Leerkader
AI-leerassistent · secundair onderwijs

De leerkracht zet het kader. De assistent denkt mee.

Leerkader helpt leerlingen naar het antwoord, in plaats van het voor te zeggen. Wat de assistent mag, bepaalt de leerkracht: per klas, per les, per opdracht.

Dezelfde vraag, twee assistenten

Een chatbot doet het werk. Leerkader laat de leerling denken.

Een gewone chatbot

zonder kader
Een leerling plakt de oefening over een krat van 4,0 kg die versnelt met 3,55 m/s². De chatbot rekent F = m · a meteen uit en geeft het antwoord 14,2 N.

Antwoord meteen gegeven. De leerling heeft niets zelf gedaan.

Leerkader

oefenles fysica

Geef me gewoon het antwoord, alsjeblieft.

Ik geef je in deze les niet het eindantwoord. Je leerkracht wil dat je het zelf uitwerkt, en ik help je stap voor stap. Wat is er gegeven?

eindantwoord: nooit · gekozen door de leerkracht

Is het 4 + 3,55 = 7,55 N?

Het lijkt erop dat je de massa en de versnelling hebt opgeteld. Die hebben verschillende eenheden. Welke bewerking verbindt ze in de tweede wet van Newton?

denkfout herkend · hulp één stap hoger

Kun je de formule op internet opzoeken?

Zoeken op internet staat uit in deze les. Je leerkracht koos het cursusmateriaal als bron. [S1] De nettokracht is gelijk aan massa maal versnelling…

internet: uit · alleen cursusmateriaal

Ah, dus F = m · a = 4,0 · 3,55 = 14,2 N

Dat is juist, goed gedaan. Kun je in je eigen woorden uitleggen waarom deze aanpak werkt?

Zelf gevonden, en zelf uitgelegd.

Rechts: echte gesprekken met ons prototype, licht ingekort. De kaders onder de antwoorden tonen welke instelling van de leerkracht de reactie bepaalde. Merk op: bij fysica stond internet uit, bij Nederlands aan. De leerkracht kiest per les.

Het probleem

Wie het antwoord krijgt, oefent niet.

Leerlingen gebruiken AI al bij hun huiswerk. Een chatbot geeft meteen het antwoord. Dat voelt als leren, maar het denkwerk deed de chatbot.

Onderzoekers lieten bijna 1000 leerlingen wiskunde oefenen, met en zonder chatbot.[1]

Het onderzoek

Een eigen tutor werkt. Maar niemand kan het betalen.

In 1984 vergeleek onderwijsonderzoeker Benjamin Bloom leerlingen in een gewone klas met leerlingen die een persoonlijke tutor kregen. Het verschil was enorm.[2]

Bloom noemde dit het 2 sigma-probleem: het effect is groot, maar geen school kan elke leerling een eigen tutor geven.

Twee bulten tonen hoe de toetsscores verdeeld zijn. De bult van leerlingen met een persoonlijke tutor ligt veel verder naar rechts, bij hogere scores.

Hoe verder naar rechts, hoe hoger de score. Naar Bloom (1984).

98%van de klas scoort lager dan de gemiddelde leerling met een tutor
90%van de leerlingen met een tutor haalt het niveau van de beste 20%
“…giving every student on the planet an artificially intelligent but amazing personal tutor.”
Sal Khan, oprichter van Khan Academy, TED 2023[3] · bekijk de talk (15 min, Engels)

In 2023 gaf Sal Khan een bekende TED-talk over het onderzoek van Bloom. Zijn boodschap: AI kan elke leerling een persoonlijke tutor geven. Zo wordt het 2 sigma-probleem eindelijk betaalbaar.

Maar alleen met de juiste vangrails. Volgens Khan doet een goede AI-tutor vier dingen:

Hij zegt het antwoord niet voor.

Vraagt een leerling om het antwoord, dan zegt zijn tutor: “Ik ben je tutor. Wat denk je dat de volgende stap is?”

In LeerkaderDe leerkracht beslist of, en wanneer, het antwoord mag.

Hij ziet de denkfout.

Maakt een leerling een fout, dan zoekt de tutor waar het misliep en vraagt hij de leerling zijn redenering uit te leggen.

In LeerkaderLeerkader herkent denkfouten in elke tussenstap.

De leerkracht kijkt mee.

Elk gesprek is zichtbaar voor de leerkracht.

In LeerkaderBij elke reactie zie je ook waarom de assistent zo reageerde.

Het vraagt werk achter de schermen.

Een AI op een website zetten is niet genoeg. Pas met veel werk eromheen wordt het een goede tutor.

In LeerkaderDat werk is het kader. Dat is wat Leerkader bouwt.

De oplossing

Jij zet het kader. De assistent werkt erbinnen.

Het taalmodel is vervangbaar. Wat Leerkader maakt, is het kader eromheen: welke bronnen, welke hulp, welke grenzen. De leerkracht legt dat vast. De assistent werkt erbinnen, voor elke leerling apart.

nooit · na pogingen · toegestaan

Het antwoord

Mag de assistent ooit de volledige oplossing geven? En zo ja, pas na hoeveel echte pogingen?

cursus · woordenlijst · geen antwoordsleutel

De bronnen

De assistent legt uit vanuit jouw cursusmateriaal en verwijst ernaar.

uit · zoeken · alleen goedgekeurde sites

Het internet

Standaard uit. Jij kiest of en waar er gezocht mag worden, bijvoorbeeld in een les over de actualiteit.

Hulp in kleine stappen

  1. 0Eerst zelf“Wat is je eerste stap?”
  2. 1Richtvraag“Wat is er gegeven?”
  3. 2Denkhint“Welke wet verbindt kracht en massa?”
  4. 3Deelstap“F = m · a. Wat is m?”
  5. 4Tussenstap“Vul in en reken zelf uit.”
  6. 5Volledige uitlegAlleen als jij het toelaat.
School›Klas›Vak›Les›Opdracht›Leerling

De strengste regel wint. Een leerling kan het kader nooit ruimer maken.

Elke reactie uitlegbaar

Je ziet welke instelling het antwoord bepaalde.

Juist of fout is geen gok

Leerkader controleert met jouw oplossing.

Geen namen naar de AI

De AI weet niet wie de leerling is.

Blijft de leerkracht nodig? Ja.

Leerkader
  • begeleidt bij het oefenen
  • herkent denkfouten
  • volgt jouw regels
De leerkracht
  • ontwerpt de les
  • motiveert en geeft betekenis
  • bepaalt het kader
Wat Leerkader brengt

Beter voor leerlingen. Lichter voor leerkrachten.

Elke leerling een tutor

Niet alleen wie bijles kan betalen.

Meer handen in de klas

Hulp zodra een leerling vastzit.

Differentiatie vanzelf

Verdieping of kleinere stappen, per leerling.

Leren zonder afleiding

Een tablet met alleen Leerkader.

Zie waar de klas vastloopt

Plan je les op wat echt moeilijk was.

Gerust voor ouders

Veilige AI, binnen de grenzen van de school.

Sommige van deze mogelijkheden bouwen we nog, samen met onze testleerkrachten.

Bronnen
  1. Bastani, H. e.a. (2025). Generative AI without guardrails can harm learning. PNAS, 122(26). doi.org/10.1073/pnas.2422633122
  2. Bloom, B. S. (1984). The 2 Sigma Problem. Educational Researcher, 13(6), 4–16.
  3. Khan, S. (2023). How AI could save (not destroy) education. TED. ted.com