Kan AI helpen elk leerling een interessantere programmeerles te geven?

Niet elke leerling leert op dezelfde manier. De ene heeft meer ondersteuning nodig, terwijl een andere sneller vooruitgaat. Ook wat leerlingen interessant of relevant vinden, verschilt sterk.

Voor leerkrachten maakt dat differentiatie moeilijk. Je wilt onderwijs aanpassen aan verschillende niveaus en interesses, maar voor elke leerling afzonderlijk materiaal maken kost te veel tijd.

In mijn masterproef bekeek ik dat probleem binnen het programmeeronderwijs. Sommige leerlingen vinden programmeren meteen boeiend, terwijl anderen zich vooral afvragen waarom ze het moeten leren.

Net daar kan artificiële intelligentie helpen.Niet door de leerkracht te vervangen, maar door leerkracht en AI te laten samenwerken. Dat idee stond centraal in mijn masterproef.

Waarom zou ik dit moeten leren?

Het soort denken dat je leert door te programmeren, wordt steeds belangrijker. Je leert om problemen op te delen, logisch te redeneren en stap voor stap naar een oplossing te zoeken.

Beginnende programmeeroefeningen zijn vaak erg technisch. Een leerling krijgt bijvoorbeeld de opdracht om een getal in te lezen, een berekening uit te voeren en het resultaat op het scherm te tonen.

Daar leert de leerling programmeren mee. Maar het antwoord op de vraag “Wat kan ik hier eigenlijk mee?” blijft soms afwezig. 

Net daar vertrok mijn onderzoek. Wat als een programmeeroefening niet alleen een programmeerconcept aanleert, maar tegelijk aansluit bij een onderwerp dat voor de leerling betekenisvoller is?

Een leerling kan bijvoorbeeld een if-structuur leren door te controleren of een willekeurig getal groter is dan tien. Maar diezelfde structuur kan ook gebruikt worden om biologische gegevens te verwerken en op basis daarvan een beslissing te nemen.

Het programmeerconcept blijft hetzelfde. De context verandert. Het idee daarachter is eenvoudig: Als een leerling snapt waarvoor programmeren waardevol kan zijn dan kan dat helpen om de leerstof relevanter en interessanter te maken.

Waarom biologie?

Voor mijn masterproef richtte ik me op leerlingen uit Biotechnologische en Chemische STEM-wetenschappen, of BCSW. Die leerlingen stelde zich de vraag “Wat is het nut van programmeren” 

Om het nut van programmeren duidelijker te maken koos ik ervoor de oefeningen te contextualiseren in biologie. Een onderwerp dat normaal op hun lijf was geschreven. 

Maar zulke oefeningen ontwerpen kost tijd. Men moet niet alleen een goed programmeerprobleem bedenken, maar ook rekening houden met het niveau van de leerling, de juiste biologische context, de moeilijkheidsgraad, etc. 

Met generatieve AI kan dat proces veel sneller verlopen. Tenminste, in theorie.

“Vraag het gewoon aan ChatGPT” is niet genoeg

Op het eerste gezicht lijkt de oplossing eenvoudig. Vraag een taalmodel: “Maak vijf programmeeroefeningen over genetica”, en enkele seconden later krijg je een reeks opdrachten.

Maar onderwijs bestaat niet uit vijf willekeurige oefeningen. Een leerkracht denkt in een opbouw. Wat kennen leerlingen al? Wat moeten ze vandaag leren? Welke oefening komt eerst? 

Tijdens mijn onderzoek zag ik dat AI daar regelmatig fouten in maakte. Een oefening kon op zichzelf goed klinken, maar een concept gebruiken dat leerlingen nog niet gezien hadden. Een voorbeeldoplossing kon afwijken van de opdracht, etc.

Daarom ging mijn thesis niet alleen over het genereren van oefeningen. De belangrijkere vraag was: hoe kunnen we AI zo inzetten dat het een bruikbaar hulpmiddel wordt voor de leerkracht?

De leerkracht blijft aan het stuur

Het systeem dat ik ontwikkelde vertrekt daarom vanuit de keuzes van de leerkracht. De leerkracht kan aangeven wat leerlingen al kennen, wat ze moeten leren, welke programmeerconcepten gebruikt mogen worden en binnen welke context oefeningen gemaakt moeten worden.

De AI stelt vervolgens oefeningen voor en probeert daarbij ook rekening te houden met de rest van de reeks. Een eerste oefening kan bijvoorbeeld een concept introduceren, een volgende laat het verder inoefenen en een latere opdracht combineert verschillende vaardigheden.

Het systeem probeert bovendien fouten op te sporen en oefeningen te verbeteren voordat ze bij de leerkracht terechtkomen. Maar de uiteindelijke beslissing blijft bij de leerkracht. Dat is essentieel. 

Een AI kent een klas niet zoals een leerkracht dat doet. Ze weet niet welke uitleg gisteren moeilijk verliep, welke leerling extra ondersteuning nodig heeft of wanneer een oefening pedagogisch geschikt is.

En wat vonden leerlingen ervan?

Om te onderzoeken of deze aanpak ook buiten het computersysteem zinvol was, werden de oefeningen beoordeeld door leerkrachten en domeinexperts.

Daarnaast werkten 43 leerlingen uit drie scholen met de gegenereerde oefeningen. Een deel kreeg meer klassieke programmeeroefeningen. Een andere groep kreeg oefeningen waarin programmeren gecombineerd werd met een biologische context.

Wat bleek? 

Voor veel leerlingen maakte de biologische context de oefeningen interessanter en hielp ze om duidelijker te zien waarvoor programmeren gebruikt kan worden. Maar dat gold niet voor iedereen. Dat is een gekende uitdaging bij contextualiseren: wat voor de ene leerling interessant is, hoeft dat voor een andere niet te zijn. 

Daar ligt meteen een interessante volgende stap. In plaats van één context voor een hele klas te gebruiken, zou AI in de toekomst verschillende contextuele varianten van dezelfde programmeeroefening kunnen maken.

Wat als we niet moeten kiezen tussen mens en AI?

De leerkracht kent de leerlingen, bepaalt de leerdoelen en bewaakt de kwaliteit. AI kan helpen om sneller oefeningen te maken en aan te passen. De sterkte zit net in die combinatie.

Daar liggen ook mogelijkheden die verder gaan dan mijn thesis. Als AI verschillende versies van dezelfde oefening kan maken, kan niet alleen de moeilijkheid worden aangepast, maar ook de context waarin een leerling leert. De ene leerling kan hetzelfde programmeerconcept inoefenen via biologie, een andere via een onderwerp dat beter bij zijn of haar interesses aansluit.

Zo kan AI op termijn helpen om differentiatie praktischer haalbaar te maken, terwijl de leerkracht bepaalt wat leerlingen moeten leren en welke aanpassingen zinvol zijn.

Mijn masterproef was daarin een eerste stap. Het systeem is nog geen afgewerkt product en AI maakt nog fouten. Maar het onderzoek toont wel welke richting mogelijk wordt wanneer we AI niet zien als vervanger van de leerkracht, maar als gereedschap in diens handen, een iets dat hem/haar juist meer mogelijkheden geeft om leerlingen op een manier te bereiken die bij hen past.