📈 economics

AI Research Attention and Higher Education System Response: A Lead-Lag Panel Analysis of the EU-27

Deze EU-27 panelanalyse onthult dat indicatoren van het hoger onderwijs primair worden gedreven door hun eigen historische persistentie in plaats van door AI-aandacht, met als enige uitzondering dat de publieke zoekinteresse in generatieve AI een kleine stijging in daaropvolgende uitgaven aan onderzoek en ontwikkeling voorspelt.

Oorspronkelijke auteurs: Gabriel Osei Forkuo, Emmanuel Osei-Dwomoh

Gepubliceerd 2026-09-08

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Gabriel Osei Forkuo, Emmanuel Osei-Dwomoh

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 de wereld van het hoger onderwijs is een stille maar krachtige vraag opgekomen nu kunstmatige intelligentie de manier waarop we leren en werken vormgeeft: verandert de buzz rondom nieuwe technologie daadwerkelijk het systeem, of beweegt het systeem zich simpelweg op zijn eigen manier voort? Decennialang hebben wetenschappers bestudeerd hoe nieuwe hulpmiddelen zich door scholen en universiteiten verspreiden. Ze weten dat wanneer een nieuwe technologie arriveert, mensen nieuwsgierig worden, onderzoekers artikelen over schrijven en overheden beleid opstellen. Maar er is een gat in ons begrip. We zien deze dingen vaak tegelijkertijd gebeuren, maar we weten zelden welke de eerste is. Dwingt de golf van publieke belangstelling en academische literatuur over kunstmatige intelligentie universiteiten om hun inschrijvingscijfers te wijzigen, meer geld uit te geven aan onderzoek of meer mensen op te leiden in digitale vaardigheden? Of vinden deze grote veranderingen in het onderwijssysteem plaats vanwege langetermijnplannen en bestaande sterktes, waarbij de hype rond kunstmatige intelligentie slechts meelift op de golf? Deze vraag is van groot belang voor universiteitsbestuurders en overheidsfunctionarissen die moeten beslissen waar miljarden dollars aan worden uitgegeven. Als de hype de verandering drijft, moeten ze snel handelen. Als het systeem op eigen kracht beweegt, verspillen ze wellicht middelen door een trend na te jagen die eigenlijk niet de koers bepaalt.

Om dit te beantwoorden, onderzochten twee onderzoekers de gehele Europese Unie, waarbij ze gegevens bekeken van alle zesentwintig lidstaten over een periode van zes jaar. Ze behandelden het onderwijssysteem als een traag bewegende reus en volgden drie specifieke zaken die de gezondheid ervan definiëren: hoeveel jongeren zich inschrijven voor een opleiding, hoeveel geld landen uitgeven aan onderzoek en ontwikkeling, en welk percentage van de volwassen bevolking beschikt over sterke digitale vaardigheden. Ze vergeleken deze traag bewegende cijfers vervolgens met drie maten van de aandacht voor kunstmatige intelligentie: het aantal academische artikelen die over generatieve kunstmatige intelligentie zijn geschreven, het bestaan van nationale overheidsbeleidsstukken over het onderwerp, en het volume aan mensen die op Google zoeken naar de technologie. De onderzoekers bouwden een model dat naar het verleden keek om de toekomst te voorspellen. Ze stelden een eenvoudige, directe vraag: als een land vorig jaar veel aandacht had voor kunstmatige intelligentie, zou dat land dan dit jaar een verandering zien in het aantal studenteninschrijvingen, de onderzoeksuitgaven of de digitale vaardigheden? Ze stelden ook de omgekeerde vraag: voorspelde de bestaande kracht van een land in onderwijs en onderzoek een piek in het aantal wetenschappelijke artikelen over kunstmatige intelligentie het volgende jaar?

De resultaten schetsen een beeld van een systeem dat opmerkelijk koppig is. De sterkste voorspeller van hoeveel studenten er op college zitten, hoeveel geld er aan onderzoek wordt uitgegeven of hoe bekwaam de beroepsbevolking is, was simpelweg wat die cijfers het jaar daarvoor waren. Met andere woorden: het systeem heeft de neiging om door te gaan met wat het al deed. De onderzoekers ontdekten dat de intense wereldwijde discussie over kunstmatige intelligentie, die explodeerde na de lancering van een populaire chatbot eind 2022, niet onmiddellijk leidde tot een snelle transformatie op deze drie belangrijke gebieden. Wanneer zij keken of het aantal academische artikelen over het onderwerp zou leiden tot meer studenteninschrijvingen of meer mensen die digitale vaardigheden leren, toonden de gegevens geen duidelijk verband aan. Hetzelfde gold voor overheidsbeleidsdocumenten; het loutere bestaan van een nationale strategie leek geen directe veranderingen in de output van het systeem te triggeren. Zelfs de omgekeerde gedachte, dat landen met sterke bestaande onderwijssystemen van nature meer onderzoek naar kunstmatige intelligentie zouden produceren, werd niet ondersteund door de gegevens. De capaciteit van het systeem leek niet de motor te zijn die de onderzoeksboom aandrijft.

Er was echter één kleine en specifiele uitzondering op deze regel van inertie. De onderzoekers ontdekten een verband tussen publieke nieuwsgierigheid en onderzoeksfinanciering. Wanneer mensen in een land op internet naar informatie over generatieve kunstmatige intelligentie zochten, leek die interesse een kleine toename in de onderzoeksuitgaven het jaar daarop te voorspellen. Het effect was bescheiden, maar het was de enige keer dat de gegevens lieten zien dat aandacht tot actie kan leiden. Specifiek werd een merkbare sprong in de zoekinteresse geassocieerd met een lichte stijging van het percentage van de economische output van een land dat aan onderzoek en ontwikkeling wordt besteed. Dit suggereert dat hoewel de fascinatie van het publiek voor de technologie regeringen een klein zetje kan geven om meer geld in onderzoek te steken, het niet krachtig genoeg lijkt om snel de manier waarop studenten naar de collegebanken gaan of hoeveel volwassenen digitale vaardigheden leren te veranderen.

De studie concludeert dat het verhaal van kunstmatige intelligentie in het Europese hoger onderwijs er een is van een plotselinge, systeembrede revolutie gedreven door hype. In plaats daarvan is het een verhaal van persistentie. De grote indicatoren van onderwijs en economische gezondheid bewegen volgens hun eigen trage, diepe stromingen, grotendeels ongevoelig voor de jaarlijkse ruis van een nieuwe technologische trend. De aandacht van het publiek en de teksten van de academische gemeenschap bewegen in de pas met de onderzoeksoutput, maar ze trekken de rest van het systeem nog niet mee. Voor beleidsmakers betekent dit dat het volgen van publieke belangstelling weliswaar een zwak signaal kan bieden over waar onderzoeksgeld naartoe gaat, maar het geen betrouwbare kristallen bol is voor het voorspellen van veranderingen in studentenaantallen of beroepskwalificaties. Het systeem wordt niet van de ene op de andere dag hervormd door de komst van kunstmatige intelligentie; het verandert in zijn eigen tempo, waarbij de nieuwe technologie momenteel op de golf rijdt in plaats van deze te creëren.

Technische Samenvatting: AI-onderzoeksaandacht en de respons van het hoger onderwijssysteem in de EU-27

Probleemstelling
De bestaande literatuur over generatieve kunstmatige intelligentie (GenAI) in het hoger onderwijs steunt voornemenselijk op micro-niveau casestudies of gelijktijdige (dezelfde jaar) correlaties. Deze benaderingen falen in het vaststellen van temporele precedentie en directionele causaliteit tussen AI-gerelateerde aandacht en bredere systemische veranderingen in het hoger onderwijs. Specifiek blijft het onduidelijk of een groeiende interesse in onderzoek, beleidsactiviteit en publiek zoekvolume actief structurele aanpassingen aanstuurt—zoals veranderingen in tertiaire inschrijvingen, uitgaven aan onderzoek en ontwikkeling (R&D) en de ontwikkeling van digitale vaardigheden—of dat deze systeemindicatoren louter historische trajecten reflecteren die onafhankelijk zijn van AI-aandacht. Bovendien ontbreekt het de literatuur aan macro-niveau, grensoverschrijdend bewijs dat test of een gevestigde systeemcapaciteit (absorptievermogen) toekomstige AI-onderzoeksproductie voorspelt.

Methodologie
De studie maakt gebruik van een lead-lag paneelanalyse over alle 27 lidstaten van de Europese Unie (EU-27) over de periode van 2020 tot 2025 ( $N=162$ land-jaar observaties).

Databronnen: De analyse maakt gebruik van open data van Eurostat, de Wereldbank, OpenAlex, Google Trends en de OECD AI Policy Observatory.
Variabelen:
- AI-Aandacht Predictoren (Jaar $t-1$ ): Log-getransformeerde GenAI en hoger onderwijs publicaties, een nationale AI-beleidsindex (0–2 schaal), en een Google Trends composiet zoekinteresse-index.
- Systeem Uitkomsten (Jaar $t$ ): Bruto tertiaire inschrijvingen, R&D-uitgaven als aandeel van het BBP, en het aandeel van de bevolking met boven basisvaardigheden digitale vaardigheden.
Econometrische Strategie: De auteurs schatten vier two-way fixed-effects paneelmodellen met cluster-robuuste standaardfouten (geclusterd per land).
- Forward Modellen (Drie): Deze testen of vertraagde AI-aandachtsmaatstaven huidige systeemuitkomsten voorspellen, waarbij wordt gecontroleerd voor de eigen lag van de uitkomst (autoregressieve term) om de incrementele voorspellende kracht buiten de persistentie te isoleren.
- Reverse Model (Eén): Dit test of vertraagde systeemuitkomsten de huidige GenAI-publicatieactiviteit voorspellen, waarbij wordt gecontroleerd voor de eigen lag van de publicatieserie.
Ontwerpbeperkingen: Vanwege de korte tijdsdimensie (zes jaar) gebruikt de studie een enkele éénjarige lag. De studie sluit expliciet volledige Granger-causaliteitsdiagnostiek (bijv. coïntegratietests, cross-sectionele afhankelijkheidstests) uit, die langere tijdreeksen vereisen, en erkent dit als een specifieke beperking in Sectie 6.

Belangrijkste Bijdragen

Reproduceerbare Paneelconstructie: De studie construeert een open-source, land-jaar paneel dat AI-onderzoeksaandacht en indicatoren voor het hoger onderwijs vastlegt in de EU-27, waarmee een gat wordt opgevuld in de macro-niveau, meerjarige bewijsvoering.
Bidirectionele Lead-Lag Specificatie: In tegen tegenstelling tot eerdere studies die rusten op gelijktijdige correlaties, implementeert dit ontwerp een Granger-stijl test om temporele precedentie te bepalen, waarbij zowel wordt onderzocht of AI-aandacht systeemverandering aanstuurt als of systeemcapaciteit de AI-onderzoeksproductie aanstuurt.
Paneeldiagnostiek: De studie erkent de afwezigheid van standaard robuustheidscontroles voor cross-sectionele afhankelijkheid en structurele heterogeniteit (zoals coïntegratietests) vanwege de korte paneellengte, en markeert dit expliciet als een methodologische beperking in plaats van een kenmerk van de analyse.

Resultaten
De analyse onthult dat persistentie, in plaats van AI-gestuurde disruptie, de dominante factor is die de jaarlijkse variatie in systeemindicatoren verklaart.

Autoregressieve Dominantie: In alle vier de modellen was de vertraagde waarde van de afhankelijke variabele (het eigen verleden van de uitkomst) de sterkste voorspeller van de huidige waarde (coëfficiënten variërend van 0,447 tot 0,716, allen $p < 0,001$ ).
Forward Modellen (AI-Aandacht $\rightarrow$ Systeemuitkomsten):
- R&D-uitgaven: Vertraagde publieke zoekinteresse voorspelt significant de R&D-uitgaven van het volgende jaar (coëfficiënt = 0,0042, $p = 0,003$ ). Dit is de enige statistisch significante kruislingse koppeling die is gevonden. De omvang is bescheiden: een stijging van 10 punten in de zoekindex correleert met een stijging van ongeveer 0,042 procentpunt in R&D/BBP.
- Tertiaire Inschrijvingen: Vertraagde GenAI-publicaties tonen een marginale negatieve associatie met de inschrijvingen van het volgende jaar (coëfficiënt = -0,746, $p = 0,092$ ), wat niet de conventionele significantie bereikt. Noch de beleidsindex, noch de zoekinteresse voorspelt de inschrijvingen significant.
- Digitale Vaardigheden: Geen van de drie AI-aandachtsmaatstaven voorspelt de digitale vaardigheden van het volgende jaar significant.
Reverse Model (Systeemcapaciteit $\rightarrow$ AI-Aandacht):
- Geen van de vertraagde systeemuitkomsten (inschrijvingen, R&D, digitale vaardigheden) voorspelt de toekomstige GenAI-publicatieactiviteit significant. Dit spreept de hypothese tegen dat bestaande systeemcapaciteit als primaire drijfveer fungeert voor toekomstige AI-onderzoeksproductie in dit tijdsbestek.

Significantie en Claims
Het artikel stelt dat er binnen een horizon van één jaar beperkt bewijs is dat AI-aandacht brede institutionele verandering in het hoger onderwijssysteem in de EU-27 aanstuurt.

Bescheiden Voorspellende Kracht: De studie concludeert dat publieke zoekinteresse in GenAI schijnbaar voorafgaat aan kleine stijgingen in onderzoeksinvesteringen, maar dat deze relatie nauw is en zich niet uitstrekt tot inschrijvingen of digitale vaardigheden.
Verwerping van Brede Causaliteit: De resultaten sluiten een sterke, brede voorwaartse relatie uit waarbij AI-aandacht gelijktijdige veranderingen in inschrijvingen, uitgaven en vaardigheden aanstuurt. Ze sluiten ook een sterke achterwaartse relatie uit waarbij bestaande systeemcapaciteit de primaire motor is voor AI-onderzoeksgroei.
Interpretatie van Nullenresultaten: De auteurs betogen dat het gebrek aan significante effecten op inschrijvingen en digitale vaardigheden informatief is in plaats van louter een afwezigheid van data. Het suggereert dat deze systeemindicatoren worden gedreven door tragere, structurele krachten (demografie, langetermijnbeleid) in plaats van snelle technologische verschuivingen.
Beleidsimplicaties: De bevindingen suggereren dat beleidsmakers AI-onderzoeksaandacht niet moeten behanden als een leidende indicator voor onmiddellijke verschuivingen in inschrijvingen of vaardigheidsuitkomsten. Hoewel het volgen van publieke zoektrends een vroege, zij het imperfecte, signalering van onderzoeksinvesteringen kan bieden, ondersteunen de gegevens niet de visie dat AI-aandacht momenteel het bredere landschap van het hoger onderwijs hervormt binnen een enkel jaar. De studie benadrukt dat de groei van GenAI-onderzoek in Europa waarschijnlijk een pad heeft gevolgd dat wordt gedreven door exogene publieke aandacht (na de lancering van ChatGPT) in plaats van een geleidelijke opbouw van bestaande digitale of onderzoekscapaciteit.

De auteurs behouden een voorzichtige toon en merken op dat een éénjarige lag mogelijk onvoldoende is om langere institutionele planningscycli te vangen en dat de studie systeemniveau-proxies meet in plaats van specifieke aanpassingen op klaslokaal niveau. Zij stellen dat toekomstig onderzoek met langere tijdshorizonten en data op institutioneel niveau andere dynamieken aan het licht kan brengen.

Meer zoals dit