Rocking Robots is mediapartner van LAIDEN Fest. Voorafgaand aan het event sprak hoofdredacteur Marco van der Hoeven met Brigit Kolen en Coreline Haasakker-van Leeuwen van Fontys Hogeschool. Tijdens LAIDEN Fest geven zij een lezing over hun pedagogisch-didactisch model voor fraudepreventie. Dat model is ontwikkeld in reactie op de snelle opkomst van generatieve AI, maar richt zich nadrukkelijk niet alleen op technologie.
Coreline Haasakker-van Leeuwen is onderwijskundige bij Fontys Hogeschool en werkt binnen de dienst Onderwijs en Onderzoek in Team Kwaliteit. Haar werk richt zich onder meer op fraudepreventie, ondersteuning van examencommissies en docentprofessionalisering rond toetsing. Brigit Kolen werkt binnen dezelfde dienst, in Team Onderwijsinnovatie. Zij stond eerder tien jaar voor de klas, onder meer als docent academische schrijfvaardigheden en copywriting, en specialiseerde zich later in programmatisch toetsen en toetsing van grotere onderwijseenheden.
De lancering en snelle adoptie van ChatGPT maakten het thema fraude en toetsing urgenter. Kolen zag direct dat generatieve AI gevolgen zou hebben voor de manier waarop onderwijsinstellingen omgaan met fraudepreventie. Inmiddels is dat een groot deel van haar werk geworden. Zij is onder meer kartrekker van de Fontys-werklijn AI, onderwijs en toetsing.
Van juridisch beleid naar pedagogische preventie
De eerste aanleiding was de herziening van het fraudebeleid. In eerste instantie leek dat vooral een juridisch vraagstuk: wat moet een opleiding doen als een student fraudeert? Maar gaandeweg verschoof de focus. “We kwamen erachter: het zit hem niet aan de achterkant”, zegt Haasakker-van Leeuwen. “We moeten veel meer kijken naar wat er aan de voorkant gebeurt.”
Volgens haar is het problematisch als een student maanden aan een opdracht werkt en pas aan het einde te horen krijgt dat de werkwijze niet acceptabel is. Dan komt de reactie te laat. Het model van Fontys is daarom gericht op preventie tijdens het leerproces, niet alleen op detectie of sanctionering na afloop.
Want de technologische ontwikkelingen gaan snel. Slimme brillen, oortjes, telefoons en andere hulpmiddelen maken controle ingewikkelder. “Je kunt niet zeggen of iemand een slimme bril op heeft of niet”, zegt Kolen. “En daar zijn al zaken van bekend.” Daarom zoeken zij de oplossing niet primair in meer controle, maar in een andere inrichting van onderwijs en toetsing.
Leren kun je niet uitbesteden
Een belangrijk uitgangspunt van het model is dat AI op zichzelf niet het kernprobleem is. De technologische middelen veranderen, maar het leerproces blijft van de student zelf. “Het werk van leren moet je, dat kun je niet uitbesteden”, zegt Kolen. “Diëten kun je ook niet uitbesteden. Sporten kun je ook niet uitbesteden. Niemand anders kan dat voor jou doen. Leren kan niemand anders voor jou doen.”
Daarmee wordt generatieve AI geplaatst in een bredere categorie van hulpmiddelen. Een student kan hulp krijgen van een buurvrouw, een medestudent, ChatGPT, Claude of een andere tool. De vraag is niet alleen welk hulpmiddel is gebruikt, maar of de student zelf het leerwerk heeft gedaan en kan instaan voor het resultaat.
Fontys koppelt het model daarom aan twee begrippen: authenticiteit en integriteit. Authenticiteit gaat over de vraag of het werk werkelijk van de student is en inzicht geeft in diens ontwikkeling. Integriteit gaat over de manier waarop de student omgaat met hulpmiddelen, bronnen, feedback en verantwoordelijkheid. Kolen noemt het verband met AI ook taalkundig toepasselijk: de beginletters van authenticiteit en integriteit vormen samen opnieuw AI.
Niet pas controleren aan het einde
Volgens Kolen en Haasakker-van Leeuwen is het risicovol om vooral te toetsen op eindproducten. Studenten krijgen dan bijvoorbeeld een opdracht die na zes weken moet worden ingeleverd, terwijl het proces daartussen grotendeels onzichtbaar blijft. Juist daar ontstaat ruimte voor oneigenlijk gebruik van AI.
Daarom pleiten zij voor meer aandacht voor het proces. Docenten kunnen studenten vragen om tussentijds te laten zien waar zij mee bezig zijn, welke keuzes zij maken en hoe zij AI eventueel gebruiken. Niet vanuit wantrouwen, maar vanuit begeleiding. “Gebruik je ChatGPT? Top. Laat mij eens zien hoe je dat gebruikt”, zegt Kolen. “Waarom vind jij die output beter dan wat jij zelfstandig had kunnen maken? Leg me dat eens uit.”
Dat vraagt om andere toetsvormen en een bredere mix van bewijs. Een opleiding kan studenten bijvoorbeeld laten demonstreren wat zij kunnen, hen in de praktijk langere tijd volgen, het leerproces documenteren of gesprekken voeren over gemaakte keuzes. Geen enkele vorm is zonder nadelen, maar de combinatie kan volgens Kolen een veel beter totaalbeeld geven dan één eindproduct.
Docent hoeft geen AI-expert te zijn
Een belangrijk punt in het model is dat docenten niet per se technische AI-experts hoeven te worden. Hun kracht ligt juist in hun vakinhoudelijke deskundigheid. Zij weten wat een student moet kennen en kunnen, en kunnen op basis daarvan inhoudelijke vragen stellen.
Als een student een tekst, ontwerp of berekening inlevert, kan een docent vragen waarom bepaalde keuzes zijn gemaakt, of de student de output kan onderbouwen en hoe die kwaliteit is vastgesteld. Daarmee ontstaat een inhoudelijke controle die veel verder gaat dan de vraag of een AI-detector iets signaleert.
Fraude is vaak impliciet
Een complicatie is dat niet altijd duidelijk is wat fraude precies is. Studenten, docenten, opleidingen en werkvelden kunnen verschillende beelden hebben van wat nog toelaatbaar is. Wat betekent eigen werk als hulpmiddelen overal beschikbaar zijn? Wanneer is ondersteuning acceptabel en wanneer neemt een tool het leerproces over?
Volgens Haasakker-van Leeuwen moet die vraag expliciet worden gemaakt. “Hoe willen we met elkaar zorgen dat die student leert om met alle hulpmiddelen die er zijn toch dat werk van leren te doen?” Dat gesprek moet niet alleen binnen de opleiding plaatsvinden, maar ook met studenten en, zeker in het hoger onderwijs, met het werkveld.
In sommige beroepen is AI-gebruik immers logisch of zelfs onvermijdelijk. Dan is het niet zinvol om studenten uitsluitend met pen en papier te laten werken. De vraag wordt dan: wat moeten zij leren om AI op een professionele en integere manier te gebruiken?
Verschillende rollen
De verschuiving naar preventie heeft ook gevolgen voor de rolverdeling tussen docenten en examencommissies. Examencommissies kunnen pas achteraf oordelen over een vermoeden van fraude, maar hun mogelijkheden zijn beperkt. Als een student ontkent AI te hebben gebruikt, is bewijs vaak lastig.
Docenten kunnen eerder in het proces doorvragen. Zij hoeven niet zelf vast te stellen of er fraude is gepleegd, maar kunnen wel inhoudelijk toetsen of een student het werk begrijpt en kan verantwoorden. Als er later toch een melding bij de examencommissie komt, is er meer context beschikbaar.
Volgens Kolen moeten opleidingen en examencommissies daarom samen bespreken wanneer iets meldenswaardig is en hoe docenten vermoedens goed kunnen onderbouwen. Niet om docenten tot fraudeonderzoekers te maken, maar om beter gebruik te maken van hun inhoudelijke rol.
Nieuwe technologie
De ontwikkelingen in AI gaan snel. AI-agents en andere vormen van meer autonome software zullen het vraagstuk waarschijnlijk nog ingewikkelder maken. Toch denken Kolen en Haasakker-van Leeuwen dat hun basis stevig genoeg is, juist omdat het model niet rond één technologie is gebouwd.
“We zetten in op authenticiteit en integriteit, niet op AI-preventie”, zegt Kolen. Het uitgangspunt blijft dat de student zelf het werk van leren moet doen. Welke hulpmiddelen beschikbaar zijn, kan veranderen. De pedagogische opdracht blijft dat studenten leren om die hulpmiddelen kritisch, verantwoord en professioneel te gebruiken.”
Foto: Fontys
Zie ook:
‘Als we AI goed in het onderwijs willen hebben, moeten we eerst goed onderwijs hebben’
