Bronnen bij hoofdstuk 1 | CivAI Academy

Hoi! Fijn dat je er weer bent. De lessen in hoofdstuk 1 bouwen op recent onderzoek. In deze clip zie je per les waar het op steunt.

Bij les 1.1 vonden Terzimehić en collega's, 2026, dat 87 procent van 776 Duitsers al met taalmodellen leert, maar met tegenstrijdige gevoelens over juistheid en privacy. Het raamwerk voor AI-geletterdheid van OECD en Europese Unie, 2026, is een kader van deze cursus. Bij les 1.2 legt Shanahan, 2024, in een essay uit dat een taalmodel het waarschijnlijke volgende woord berekent, en daardoor menselijker lijkt dan het is. Mitchell en Krakauer, 2023, zetten de argumenten op een rij of taalmodellen echt begrijpen. Die vraag is nog open. Bij les 1.3 beschrijven Long en Magerko, 2020, zeventien vaardigheden van AI-geletterdheid. De eerste is AI herkennen. Mertala en Fagerlund, 2024, vonden bij Finse leerlingen, vergelijkbaar met groep 7 en 8, drie misvattingen, zoals AI als een soort mens.

Bij les 1.4 deden Dell'Acqua en collega's, 2026, een experiment met 758 consultants. Binnen het bereik van AI werkten ze sneller en beter. Bij een lastige taak daarbuiten vonden ze 19 procent minder vaak de juiste oplossing. Bij les 1.5 controleerden Walters en Wilder, 2023, bronnen van ChatGPT. Bij de oudere versie was 55 procent verzonnen, bij de nieuwere 18 procent. Het overzichtsartikel van Huang en collega's, 2025, ordent waar zulke fouten ontstaan, in de data, de training en het schrijven. Bij les 1.6 ondervroegen Lee en collega's, 2025, 319 kenniswerkers over AI. Meer vertrouwen in AI ging samen met minder kritisch denken, meer zelfvertrouwen juist met meer. Dat onderbouwt de stappen jij, AI, jij.

Onderzoek naar AI gaat snel, en bronnen kunnen elkaar soms tegenspreken. Blijf daarom zelf kritisch lezen, ook bij de bronnen die wij kiezen.

De volledige bronnenlijst met links staat bij deze les op academy.civai.eu. Lees gerust een bron die je nieuwsgierig maakt. Veel succes, en tot in de volgende les!

Alle bronnen van hoofdstuk 1

Les 1.1 Waarom AI iedereen raakt

Terzimehić, N., Bühler, B., & Kasneci, E. (2026). Conversational AI as a catalyst for informal learning: An empirical large-scale study on LLM use in everyday learning. Computers and Education: Artificial Intelligence, 11, Artikel 100634. https://doi.org/10.1016/j.caeai.2026.100634 (opent in een nieuw tabblad)
In een grote vragenlijststudie onder 776 Duitse deelnemers gebruikte 87 procent taalmodellen al bij het dagelijks leren, terwijl de deelnemers tegenstrijdig omgingen met vertrouwen in de juistheid en de privacy van die tools, wat laat zien dat AI al overal meeleert en dat het uitmaakt hoe je ermee omgaat.
OECD & European Union. (2026). Empowering learners for the age of AI: An AI literacy framework for primary and secondary education. OECD Publishing. https://doi.org/10.1787/65cd27d4-en (opent in een nieuw tabblad)
Het AILit-raamwerk van de OECD en de Europese Commissie beschrijft AI-geletterdheid in vier domeinen (Engage, Create, Manage en Shape) en is het raamwerk waarmee de cursus de MAILS aanvult, waarbij deze les vooral onder Engage valt.

Les 1.2 Hoe een taalmodel tekst maakt

Shanahan, M. (2024). Talking about large language models. Communications of the ACM, 67(2), 68–79. https://doi.org/10.1145/3624724 (opent in een nieuw tabblad)
Dit essay legt uit dat een taalmodel in de kern berekent welke woorden waarschijnlijk volgen op een reeks tekst, en waarschuwt dat het gesprek daardoor de indruk wekt van een denkend wezen terwijl het systeem fundamenteel anders werkt dan wij.
Mitchell, M., & Krakauer, D. C. (2023). The debate over understanding in AI's large language models. Proceedings of the National Academy of Sciences, 120(13), e2215907120. https://doi.org/10.1073/pnas.2215907120 (opent in een nieuw tabblad)
Dit overzichtsartikel zet de argumenten voor en tegen de stelling op een rij dat taalmodellen taal in menselijke zin begrijpen en concludeert dat die vraag nog open is, wat past bij de boodschap dat een vloeiend antwoord niet betekent dat het model weet of het klopt.

Les 1.3 AI herkennen

Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (pp. 1–16). ACM. https://doi.org/10.1145/3313831.3376727 (opent in een nieuw tabblad)
Deze veelgeciteerde literatuursynthese beschrijft zeventien kerncompetenties van AI-geletterdheid, met als eerste "Recognizing AI", het onderscheid maken tussen technologie die wel en technologie die geen AI gebruikt, precies de leeruitkomst van deze les.
Mertala, P., & Fagerlund, J. (2024). Finnish 5th and 6th graders' misconceptions about artificial intelligence. International Journal of Child-Computer Interaction, 39, Artikel 100630. https://doi.org/10.1016/j.ijcci.2023.100630 (opent in een nieuw tabblad)
Bij 195 Finse leerlingen (vergelijkbaar met groep 7 en 8) vonden de onderzoekers drie misvattingen, namelijk AI als menselijk denkproces, AI als mensachtig wezen en AI als machine met vooraf ingebouwde kennis, wat aansluit bij de les dat je moet kijken naar hoe een systeem werkt en niet naar hoe slim het lijkt.

Les 1.5 Waarom AI fouten maakt

Walters, W. H., & Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 13, Artikel 14045. https://doi.org/10.1038/s41598-023-41032-5 (opent in een nieuw tabblad)
Van 636 literatuurverwijzingen in door ChatGPT geschreven overzichten bleek 55 procent (GPT-3.5) en 18 procent (GPT-4) verzonnen, en ook de echte verwijzingen bevatten vaak inhoudelijke fouten, precies het voorbeeld van de verzonnen bron uit deze les.
Huang, L., Yu, W., Ma, W., Zhong, W., Feng, Z., Wang, H., Chen, Q., Peng, W., Feng, X., Qin, B., & Liu, T. (2025). A survey on hallucination in large language models: Principles, taxonomy, challenges, and open questions. ACM Transactions on Information Systems, 43(2), 1–55. https://doi.org/10.1145/3703155 (opent in een nieuw tabblad)
Dit overzichtsartikel omschrijft hallucinatie als aannemelijke maar onjuiste inhoud en ordent de oorzaken ervan in de trainingsdata, de training en het genereren van tekst, wat de uitleg ondersteunt hoe zo'n fout ontstaat.