Hoofdstuk 1

De motor achter de machine: Fundamenten van generatieve AI

Inleiding

Kunstmatige intelligentie (AI) is niet langer een futuristisch concept, maar een integraal onderdeel van de moderne workflow. Voor jullie, als bijna afgestudeerde HBO-studenten, is het essentieel om verder te kijken dan de 'magie' van een chatbot. In de professionele wereld wordt van je verwacht dat je niet alleen weet dat het werkt, maar ook hoe het werkt en wat de beperkingen zijn.

Vergelijk het met het plannen van een complexe, verre wereldreis. Je kunt blind vertrouwen op een reisbureau, maar als je zelf de kaart kunt lezen en de lokale gebruiken begrijpt, haal je veel meer uit de ervaring en voorkom je kostbare fouten. In dit hoofdstuk duiken we onder de motorkap van Large Language Models (LLM's) en verkennen we het landschap van generatieve tools. We analyseren de techniek, de toepassingen en de ethische implicaties die spelen in de huidige Nederlandse markt.

Theorie

Generatieve AI (GenAI) onderscheidt zich van traditionele AI doordat het in staat is nieuwe content te creëren — of het nu gaat om tekst, afbeeldingen, code of audio. Waar conventionele AI vaak analyseert en classificeert (is dit spam of niet?), produceert generatieve AI iets nieuws op basis van patronen uit enorme datasets (Generatieve kunstmatige intelligentie - wikipedia.org, 2025).

Hoe werkt een Large Language Model (LLM)?

De basis van tools zoals ChatGPT (OpenAI) en Gemini (Google) wordt gevormd door Large Language Models. In essentie zijn dit geavanceerde voorspellingsmachines. Een LLM begrijpt taal niet zoals een mens dat doet; het berekent waarschijnlijkheden.

Wanneer je een vraag stelt, analyseert het model de input niet op semantische betekenis in de menselijke zin, maar kijkt het naar patronen. Het voorspelt welk stukje informatie logischerwijs volgt op het vorige, gebaseerd op terabytes aan trainingsdata. Dit proces werkt op basis van tokens. Een token is een numerieke representatie van een woord of een deel van een woord (Generative AI en Large Language Models Explained - ddma.nl, 2025).

futuristic computer interface data — Afb: Generatieve AI data interface - Illustratie van de complexe dataverwerking die ten grondslag ligt aan het creëren van nieuwe content door generatieve algoritmen.

Net zoals een fanatieke lezer die duizenden boeken heeft verslonden moeiteloos kan voorspellen hoe een zin in een bepaald genre eindigt, zo put het model uit zijn 'gelezen' bibliotheek van internetdata. Het model berekent de kansverdeling van het volgende token. Als je vraagt: "De koning van Nederland is...", zal het model op basis van zijn training een hoge waarschijnlijkheid toekennen aan het token voor "Willem-Alexander".

Het is cruciaal om te begrijpen dat het model feitelijk 'gokt' op basis van statistiek. Dit verklaart waarom modellen soms zeer overtuigend klinkende onzin kunnen verkopen; als de taalkundige structuur waarschijnlijk is, zal het model de zin genereren, ongeacht de feitelijke juistheid (ChatGPT in het onderwijs - uu.nl, 2025).

Het landschap van modellen

De markt ontwikkelt zich razendsnel. Naast de bekende tekstmodellen (GPT-4, Claude, LLaMA), zien we een opkomst van multimodale systemen. Deze kunnen opereren over verschillende modaliteiten heen: tekst naar beeld (Midjourney, DALL-E), tekst naar video (Sora) en zelfs tekst naar audio. Dit maakt de technologie breed inzetbaar, van softwareontwikkeling tot creatieve industrieën (Generatieve kunstmatige intelligentie - wikipedia.org, 2025).

typing on laptop keyboard — Afb: Prompt Engineering in de praktijk - het formuleren van effectieve prompts is cruciaal voor het sturen van generatieve AI modellen.

Kernbegrippen

Large Language Model (LLM): Een op neurale netwerken gebaseerd AI-model getraind op enorme hoeveelheden tekst om patronen te herkennen en taal te genereren.

Prompt Engineering: De vaardigheid om input (prompts) zo te formuleren dat het model de meest accurate en relevante output genereert.

Token: De basiseenheid van tekstverwerking voor een LLM, wat een heel woord, een deel van een woord of een leesteken kan zijn.

Hallucinatie: Het verschijnsel waarbij een AI-model vol vertrouwen informatie geneert die feitelijk onjuist of compleet verzonnen is.

Parameters: De interne variabelen die het model tijdens het trainen heeft geleerd en die bepalen hoe input wordt omgezet naar output; meer parameters betekent vaak (maar niet altijd) een complexer begrip.

Voorbeelden

In de beroepspraktijk wordt generatieve AI op diverse manieren ingezet. Een marketingbureau kan LLM's gebruiken om SEO-teksten te genereren of variaties op social media posts te bedenken. Hierbij kan gebruik worden gemaakt van 'Few-shot prompting'. In plaats van alleen een opdracht te geven (Zero-shot), geef je het model een paar voorbeelden van de gewenste tone-of-voice.

Stel, je werkt aan een analyse van sportprestaties. Je kunt een dataset (in CSV-formaat) aan een LLM geven met de opdracht: "Analyseer deze rondetijden en identificeer de drie grootste verbetermogelijkheden voor de atleet." Het model fungeert dan als data-analist en sparringpartner (Generatieve AI: wat is het en hoe werkt het? - ogd.nl, 2024).

digital neural network glowing — Afb: Neuraal netwerk in actie - Visualisatie van de complexe verbindingen die ten grondslag liggen aan de generatieve capaciteit van AI-modellen.

Een ander voorbeeld is het gebruik in software development. Github Copilot kan op basis van commentaarregels in natuurlijke taal ("Schrijf een functie die valideert of een ISBN-nummer correct is") direct werkende code suggereren. Dit verhoogt de productiviteit, maar vereist wel dat de ontwikkelaar de output kan verifiëren.

Verdieping

Voor een professional op HBO-niveau is het belangrijk om de ethische en juridische kaders te kennen. Omdat modellen zijn getraind op data van het openbare internet, bevatten ze onvermijdelijk vooroordelen (bias). Als de trainingsdata voornamelijk westerse perspectieven bevat, zal de output dit weerspiegelen ("Garbage in, garbage out").

Daarnaast is er het probleem van bronvermelding. Vraag je ChatGPT om bronnen, dan kan het model niet-bestaande artikelen fabriceren omdat de titels 'waarschijnlijk' klinken. In een academische of juridische context is dit een groot risico (ChatGPT in het onderwijs - uu.nl, 2025).

Ook privacy is een aandachtspunt. Veel gratis tools gebruiken de ingevoerde data om het model verder te trainen. Bedrijfsgevoelige informatie invoeren in een publieke tool kan leiden tot datalekken. Grote organisaties kiezen daarom vaak voor enterprise-versies waarbij data binnen de eigen omgeving blijft (Generatieve AI: wat is het en hoe werkt het? - ogd.nl, 2024).

Opdrachten

1. Prompting Technieken

Schrijf een prompt voor een GenAI-tool om een zakelijke e-mail te genereren waarin je een offerte afwijst.
* Stap A: Schrijf een 'Zero-shot' prompt (alleen de instructie).
* Stap B: Schrijf een 'Few-shot' prompt waarin je twee voorbeelden geeft van de gewenste, beleefde toon.
* Reflectie: Vergelijk de kwaliteit van de output. Welke was bruikbaarder?

2. Hallucinatie Detective

Zoek naar een onderwerp waar je zelf veel specifieke expertise in hebt (bijvoorbeeld regels van een specifieke sport, details over een obscure reisbestemming of een specifiek historisch feit).
* Vraag een LLM om hier een gedetailleerd artikel over te schrijven met bronvermeldingen.
* Controleer de feiten en de bronnen. Kloppen de details? Bestaan de URL's of boektitels echt?
* Beschrijf je bevindingen in een kort verslag.

analyzing documents magnifying glass — Afb: Data-analyse in generatieve AI - Algoritmen analyseren grote hoeveelheden documenten om patronen en relaties te leren die de basis vormen voor het genereren van nieuwe content.

3. Implementatiebeleid (Uitdagend)

Je bent adviseur bij een middelgrote Nederlandse gemeente. Er is wildgroei in het gebruik van AI-tools door ambtenaren.
* Stel een beknopt beleidsstuk op (max. 1 A4) met richtlijnen voor verantwoord AI-gebruik.
* Houd rekening met: AVG (privacy), bias in besluitvorming en verificatie van output.
* Gebruik de theorie over databeveiliging en hallucinaties als onderbouwing.

Check jezelf

Wat is het fundamentele verschil tussen een traditionele zoekmachine en een LLM zoals ChatGPT?

Antwoord: Een zoekmachine haalt bestaande informatie op uit een index, terwijl een LLM informatie genereert door woord voor woord te voorspellen op basis van waarschijnlijkheid.

Wat wordt bedoeld met de term 'token' in de context van AI?

Antwoord: Een token is de kleinste eenheid waarin tekst wordt opbroken voor verwerking door het model, dit kan een woord of een deel van een woord zijn.

Waarom is 'Few-shot prompting' vaak effectiever dan 'Zero-shot prompting'?

Antwoord: Bij Few-shot voeg je voorbeelden toe aan je instructie, waardoor het model de context, stijl en structuur beter kan nabootsen.

Wat is een AI-hallucinatie?

Antwoord: Dit is een fout waarbij het model met grote stelligheid onjuiste of verzonnen informatie presenteert als feit.

Waarom is het invoeren van bedrijfsgeheimen in een gratis, publieke AI-tool onverstandig?

Antwoord: De ingevoerde data kan worden opgeslagen en gebruikt om het model verder te trainen, waardoor deze informatie mogelijk publiek beschikbaar wordt.

Samenvatting

Generatieve AI creëert nieuwe content (tekst, beeld, code) in plaats van alleen data te analyseren.

LLM's werken op basis van kansberekening en voorspellen het volgende token in een reeks; ze 'begrijpen' de inhoud niet.

De kwaliteit van de output is sterk afhankelijk van de prompt; technieken zoals few-shot prompting verbeteren het resultaat.

Professionals moeten alert zijn op hallucinaties (verzonnen feiten) en bias in de trainingsdata.

Databeveiliging en ethiek zijn cruciaal; vermijd het delen van gevoelige informatie met publieke modellen.

Bronnen

[Generatieve kunstmatige intelligentie](https://nl.wikipedia.org/wiki/Generatieve_kunstmatige_intelligentie) - Generatieve kunstmatige intelligentie - wikipedia.org (2025)

[Generative AI en Large Language Models Explained](https://ddma.nl/kennisbank/generative-ai-en-large-language-models-explained-wat-is-het-en-hoe-werkt-het/) - Generative AI en Large Language Models Explained - ddma.nl (2025)

[ChatGPT in het onderwijs](https://uu.nl/onderwijs/onderwijsadvies-training/kennisdossiers/themadossier-generatieve-ai-in-het-onderwijs/waar-is-chatgpt-toe-in-staat-en-wat-zijn-de-beperkingen) - ChatGPT in het onderwijs - uu.nl (2025)

[Generatieve AI: wat is het en hoe werkt het?](https://blog.ogd.nl/generatieve-ai-wat-is-het-en-hoe-werkt-het) - Generatieve AI: wat is het en hoe werkt het? - ogd.nl (2024)

Hoofdstuk 2

Dialogen met Digitaal Vernuft: De Kunst van het Prompten

Inleiding

Zoals je in het vorige hoofdstuk, "De motor achter de machine", hebt geleerd, is een generatief AI-model in essentie een geavanceerde voorspellingsmachine. Het model 'weet' niets, maar berekent waarschijnlijkheden. Nu je begrijpt wat er onder de motorkap gebeurt, is het tijd om het stuur in handen te nemen. In dit hoofdstuk behandelen we de vaardigheid die bepalend is voor de kwaliteit van je output: prompt engineering.

Voor een professional in spe is het schrijven van een prompt vergelijkbaar met het vragen van de weg in een onbekende stad tijdens een verre reis. Vraag je aan een voorbijganger simpelweg "Waar is het water?", dan kun je eindigen bij een drinkfonteintje, een riool of een schilderachtige baai. Vraag je echter: "Ik zoek de snelste route naar de oude haven om de zonsondergang te zien, en ik wil graag wandelen", dan krijg je een specifiek en bruikbaar resultaat. In dit hoofdstuk leer je hoe je deze specifieke instructies formuleert om AI effectief in te zetten voor je afstudeerproject en toekomstige carrière.

Theorie

Prompting is het proces van het ontwerpen en verfijnen van input voor AI-modellen om specifieke, hoogwaardige output te genereren (KU Leuven, 2024). Het is een iteratief proces waarbij de gebruiker fungeert als regisseur. Een veelgebruikt principe in de informatica is hier van kracht: Garbage In, Garbage Out. Als jouw instructie vaag of contextloos is, zal het resultaat dat ook zijn.

De Anatomie van een Effectieve Prompt

Onderzoek toont aan dat effectieve prompts vaak een vaste structuur volgen. Voor hbo-studenten is het R-C-T-F model een handig handvat (Hanze Library Guides, 2023):

Rol (Role): Wie moet de AI zijn? (Bijv. "Je bent een senior beleidsadviseur").

Context: Wat is de achtergrond? (Bijv. "Het gaat om een scriptie over duurzaamheid in de bouw").

Taak (Task): Wat moet er precies gebeuren? (Bijv. "Schrijf een kritische analyse van de aangeleverde tekst").

Formaat (Format): Hoe moet de output eruitzien? (Bijv. "Een tabel met voor- en nadelen").

typing illuminated keyboard — Afb: De prompt als interface - nauwkeurige input is essentieel voor output van hoge kwaliteit.

Strategieën voor Complexiteit

Naast de basisstructuur zijn er geavanceerde strategieën nodig voor complexe vraagstukken op afstudeerniveau. Een belangrijke techniek is Chain-of-Thought prompting. Hierbij vraag je het model niet direct om het antwoord, maar instrueer je het om "stap voor stap hardop te denken" (Scribbr, 2023). Dit dwingt het model om logische tussenstappen te genereren, wat de kans op redeneerfouten aanzienlijk verkleint. Dit is essentieel wanneer je AI gebruikt ter ondersteuning van ingewikkelde data-analyes of juridische argumentaties.

puzzle pieces connecting — Afb: Prompt Engineering als Puzzel - Nauwkeurig geformuleerde prompts zijn essentiële bouwstenen voor het ontsluiten van de volledige potentie van AI-modellen.

Kernbegrippen

Prompt engineering: Het systematisch ontwerpen en optimaliseren van instructies (textuele input) om de prestaties van een AI-taalmodel te sturen.

Zero-shot prompting: Het geven van een instructie aan het model zonder voorbeelden van de gewenste output toe te voegen.

Few-shot prompting: De techniek waarbij je in de prompt een aantal concrete voorbeelden (shots) geeft van de gewenst input-output combinatie.

Hallucinatie: Het fenomeen waarbij een AI-model vol overtuiging incorrecte of verzonnen feiten presenteert als waarheid (Scribbr, 2023).

Iteratie: Het cyclusproces van het uitvoeren van een prompt, het evalueren van de output en het verfijnen van de instructie voor een beter resultaat.

Voorbeelden

Laten we de theorie toepassen met een concreet voorbeeld. Stel, je bent een fanatiek sporter en voor je afstudeerstage bij een fysiotherapiepraktijk moet je een herstelschema visualiseren.

Zwakke prompt:
> "Maak een schema voor herstel na een knieblessure."

Resultaat: De AI genereert waarschijnlijk een generiek, niet-medisch onderbouwd lijstje dat voor elke patiënt anders kan zijn en mogelijk zelfs schadelijk is zonder context.

Sterke prompt:
> "Rol: Je bent een ervaren sportfysiotherapeut gespecialiseerd in kruisbandrevalidatie.
> Context: De patiënt is een 22-jarige profvoetballer, 6 weken na de operatie. Hij mag beginnen met lichte belasting.
> Taak: Ontwikkel een opbouwend weekschema voor week 7. Focus op stabiliteit en lichte kracht, vermijd rotaties. Gebruik vakjargon waar nodig, maar leg dit kort uit tussen haakjes.
> Formaat: Presenteer dit als een Markdown-tabel met kolommen voor: Dag, Oefening, Sets/Reps, en Aandachtspunt."

Infographic: De kunst van het prompten — Afb: Prompt Engineering in een notendop - deze infographic visualiseert de belangrijkste principes voor effectieve promptformulering, essentieel voor het sturen van AI-modellen.

Door de rol, context en beperkingen ("vermijd rotaties") mee te geven, dwing je het model binnen de professionele kaders te blijven (KU Leuven, 2024).

Verdieping

Het beheersen van prompting gaat in dit leerjaar verder dan alleen 'trucjes'. Het vereist een kritische houding ten opzichte van bias (vooroordelen). AI-modellen zijn getraind op enorme hoeveelheden data van het internet, waardoor ze maatschappelijke vooroordelen kunnen reflecteren.

Als afstudeerder wordt van je verwacht dat je output verifieert. Een geavanceerde techniek is 'Self-Consistency'. Hierbij vraag je het model om hetzelfde probleem drie keer op verschillende manieren op te lossen en vervolgens de meest consistente conclusie te synthetiseren. Dit vraagt om interactie: beschouw de AI niet als een zoekmachine, maar als een stagiair die jij moet begeleiden (AICG, 2024). Jij blijft eindverantwoordelijk voor de validiteit.

Opdrachten

Opdracht 1: De basisstructuur (Niveau: Basis)

Kies een onderwerp uit je eigen afstudeerrichting. Schrijf twee prompts voor dezelfde taak:

Een 'Zero-shot' prompt (alleen de vraag).

Een prompt die voldoet aan het R-C-T-F model (Rol, Context, Taak, Formaat).

Vergelijk de output. Welke kwalitatieve verschillen zie je in toon en bruikbaarheid?

Opdracht 2: Hallucinaties checken (Niveau: Analyse)

Stel je voor dat je onderzoek doet naar een niche boek of een onbekende lokale auteur. Vraag een AI-tool om een samenvatting en analyse van dit specifieke werk, inclusief citaten.
* Controleer de feiten: Bestaan de citaten echt? Klopt de plotbeschrijving?
* Reflecteer: Waarom is de kans op hallucinatie groter bij specifieke, lokale onderwerpen dan bij wereldberoemde klassiekers?

Opdracht 3: Reverse Engineering (Niveau: Gevorderd)

Zoek een zakelijke e-mail, een beleidsstuk of een marketingtekst van hoge kwaliteit (bijvoorbeeld van een gerenommeerd Nederlands bedrijf).
Schrijf een prompt die ervoor zorgt dat de AI een tekst genereert die qua stijl, toon en structuur exact lijkt op jouw voorbeeldtekst. Gebruik hiervoor 'Few-shot prompting' door de AI eerst voorbeelden van jouw gewenste stijl te voeden. Analyseer welke instructies over 'toon' (bijv. formeel, enthousiast, empathisch) het meeste effect hadden.

Check jezelf

Wat is het belangrijkste verschil tussen Zero-shot en Few-shot prompting?

Antwoord: Bij Zero-shot geef je alleen een instructie zonder voorbeelden, terwijl je bij Few-shot voorbeelden van de gewenste output en structuur meelevert om het model te sturen.

Waarom is het definiëren van een 'Rol' (Persona) effectief in een prompt?

Antwoord: Het helpt het model om de juiste toon, het kennisniveau en het perspectief te kiezen dat past bij de specifieke context van de vraag.

Wat wordt bedoeld met 'hallucinatie' bij generatieve AI?

Antwoord: Dit is het genereren van output die feitelijk onjuist of compleet verzonnen is, maar die door het model wel als waarheid wordt gepresenteerd.

Hoe kan 'Chain-of-Thought' prompting helpen bij complexe rekensommen of logica?

Antwoord: Door het model te dwingen tussenstappen in de redenering expliciet uit te schrijven, worden logische fouten verminderd en wordt de uitkomst betrouwbaarder.

Wat houdt het principe 'Garbage In, Garbage Out' in binnen deze context?

Antwoord: De kwaliteit van de output van de AI is direct afhankelijk van de kwaliteit, duidelijkheid en context van de input (de prompt) die jij geeft.

Samenvatting

Prompting is een kritische professionele vaardigheid die de kwaliteit van AI-output bepaalt.

Een goede prompt bevat vier elementen: Rol, Context, Taak en Formaat (R-C-T-F).

Gebruik technieken zoals Few-shot prompting (voorbeelden geven) en Chain-of-Thought (redeneerstappen vragen) voor betere resultaten.

Wees altijd alert op bias en hallucinaties; jij blijft de expert die de output moet valideren.

Prompten is iteratief: het eerste antwoord is zelden perfect, stuur bij door vervolgvragen te stellen.

Bronnen

[GenAI sturen door prompting](https://www.kuleuven.be/genai/genai-sturen-door-prompting) - KU Leuven: Uitgebreide handleiding over prompt strategieën in het onderwijs (2024).

[AI in het onderwijs: Prompt engineering](https://libguides.hanze.nl/onderwijs_ai/prompt) - Hanze Library Guides: Praktische gids met frameworks voor het hoger onderwijs (2023).

[Hoe maak je goede ChatGPT-prompts?](https://www.scribbr.nl/ai-tools-gebruiken/hoe-maak-je-goede-chatgpt-prompts/) - Scribbr: Definities en voorbeelden voor studenten (2023).

[Wat is een AI-prompt?](https://aicg.nl/wat-is-een-ai-prompt/) - AICG: Artikel over de werking en ethische aspecten van prompts (2024).

Hoofdstuk 3

De Regisseur van de Dialoog: Gepersonaliseerde Chatbots Ontwerpen

Inleiding

In het vorige hoofdstuk, Dialogen met Digitaal Vernuft, heb je geleerd hoe je effectieve prompts schrijft om een enkelvoudig antwoord te genereren. Je weet nu hoe je de bal moet trappen om het doel te raken. Maar in dit afstudeerjaar kijken we verder. Als professional in het onderwijs of het bedrijfsleven wil je niet slechts één goede pass geven; je wilt het hele speelveld beheersen. Je wilt een AI-assistent creëren die consequent reageert volgens een specifieke pedagogische visie, toon en structuur.

Stel je voor dat je een verre reis maakt zonder reisleider. Je ziet veel, maar mist de context. Een generieke chatbot is als die onbegeleide reis: informatief, maar onpersoonlijk en soms verdwaald. In dit hoofdstuk leer je hoe jij de reisleider bouwt. We duiken in de wereld van system prompts: de ‘verborgen’ instructies die het gedrag, de kennis en de persoonlijkheid van een AI-model fundamenteel sturen. Je leert hoe je van een algemeen taalmodel een gespecialiseerde didactische coach maakt die jouw studenten niet alleen antwoorden geeft, maar ze ook echt laat nadenken.

Theorie

Het fundament van een gepersonaliseerde chatbot is de system prompt (soms ook wel 'custom instruction' of 'persona-instelling' genoemd). Waar een normale prompt een vraag is van de gebruiker ("Schrijf een lesplan"), is de system prompt de identiteit van de machine ("Jij bent een ervaren didacticus die focust op constructivisme").

De architectuur van een persona

Volgens onderzoek van de Hanzehogeschool is prompt engineering niet slechts het stellen van vragen, maar het gericht formuleren van instructies om optimale resultaten te behalen (Hanze Library Guides, 2023). Bij het ontwerpen van een chatbot begin je met het definiëren van de persona. Dit gaat verder dan een naam. Je bepaalt de houding, de expertise en de grenzen.

Denk aan de tone of voice. Conversation design-expert Cathy Pearl benadrukt dat een consistente persona cruciaal is om verwarring bij de gebruiker te voorkomen en de interactie natuurlijk te laten verlopen. Alexander Wijninga van Watermelon.ai vult aan dat een chatbot, hoewel technologisch van aard, een duidelijke persoonlijkheid moet hebben om vertrouwen te wekken. Hij adviseert om details vast te leggen zoals: is de bot formeel of informeel? Gebruikt hij emoji's? Slaat hij een empathische toon aan of is hij strikt feitelijk? (Watermelon.ai, 2025). Voor een hbo-student die vastloopt op een scriptie, wil je misschien een bot die aanmoedigt als een sportcoach, maar kritisch is als een redacteur.

archive library books — Afb: Kennisbank als basis - De omvang en diversiteit van een bibliotheek illustreert de hoeveelheid data die nodig is voor effectieve gepersonaliseerde chatbots.

Pedagogische sturing via System Prompts

Het grootste risico van generatieve AI in het onderwijs is dat het studenten het denkwerk uit handen neemt. Een standaard taalmodel (LLM) is getraind om te pleasen en geeft direct het antwoord. In jouw ontwerp moet je dit gedrag vaak onderdrukken.

Je kunt de chatbot instrueren om de Socratische methode toe te passen. Hierbij geef je in de system prompt expliciet de instructie: "Geef nooit direct het antwoord. Stel vragen terug die de student helpen om zelf tot de oplossing te komen." Dit vraagt om 'Chain-of-Thought' (CoT) prompting, waarbij je het model dwingt om stap-voor-stap te redeneren voordat het reageert. Dit verhoogt niet alleen de kwaliteit van de output, maar maakt de interactie ook transparanter (Hanze Library Guides, 2023).

Beperkingen en Ethiek

Bij het ontwerpen moet je rekening houden met de technische en ethische grenzen. Zoals AI-ethicus Timnit Gebru en de Universiteit Utrecht waarschuwen, zijn chatbots gebaseerd op kansberekening en begrijpen ze de tekst niet echt. Ze kunnen 'hallucineren' (fictieve feiten verzinnen) en bevatten vaak vooroordelen (biases) uit hun trainingsdata (UU.nl, 2025). Als ontwerper ben je verantwoordelijk voor het inbouwen van 'vangrails' in je system prompt, bijvoorbeeld: "Als je het antwoord niet zeker weet, zeg dan 'Ik weet het niet' in plaats van te speculeren."

architect blueprint planning — Afb: Chatbot Blueprint - De architectuur van een gepersonaliseerde chatbot vereist een gedetailleerd ontwerp, vergelijkbaar met een bouwkundige blauwdruk, om functionaliteit en gebruikerservaring te optimaliseren.

Kernbegrippen

System Prompt: De fundamentele, vaak onzichtbare instructie die de identiteit, regels en beperkingen van de chatbot definieert voordat de conversatie begint.

Persona: De gedetailleerde karakterschets van de chatbot, inclusief tone of voice, expertisegebied en communicatiestijl (bijv. 'strenge leraar' of 'behulpzame gids').

Few-shot Prompting: Het geven van enkele concrete voorbeelden (dialogen) in de system prompt, zodat de chatbot de gewenste stijl kan imiteren.

Hallucinatie: Het fenomeen waarbij generatieve AI plausibel klinkende maar feitelijk onjuiste informatie genereert, vaak door een gebrek aan bronkennis (UU.nl, 2025).

Iteratief Ontwerpen: Het proces van het continu verfijnen van de prompts op basis van feedback en testresultaten om de nauwkeurigheid te verhogen (Hanze Library Guides, 2023).

Voorbeelden

Om de theorie tastbaar te maken, vergelijken we een standaard interactie met een gepersonaliseerde chatbot-interactie.

Situatie: Een student vraagt: "Wat zijn de oorzaken van de Eerste Wereldoorlog?"

* Standaard Chatbot (Geen System Prompt):
"De hoofdoorzaken zijn het imperialisme, nationalisme, militarisme en bondgenootschappen. De aanleiding was de moord op Frans Ferdinand..."
(Resultaat: De student leest het passief en leert oppervlakkig.)

* Gepersonaliseerde Chatbot (Didactische System Prompt):
System Prompt: "Je bent een geschiedenisdocent die studenten leert kritisch bronnen te analyseren. Geef geen feitenlijstjes. Gebruik metaforen uit de literatuur of sport om complexe conflicten uit te leggen. Vraag de student naar verbanden."

Reactie Chatbot: "Denk eens aan een voetbalwedstrijd waarbij de spanning tussen de supporters al jaren oploopt. De moord op Frans Ferdinand was als een harde overtreding in de laatste minuut, maar was dat de échte oorzaak van de rellen in het stadion, of lag de oorzaak dieper? Wat denk jij dat er speelde tussen de 'teams' (landen) voor die moord?"
(Resultaat: De student moet nadenken en verbanden leggen.)

software developer typing — Afb: Softwareontwikkelaar aan het werk - het ontwerpen van gepersonaliseerde chatbots vereist expertise in diverse programmeertalen en frameworks.

Dit voorbeeld toont aan hoe je door middel van een rolbeschrijving (persona) en een instructie over de antwoordstijl de leerervaring compleet verandert.

Verdieping

Het ontwerpen van een effectieve system prompt vereist structuur. In het werkveld wordt vaak gebruikgemaakt van frameworks. Een krachtig model dat bij de Hanzehogeschool wordt genoemd is het CO-STAR framework (Hanze Library Guides, 2023). Dit dwingt je om na te denken over:

Context: Waar speelt dit zich af?

Objective: Wat moet de bot bereiken?

Style: Welke schrijfstijl is gewenst (zoals de bekende auteur Ernest Hemingway of juist zakelijk)?

Tone: De emotionele lading (enthousiast, formeel).

Audience: Voor wie is de output bedoeld (studenten, experts)?

Response: Het formaat van het antwoord (tabel, lijst, JSON).

Door zo'n framework te gebruiken, voorkom je dat je chatbot 'zwiebert' in zijn antwoorden. Daarnaast is het cruciaal om chains-of-thought in te bouwen. Voor complexe onderwijsvraagstukken kun je de bot instrueren: "Analyseer eerst de deelvraag van de student, identificeer mogelijke misconcepties, en formuleer dan pas je begeleidende vraag." Dit bootst het denkproces van een ervaren docent na.

Tot slot een waarschuwing uit de praktijk: bronvermelding. ChatGPT en vergelijkbare modellen kunnen bronnen verzinnen. Zoals de Universiteit Utrecht aangeeft, is transparantie hierbij lastig omdat je nooit precies kunt nagaan welke bronnen zijn gebruikt voor een specifiek woord (UU.nl, 2025). Instrueer je chatbot daarom om alleen bronnen te gebruiken die jij in de system content aanlevert (dit heet RAG: Retrieval Augmented Generation), of om expliciet te vermelden dat hij geen toegang heeft tot real-time wetenschappelijke databases.

diverse puzzle pieces — Afb: Modulaire chatbot architectuur - Verschillende componenten, zoals NLU, dialoogbeheer en response generatie, vormen samen een gepersonaliseerde chatbot.

Opdrachten

Opdracht 1: De Persona Schetsen

Bedenk een chatbot voor eerstejaars studenten van jouw eigen opleiding. Deze bot moet helpen bij het plannen van studieopdrachten.
* Beschrijf de Persona in 3 zinnen. Gebruik metaforen die passen bij de doelgroep.
* Bepaal de Tone of Voice (bijv. formeel vs. informeel).
* Schrijf één 'Vangrail'-instructie (wat mag de bot absoluut NIET doen?).

Opdracht 2: Analyseer de Fout

Je test een chatbot die bedoeld is om studenten te helpen met statistiek. De student vraagt: "Is deze correlatie significant?". De chatbot antwoordt direct: "Ja, want p < 0.05", terwijl de student de data nog niet eens heeft gedeeld.
* Analyseer wat er ontbreekt in de System Prompt.
* Herschrijf de instructie gebruikmakend van het CO-STAR model zodat de bot eerst naar de context en dataset vraagt.

Opdracht 3: De Socratische Coach (Uitdagend)

Ontwerp een volledige system prompt voor een chatbot die een student helpt bij het brainstormen voor een afstudeeronderwerp.
* De bot mag nooit zelf onderwerpen aandragen.
* De bot moet de student uitdagen op haalbaarheid en relevantie.
* De bot moet een samenvatting geven in tabelvorm aan het einde van de sessie.
* Test jouw prompt in een AI-tool (zoals ChatGPT of Copilot) en lever het transcript van een fictief gesprek in.

Check jezelf

Waarom is een 'system prompt' essentieel voor een gepersonaliseerde chatbot?

Antwoord: De system prompt definieert het gedrag, de rol en de beperkingen van de chatbot, waardoor de output consistent en relevant blijft voor het specifieke doel.

Welk risico loop je als je geen duidelijke pedagogische richtlijnen geeft aan de chatbot?

Antwoord: De chatbot zal waarschijnlijk direct het antwoord geven (directe instructie) in plaats van de student te laten nadenken, wat het leerproces kan ondermijnen.

Wat houdt 'hallucinatie' in bij generatieve AI?

Antwoord: Het verschijnsel waarbij de AI feitelijk onjuiste informatie of niet-bestaande bronnen genereert die wel plausibel klinken.

Hoe kan het CO-STAR framework helpen bij prompt design?

Antwoord: Het biedt een structuur (Context, Objective, Style, Tone, Audience, Response) om ervoor te zorgen dat alle noodzakelijke variabelen voor een goede output in de instructie zitten.

Wat is het verschil tussen Few-shot en Zero-shot prompting?

Antwoord: Bij Zero-shot geef je geen voorbeelden, bij Few-shot geef je de chatbot enkele voorbeelden van gewenste input en output om de stijl te sturen.

Samenvatting

Een System Prompt is de basisinstructie die de rol ("Jij bent een..."), het doel en de regels van de chatbot vastlegt.

Personalisatie maakt een chatbot effectiever door aan te sluiten bij de belevingswereld van de gebruiker, bijvoorbeeld door een specifieke tone of voice.

Pedagogische strategieën, zoals de Socratische methode, moeten expliciet geprogrammeerd worden om te voorkomen dat de AI simpelweg antwoorden voorkauwt.

Gebruik frameworks zoals CO-STAR om je prompts volledig en gestructureerd te maken.

Wees je bewust van technische beperkingen zoals hallucinaties en bias; bouw vangrails in om deze risico's te minimaliseren.

Bronnen

[Hoe maak je een chatbot persoonlijk?](https://watermelon.ai/nl/blog/chatbot-persoonlijk) - Watermelon.ai blog over chatbot persoonlijkheid (2025)

[Prompt engineering](https://libguides.hanze.nl/onderwijs_ai/prompt) - Hanze Library Guides over effectieve prompts en frameworks (2023)

[ChatGPT in het onderwijs: Waar is ChatGPT toe in staat en wat zijn de beperkingen?](https://uu.nl/onderwijs/onderwijsadvies-training/kennisdossiers/themadossier-generatieve-ai-in-het-onderwijs/waar-is-chatgpt-toe-in-staat-en-wat-zijn-de-beperkingen) - Universiteit Utrecht kennisdossier (2025)

[Artificiële intelligentie (NL): Prompt engineering](https://libguides.greeni.nl/artificiele-intelligentie/prompt-engineering) - Greeni Library Guides (2023)

Hoofdstuk 4

De Motorkap Open: Technische Implementatie van AI

Inleiding

Je hebt in de voorgaande hoofdstukken geleerd hoe generatieve AI fundamenteel werkt en hoe je door middel van prompt engineering en ontwerpkeuzes de output kunt sturen. Nu staan we op het punt om de theorie om te zetten in de praktijk. In dit hoofdstuk duiken we onder de motorkap van AI-applicaties. We kijken niet meer alleen naar wat we willen zeggen tegen de AI, maar hoe we dit technisch faciliteren.

Voor een vierdejaars student die bijna klaar is voor de arbeidsmarkt, is het essentieel om te begrijpen dat een AI-model op zichzelf slechts een statisch bestand is op een server. Om het tot leven te wekken in een applicatie, heb je een Application Programming Interface (API) nodig. Vergelijk het met het plannen van een verre rondreis: je kunt een prachtige route (het ontwerp) en bestemmingen (de content) hebben bedacht, maar zonder de logistiek van vliegtickets, visums en transport (de technische API-koppeling) kom je nergens. In dit hoofdstuk leer je hoe die technische logistiek werkt.

Theorie

De technische realisatie van AI-toepassingen, zoals chatbots of content-generatoren, leunt zwaar op het gebruik van cloud-gebaseerde API's. Grote taalmodellen (LLM's) zoals GPT-4 draaien op enorme serverparken. Omdat deze modellen te groot zijn om op een lokale laptop te draaien, communiceren ontwikkelaars met deze modellen via HTTP-verzoeken.

De API-aanroep

De basis van interactie is de request (vraag) en response (antwoord) cyclus. Wanneer je applicatie een bericht stuurt naar bijvoorbeeld OpenAI, gebeurt dit meestal in JSON-formaat (JavaScript Object Notation). Dit pakketje data bevat niet alleen de tekst van de gebruiker, maar ook cruciale metadata en sturingsparameters.

Volgens de technische documentatie van ChatGPT fungeert de API als een brug waarmee je AI-functionaliteit toevoegt aan je software (ChatGPT API, 2025). Om toegang te krijgen, heb je een unieke API-sleutel nodig. Dit is een beveiligingstoken dat jouw applicatie identificeert. Het is van cruciaal belang dat deze sleutel nooit publiekelijk wordt gedeeld, bijvoorbeeld in client-side code, om misbruik en hoge kosten te voorkomen.

json code monitor — Afb: JSON-data in AI-systemen - Illustratie van de gestructureerde data-indeling die essentieel is voor de communicatie en verwerking van informatie in veel AI-toepassingen.

Parameters en sturing

Naast de tekstuele inhoud, stuur je technische parameters mee die het gedrag van het model beïnvloeden. Twee van de belangrijkste parameters zijn:

Temperature: Dit getal (meestal tussen 0 en 2) bepaalt de mate van variatie in de output. Een lage temperatuur (bijv. 0.2) maakt het model deterministisch en feitelijk; het kiest steeds het meest waarschijnlijke volgende woord. Een hoge temperatuur (bijv. 0.8) zorgt voor meer creativiteit en onvoorspelbaarheid (ChatGPT API, 2025).

Max Tokens: Omdat AI-modellen werken met tokens (stukjes woord) in plaats van hele woorden, moet je limieten stellen. Dit voorkomt dat een model eindeloos blijft genereren en beheerst de kosten. Ongeveer 1000 tokens staan gelijk aan 750 woorden.

Het concept van 'Statelessness'

Een cruciaal concept voor technische implementatie is dat de meeste LLM-API's stateless zijn. Dit betekent dat het model standaard geen geheugen heeft van vorige vragen. Als je vraagt: "Wie schreef De Ontdekking van de Hemel?" en vervolgens vraagt: "Wanneer is hij geboren?", begrijpt het model zonder context niet wie "hij" is.

Om een gesprek te simuleren, moet de ontwikkelaar bij elk nieuw verzoek de gehele gespreksgeschiedenis (of een samenvatting daarvan) opnieuw meesturen in de JSON-body. Dit vraagt om slim databasebeheer aan de achterkant van je applicatie.

library books shelves — Afb: Data als brandstof voor AI - Bibliotheken vol data vormen de basis voor het trainen en valideren van AI-modellen, cruciaal voor de technische realisatie van AI-toepassingen.

Kernbegrippen

API Endpoint: De specifieke URL (bijv. `https://api.openai.com/v1/chat/completions`) waar je applicatie de instructies naartoe stuurt om verbinding te maken met het model.

Latency: De vertragingstijd tussen het versturen van de prompt en het ontvangen van het eerste token van het antwoord; cruciaal voor de gebruikerservaring.

Tokenization: Het proces waarbij tekst wordt opgebroken in kleinere eenheden (tokens) die het model kan verwerken; dit is de valuta waarmee je betaalt voor rekenkracht (Generative pre-trained transformer - Wikipedia, 2024).

System Message: Een specifieke instructie in de code die het 'gedrag' of de 'persona' van de AI definieert voordat de gebruiker iets zegt (bijv. "Jij bent een behulpzame leraar").

Rate Limiting: De beperking die een API-provider oplegt aan het aantal verzoeken dat je binnen een bepaalde tijd mag doen om overbelasting te voorkomen (ChatGPT API, 2025).

Voorbeelden

Laten we kijken hoe een technische implementatie eruitziet voor een fictieve HBO-applicatie die studenten helpt bij het vinden van literatuur. Stel, een student is gek op lezen en zoekt een boek dat lijkt op het werk van Harry Mulisch.

De applicatie stuurt de volgende JSON-structuur naar het model:

```json
{
"model": "gpt-4",
"messages": [
{"role": "system", "content": "Je bent een expert in Nederlandse literatuur. Geef korte, feitelijke antwoorden."},
{"role": "user", "content": "Ik zoek een boek dat qua stijl lijkt op De Aanslag."}
],
"temperature": 0.5,
"max_tokens": 150
}
```

Hier zie je drie niveaus van sturing:

Roltoewijzing: Via de `system` role wordt de context geschetst (Hanze Library Guides, 2023).

Specificiteit: De `temperature` staat op 0.5 voor een balans tussen creativiteit en feitelijkheid.

Begrenzing: `max_tokens` voorkomt dat de AI een heel essay schrijft.

fiber optic network — Afb: Glasvezelnetwerk - De hoge bandbreedte en lage latency van glasvezel zijn cruciaal voor de snelle dataoverdracht die AI-modellen vereisen.

Als de student vervolgens vraagt: "Is het ook verfilmd?", moet de applicatie de vorige array uitbreiden:

```json
"messages": [
{"role": "system", "content": "..."},
{"role": "user", "content": "Ik zoek een boek..."},
{"role": "assistant", "content": "Je zou 'Het stenen bruidsbed' kunnen proberen..."},
{"role": "user", "content": "Is het ook verfilmd?"}
]
```

Zonder het toevoegen van het eerdere antwoord van de `assistant`, zou de vraag "Is het ook verfilmd?" nergens op slaan voor het model.

Verdieping

Bij professionele implementaties in het bedrijfsleven of het onderwijs is kostenbeheersing (Cost Management) een belangrijk aspect. Elk token kost geld. GPT-4 is bijvoorbeeld aanzienlijk duurder dan GPT-3.5-Turbo (ChatGPT API, 2025).

Als architect van een systeem moet je afwegingen maken. Voor een simpele chatbot die roosters opvraagt, is een lichter model voldoende. Voor een complexe analyse van juridische teksten is een zwaarder model nodig.

Daarnaast is er het risico van 'hallucinaties', waarbij het model feiten verzint (Generative pre-trained transformer - Wikipedia, 2024). In een technische implementatie kun je dit verminderen door Grounding toe te passen: je geeft in de `system message` een harde brontekst mee en instrueert het model om alleen die tekst te gebruiken voor het antwoord. Dit is vergelijkbaar met een scheidsrechter bij een sportwedstrijd: die mag alleen oordelen op basis van wat er binnen de lijnen gebeurt (de aangeleverde data), en niet op basis van geruchten van de tribune (trainingdata van het internet).

Infographic: Technische realisatie van AI-toepassingen — Afb: Overzicht technische realisatie AI-toepassingen - visualiseert de essentiële stappen van dataverzameling tot implementatie en evaluatie, cruciaal voor een succesvolle AI-ontwikkeling.

Opdrachten

Opdracht 1: De JSON bouwen

Schrijf op papier of in een teksteditor de JSON-body voor een API-request naar een model.
* Context: Een app voor reizigers die advies willen over duurzaam reizen.
* Vereiste: Stel de `system` parameters zo in dat de AI zich gedraagt als een ervaren wereldreiziger, zet de `temperature` op een creatieve stand, en begrens het antwoord op ongeveer 100 woorden.

Opdracht 2: Foutanalyse

Je bouwt een chatbot, maar gebruikers klagen dat de bot na twee zinnen "vergeet" waar het over ging.
* Analyseer technisch wat er waarschijnlijk misgaat in de backend code.
* Welk concept uit de theorie is hier niet correct toegepast?
* Beschrijf in pseudocode hoe je dit oplost.

Opdracht 3: Architectuur ontwerp (Onderzoek)

Ontwerp een globaal schema (flowchart) voor een AI-tutor die studenten helpt met wiskunde.
* Houd rekening met privacy: hoe zorg je dat de API-sleutel veilig blijft?
* Houd rekening met tokens: hoe voorkom je dat een gesprek van 2 uur te duur wordt? (Hint: zoek op 'summarization strategies').

Check jezelf

Waarom moet je bij een chat-interface telkens de hele gespreksgeschiedenis naar de API sturen?

Antwoord: Omdat de API 'stateless' is; het model onthoudt zelf niets van vorige verzoeken.

Wat gebeurt er als je de parameter `temperature` verhoogt van 0.2 naar 0.9?

Antwoord: De antwoorden worden gevarieerder, creatiever en onvoorspelbaarder.

Je ziet in de documentatie staan dat de input 50 tokens kostte en de output 100 tokens. Waar betaal je voor?

Antwoord: Je betaalt voor het totaal aantal tokens, dus in dit geval 150 tokens (prompt + completion).

Wat is het gevaar van het plaatsen van je API-sleutel in de broncode van een website (client-side)?

Antwoord: Iedereen kan de sleutel uitlezen en op jouw kosten gebruikmaken van de API, wat kan leiden tot misbruik en hoge rekeningen.

Wat is het verschil tussen de `system` role en de `user` role in de berichtenstructuur?

Antwoord: De `system` role geeft instructies over het gedrag en de context van de AI, terwijl de `user` role de daadwerkelijke invoer van de eindgebruiker bevat.

Samenvatting

De integratie van Generatieve AI vereist kennis van API's en het HTTP-protocol; het model draait in de cloud, niet lokaal.

Communicatie verloopt via JSON-objecten waarin rollen (system, user, assistant) strikt gescheiden zijn.

Belangrijke parameters zoals temperature (creativiteit) en max_tokens (lengte) bepalen de kwaliteit en kosten van de output.

LLM's zijn stateless; developers moeten zelf logica bouwen om gespreksgeschiedenis te onthouden en mee te sturen.

Veiligheid van API-sleutels en bewustzijn van token-kosten zijn essentieel voor een professionele implementatie.

Bronnen

[ChatGPT API](https://gpt-nederlands.chat/documenten/api/) - Informatie over API-integratie, sleutels en parameters (2025).

[Generative pre-trained transformer](https://nl.wikipedia.org/wiki/Generative_pre-trained_transformer) - Wikipedia artikel over de werking van transformermodellen (2024).

[AI in het onderwijs: Prompt engineering](https://libguides.hanze.nl/onderwijs_ai/prompt) - Hanze Library Guides over structuur en persona's (2023).

Hoofdstuk 5

Het Ethisch Kompas: Navigeren door Risico's van AI in het Onderwijs

Inleiding

Welkom in het vijfde hoofdstuk van dit handboek. In de voorgaande hoofdstukken heb je geleerd hoe de motor van generatieve AI draait, hoe je effectief communiceert via prompts en hoe je zelfs technische implementaties kunt realiseren, zoals besproken in De Motorkap Open. Maar net zoals je bij het plannen van een verre reis niet alleen kijkt naar de route, maar ook naar de veiligheid en lokale gebruiken, moeten we bij AI verder kijken dan de technische mogelijkheden.

Als toekomstig hbo-professional sta je aan de vooravond van je intrede in de arbeidsmarkt. Of je nu docent, beleidsmaker of ed-tech specialist wordt: 'kunnen we dit bouwen?' is niet langer de enige vraag. De cruciaalste vraag is: 'mogen en willen we dit gebruiken?'. In dit hoofdstuk duiken we in de ethische dilemma's, juridische kaders zoals de AVG, en de risico's voor kansengelijkheid die gepaard gaan met AI in de klas. We bekijken hoe je als 'scheidsrechter' optreedt in het grijze gebied tussen innovatie en integriteit.

Theorie

De integratie van AI in het onderwijs brengt aanzienlijke verantwoordelijkheden met zich mee. We kunnen deze risico's grofweg indelen in drie categorieën: privacy en dataveiligheid, betrouwbaarheid (bias en hallucinaties), en academische integriteit.

Privacy en de AVG

Wanneer studenten of docenten gebruikmaken van gratis AI-tools, betalen zij vaak met hun data. Volgens de Autoriteit Persoonsgegevens (AP) moeten onderwijsinstellingen uiterst voorzichtig zijn. Het invoeren van persoonsgegevens, zoals namen van studenten of specifieke casuïstiek, in publieke modellen is vaak in strijd met de Algemene Verordening Gegevensbescherming (AVG). Zoals beschreven in recente richtlijnen mag een onderwijsinstelling studenten niet verplichten een account aan te maken bij een dienst die persoonsgegevens verwerkt zonder een verwerkersovereenkomst (Autoriteit Persoonsgegevens, 2024). Dit is vergelijkbaar met het achterlaten van je paspoort bij een onbekende hotelreceptie zonder kluis; je verliest de controle over je identiteit.

scales of justice — Afb: De weegschaal van gerechtigheid - representeert de noodzaak van een gebalanceerde afweging van risico's en ethische overwegingen bij besluitvorming in het onderwijs.

Bias en Hallucinaties

AI-modellen zijn getraind op het internet, een spiegel van onze samenleving inclusief al haar vooroordelen. Dit leidt tot algoritmische bias. Als een student vraagt om een afbeelding van een "succesvolle CEO", zal een ongetraind model vaak een witte man genereren. In het onderwijs kan dit leiden tot lesmateriaal dat stereotypen bevestigt in plaats van doorbreekt.

Daarnaast is er het risico van hallucinaties. Generatieve AI is geen zoekmachine, maar een taalmodel dat voorspelt welk woord waarschijnlijk volgt. Het kan met groot zelfvertrouwen feitelijke onjuistheden presenteren. Denk aan een voetbalcommentator die met volle overtuiging een doelpunt beschrijft dat nooit is gevallen, simpelweg omdat het publiek juichte. Voor studenten die AI als bron van waarheid gebruiken, vormt dit een fundamenteel risico voor hun kennisontwikkeling.

Academische Integriteit en OER

Het detecteren van AI-gegenereerde tekst blijkt in de praktijk uiterst lastig. Traditionele detectietools geven vaak 'false positives' (onterechte beschuldigingen) of 'false negatives'. Instellingen zoals de Universiteit Utrecht adviseren daarom een verschuiving van productgerichte toetsing (het inleveren van een essay) naar procesgerichte toetsing. Hierbij wordt de weg ernaartoe en de verantwoording belangrijker dan het eindresultaat. Dit vraag om aanpassing van de Onderwijs- en Examenregeling (OER) om duidelijkheid te scheppen over wat fraude is en wat geoorloofd hulpmiddelgebruik is (Koenders & Prins, 2024).

person analyzing report — Afb: Risicoanalyse in de klas - Het interpreteren van data is essentieel voor het identificeren en mitigeren van ethische risico's in het onderwijs.

Kernbegrippen

Algoritmische bias: Systematische en herhaalbare fouten in een computersysteem die oneerlijke of discriminerende uitkomsten creëren, vaak door bevooroordeelde trainingsdata.

AVG (GDPR): De Algemene Verordening Gegevensbescherming; de Europese wetgeving die de privacy en verwerking van persoonsgegevens en het vrije verkeer van die gegevens regelt.

Hallucinaties: Het fenomeen waarbij een AI-model vol vertrouwen informatie genereert die feitelijk onjuist, onlogisch of compleet verzonnen is.

Automation Bias: De cognitieve neiging van mensen om blind te vertrouwen op de suggesties van een geautomatiseerd beslissingssysteem, zelfs als deze foutief zijn.

Two-Lane Approach: Een toetsstrategie waarbij onderscheid wordt gemaakt tussen toetsen zonder hulpmiddelen (Baan 1) en toetsen waarbij AI bewust wordt geïntegreerd (Baan 2).

Voorbeelden

Scenario 1: De onzichtbare auteur

Een vierdejaars student Communicatie schrijft haar scriptie over duurzaam toerisme. Ze gebruikt ChatGPT om samenvattingen te maken van literatuur. In haar enthousiasme vraagt ze de chatbot ook om "relevante bronnen over ecotoerisme in Giethoorn". De chatbot genereert drie perfect klinkende titels van wetenschappelijke artikelen, inclusief jaartallen en auteursnamen. Bij controle door de begeleider blijken deze artikelen niet te bestaan. Dit is een klassiek voorbeeld van hallucinatie. De student pleegt hier - wellicht onbedoeld - fraude door niet-bestaande bronnen op te voeren. Dit onderstreept het belang van AI-geletterdheid: studenten moeten leren de output te verifiëren, net zoals een reiziger de vertrektijden van een trein checkt (Koenders & Prins, 2024).

Scenario 2: Ongelijke startposities

Een docent Marketing geeft de opdracht om met AI een marketingcampagne te visualiseren. Student A heeft een betaald abonnement op Midjourney en genereert verbluffende, fotorealistische beelden. Student B heeft geen budget en gebruikt een gratis, beperkte tool die korrelige beelden oplevert. De docent is, onbewust beïnvloed door de visuele kwaliteit, geneigd Student A een hoger cijfer te geven. Hier raakt techniek aan kansengelijkheid. Zoals beschreven in de handreiking van Npuls, moeten examencommissies alert zijn op ongelijkheid: niet alle studenten hebben toegang tot betaalde tools, wat een pay-to-win situatie in de klas kan creëren (Bakker et al., 2025).

Infographic: Risico's en ethiek in de klas — Afb: Risico's en ethische dilemma's in het onderwijs - Overzicht van potentiële valkuilen en ethische afwegingen om professioneel handelen te waarborgen.

Verdieping

De impact van AI dwingt ons om fundamenteel na te denken over de waarde van een diploma. Als een machine de competenties kan uitvoeren die wij toetsen, wat is dan de meerwaarde van de menselijke professional?

Examencommissies in het hbo en wo oriënteren zich daarom steeds vaker op de zogenaamde Two-Lane Approach (Twee-Banen aanpak).

Baan 1 (Authenticiteitsborging): Toetsmomenten in gecontroleerde omgevingen zonder AI, om de basiskennis en kritisch denkvermogen vast te stellen. Denk hierbij aan mondelinge assessments of toetsen op locatie zonder internet.

Baan 2 (AI-integratie): Toetsopdrachten waarbij het gebruik van AI juist verplicht is, maar waarbij de student moet reflecteren op de output, de prompts moet verantwoorden en de beperkingen moet analyseren (Bakker et al., 2025).

Deze verschuiving vraagt om een nieuwe kijk op validiteit. Een toets is pas valide als deze meet wat hij moet meten. Als een taalmodel een essay schrijft, meten we dan de schrijfvaardigheid van de student, of zijn prompt-vaardigheden? In de moderne beroepspraktijk is het kunnen samenwerken met AI echter ook een competentie. Het is aan de opleiding om in het curriculum te bepalen waar de grens ligt. Net als in de topsport zijn hulpmiddelen toegestaan (betere schoenen, data-analyse), maar zijn er strikte regels over wat geldt als doping. Het transparant maken van AI-gebruik, bijvoorbeeld via "AI-statements" bij inleveropdrachten, wordt de nieuwe norm (Universiteit Utrecht, 2024).

Opdrachten

Opdracht 1: De Privacy Detective

Zoek de privacyvoorwaarden (Terms of Service) op van een populaire gratis AI-tool die veel studenten gebruiken (bijvoorbeeld een tool voor het samenvatten van PDF's).
* Zoek naar de sectie over "Data Usage" of "Content Ownership".
* Mag het bedrijf de geüploade teksten gebruiken om hun model te trainen?
* Schrijf een kort advies (100 woorden) voor een docent die overweegt deze tool in de klas te gebruiken voor het nakijken van studentenverslagen. Mag dit volgens de AVG?

Opdracht 2: Hallucinatie Jacht

Kies een onderwerp waar jij veel vanaf weet (bijvoorbeeld een specifieke sport, een boekenserie of een reisbestemming).
* Vraag een tekstgenererend AI-model om feitelijke details (bijv. "Wie scoorde de winnende goal in de finale van 1998 en in welke minuut?" of "Beschrijf de plot van boek X").
* Controleer de feiten nauwgezet.
* Documenteer waar de AI de fout in gaat. Is de fout subtiel of grof? Reflecteer op waarom dit gevaarlijk kan zijn voor een leek.

Opdracht 3: Beleid Schrijven

Jij bent lid van de examencommissie van een fictieve HBO-opleiding. Er is nog geen paragraaf over AI in de OER (Onderwijs- en Examenregeling) opgenomen.
* Schrijf een concept-artikel (wettekst) van maximaal 150 woorden waarin je definieert wanneer het gebruik van AI wordt beschouwd als fraude en wanneer als toegestaan hulpmiddel.
* Zorg dat je termen als "verantwoording", "eigen werk" en "bronvermelding" gebruikt. Baseer je op de principes van de 'Two-Lane Approach'.

Check jezelf

Waarom is het invoeren van nagekeken toetsen van studenten in publieke AI-tools risicovol volgens de AVG?

Antwoord: Omdat toetsen vaak persoonsgegevens of herleidbare data bevatten. Publieke tools gebruiken deze data vaak voor training, wat betekent dat de data niet veilig binnen de onderwijsinstelling blijft.

Wat wordt bedoeld met 'algoritmische bias'?

Antwoord: Dit zijn systematische fouten in AI-uitkomsten die ontstaan doordat de trainingsdata vooroordelen uit de maatschappij bevatten, wat kan leiden tot discriminatie of stereotypering.

Leg uit wat hallucinaties zijn in de context van Generatieve AI.

Antwoord: Hallucinaties zijn feitelijk onjuiste antwoorden die door een AI-model met groot zelfvertrouwen worden gepresenteerd als waarheid.

Wat houdt de 'Two-Lane Approach' in bij toetsing?

Antwoord: Een strategie waarbij toetsen worden verdeeld in twee sporen: één spoor zonder AI (voor basiskennis/authenticiteit) en één spoor mét AI (voor integratie en kritisch gebruik).

Waarom werken traditionele plagiaatscanners vaak slecht tegen AI-teksten?

Antwoord: Omdat AI elke keer unieke tekst genereert en geen tekst kopieert uit een database. Scanners geven hierdoor vaak onterechte uitslagen (false positives/negatives).

Samenvatting

Privacy eerst:

Bias is ingebakken:

Feitelijke onjuistheden:

Nieuwe toetsvormen:

Transparantie:

Bronnen

[Handreiking AI en kansengelijkheid](https://www.npuls.nl/_assets/c46a36b7-2ec5-4fe1-a7c1-7d50b43edb94/Npuls-Handreiking-4-AI-B5.pdf) - Bakker, T.C. et al. (2025). Visie op de impact van AI op kansengelijkheid in het vervolgonderwijs. Npuls.

[Handreiking generatieve AI-tools in het onderwijs](https://autoriteitpersoonsgegevens.nl) - Autoriteit Persoonsgegevens (2024). Via Npuls/MBO Digitaal kaders.

[Generative AI in onderwijs en consequenties voor toetsing](https://uu.nl/onderwijs/onderwijsadvies-training/kennisdossiers/themadossier-generatieve-ai-in-het-onderwijs/generative-ai-in-onderwijs-en-de-consequenties-voor-toetsing) - Koenders, L. & Prins, F. (2024). Universiteit Utrecht.

[Richtlijnen voor het gebruik van generatieve AI](https://uu.nl/organisatie/huisstijl/richtlijnen-voor-het-gebruik-van-generatieve-ai) - Universiteit Utrecht (2024).

Hoofdstuk 6

De meetlat langs de machine: Toetsing en beoordeling in het AI-tijdperk

Inleiding

Stel je voor dat je vier jaar lang hebt getraind voor een marathon. Op de wedstrijddag spring je echter stiekem in een taxi die je naar de finish brengt. Je hebt de medaille, maar heb je ook het uithoudingsvermogen ontwikkeld? In het onderwijs staan we voor een soortgelijk dilemma. Jarenlang was het schrijven van een essay of rapport het bewijs van intellectuele 'conditie'. Met de komst van generatieve AI is die taxi ineens voor iedereen beschikbaar, gratis en razendsnel.

Voor jou als bijna-afgestudeerde hbo-professional is dit vraagstuk cruciaal. Of je nu het onderwijs in gaat, HR-beleid gaat schrijven of teams gaat aansturen: je moet kunnen beoordelen of iemand daadwerkelijk competent is, of slechts goed is in het aansturen van een algoritme. Zoals besproken in hoofdstuk 5 brengt dit ethische risico's met zich mee, maar het dwingt ons vooral om terug te gaan naar de tekentafel van toetsing. Hoe garanderen we de waarde van een diploma in een wereld waar kennisgeneratie geautomatiseerd is?

Theorie

De kern van toetsing draait om validiteit: meten we wat we beogen te meten? Als een leerdoel stelt dat een student "een kritische analyse moet kunnen schrijven", en de student laat dit doen door ChatGPT, dan meet de inleveropdracht niet langer de analysevaardigheid van de student, maar de prompt-vaardigheid (Npuls, 2025).

De Twee-banen aanpak

Om grip te krijgen op toetsing in het AI-tijdperk, hanteren veel hogeronderwijsinstellingen, waaronder de Universiteit Utrecht en Npuls, de zogenaamde 'Twee-banen aanpak' (Two-Lane Approach).

Baan 1: Kwaliteitsmeting van opbrengsten (Assessment of Learning)

Baan 2: Ontwikkelingsgerichte toetsing (Assessment for & as Learning)

In deze baan wordt AI juist omarmd en geïntegreerd. De professional van de toekomst moet immers met deze tools kunnen werken. Hierbij beoordeel je niet alleen het eindproduct, maar vooral het proces en de verantwoording. De vraag verschuift van "Schrijf een marketingplan" naar "Verbeter dit door AI gegenereerde marketingplan en onderbouw je keuzes met vakliteratuur" (Npuls, 2025).

student presentation whiteboard — Afb: Presentatie als beoordelingsvorm - Peer feedback kan de leerervaring verrijken en de kwaliteit van de presentatie verbeteren.

Verschuiving naar procesbeoordeling

Traditioneel lag de focus in het hbo vaak op het eindproduct (het verslag). Door AI verschuift de focus noodzakelijkerwijs naar het proces. Dit betekent dat eerdere versies, logboeken, reflecties en de 'weg ernaartoe' zwaarder gaan wegen bij de beoordeling. Het gaat er niet om dat je op je bestemming bent aangekomen – zoals bij een all-inclusive reis waar je enkel het vliegtuig uitstapt – maar om hoe je de reis hebt genavigeerd en welke keuzes je onderweg hebt gemaakt.

Constructive Alignment 2.0

Het principe van Constructive Alignment (Biggs, 1996) stelt dat leerdoelen, onderwijsactiviteiten en toetsing op één lijn moeten liggen. AI verstoort deze lijn als we niet oppassen. Als we AI toestaan in de lessen (activiteiten), maar verbieden bij het huiswerk dat beoordeeld wordt zonder toezicht, ontstaat er frictie. Een herontwerp van het curriculum is vaak noodzakelijk om de validiteit te waarborgen (UU, 2025).

interview table conversation — Afb: Beoordelingsgesprek - Een essentieel instrument voor formatieve en summatieve evaluatie, waarbij feedback centraal staat.

Kernbegrippen

Validiteit: De mate waarin een toets daadwerkelijk meet wat hij beoogt te meten (bijv. competentie vs. tool-gebruik).

Authentieke toetsing: Toetsvormen die directe, realistische beroepssituaties simuleren waarbij de context zo specifiek is dat AI alleen als hulpmiddel kan dienen, niet als maker.

Two-Lane Approach: Een strategisch model dat onderscheid maakt tussen toetsing zonder AI (voor basisbeheersing) en toetsing mét AI (voor beroepsbekwaamheid).

Procesbeoordeling: Een evaluatievorm waarbij de nadruk ligt op de stappen, iteraties en reflectie die leiden tot een eindproduct, in plaats van alleen het product zelf.

Attributie: Het correct en transparant vermelden van welke AI-tools zijn gebruikt en voor welke onderdelen van de opdracht, vergelijkbaar met bronvermelding (Haagse Hogeschool, 2024).

Voorbeelden

Voorbeeld 1: De verschuiving van product naar proces
Een vierdejaars student Communicatie moest voorheen een persbericht schrijven. In de nieuwe opzet genereert de student met behulp van AI drie varianten van een persbericht voor verschillende doelgroepen. De toetsopdracht is vervolgens: "Analyseer de tekortkomingen van de AI-versies op het gebied van toon en framing, en herschrijf de beste versie tot een definitief bericht dat past bij de specifieke bedrijfscultuur." Hier beoordeelt de docent het redeneervermogen en de redactievaardigheden, niet puur de tekstproductie.

Voorbeeld 2: Het criteriumgericht interview
Bij afstuderen wordt steeds vaker gekozen voor een mondelinge verdediging als doorslaggevend moment. De student levert een scriptie of beroepsproduct in (waarbij AI ondersteunend kan zijn geweest), maar tijdens het assessment wordt diepgravend doorgevraagd. Als een student de theoretische kaders niet mondeling kan toelichten of geen verbanden kan leggen zonder 'spiekbriefje', valt hij door de mand. Dit is te vergelijken met iemand die claimt een boek gelezen te hebben door de samenvatting te bekijken: bij de eerste inhoudelijke vraag over de diepere thema's loopt het gesprek vast.

infographic flowchart assessment process — Afb: Assessmentproces als flowchart - illustratie van de iteratieve stappen in toetsing en beoordeling, van leerdoelen tot feedback.

Verdieping

Het fraudevraagstuk is complex. Waar plagiaatdetectoren (zoals Turnitin) voorheen tekstoverlap zochten, is AI-detectie fundamenteel onbetrouwbaar. AI-detectoren genereren vaak 'vals-positieven', waarbij eigen werk van studenten onterecht als AI wordt aangemerkt. De Autoriteit Persoonsgegevens en diverse examencommissies waarschuwen dat AI-detectietools niet als enig bewijs mogen dienen voor fraude (Haagse Hogeschool, 2024).

Dit betekent dat de rol van de examinator verandert van 'politieagent' naar 'detective'. Bij een vermoeden van ongeoorloofd AI-gebruik (bijvoorbeeld: het werk is van veel hoger niveau dan eerdere opdrachten, of bevat ‘hallucinaties’/fictieve bronnen), is het gesprek met de student leidend. Kan de student uitleggen wat er staat? Kan de student de bronnen aanwijzen? De menselijke maat en professionele intuïtie worden hierin belangrijker dan softwarematige 'scores'.

Onderwijsdirecteuren en examencommissies moeten daarom beleid maken dat niet gebaseerd is op angst, maar op transparantie. Dit vereist dat studenten leren hoe ze transparant kunnen zijn over hun AI-gebruik (bijvoorbeeld via een AI-paragraaf in hun verslag), in plaats van het gebruik ondergronds te drijven.

Infographic: Toetsing en beoordeling — Afb: Overzicht Toetsing en Beoordeling - Deze infographic visualiseert de belangrijkste stappen en overwegingen in het proces van toetsing en beoordeling binnen het hoger onderwijs.

Opdrachten

Opdracht 1: De AI-check (Eenvoudig)
Neem een recente opdracht of toets uit je eigen studie (of stage). Beoordeel deze aan de hand van de volgende vraag: "Kan een student met ChatGPT-4o binnen 15 minuten een voldoende halen voor deze opdracht zonder de stof te begrijpen?" Licht je antwoord toe.

Opdracht 2: Rubrice analyse (Analyse)
Zoek een beoordelingsformulier (rubric) van een schriftelijke opdracht.
* Welke criteria zijn kwetsbaar voor AI (bijv. "correct taalgebruik", "logische structuur")?
Herschrijf één criterium zodat het minder kwetsbaar is en meer gericht op de eigen* inbreng van de student (bijv. "verwerking van specifieke casuïstiek uit de les").

Opdracht 3: Ontwerp een Baan-2 toets (Uitdagend)
Ontwerp een toetsopdracht voor een vak naar keuze waarbij het gebruik van Generatieve AI verplicht is.
* Beschrijf het leerdoel.
* Beschrijf de instructie voor de student (welke rol speelt AI?).
Beschrijf hoe je beoordeelt of de student zelf* competent is, en niet alleen de AI.

Check jezelf

Waarom is traditionele plagiaatdetectie niet voldoende voor AI-teksten?

Antwoord: AI genereert elke keer unieke tekst, waardoor er geen overlap is met bestaande databases. Bovendien zijn AI-detectoren onbetrouwbaar en geven ze vaak vals-positieven.

Wat houdt 'Baan 1' in binnen de Twee-banen aanpak?

Antwoord: Baan 1 betreft toetsing waarbij AI is uitgesloten of strikt gecontroleerd (surveillance) om individuele basiskennis en -vaardigheden te meten.

Hoe beïnvloedt AI het concept 'Constructive Alignment'?

Antwoord: Als leeractiviteiten en toetsing niet op elkaar zijn afgestemd wat betreft AI-gebruik (bijv. wel oefenen met AI, maar toetsen alsof het niet bestaat zonder beveiliging), sluit de toets niet meer aan op de leerpraktijk of meet hij niet het juiste leerdoel.

Wat is het voordeel van procesbeoordeling ten opzichte van productbeoordeling in het AI-tijdperk?

Antwoord: Bij procesbeoordeling krijg je inzicht in de denkstappen, iteraties en authenticiteit van de student, wat moeilijker te vervalsen is door AI dan enkel het eindproduct.

Wat wordt bedoeld met 'attributie' bij het inleveren van werk?

Antwoord: Het transparant vermelden door de student welke AI-tools zijn gebruikt, voor welk deel van de opdracht en met welke prompts.

Samenvatting

validiteit

Twee-banen aanpak

procesbeoordeling

transparantie

Constructive Alignment

Bronnen

[Visie op toetsing en examinering](https://www.npuls.nl/_assets/3cff3f77-9fb0-4226-adb0-66d44de18c85/Visie-op-toetsing-en-examinering-Npuls.pdf) - Npuls publicatie over AI-bewuste toetspraktijken (2025)

[Toetsprogramma’s onder de loep](https://uu.nl/onderwijs/onderwijsadvies-training/kennisdossiers/themadossier-generatieve-ai-in-het-onderwijs/toetsprogrammas-onder-de-loep-wat-doet-genai-met-de-validiteit-van-een-toetsprogramma) - Universiteit Utrecht kennisdossier over validiteit en GenAI (2025)

[Enhancing teaching through constructive alignment](https://pubmed.ncbi.nlm.nih.gov/22606992/) - Biggs, J. (1996). Fundamenteel artikel over onderwijsontwerp.

[Handreiking (G)AI voor examencommissies](https://community-data-ai.npuls.nl/attachment/entity/1855cef0-68ae-4e11-b101-5b67ef449129) - De Haagse Hogeschool, kaders voor fraude en kwaliteit (2024)

Hoofdstuk 7

De architect van innovatie: AI implementeren en professionaliseren

Inleiding

Welkom in de laatste fase van je opleiding. Je staat op het punt de stap te maken van student naar startbekwaam professional. In de voorgaande hoofdstukken heb je geleerd hoe AI werkt, hoe je ermee communiceert (prompting) en hoe je de ethische en toets-technische aspecten waarborgt. Maar als docent sta je er nooit alleen voor.

Innovatie in het onderwijs is te vergelijken met een marathonloper die zich voorbereidt op een grote wedstrijd. Je kunt zelf in topvorm zijn (individuele vaardigheden), maar zonder een goed ondersteunend team, de juiste routebeschrijving en heldere spelregels (organisatiebeleid), haal je de finish niet efficiënt. In dit hoofdstuk verschuift de focus van jouw individuele handelen in de klas naar jouw rol binnen de onderwijsorganisatie. Hoe implementeer je AI-toepassingen op een duurzame manier? En hoe neem je collega's mee in deze ontwikkeling die misschien minder 'AI-geletterd' zijn dan jij?

Theorie

De implementatie van Generatieve AI (GenAI) in een onderwijsinstelling vraagt om een gelaagde aanpak. Het is niet voldoende om simpelweg een tool te introduceren; de integratie raakt de kern van het curriculum en de visie op leren.

hands typing laptop — Afb: Digitale professionalisering - Effectieve implementatie van nieuwe strategieën vereist vaak een combinatie van vaardigheid en technologie.

De drie niveaus van implementatie

Onderwijsinstellingen zoals King’s College London en de Universiteit Utrecht (UU) onderscheiden drie niveaus waarop AI invloed heeft en geïmplementeerd moet worden (UU, 2024):

Macroniveau: Dit betreft de instellingsbrede visie. Hier worden kaders geschetst over fraude, privacy en de ethische code. Als docent moet je weten wat de "AI Vision and Strategy" van jouw school is.

Mesoniveau: Dit is het niveau van de opleiding of het departement. Hier wordt bepaald welke eindtermen kwetsbaar zijn voor GenAI en hoe het curriculum als geheel reageert.

Microniveau: Dit gaat over jouw eigen cursus of lesmodule. Hier maak je didactische keuzes over werkvormen en directe interactie met studenten.

Een veelgemaakte fout is dat individuele docenten op microniveau aan de slag gaan zonder afstemming op het mesoniveau. Dit kan leiden tot inconsistentie voor studenten: bij de ene docent is ChatGPT verboden, bij de andere verplicht.

AI-geletterdheid als basiscompetentie

Om AI succesvol te implementeren, is professionalisering noodzakelijk. De Universiteit Gent (UGent) benadrukt het belang van AI-geletterdheid. Dit houdt in dat zowel docenten als studenten de tools verantwoord kunnen gebruiken, erover kunnen reflecteren en kennis hebben van de limieten en risico's (UGent, 2025). Het gaat hierbij niet alleen om technische knoppenkennis, maar om een kritische houding. Je moet begrijpen dat achter elke AI-tool een dataset en een algoritme zitten die bias kunnen bevatten (Radboud Universiteit, 2025).

presentation screen audience — Afb: Implementatie door presentatie - Een effectieve presentatie is cruciaal voor draagvlak en succesvolle implementatie van nieuwe professionaliseringsinitiatieven.

Kernbegrippen

AI-geletterdheid: Het vermogen om AI-technologieën effectief, kritisch en ethisch verantwoord te gebruiken en te begrijpen.

Generatieve AI (GenAI): Een vorm van artificiële intelligentie die nieuwe content (tekst, beeld, audio) creëert op basis van patronen in bestaande data (UU, 2024).

Constructive Alignment: Het ontwerpprincipe waarbij leerdoelen, onderwijsactiviteiten en toetsing naadloos op elkaar aansluiten, nu herzien in het licht van AI.

Human-in-the-loop: Het principe dat bij inzet van AI-systemen de menselijke professional altijd de eindverantwoordelijkheid en beslissingsbevoegdheid behoudt (UU, 2025).

Meso-niveau: Het organisatorische niveau (opleiding/departement) waar curriculumbeslissingen worden genomen over de integratie van AI in eindtermen.

Voorbeelden

Casus: De herziening van schrijftaken
Stel je voor dat je werkt bij een opleiding Rechten. Op het mesoniveau besluit het opleidingsteam dat studenten moeten leren omgaan met onduidelijke regelgeving (een eindterm). De docenten realiseren zich dat een standaard essay thuis schrijven kwetsbaar is voor fraude door AI.

In plaats van AI te verbieden, kiest het team voor een innovatieve aanpak op microniveau. De opdracht wordt opgesplitst:

In de les (offline) schrijven studenten een argumentatieschema.

Thuis werken ze dit uit tot een essay, waarbij ze expliciet GenAI mogen gebruiken als schrijfcoach (redigeren).

Studenten leveren een reflectieverslag in inclusief de gebruikte prompts.

Dit voorbeeld, gebaseerd op een praktijkcasus van de Universiteit Utrecht, laat zien hoe je AI omarmt zonder de validiteit van de toetsing te verliezen (UU, 2024). Net zoals je bij het lezen van een complexe roman tussen de regels door moet lezen om de ware betekenis te snappen, moet je bij AI-implementatie kijken naar wat je werkelijk wilt toetsen, en niet blijven hangen aan de traditionele vorm.

team meeting whiteboard — Afb: Whiteboard tijdens teamsessie - Visualisatie van doelen en actiepunten bevordert de implementatie van professionaliseringsinitiatieven.

Verdieping

Professionalisering gaat verder dan een eenmalige workshop. Het vraagt om een cultuuromslag. De Radboud Universiteit stelt dat docenten studenten moeten leren dat ChatGPT er regelmatig naast zit en dat informatie, zeker in het Nederlands, soms gedateerd of onjuist vertaald is (Radboud Universiteit, 2025).

Tegelijkertijd moet je als docent waken voor de 'kloof'. Sommige collega's zullen AI omarmen, anderen voelen weerstand. Dit is normaal. Bij het implementeren van AI-beleid is het cruciaal om transparant te zijn naar studenten. Zo hanteert de UGent de richtlijn: "Verantwoord generatieve-AI-gebruik is altijd toegelaten tenzij een lesgever het gebruik expliciet verbiedt" (UGent, 2025). Dit draait de bewijslast om en vraagt van docentteams om proactief na te denken over hun onderwijsontwerp in plaats van reactief te verbieden.

Daarnaast speelt de juridische en ethische component een grote rol bij professionalisering. Docenten moeten weten dat ze geen confidentiële data van studenten of ongepubliceerd onderzoek in openbare AI-tools mogen uploaden (UGent, 2025). Kennisveiligheid is een essentieel onderdeel van de professionaliseringsslag.

Opdrachten

1. De AI-Checklist (Eenvoudig)

Bekijk de richtlijnen van jouw eigen (stage)school of gebruik de kernwaarden van de UGent (verantwoordelijkheid, eerlijkheid, veiligheid).
Opdracht: Stel een beknopte checklist op van 5 punten die je aan het begin van een nieuwe module met je studenten bespreekt om kaders te stellen voor AI-gebruik.

2. Meso-analyse (Analyse)

Kies een vak of module uit je huidige curriculum. Analyseer de leerdoelen.
Opdracht: Identificeer één leerdoel dat 'kwetsbaar' is voor GenAI (bijv. "De student kan een samenvatting schrijven"). Schrijf een advies aan je teamleider waarin je op basis van het onderscheid 'effecten met tech' vs 'effecten van tech' (Salomon, via UU, 2024) beargumenteert of je de toetsvorm moet aanpassen of het leerdoel moet herzien.

3. De Workshop (Uitdagend)

Je bent gevraagd om een studiedag te organiseren voor je collega's over AI.
Opdracht: Ontwerp een draaiboek voor een workshop van 2 uur. Net als bij het plannen van een verre reis, moet je een logische route uitstippelen.
* Beginpunt: Waar staan de collega's nu? (Nulmeting kennis)
* De reis: Welke hands-on activiteit gaan ze doen? (Bijv. samen een prompt itereren)
* Bestemming: Wat is het fysieke resultaat van de workshop? (Bijv. een concept-paragraaf voor het OER).
Gebruik de bronnen om je keuzes theoretisch te onderbouwen.

Check jezelf

Wat is het verschil tussen het meso- en microniveau bij AI-implementatie?

Antwoord: Het meso-niveau betreft beleid binnen de opleiding en eindtermen, terwijl het microniveau gaat over de invulling van specifieke lessen en toetsen door de docent.

Wat houdt 'AI-geletterdheid' volgens de UGent in?

Antwoord: Het vermogen om tools verantwoord te gebruiken, kritisch te reflecteren op de output en kennis te hebben van risico's en limieten.

Waarom is inzicht in 'human-in-the-loop' belangrijk voor docenten?

Antwoord: Omdat AI een hulpmiddel blijft en de menselijke professional altijd verantwoordelijk moet blijven voor de uiteindelijke beslissingen en beoordelingen.

Noem een risico bij het gebruik van GenAI voor Nederlandse teksten.

Antwoord: Nederlandse antwoorden zijn vaak incompleet, onjuist of bevatten vreemde vertalingen vanuit het Engels, en de data is niet altijd actueel.

Wat is het advies van de UGent m.b.t. het verbieden van AI?

Antwoord: Verantwoord gebruik is in principe toegelaten, tenzij de docent het expliciet verbiedt omdat het noodzakelijk is voor het evalueren van specifieke competenties.

Samenvatting

Implementatie van AI vindt plaats op macro- (school), meso- (opleiding) en micro-niveau (les).

AI-geletterdheid is een essentiële competentie voor zowel docenten als studenten om verantwoord met technologie om te gaan.

Bij professionalisering moet de focus liggen op didactisch herontwerp (constructive alignment) en niet alleen op detectie van fraude.

Transparantie en duidelijke communicatie over wat wel en niet mag (ethical guidelines) voorkomen onduidelijkheid bij studenten.

Kennisveiligheid is cruciaal: docenten moeten weten welke data wel en niet gedeeld mag worden met AI-systemen.

Bronnen

[Generatieve AI](https://uu.nl/onderwijs/onderwijs-aan-de-uu/onderwijs-geven/generatieve-ai) - Universiteit Utrecht (2024)

[Generatieve AI in het UGent-onderwijs: impact en aanpak](https://educationtips.ugent.be/nl/tips/chatgpt-een-generatief-ai-systeem-met-impact-op-he/) - Universiteit Gent (2025)

[AI in het onderwijs](https://www.ru.nl/medewerkers/docenten/onderwijs-ontwerpen/ai-in-het-onderwijs) - Radboud Universiteit (2025)

[Docenten en onderwijsondersteuners](https://uu.nl/organisatie/ai-beleid/docenten) - Universiteit Utrecht AI-beleid (2025)

[Generative AI in onderwijs en de consequenties voor toetsing](https://uu.nl/onderwijs/onderwijsadvies-training/kennisdossiers/themadossier-generatieve-ai-in-het-onderwijs/generative-ai-in-onderwijs-en-de-consequenties-voor-toetsing) - Kennisdossier Universiteit Utrecht (2024)