📄 social_science

Structural Assessment Redesign for AI-Allowed Online Learning through Ethical Awareness

Deze studie introduceert en valideert het AI-7E-model, een pedagogisch kader geworteld in het sociaal constructivisme dat de AI Assessment Scale benut om het ethisch bewustzijn van studenten te vergroten, wat op zijn beurt hun bereidheid om AI-gebruik transparant te openbaren significant verhoogt en hun focus verschuift naar het waarderen van het leerproces boven het eindproduct.

Oorspronkelijke auteurs: Selçuk Dogan

Gepubliceerd 2026-08-31

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Selçuk Dogan

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

In het moderne klaslokaal heeft de komst van kunstmatige intelligentie een diepgaand dilemma gecreëerd voor onderwijzers. Decennialang was de standaardaanpak om studenten eerlijk te houden het verbieden van het gebruik van nieuwe hulpmiddelen, waarbij werd vertrouwd op strikte regels en toezicht om hen te betrappen die de regels overtraden. Deze strategie is echter begonnen te falen. De technologie beweegt te snel voor eenvoudige verboden om te werken, en de software die ontworpen is om academisch wangedrag te detecteren is vaak onbetrouwbaar; het signaleert onschuldige studenten terwijl het daadwerkelijk wangedrag mist. Dit heeft veel leerders in een staat van verwarring achtergelaten, onzeker over waar de grens tussen nuttige ondersteuning en academische oneerlijkheid precies ligt. In plaats van een verloren strijd te leveren tegen een hulpmiddel dat nu deel uitmaakt van het dagelijks leven, stelt een nieuwe groep onderzoekers een andere vraag: wat als we stopten met het proberen te verbieden van het hulpmiddel en in plaats daarvan de les zelf gingen herontwerpen? Deze aanpak, bekend als structurele beoordelingsherontwerp (structural assessment redesign), suggereert dat de manier waarop een cursus is opgebouwd belangrijker is dan de regels die in het syllabus staan geschreven. Door duidelijke richtlijnen direct in de structuur van leeractiviteiten te verweven, kunnen onderwijzers studenten begeleiden om krachtige technologie verantwoord te gebruiken, waardoor een potentiële bron van oneerlijkheid wordt omgevormd tot een partner voor dieper denken.

Deze verschuiving in denken is de focus van een nieuwe studie door Selçuk Dogan van Georgia Southern University, die onderzoekt hoe een online cursus gebouwd kan worden die niet alleen kunstmatige intelligentie toestaat, maar studenten ook actief leert hoe ze deze met integriteit kunnen gebruiken. De onderzoeker introduceerde een specifiek kader genaamd de AI Assessment Scale, die fungeert als een verkeerslichtsysteem voor leeropdrachten. In plaats van een simpel "ja" of "nee", biedt deze schaal vijf verschillende niveaus van toestemming, variërend van taken waarbij geen enkele technologie is toegestaan tot taken waarbij studenten worden aangemoedigd om AI-tools te verkennen en te experimenteren. Het doel was om te zien of het inbedden van deze duidelijke, zichtbare niveaus in een cursusstructuur de manier van denken en gedrag van studenten kon veranderen. Om dit te testen, ontwierp de onderzoeker een volledige online graduate cursus gebouwd rond een zeven-stappen-cyclus van leeractiviteiten. Elke week bewogen studenten door verschillende stadia, van planning en brainstormen tot het creëren van eindprojecten en het reflecteren op hun werk. In sommige stadia waren zij verplicht om alleen te werken zonder hulp; in andere werden zij expliciet geïnstrueerd om AI te gebruiken om teksten samen te vatten of ideeën te brainstormen, mits zij eerlijk waren over hoe zij het gebruikten.

Om te begrijpen of dit ontwerp daadwerkelijk werkte, ontwikkelde de onderzoeker een nieuwe enquête om de ervaring van de student te meten. Ze vroegen honderden studenten om de duidelijkheid van de regels te beoordelen, hoeveel de cursus hen deed nadenken over ethiek, en of zij zich comfortabel voelden om eerlijk te zijn over hun gebruik van hulpmiddelen. De gegevens onthulden een duidelijk patroon. Wanneer de cursus de regels voor het gebruik van technologie zichtbaar maakte en deze direct integreerde in het dagelijkse werk, werden studenten aanzienlijk meer bewust van de ethische grenzen. Deze verhoogde bewustwording was het cruciale kantelpunt. Het fungeerde als een brug die externe regels transformeerde naar een intern gevoel van verantwoordelijkheid. Studenten die deze ethische helderheid ervoeren, waren veel eerder geneigd openlijk toe te geven wanneer zij kunstmatige intelligentie hadden gebruikt, in plaats van het te proberen te verbergen. Belangrijker nog, zij begonnen het leerproces zelf meer te waarderen dan het eindproduct. In plaats van overhaast een machine een perfect essay voor hen te laten schrijven, begonnen ze de opdracht te zien als een kans om hun eigen kritisch denkvermogen te ontwikkelen, waarbij ze de technologie als ondersteuning gebruikten in plaats van als vervanging.

De studie vond dat de structuur van de cursus de krachtigste drijfveer van deze verandering was. Wanneer de richtlijnen slechts een paragraaf in een syllabus waren, bleven studenten angstig en onzeker. Maar wanneer de richtlijnen in de taken zelf waren ingebouwd — door hen precies te vertellen wanneer ze het hulpmiddel moesten gebruiken en wanneer ze het weg moesten leggen — verdween de verwarring. Deze aanpak slaagde erin de angst voor accidenteel academisch wangedrag te verminderen en te vervangen door een cultuur van transparantie. Het onderzoek suggereert dat de oplossing voor het "wicked problem" van AI in het onderwijs niet beter politiewerk of strengere verboden zijn, maar beter ontwerp. Door een leeromgeving te creëren waarin het gebruik van technologie transparant, gescaffeld en afgestemd is op duidelijke ethische doelen, kunnen onderwijzers studenten helpen de oordeelskracht te ontwikkelen die nodig is om te navigeren in een wereld waar kunstmatige intelligentie overal is. De studie concludeert dat wanneer studenten een duidelijke kaart krijgen van hoe ze deze hulpmiddelen verantwoord kunnen gebruiken, ze niet alleen de regels volgen; ze internaliseren ze, waardoor ze in het proces meer bedachtzame en eerlijke leerders worden.

Technische Samenvatting: Herontwerp van Structurele Beoordeling voor AI-toegestaan Online Leren door middel van Ethisch Bewustzijn

Probleemstelling
De integratie van generatieve AI in het onderwijs heeft een "wicked problem" gecreëerd met betrekking tot de validiteit van beoordelingen en academische integriteit. De huidige institutionele reacties vertrouwen vaak op "discursieve" beleidsupdates (bijv. syllabusverklaringen) of gebrekkige AI-detectiesoftware, wat een "illusie van handhaving" creëëert. Deze aanpak faalt in het fundamenteel veranderen van leeropdrachten, wat leidt tot een hoge cognitieve belasting, ethische angst en een "politiementaliteit" die vertrouwen ondermijnt. Bovendien kampen AI-detectietools met technische beperkingen, waaronder hoge percentages fout-positieven en vooroordelen tegen niet-moedertaalsprekers, waardoor ze ongeschikt zijn voor beslissingen met een hoge inzet. In online omgevingen maakt het gebrek aan fysiek toezicht "Geen AI"-mandaten onafdwingbaar zonder invasieve proctoring. Als gevolg hiervan navigeren studenten alleen door ethische grijze gebieden, wat het risico op onbedoelde wangedrag en "AI-giarisme" (het onethische presenteren van door AI gegenereerde inhoud) vergroot. Hoewel kaders zoals de AI Assessment Scale (AIAS) bestaan om AI-gebruik te categoriseren, is er een kritiek gebrek aan empirisch onderzoek naar hoe deze schalen systematisch in de pedagogische architectuur van een volledige cursus geweven kunnen worden om verder te gaan dan louter regels stellen richting een structureel herontwerp van de beoordeling.

Methodologie
Deze studie maakte gebruik van een driefasige mixed-methods benadering om een pedagogisch model en een bijbehorend meetinstrument te ontwerpen, te implementeren en te valideren:

Instrumentontwikkeling en Validatie (AIAS Learner Experience Survey):
- Fase 1 (Ontwikkeling): Een uitgebreid literatuuronderzoek genereerde een initiële pool van 30 items, die werden verfijnd tot 24 op basis van theoretische afstemming met AIAS-publicaties.
- Fase 2 (Inhoudelijke Validatie): Een expertpanel (inclusief AIAS-auteurs, instructieontwerpers en praktijkbeoefenaars) beoordeelde de items, wat resulteerde in een instrument van 18 items.
- *Fase 3 (Constructvalidatie): De enquête werd afgenomen bij graduate studenten in een online cursus.
  - Exploratieve Factoranalyse (EFA): Uitgevoerd op een steekproef van $N=146$ (Zomertermijn) met behulp van Mplus 8.1. Dit identificeerde een stabiele vierfactorenstructuur (16 items) na het verwijderen van twee zwak ladende items.
  - Confirmerende Factoranalyse (CFA): Uitgevoerd op een aparte pilot-steekproef van $N=69$ (Vervolgentermijn). Het model vertoonde acceptabele fit-indices (CFI = .914, TLI = .893, SRMR = .052) en sterke convergentie- en discriminante validiteit (AVE > .50, voldoet aan de Fornell-Larcker criteria).
Cursusontwerp en Implementatie (AI-7E Model):
- De studie implementeerde een volledig online graduate cursus geworteld in sociaal constructivisme, het Community of Inquiry (Coi)-kader en reflectieve praktijk.
- Het AI-7E Design Model structureerde de cursus in zeven cyclische elementen: Navigator, Starting Point, Resource Hub, Collaboration Corner, Challenge Arena, Showcase & Share, en Reflection Space.
- De AIAS werd structureel ingebed over deze elementen, variërend van Niveau 1 (Geen AI) in "Starting Point" en "Reflection Space" tot Niveau 4 (Volledige AI) in "Resource Hub" en "Challenge Arena". Dit ontwerp maakte gebruik van "Assessment Twins" om AI-kwetsbare taken te koppelen aan mensgerichte taken om capaciteiten te verifiëren.
Modeltetst (Structurele Vergelijkingsanalyse):
- Met behulp van de pilot-steekproef ( $N=69$ ) werd een Structurele Vergelijkingsanalyse (SEM) uitgevoerd om de relaties tussen de vier gevalideerde survey-dimensies te onderzoeken: Structural Visibility, Ethical Awareness, Transparency and Disclosure, en Reflection and Learning Shift.

Belangrijkste Bijdragen

Het AI-7E Design Model: Een uitgebreide, cyclische pedagogische architectuur die de AIAS structureel inbedt in het ontwerp van online cursussen. Het gaat verder dan binaire "verbod/toestemming"-policies om een ecosysteem te creëren waar ethisch AI-gebruik wordt gescaffold via specifieke leeractiviteiten (bijv. AI gebruiken voor brainstormen maar menselijke reflectie vereisen).
De AIAS Learner Experience Survey: De ontwikkeling en psychometrische validatie van het eerste instrument dat specifief is ontworpen om de percepties van studenten over de zichtbaarheid, begeleiding en ethische impact van de AIAS binnen een cursus te meten. Het vestigt een vierfactorenstructuur:
1. Structural Visibility: De helderheid en aanwezigheid van AIAS-niveaus in cursustaken.
2. Ethical Awareness: De kritische betrokkenheid van de student bij de grenzen van academische integriteit.
3. Transparency and Disclosure: De bereidheid om AI-gebruik eerlijk te rapporteren.
4. Reflection and Learning Shift: De metacognitieve verschuiving naar het waarderen van het leerproces boven het eindproduct.
Empirisch Bewijs van Structurele Herontwerp: De studie levert empirische gegevens die aantonen dat structurele zichtbaarheid fungeert als een katalysator voor ethisch bewustzijn, wat op zijn beurt gedragsverandering aanjaagt.

Resultaten

Psychometrische Eigenschappen: De enquête vertoonde robuuste betrouwbaarheid (Raykov's $\rho$ > .93 voor alle factoren) en validiteit. De vierfactorenstructuur verklaarde 64,4% van de variantie in de EFA en 82,8% in de CFA.
Descriptieve Statistieken: Studenten rapporteerden hoge gemiddelde scores over alle dimensies (variërend van 3,39 tot 3,63 op een 4-puntsschaal), wat wijst op positieve betrokkenheid bij het kader.
Structurele Vergelijkingsanalyse (SEM):
- Directe Effecten: Structural Visibility voorspelde significant Ethical Awareness ( $\beta = .81, p < .001$ ). Ethical Awareness voorspelde significant zowel Transparency and Disclosure ( $\beta = .79, p < .001$ ) als Reflection and Learning Shift ( $\beta = .83, p < .001$ ).
- Mediatie: Ethical Awareness diende als een vitale mediator. Structural Visibility dreef niet direct tot disclosure of learning shifts; in plaats daarvan versterkte het de ethische awareness, die vervolgens de uitkomsten aanjoeg.
- Indirecte Effecten: Het indirecte pad van Structural Visibility naar Transparency ( $\beta = .64$ ) en naar Reflection ( $\beta = .67$ ) was statistisch significant.
Gedragseffect: Studenten rapporteerden dat zij hun AI-gebruik actief aanpasten op basis van de toegewezen niveaus en hun aanpak van opdrachten wijzigden, wat suggereert dat het framework het leergedrag succesvol vormgeeft.

Betekenis en Claims
Het artikel beweert dat het "wicked problem" van AI in het onderwijs niet kan worden opgelost door surveillance of eenvoudige beleidsupdates, maar een verschuiving vereist naar structureel beoordelingsherontwerp. De studie demonstreert dat:

Pedagogie boven Politie: Academische integriteit in AI-toegestane omgevingen wordt het beste behouden door intentioneel pedagogisch ontwerp (het AI-7E model) in plaats van technologische politiezorg.
De Rol van Zichtbaarheid: Het expliciet zichtbaar maken van de "onzichtbare lijn" van AI-gebruik via taamechanismen (Structural Visibility) vermindert de cognitieve belasting en fungeert als een katalysator voor ethisch bewustzijn.
Internalisering is Cruciaal: Structureel ontwerp alleen is onvoldoende; het moet succesvol Ethical Awareness bevorderen. Zodra dit interne schema wordt geactiveerd, stuurt het studenten aan naar transparante openbaarmaking en een metacognitieve verschuiving waarbij het leerproces belangrijker wordt gevonden dan het door machines gegenereerde product.
Mitigatie van "AI-giarisme": Door te wisselen tussen mens-alleen reflectieruimtes en AI-geïntegreerde challenge arena's, mitigeert het model het risico dat studenten onbewerkte AI-output als origineel werk presenteren.

De auteur positioneert dit onderzoek als een concrete, empirische bijdrage die de kloof overbrugt tussen de theoretische bruikbaarheid van de AIAS en de praktische toepassing ervan in het hoger onderwijs, door een gevalideerd mechanisme aan te bieden waarmee docenten ethisch AI-gebruik kunnen beoordelen en te scaffolden. De studie merkt bescheiden beperkingen op, waaronder de hoge correlatie tussen factoren, de afhankelijkheid van zelfgerapporteerde gegevens (potentieel sociaal wenselijkheidseffect) en de noodzaak voor verdere validatie met grotere, meer diverse steekproeven en over verschillende onderwijsvormen heen.

Meer zoals dit