TLC-Centraal
ACTAAcademisch Centrum Tandheelkunde Amsterdam
EBEconomie & Bedrijfskunde
FdGFaculteit der Geneeskunde
FdRFaculteit der Rechtsgeleerdheid
FGwFaculteit der Geesteswetenschappen
FMGFaculteit der Maatschapij- en Gedragswetenschappen
FNWIFaculteit der Natuurwetenschappen, Wiskunde en Informatica
TLC-Centraal
ACTAAcademisch Centrum Tandheelkunde Amsterdam
EBEconomie & Bedrijfskunde
FdGFaculteit der Geneeskunde
FdRFaculteit der Rechtsgeleerdheid
FGwFaculteit der Geesteswetenschappen
FMGFaculteit der Maatschapij- en Gedragswetenschappen
FNWIFaculteit der Natuurwetenschappen, Wiskunde en Informatica
We onderscheiden bij datagedreven leren drie vormen van leren:
Onderstaand voorbeeld uit de praktijk gaat over leren met data.
Lees hier meer over datagedreven leren
“We zijn met een tweetal projecten in verkennende fase om te bepalen wat generatieve kunstmatige intelligentie (AI), met name het online programma ChatGPT, voor het onderwijs kan betekenen. Dit soort tools zullen toevoegingen zijn voor het bestaande onderwijs en optioneel voor de studenten om te gebruiken.
“Met de pAItient simulator hopen we dat studenten beter beslagen ten ijs komen tijdens de gesprekken met een simulatiepatiënt, zodat de leeropbrengst van het gesprek hoger is. Momenteel zijn we bezig te evalueren hoe goed de simulator de gebruiker kan helpen in het behalen van de leerdoelen. Er zijn nog verbeterpunten maar de resultaten van het eerste prototype zijn veelbelovend. Met AI4Feedback hopen we alle studenten meer gelijke kans op feedback te bieden. Momenteel zijn we ook bezig te evalueren hoe goed de tool feedback kan geven op scripties. Indien de tools goed werken zijn we van plan een pilot te doen in het onderwijs met studenten.”
“We verzamelen met beide tools geen data. In de pAItient simulator gebruiken we ter instructie van de tool casuïstiek die in het onderwijs ook wordt gebruikt. Ook kan de student zelf een uitdraai van het gesprek maken en aan een medestudent voorleggen om daar feedback op te vragen.
Met AI4Feedback gebruiken we de beoordelingscriteria van de thesis als input. Ook voert de student hier een anonieme versie van de thesis in. De student krijgt als output geschreven feedback.”
“Specifiek op het vlak van generatieve AI zou een van de dromen zijn dat iedere student een persoonlijke AI-tutor heeft die hen kan helpen met het leren van zowel inhoud, proces en zelfregulatie. Deze AI-tutor zou getraind zijn op alle eindtermen, leerdoelen, onderwijsmateriaal en studiestof van de opleiding. Vrijwillig zou de student er ook cijferlijsten, toetsresultaten en eigen verbeterpunten in kunnen zetten zodat de AI-tutor de student specifiek op de benodigde vlakken extra hulp kan aanbieden.
Op deze manier weet de AI-tutor precies wat de student moet leren, waar nog kennislacunes zijn en kan het helpen door de student gepersonaliseerd te begeleiden, feedback te geven, oefenmateriaal en oefentoetsen aan te bieden en verder uit te dagen. Door het trainen op de informatie van de studie sluit de hulp precies aan op wat we willen dat de student leert. De student heeft dan 24/7 een persoonlijke begeleider die het hele curriculum goed kent en, indien gewenst, ook de verbeterpunten van de student.
Om deze droom mogelijk te maken zouden er voldoende financiële middelen beschikbaar moeten komen om beschermde licenties op deze tools te nemen. Zo kunnen we de privacy en dataveiligheid van de studenten waarborgen. Ook zijn er voldoende middelen en mensen nodig voor het initiële instrueren en trainen van deze tools. Tot slot moeten de studenten geïnstrueerd worden in het verantwoord gebruiken van generatieve AI, overigens is dit ook nu al noodzakelijk gezien het al wijdverspreide gebruik van deze tools.”

