Studenten worden slimmer met AI
In de discussie over de opkomst van tools als ChatGPT of Claude, wordt steeds urgenter de vraag gesteld: hoe moeten onderwijsinstellingen omgaan met de inzet van Large Language Models (LLM's)?
In het recente artikel 'Hoe leren we studenten omgaan met ChatGPT?' van Cursor worden ook vragen over Artificial Intelligence (AI) opgeworpen. Deze technologieën zijn inmiddels zo wijdverspreid dat ze niet meer te negeren zijn, en studenten zetten ze routinematig in voor hun opdrachten. In plaats van alleen te focussen op controlemechanismen of het verbieden van het gebruik, pleit ik voor een fundamentelere benadering: studenten moeten de basiskennis krijgen van hoe LLM’s werken, zodat ze er op een kritische manier mee om kunnen gaan.
Op de middelbare school kunnen deze modellen als een wondermiddel worden gezien omdat ze snel correcte antwoorden geven op eenvoudige vragen. Dit maakt regulatie nodig, aangezien de technologie goed werkt voor eenvoudige taken, maar de leerlingen – begrijpelijk - ook snel kiezen voor de makkelijkste oplossing. In het hoger onderwijs ligt dat anders. De output op een moeilijke vraag kan er op het eerste gezicht indrukwekkend uitzien, met complexe termen en fraaie formules, maar is in werkelijkheid vaak volledig onjuist.
Basiskennis over de werking van dit digitale brein helpt studenten om AI-technologie beter te begrijpen en effectiever in te zetten. Door te begrijpen hoe het model werkt, kunnen ze de output beter beoordelen en aanvullen. Het doel van elke student is om kritisch naar de wereld te kijken, en dit geldt zeker ook voor deze technologie. Gelukkig is de wiskunde achter deze modellen in de basis helemaal niet zo ingewikkeld als vaak gedacht wordt. Er zijn talloze leermiddelen op internet, die in combinatie met veelvoudig gebruik een goed gevoel geven voor hoe het onderliggende model werkt. Ik durf te claimen dat ik dit inzicht en gevoel heb, aangezien ik dit digitale hulpje bovengemiddeld vaak raadpleeg – en dat is nog zacht uitgedrukt.
Neem bijvoorbeeld het maken van een datavisualisatie. Als student Data Science weet ik preciés wat ik wil: een scatterplot die het verband laat zien tussen twee variabelen, compleet met een nette trendlijn en duidelijke labels. Vroeger betekende dit eindeloos door documentatie bladeren op zoek naar de juiste syntax. 'Was het nu plt.figure of plt.plot? Waar staat ook alweer hoe je die trendlijn toevoegt?' Een LLM geeft me binnen seconden de exacte code die ik nodig heb. Geen tijd verloren aan technische details, maar meteen verder met het visualiseren van wat ik in mijn hoofd heb.
Om de technologie effectief te benutten, ben ik een voorstander van dat alle studenten basiskennis krijgen over hoe deze modellen werken. Hoe dit precies vorm krijgt laat ik graag over aan de onderwijsexperts, als die er tenminste nog zijn na alle bezuinigingen. Alleen met die kennis kunnen we als studenten AI gebruiken om onze eigen kennis en vaardigheden te versterken, in plaats van te vervallen in gemakzucht. Het doel is om een balans te vinden waarin we de voordelen van deze technologieën kunnen benutten, zonder de integriteit van ons leerproces te ondermijnen. LLM’s moeten een aanvulling zijn op onze leerervaring, niet een vervanging van kritisch denken en diepgaand begrip.
Wob Knaap is student Data Science aan de TU/e. Hij schrijft deze column op persoonlijke titel.
Discussie