Teaching About AI or With AI? In-Service Teachers’ Experiences in a Korean AI Convergence Education Program

In klaslokalen door heel Zuid-Korea vindt een stille transformatie plaats. Decennialang waren leraren de experts in hun vakgebied, waarbij ze studenten begeleidden door geschiedenis, wetenschap of literatuur. Maar onlangs is er een nieuw vak aangekomen: kunstmatige intelligentie. De overheid besloot dat elke student moet begrijpen hoe deze slimme machines werken, en de logische volgende stap was om de leraren op te leiden. Dit creëerde een unieke situatie waarin ervaren pedagogen, die al weten hoe ze een klas moeten leiden, terug naar school moesten om een compleet nieuwe technische taal te leren. De centrale vraag die onderwijzers en beleidsmakers bezighoudt, is niet alleen of leraren de feiten over kunstmatige intelligentie kunnen leren, maar of ze die feiten kunnen nemen en ze kunnen verweven in de lessen die ze al geven. Kan een geschiedenisdocent kunstmatige intelligentie gebruiken om studenten te helpen het verleden te begrijpen, of blijft de nieuwe kennis opgesloten in een aparte doos, bruikbaar voor alleen informatica-lessen?

Dit verhaal komt uit een specifieke hoek van Zuid-Korea, waar de overheid een grootschalig programma heeft gelanceerd om leraren om te scholen. Sinds 2020 bieden drieëndertig universiteiten speciale vervolgopleidingen aan voor werkende leraren, gericht op wat wordt genoemd "AI-convergentieonderwijs". Het idee is om kunstmatige intelligentie te vermengen met traditionele vakken. Om te begrijpen hoe dit in de echte wereld werkt, volgden twee onderzoekers van de universiteiten van Seoul en Hannam een kleine groep leraren en één instructeur door dit programma. Ze keken niet alleen naar toetsresultaten of checklists; ze gingen in gesprek met de deelnemers om hun verhalen te horen over hoe het voelde om dit nieuwe materiaal te leren en het vervolgens weer toe te passen in hun eigen scholen.

De leraren die zich bij het programma aansloten, deden dit niet omdat ze plotseling gefascineerd waren door robots of code. Ze meldden zich grotendeels aan als reactie op praktische druk, zoals de noodzaak om met AI om te gaan op hun scholen, en omdat de overheid subsidie voor het collegegeld aanbood, wat de beslissing mogelijk maakte. Eén leraar, die werkt op een middelbare school voor wetenschappelijke studenten, merkte dat haar studenten projecten bouwden in computertalen die zij niet kon lezen. Zij voelde zich achtergesteld en moest bijblijven. Een andere leraar, een instructeur op een basisschool, gaf toe dat haar motivatie "onzuiver" was. Ze had het geld voor het collegegeld nodig dat de overheid bood, en ze bereidde zich ook voor op een promotie-examen. Toch zat er onder de praktische redenen een gedeeld gevoel van urgentie. Ze wisten dat kunstmatige intelligentie hun scholen zou bereiken, en ze wisten dat van hen verwacht zou worden dat ze de weg zouden wijzen. Ze gingen de vervolgopleiding in met de hoop een duidelijk pad vooruit te vinden.

In de universiteitslokalen leerden de leraren veel over de technologie zelf. Ze bestudeerden hoe machines leren, hoe ze gegevens analyseren en hoe ze code schrijven in een taal genaamd Python. De instructeurs, die experts waren in informatica en data, deden hun werk goed in het onderwijzen van deze technische vaardigheden. Eén leraar zei dat ze eindelijk kon begrijpen wat haar studenten deden wanneer ze complexe projecten bouwden. Echter, er ontstond een kloof tussen wat ze leerden aan de universiteit en wat ze nodig hadden in hun eigen klaslokalen. De leraren beschreven het curriculum als "gefragmenteerd". Ze leerden over data-analyse in de ene les en programmeren in de andere, maar het programma liet hen nooit zien hoe ze deze stukjes konden verbinden met een geschiedenisles of een ethische discussie. Ze leerden over kunstmatige intelligentie, maar ze leerden niet hoe ze ermee moesten lesgeven.

De leraren bevonden zich in een moeilijke positie. Ze begrepen de technologie, maar konden niet ontdekken hoe ze deze in hun specifieke vakken konden passen. Eén leraar beschreef het gevoel als "het kwijt zijn". Ze wilde kunstmatige intelligentie op haar lessen enten, maar wist niet hoe ze dat moest doen zonder de focus van haar vak te verliezen. Een andere leraar probeerde een tekenapp te gebruiken om studenten te helpen een verhaal te illustreren, maar realiseerde zich dat dit slechts het gebruik van een hulpmiddel was, en niet het werkelijk vermengen van de technologie met de les. Het programma had hen de instrumenten gegeven, maar niet het blauwdruk om er iets nieuws mee te bouwen. De verantwoordelijkheid om de verbinding te leggen werd volledig bij de individuele leraar gelaten, die dit puzzelstukje alleen moest oplossen terwijl zij een voltijdbaan combineerde.

De onderzoekers ontdekten dat de moeilijkheid niet alleen lag aan een gebrek aan vaardigheid, maar aan de aard van de vakken zelf. Voor een docent wetenschap is data overal aanwezig, dus is het relatief eenvoudig om een plek voor kunstmatige intelligentie te vinden. Maar voor een docent taal of literatuur is de verbinding veel moeilijker te vinden. Eén instructeur in het programma, die maatschappijleer geeft, gaf toe dat hij een wiskunde- of natuurkundedocent wel kon helpen, maar dat hij de weg kwijt was wanneer een docent taal om hulp vroeg. Hij kon hen laten zien hoe ze teksten analyseren, maar hij kon geen richting vinden voor hoe ze de diepere algoritmen van kunstmatige intelligentie op een manier konden gebruiken die zinvol was voor literatuur. Dit suggereert dat de uitdaging niet is dat leraren falen in het leren, maar dat de link tussen kunstmatige intelligentie en bepaalde vakken niet vanzelfsprekend is, en dat het programma niet genoeg ondersteuning bood om die brug te slaan.

Nog een grote hindernis was de structuur van de scholen zelf. Zelfs wanneer een leraar erin slaagde een geweldig lesplan te maken dat kunstmatige intelligentie met hun vak mengde, maakte het schoolsysteem het vaak onmogelijk om dit uit te voeren. In basisscholen worden leraren elk jaar door de directeur naar andere groepen en vakken verplaatst. Een leraar die twee jaar lang over kunstmatige intelligentie heeft geleerd, kan het volgende jaar aan een andere groep worden toegewezen, zonder tijd om wat ze heeft geleerd toe te passen. In middelbare scholen maakt het creditsysteem het moeilijk voor leraren van verschillende vakken om samen te werken aan één project. Het beleid ging ervan uit dat als je een paar specialisten traint, zij de kennis naar de rest zouden verspreiden. Maar de realiteit van het dagelijs schoolleven betekende dat deze kennis vaak bij het individu bleef en niet kon wortelen in de bredere schoolgemeenschap.

De studie benadrukte ook een verwarring over wat het doel eigenlijk was en een gebrek aan praktische ondersteuning. Het programma werd "AI-convergentieonderwijs" genoemd, wat een diepe versmelting van technologie en vakinhoud impliceert. De leraren vonden echter dat het programma vooral leerde hoe ze AI-tools moesten gebruiken of de basisprincipes moesten begrijpen. Ze werden zelden getraind in hoe ze de technologie konden gebruiken om problemen specifiek voor hun eigen vakken op te lossen. Eén leraar merkte op dat de instructeurs het oneens leken over het doel: sommigen zeiden dat je eerst de technologie moet begrijpen, terwijl anderen zeiden dat de focus op het vak moet liggen. Dit gebrek aan een duidelijke, verenigde visie liet de leraren het gevoel hebben dat ze een puzzel probeerden te leggen met ontbrekende stukjes. Bovendien rapporteerden deelnemers dat de praktische begeleiding over AI-ethiek ontoereikend was. In plaats van gedetailleerde ondersteuning, werden beleidsmaterialen vaak simpelweg naar de leraren "gegooid" met instructies om de inhoud te onderwijzen, geschikte websites te vinden en de verstrekte fondsen te gebruiken, waardoor het initiatief veranderde in extra werk zonder de noodzakelijke begeleiding om het betekenisvol te maken. Ze leerden over de technologie, maar ze leerden niet hoe ze deze betekenisvol konden maken voor hun studenten.

De onderzoekers concludeerden dat het ontbrekende puzzelstukje in dit hele proces is wat zij "pedagogische vertaling" noemen. Dit is het harde werk van het omzetten van technische kennis naar een les die past bij een specifiek vak. Het gaat niet alleen om weten hoe een machine werkt; het gaat erom weten hoe je die machine kunt gebruiken om een student een gedicht, een historische gebeurtenis of een wetenschappelijk concept te laten begrijpen. De huidige programma's zijn goed in het onderwijzen van het eerste deel, maar niet in het onderwijzen van het tweede deel. De leraren falen niet; het systeem vraagt hen simpelweg een taak uit te voeren waar niemand hen heeft geleerd hoe ze dat moeten doen.

Deze studie suggereert dat het simpelweg toevoegen van meer technische training aan leraren niet genoeg is. Om kunstmatige intelligentieonderwijs te laten slagen, moet de training veranderen. Het moet minder focussen op de technologie in isolatie en meer op hoe die technologie de specifieke doelen van geschiedenis-, taal- of wetenschapslessen kan dienen. Het moet ook erkennen dat leraren dit werk niet alleen kunnen doen. Ze hebben steun nodig van hun scholen en van de programma's die hen trainen, met duidelijke voorbeelden van hoe ze deze werelden kunnen mengen. Totdat de kloof tussen het leren over kunstmatige intelligentie en het leren lesgeven met kunstmatige intelligentie wordt gedicht, zal de belofte van dit nieuwe onderwijs voor veel klaslokalen buiten bereik blijven. De leraren zijn klaar om te leren, maar ze hebben een kaart nodig die hen laat zien hoe ze de afstand tussen de universiteitscollegezaal en hun eigen schoolbanken kunnen overbruggen.