden; ze zijn teamgenoten.

De studie sluit expliciet de gedachte uit dat AI alleen de vaardigheidskloof kan dichten, of dat traditioneel mentorschap alleen voldoende is voor de huidige diverse studentenpopulatie. In plaats daarvan suggereert het dat universiteiten een ecosysteem moeten boueren waar:

Mentoren getraind worden om studenten holistisch te begeleiden (niet alleen academisch).
AI wordt gebruikt om leren te personaliseren, niet om leraren te vervangen.
Karaktervorming in het curriculum is verweven.

Door de wijsheid uit het verleden te combineren met de instrumenten van de toekomst, biedt het Gurukul 2.0-model een routekaart voor het creëren van afgestudeerden die niet alleen kennisrijk zijn, maar ook werkelijk bekwaam, aanpasbaar en klaar voor de echte wereld.

Technische Samenvatting: Gurukul 2.0: Een op capaciteiten gebaseerd model dat inheemse mentorschap, AI en karaktervorming integreert voor de competentie van afgestudeerden

Probleemstelling
Instellingen voor hoger onderwijs (HEIs) in opkomende economieën worden geconfronteerd met een "paradox van schaal zonder substantie": terwijl de inschrijving van afgestudeerden groeit, blijven veel afgestudeerden inadequaat voorbereid op de professionele praktijk. Werkgevers eisen steeds vaker "T-shaped professionals" die zowel diepe disciplinaire expertise als brede interdisciplinaire, communicatieve en adaptieve vaardigheden combineren. Hoewel Kunstmatige Intelligentie (AI) kansen biedt voor gepersonaliseerd leren, waarschuwen wetenschappers dat technologie alleen geen betekenisvol leren kan garanderen zonder menselijke pedagogische ondersteuning. Daartegenover staan traditionele inheemse mentorschapsmodellen, zoals de Indiase Guru–Shishya-traditie, die holistische ontwikkeling bieden maar vaak een gebrek hebben aan integratie met moderne technologische personalisatie. Er bestaat een theoretische kloof over hoe menselijk mentorschap, AI-gestuurde personalisatie en karaktervorming interageren om de competentie van afgestudeerden te ontwikkelen.

Methodologie
De studie maakt gebruik van een positivistisch, deductief, cross-sectioneel enquêteontwerp om het Gurukul 2.0-model te ontwikkelen en te valideren.

Steekproef: Gegevens werden verzameld van 378 bachelor- en masterstudenten uit opleidingen binnen techniek, management, wetenschappen, handel en kunst in Indiase HEIs. Alle deelnemers voldeden aan de selectiecriteria: huidige inschrijving, eerdere interactie met een faculteitsmentor en ervaring met AI-gebaseerde leermiddelen.
Instrumentatie: Een gestructureerde vragenlijst met 43 items over zes constructen werd gebruikt. Twee nieuwe schalen werden ontwikkeld en gevalideerd via een rigoureus proces (itemgeneratie, expertvalidatie, pilot-testen, EFA en CFA): Guru–Shishya Mentoring Quality (GSMQ) en Character Formation (Samskara-Oriented Learning). Bestaande schalen werden aangepast voor AI-Augmented Personalized Learning (AAPL), Learning Capability Development (LCD), Student Learning Readiness (SLR) en T-Shaped Professional Competence (TPC).
Analyse: De studie maakte gebruik van een tweestaps Covariance-Based Structural Equation Modeling (CB-SEM) benadering met behulp van AMOS.
1. Meetmodel: Gevalideerd via Exploratory Factor Analysis (EFA) en Confirmatory Factor Analysis (CFA), waarbij betrouwbaarheid (Composite Reliability), convergentievaliditeit (AVE) en discriminante validiteit (Fornell–Larcker en HTMT) werden beoordeeld.
2. Structureel model: Geteste directe relaties, volledige mediatie-effecten (met behulp van bootstrapping met 2.000 resamples) en moderatie-effecten (interactietermen).
Theoretisch kader: Het model integreert de Capability Approach, Self-Determination Theory, Experiential Learning Theory en de Guru–Shishya traditie.

Belangrijkste Resultaten
Het structurele model vertoonde bevredigende fit-indices (CFI = .944, TLI = .940, RMSEA = .040) en ondersteunde alle geïpotiseerde relaties:

Directe Effecten:
- GSMQ oefende de sterkste positieve invloed uit op LCD ( $\beta$ = .439, $p < .001$ ).
- AAPL beïnvloedde LCD significant ( $\beta$ = .302, $p < .001$ ).
- Karaktervorming beïnvloedde LCD positief ( $\beta$ = .142, $p < .001$ ).
- LCD voorspelde sterk de T-Shaped Professional Competence ( $\beta$ = .611, $p < .001$ ).
Mediatie: Learning Capability Development medieerde volledig de relaties tussen alle drie de antecedenten (GSMQ, AAPL, Karaktervorming) en T-Shaped Professional Competence. De directe effecten van de antecedenten op TPC werden niet-significant wanneer LCD werd opgenomen, wat aangeeft dat middelen (mentorschap, AI, waarden) alleen worden vertaald naar competentie door de internalisering van leervermogen.
Moderatie: Student Learning Readiness medieerde significant de relatie tussen LCD en TPC ( $\beta$ = .143, $p < .001$ ). De positieve relatie tussen leervermogen en professionele competentie was sterker bij studenten met een hogere bereidheid (motivatie, cognitieve voorbereiding en doorzettingsvermogen).

Belangrijkste Bijdragen

Theoretische Integratie: De studie operationaliseert de Capability Approach binnen het hoger onderwijs en toont aan dat onderwijsmiddelen alleen werkgeëligheid genereren wanneer ze worden getransformeerd in duurzame leervermogens. Het overbrugt de kloof tussen inheemse pedagogische tradities (Guru–Shishya) en moderne AI-gestuurde personalisatie, waarbij wordt aangetoefond dat deze complementair zijn in plaats van concurrerend.
Schaalontwikkeling: Het artikel introduceert en valideert de eerste eigentijdse psychometrische instrumenten voor Guru–Shishya Mentoring Quality en Character Formation (Samskara-Oriented Learning) in een context van hoger onderwijs.
Identificatie van Mechanismen: Het identificeert Learning Capability Development als het cruciale mediatie-mechanisme dat mentorschap, AI-ondersteuning en karaktervorming omzet in aantoonbare professionele competentie.

Betekenis en Claims
De auteurs beweren dat het Gurukul 2.0-model een gevalideerd kader biedt voor het aanpakken van de hardnekkige kloof tussen academische prestaties en professionele competentie. De studie stelt dat:

Holistische Integratie: Universiteiten moeten niet uitsluitend vertrouwen op AI of uitsluitend op traditioneel mentorschap; in plaats daarvan moet AI menselijk mentorschap aanvullen om gepersonaliseerde ondersteuning te bieden, terwijl menselijke mentoren vertrouwen, ethiek en autonomie cultiveren.
Capaciteit boven Diploma's: De focus van het hoger onderwijs moet verschuiven van het verzamelen van diploma's naar de ontwikkeling van Learning Capability, wat afgestudeerden in staat stelt zich aan te passen aan veranderende professionele eisen.
Beleidstoetsing: De bevindingen ondersteunen de implementatie van de Indiase National Education Policy (NEP) 2020, die pleit voor holistisch onderwijs geworteld in Indiase kennissystemen en waardegebaseerd leren, geïntegreerd met moderne technologie.
Praktische Richtlijnen: Het model biedt een basis voor curriculumontwerp dat reflectieve praktijk, interdisciplinaire projecten en AI-gestuurde feedback integreert, terwijl de nadruk ligt op het beoordelen en verbeteren van de leerbereidheid van studenten.

Beperkingen
De auteurs erkennen dat het cross-sectionele ontwerp de causale inferentie beperkt, dat de afhankelijkheid van zelfgerapporteerde gegevens bias kan introduceren, en dat het model verdere cross-culturele validatie buiten de Indiase context vereist. Daarnaast suggereert de snelle evolutie van generatieve AI een behoefte aan toekomstige studies om het model tegen nieuwere AI-systemen te testen.

Het Gurukul 2.0 Experiment: Het Mengen van Magie en Machines

Meer zoals dit