EduGPT Academy

Hoofdstuk 2. Samenwerken met AI

Bronnen bij hoofdstuk 2

Kennisclip 2:21
Waar deze clip over gaat

Je ziet op welk onderzoek de lessen van hoofdstuk 2 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 2 bouwen op recent onderzoek. In deze clip zie je per les waar het op steunt.

Bij les 2.1 vonden Knoth en collega's, 2024, dat een betere opdracht samenging met een beter antwoord van het taalmodel. Bij les 2.2 beschrijven White en collega's, 2023, een vast patroon waarbij AI eerst jou vragen stelt. In een verkennende pilot met 42 studenten zagen Wang en collega's, 2026, dat wie eerst zijn doel leerde verwoorden, betere opdrachten schreef dan na gewone training. Bij les 2.3 zagen Zamfirescu-Pereira en collega's, 2023, dat mensen zonder AI-achtergrond hun opdracht lukraak aanpasten, niet systematisch. Tankelevitch en collega's, 2024, betogen op basis van onderzoek dat werken met AI veel vraagt van het bijsturen van je eigen denken.

Bij les 2.4 bestudeerden Zhang en collega's, 2024, echte chatgesprekken en spraken ze 19 gebruikers. Mensen wogen privacy af tegen gemak, maar onderschatten de risico's, en het menselijke gesprek nodigde uit om meer te delen. Bij les 2.5 zet Borji, 2023, typische fouten van beeldgeneratoren op een rij, zoals onleesbare tekst. Shen, 2026, zag bij 443 studenten dat AI-geletterdheid samenging met vaker controleren, en controleren met juister werk. Bij les 2.6 maakten Perkins en collega's, 2024, een schaal waarmee docenten per opdracht aangeven hoeveel AI mag. Moorhouse en collega's, 2023, zagen dat net onder de helft van vijftig topuniversiteiten openbare AI-richtlijnen voor toetsing had. Zoek dus zelf de afspraken van je opleiding op.

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 2

Les 2.2 Laat AI eerst vragen stellen

  • White, J., Fu, Q., Hays, S., Sandborn, M., Olea, C., Gilbert, H., Elnashar, A., Spencer-Smith, J., & Schmidt, D. C. (2023). A prompt pattern catalog to enhance prompt engineering with ChatGPT. In Proceedings of the 30th Conference on Pattern Languages of Programs (PLoP 2023). https://doi.org/10.64346/plop2023p05 (opent in een nieuw tabblad)
    Deze catalogus van promptpatronen beschrijft onder meer het patroon "Flipped Interaction", waarbij je het taalmodel vraagt om jou eerst vragen te stellen tot het genoeg weet om je doel te bereiken, precies de werkwijze van deze les.
  • Wang, X., Zheng, Z., Zhang, J., Hou, X., & Zhu, Z. (2026). The IDEA framework for metacognitively regulated GenAI use in higher education: Development and exploratory pilot evidence. Computers and Education: Artificial Intelligence, 11, Artikel 100657. https://doi.org/10.1016/j.caeai.2026.100657 (opent in een nieuw tabblad)
    In een verkennende pilot met 42 studenten schreven studenten die eerst hun doel en randvoorwaarden leerden verwoorden en de taak leerden opdelen betere opdrachten en kregen ze betere AI-output dan studenten met gewone prompttraining, wat laat zien dat nadenken over wat je nodig hebt vóór het vragen loont.

Les 2.3 Doorvragen en bijsturen

  • Zamfirescu-Pereira, J. D., Wong, R. Y., Hartmann, B., & Yang, Q. (2023). Why Johnny can't prompt: How non-AI experts try (and fail) to design LLM prompts. In Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems (pp. 1–21). ACM. https://doi.org/10.1145/3544548.3581388 (opent in een nieuw tabblad)
    Deelnemers zonder AI-achtergrond probeerden opdrachten lukraak in plaats van systematisch te verbeteren en liepen vast op verwachtingen uit gesprekken met mensen en op te snel generaliseren, wat aansluit bij de valkuil dat we alleen "beter" typen in plaats van gericht bij te sturen.
  • Tankelevitch, L., Kewenig, V., Simkute, A., Scott, A. E., Sarkar, A., Sellen, A., & Rintel, S. (2024). The metacognitive demands and opportunities of generative AI. In Proceedings of the CHI Conference on Human Factors in Computing Systems (pp. 1–24). ACM. https://doi.org/10.1145/3613904.3642902 (opent in een nieuw tabblad)
    Op basis van psychologisch onderzoek en gebruikersstudies betogen de auteurs dat werken met generatieve AI veel vraagt van je vermogen om je eigen denken te bewaken en bij te sturen, bij het formuleren van opdrachten, het beoordelen van antwoorden en het verbeteren ervan, wat de kritische leesronde en de gerichte feedback in deze les onderbouwt.

Les 2.5 Tekst, beeld en data

  • Borji, A. (2023). Qualitative failures of image generation models and their application in detecting deepfakes. Image and Vision Computing, 137, Artikel 104771. https://doi.org/10.1016/j.imavis.2023.104771 (opent in een nieuw tabblad)
    Dit artikel verzamelt typische fouten van beeldgeneratoren in vijf categorieën, waaronder tekst in afbeeldingen die onleesbaar is of letters die door elkaar staan, wat het voorbeeld van het hart met verkeerd gespelde namen verklaart.
  • Shen, Q. (2026). Same AI, different pathways: Unpacking mechanisms of AI-mediated learning across discipline-institution contexts. Computers and Education: Artificial Intelligence, 11, Artikel 100601. https://doi.org/10.1016/j.caeai.2026.100601 (opent in een nieuw tabblad)
    Bij 443 studenten voorspelde AI-geletterdheid zowel hoe goed ze opdrachten gaven als hoe vaak ze AI-output controleerden, en werkte dat controleren als een waarborg die overbelasting verminderde en de juistheid van hun werk stabiliseerde, wat onderbouwt waarom je elk resultaat zelf controleert.

Les 2.6 Eerlijk over je AI-gebruik

  • Perkins, M., Furze, L., Roe, J., & MacVaugh, J. (2024). The Artificial Intelligence Assessment Scale (AIAS): A framework for ethical integration of generative AI in educational assessment. Journal of University Teaching and Learning Practice, 21(6). https://doi.org/10.53761/q3azde36 (opent in een nieuw tabblad)
    De AIAS is een schaal waarmee docenten per opdracht aangeven hoeveel AI-gebruik is toegestaan, zodat studenten en docenten helder weten wat mag, wat aansluit bij de stap om eerst de afspraken van je opleiding op te zoeken.
  • Moorhouse, B. L., Yeo, M. A., & Wan, Y. (2023). Generative AI tools and assessment: Guidelines of the world's top-ranking universities. Computers and Education Open, 5, Artikel 100151. https://doi.org/10.1016/j.caeo.2023.100151 (opent in een nieuw tabblad)
    Van de vijftig hoogst gerangschikte universiteiten ter wereld had net onder de helft openbare richtlijnen voor AI bij toetsing, met academische integriteit, toetsontwerp en communicatie met studenten als hoofdthema's, wat laat zien dat afspraken per instelling verschillen en dat je ze dus zelf moet opzoeken.
Je voortgang blijft alleen in deze browser.