EduGPT Academy

Hoofdstuk 3. Zelf blijven denken

Bronnen bij hoofdstuk 3

Kennisclip 2:19
Waar deze clip over gaat

Je ziet op welk onderzoek de lessen van hoofdstuk 3 steunen, en waarom je ook bij die bronnen kritisch blijft lezen.

De video laadt pas als je op afspelen klikt. YouTube draait dan in de privacyvriendelijke modus.

Lees het transcript

Hoi! Fijn dat je er weer bent. De lessen in hoofdstuk 3 bouwen op recent onderzoek. In deze clip zie je per les waar het op steunt.

Bij les 3.1 vonden Steyvers en collega's, 2025, dat mensen overschatten hoe vaak een taalmodel klopt, zeker bij een langere uitleg. Kim en collega's, 2024, zagen in een experiment dat mensen minder blind meegingen met een AI die twijfel uitsprak. Bij les 3.2 vatten Kozyreva en collega's, 2024, 81 studies samen over aanpakken tegen desinformatie, zoals een tweede bron checken. Wineburg en McGrew, 2019, zagen factcheckers een website snel verlaten en beter oordelen dan historici en studenten. Bij les 3.3 lieten Jakesch en collega's, 2023, mensen schrijven met een AI die één standpunt bevoordeelde. Ook hun eigen mening verschoof. Rossmiller, 2026, legde tien taalmodellen de twijfels van een sceptische schoolmedewerker voor. Alle tien erkenden haar zorgen, acht stuurden toch aan op AI-gebruik.

Bij les 3.4 vonden Bastani en collega's, 2025, in een veldexperiment dat leerlingen met AI beter oefenden, maar slechter scoorden zonder AI. Een AI-tutor met hints in plaats van antwoorden voorkwam dat grotendeels. Jin en collega's, 2026, zagen bij 79 studenten sterker redeneren met een AI die zelf vragen stelde, maar geen bewezen effect op latere prestaties. Bij les 3.5 rekent de vragenlijst van Carolus en collega's, 2023, omgaan met je gevoel bij AI tot AI-geletterdheid. Sharma en collega's, 2024, vonden dat vijf AI-assistenten gebruikers naar de mond praten. Een compliment betekent dus niet dat je werk klaar is.

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 3

Les 3.1 AI klinkt altijd zeker

  • Steyvers, M., Tejeda, H., Kumar, A., Belem, C., Karny, S., Hu, X., Mayer, L. W., & Smyth, P. (2025). What large language models know and what people think they know. Nature Machine Intelligence, 7(2), 221–231. https://doi.org/10.1038/s42256-024-00976-7 (opent in een nieuw tabblad)
    In experimenten overschatten mensen hoe vaak antwoorden van taalmodellen kloppen wanneer ze de standaarduitleg krijgen, en een langere uitleg verhoogde hun vertrouwen ook als het antwoord daardoor niet juister werd, wat laat zien dat een zekere toon geen bewijs is.
  • Kim, S. S. Y., Liao, Q. V., Vorvoreanu, M., Ballard, S., & Vaughan, J. W. (2024). "I'm not sure, but...": Examining the impact of large language models' uncertainty expression on user reliance and trust. In Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (pp. 822–835). ACM. https://doi.org/10.1145/3630106.3658941 (opent in een nieuw tabblad)
    In een vooraf geregistreerd experiment met 404 deelnemers zorgde een AI-antwoord dat twijfel uitsprak ("ik weet het niet zeker, maar...") ervoor dat mensen minder blind meegingen met foute antwoorden en vaker zelf het juiste antwoord gaven, al verdween dat te grote vertrouwen niet helemaal.

Les 3.2 Feiten en bronnen checken

  • Kozyreva, A., Lorenz-Spreen, P., Herzog, S. M., Ecker, U. K. H., Lewandowsky, S., Hertwig, R., Ali, A., Bak-Coleman, J., Barzilai, S., Basol, M., Berinsky, A. J., Betsch, C., Cook, J., Fazio, L. K., Geers, M., Guess, A. M., Huang, H., Larreguy, H., Maertens, R., . . . Wineburg, S. (2024). Toolbox of individual-level interventions against online misinformation. Nature Human Behaviour, 8(6), 1044–1052. https://doi.org/10.1038/s41562-024-01881-0 (opent in een nieuw tabblad)
    Op basis van 81 wetenschappelijke studies beschrijft dit overzicht negen soorten aanpakken tegen online desinformatie, waaronder lateraal lezen en verificatiestrategieën, de controle met een tweede, betrouwbare bron die deze les oefent.
  • Wineburg, S., & McGrew, S. (2019). Lateral reading and the nature of expertise: Reading less and learning more when evaluating digital information. Teachers College Record, 121(11), 1–40. https://doi.org/10.1177/016146811912101102 (opent in een nieuw tabblad)
    Professionele factcheckers verlieten een website snel om elders na te gaan wie erachter zat en kwamen zo in een fractie van de tijd tot beter onderbouwde oordelen dan historici en studenten, die zich lieten misleiden door officieel ogende logo's en domeinnamen.

Les 3.3 Hoe AI je keuzes stuurt

  • Jakesch, M., Bhat, A., Buschek, D., Zalmanson, L., & Naaman, M. (2023). Co-writing with opinionated language models affects users' views. In Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems (pp. 1–15). ACM. https://doi.org/10.1145/3544548.3581196 (opent in een nieuw tabblad)
    In een online experiment met 1.506 deelnemers beïnvloedde een schrijfassistent die één standpunt bevoordeelde niet alleen wat mensen schreven, maar verschoof hij ook hun eigen mening in een latere vragenlijst, een duwtje dat voelt als je eigen idee.
  • Rossmiller, Z. (2026). Not for people like me: How frontier AI models redirect skeptical rural school staff. Computers and Education: Artificial Intelligence, 11, Artikel 100659. https://doi.org/10.1016/j.caeai.2026.100659 (opent in een nieuw tabblad)
    Van tien grote taalmodellen die elk 500 keer dezelfde vraag kregen van een sceptische schoolmedewerker, erkenden ze allemaal haar zorgen maar stuurden acht van de tien daarna aan op het gebruik van AI, een patroon dat per model verschilt en dus een ontwerpkeuze is.

Les 3.4 Leren van een AI die terugvraagt

  • Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122 (opent in een nieuw tabblad)
    In een veldexperiment op een middelbare school scoorden leerlingen met AI beter tijdens het oefenen maar slechter zodra de AI wegviel, terwijl een AI-tutor die door docenten ontworpen hints gaf in plaats van antwoorden die negatieve gevolgen grotendeels voorkwam.
  • Jin, Y., Yang, K., Martinez-Maldonado, R., Gasevic, D., & Yan, L. (2026). The agency gap in AI-supported writing: How reactive and proactive agent designs shape multimodal reasoning. Computers and Education: Artificial Intelligence, 11, Artikel 100655. https://doi.org/10.1016/j.caeai.2026.100655 (opent in een nieuw tabblad)
    Bij 79 studenten geneeskunde en verpleegkunde leidde een AI die zelf vragen en feedback gaf tot sterkere verbanden tussen redeneren en bewijs dan een AI die alleen antwoordde als hij werd gevraagd, al tonen de auteurs geen oorzakelijk effect op de latere prestatie aan.

Les 3.5 AI en jouw gevoel

  • Carolus, A., Koch, M. J., Straka, S., Latoschik, M. E., & Wienrich, C. (2023). MAILS - Meta AI literacy scale: Development and testing of an AI literacy questionnaire based on well-founded competency models and psychological change- and meta-competencies. Computers in Human Behavior: Artificial Humans, 1(2), Artikel 100014. https://doi.org/10.1016/j.chbah.2023.100014 (opent in een nieuw tabblad)
    De MAILS, gevalideerd bij 300 Duitstalige volwassenen en de basis van de voor- en nameting in deze cursus, rekent naast kennis en vaardigheden ook zelfmanagement rond AI tot AI-geletterdheid, met emotieregulatie als apart onderdeel, en onderbouwt zo dat omgaan met je gevoel bij AI een eigen vaardigheid is.
  • Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., Durmus, E., Hatfield-Dodds, Z., Johnston, S. R., Kravec, S., Maxwell, T., McCandlish, S., Ndousse, K., Rausch, O., Schiefer, N., Yan, D., Zhang, M., & Perez, E. (2024). Towards understanding sycophancy in language models. In The Twelfth International Conference on Learning Representations (ICLR 2024). https://proceedings.iclr.cc/paper_files/paper/2024/hash/0105f7972202c1d4fb817da9f21a9663-Abstract-Conference.html (opent in een nieuw tabblad)
    Vijf veelgebruikte AI-assistenten bleken gebruikers consequent naar de mond te praten, en zowel mensen als beoordelingsmodellen gaven soms de voorkeur aan een overtuigend vleiend antwoord boven een juist antwoord, wat verklaart waarom een compliment van AI nog niet betekent dat je werk klaar is.
Je voortgang blijft alleen in deze browser.