De bijvangst van een scriptie

Bij het lezen van het opiniestuk over AI en fraudebestrijding van Daphne Brandenburg en Laura Burgers in de Volkskrant had ik even het gevoel dat we weer in 2022 of 2023 waren beland. Het verscheen online op 25 september 2026. Opnieuw ging het over de vraag hoe examencommissies ongeoorloofd AI-gebruik kunnen aantonen. Hoe kan dit nog steeds zo'n groot deel van het gesprek over AI in het hoger onderwijs bepalen?

Volgens mij zouden we inmiddels veel verder moeten zijn met de overgang van AI-proof naar AI-ready onderwijs. Zolang we vooral proberen de invloed van AI buiten opdrachten en beoordelingen te houden, blijven we een onderwijspraktijk verdedigen die dringend opnieuw ontworpen moet worden. Ik vind het naïef dat we in 2026 nog zoveel energie steken in het houdbaar maken van dat uitgangspunt.

Brandenburg en Burgers beschrijven natuurlijk wel een reëel dilemma. Studenten ten onrechte beschuldigen van fraude kan grote schade veroorzaken. Studenten laten slagen zonder dat ze voldoende hebben geleerd, is evenmin verantwoord. De auteurs bekritiseren zelf ook het wantrouwen en de extra controletaken die hieruit voortkomen. Mijn bezwaar zit in het vertrekpunt van het gesprek. Een onderwijsprobleem dat we steeds vanuit fraudebestrijding bekijken, kunnen examencommissies niet voor ons oplossen.

Van AI-proof naar AI-ready

Bij AI-proof onderwijs blijft de bestaande opdracht meestal het vertrekpunt. Een student moet een scriptie schrijven en de opleiding wil vaststellen of die tekst voldoende het eigen werk is. AI maakt dat lastig, dus volgen verboden, extra verklaringen of een mondeling om te controleren of de student het werk werkelijk zelf heeft gedaan. De toets moet bestand worden gemaakt tegen AI.

AI-ready onderwijs begint bij een andere vraag. Wat willen we dat iemand leert in een wereld waarin AI beschikbaar is? Welke kennis, welk begrip en welke verantwoordelijkheid moet de student zelf ontwikkelen, en hoe richten we het leren en beoordelen daarop in?

De veronderstelling dat iemand als eindproef een volledige scriptie zonder AI moet kunnen schrijven, vind ik achterhaald. Wie een onderzoeksrapport of advies maakt, moet daarbij goed met AI kunnen werken. Dat hoort in de opleiding thuis. De huidige werkwijze beschermen omdat we die gewend zijn, is geen overtuigend onderwijsdoel.

Daarvoor moeten we eerst expliciet maken wat we met zo'n scriptie willen bereiken. Een onderzoeksvraag afbakenen bijvoorbeeld, bronnen beoordelen, een methode kiezen of een conclusie onderbouwen. Die doelen kun je afzonderlijk bekijken en AI-ready organiseren. Bij bronnen beoordelen kan een student verschillende verklaringen onderzoeken die AI aandraagt, de oorspronkelijke publicaties lezen en beargumenteren welke verklaring standhoudt. Bij methodische keuzes kan de student uitleggen waarom een voorgestelde aanpak de eigen onderzoeksvraag onvoldoende beantwoordt.

Ook de beoordeling moet dan aansluiten bij wat je wilt weten. Een inhoudelijk gesprek kan zichtbaar maken of iemand een afweging begrijpt. Dat is een ander doel dan controleren wie welke zin heeft geschreven. Gericht iets zonder AI oefenen kan eveneens passen binnen AI-ready onderwijs, wanneer die oefening nodig is om een bepaald vermogen te ontwikkelen. Het leerdoel bepaalt de inrichting.

Voor mij is dit de richting waarin het onderwijs moet bewegen. Hetzelfde geldt voor zoiets als een profielwerkstuk, al zijn de doelen en het niveau daar anders. De opdracht ontleden helpt ons vaststellen wat leerlingen en studenten moeten leren. Daarna kun je de onderdelen anders organiseren of weer samenbrengen in een groot project waarin AI een normale plaats heeft.

Maar precies bij die stap begon ik te twijfelen. Als we alle expliciete leerdoelen zo opnieuw hebben ingericht, hebben we dan ook alles behouden wat iemand tijdens een scriptie of profielwerkstuk leerde?

Wat je leert buiten het onderwerp van je project

Een student onderzoekt bijvoorbeeld waarom beginnende docenten hun school verlaten. De expliciete doelen gaan over onderzoek doen en over het begrijpen van dat vraagstuk. Onderweg moet die student echter ook wekenlang richting geven aan werk waarvan de uitkomst nog onbekend is. Een eerste verklaring blijkt niet te kloppen. Het overzicht raakt zoek en moet opnieuw worden opgebouwd. Er komt een moment waarop de begeleider geen volgend stapje aanwijst en de student zelf moet bepalen hoe het verdergaat.

Misschien ontwikkelt zich daar iets wat later ook bij heel ander werk van waarde is. Iets wat je nauwelijks ziet wanneer je alleen het eindverslag beoordeelt. Ik noem dat voorlopig de bijvangst van een scriptie, al kan het best zijn dat we achteraf juist die ontwikkeling het belangrijkst vinden.

Die gedachte heeft een lange voorgeschiedenis. John Dewey schreef in 1938 over collateral learning: tijdens onderwijs ontstaan ook houdingen die buiten de direct behandelde leerstof vallen. Bijvoorbeeld de bereidheid om verder te willen leren. Wat iemand meeneemt uit onderwijs, valt dus niet samen met de inhoud die we op dat moment behandelen.

Ook onderzoek naar studentenprojecten biedt aanknopingspunten. Todd, Bannister en Clegg onderzochten de ervaringen van Britse studenten met hun afstudeeronderzoek. Zelfstandigheid, eigenaarschap en omgaan met onzekerheid waren daarin belangrijke thema's. In onderzoek van Hunter, Laursen en Seymour naar natuurwetenschappelijke onderzoeksprojecten beschreven studenten en begeleiders ook groei in zelfvertrouwen en het ontwikkelen van een identiteit als onderzoeker.

Dat zijn vooral bevindingen over ervaringen en waargenomen ontwikkeling. Ze bewijzen niet dat iedere scriptie zulke opbrengsten heeft, of dat AI ze laat verdwijnen. Bovendien zijn sommige ervan in opleidingen al expliciete doelen. Maar ze maken de vraag wel groter dan de inhoud van het project en de kwaliteit van de ingeleverde tekst.

Ik wil daarom een paar mogelijkheden verkennen. Deels sluiten ze aan bij onderzoek, deels zijn het vermoedens over wat langdurig ergens aan werken met een mens doet. Misschien kunnen we ze uitstekend als leerdoelen formuleren en AI-ready onderwijzen. Misschien blijkt dat ingewikkelder dan het klinkt. Juist daar ben ik benieuwd naar ervaringen en tegenvoorbeelden van lezers.

Langdurig in een onderwerp opgaan

Het eerste waar ik aan denk, is het vermogen om je echt ergens in te verdiepen. Zo lang met een vraag bezig zijn dat je er steeds meer verbanden in gaat herkennen. Je werkt een middag geconcentreerd door en kunt de volgende dag weer instappen in een redenering die nog niet af is. Gaandeweg leer je misschien ook hoe je voor jezelf de omstandigheden organiseert waarin dat lukt.

Je zou dat diepe concentratie of flow kunnen noemen, al zijn dat geen synoniemen. In onderzoek van Lu, Van der Linden en Bakker hangt vooruitgang in het leren samen met opgaan in een taak en minder afleidbaarheid. Dat is een aanknopingspunt voor de ervaring dat ergens verder in komen ook kan uitnodigen om langer betrokken te blijven.

Mijn vraag is of een langdurig project gelegenheid biedt om die manier van werken te leren kennen. Wat verandert er als veel tussenstappen vrijwel onmiddellijk beschikbaar komen? Misschien komt er juist meer tijd voor verdieping. Maar misschien verdwijnt ook een deel van de ervaring waarin je zelf langzaam grip krijgt op iets ingewikkelds.

‘Geconcentreerd kunnen werken’ kun je eenvoudig als doel opschrijven. Daarmee weten we nog niet hoe we het ontwikkelen. Is dit goed te organiseren binnen AI-ready onderwijs? Of zit een deel van de waarde in het langdurig zelf doorwerken van materiaal, ook wanneer dat voor het eindproduct niet meer nodig is?

Kunnen blijven bij wat je nog niet begrijpt

Een tweede mogelijkheid is geduld met je eigen onbegrip. In een onderzoek komt een moment waarop je wel informatie hebt, maar nog geen verklaring. Twee interviews spreken elkaar tegen. Je eerste indeling blijkt niet te werken. Je weet nog niet of je iets belangrijks hebt gevonden of vooral zelf de draad kwijt bent.

Misschien leer je daar verdragen dat begrijpen tijd kost. Je hoeft de onduidelijkheid niet onmiddellijk op te lossen om toch verder te kunnen werken. Soms ontstaat de betere vraag pas doordat je een eerdere verklaring een tijdje onvoldoende vindt.

AI kan je uitstekend helpen om tegenstrijdigheden te onderzoeken. Tegelijkertijd maakt zij het gemakkelijk om snel een samenhangend verhaal te krijgen. Dan ontstaat de verleiding om tevreden te zijn voordat je werkelijk hebt begrepen waar het probleem zat.

Ook hier kun je zeggen dat omgaan met onzekerheid gewoon een leerdoel moet worden. Daar ben ik het mee eens. Ik vraag me alleen af welke ervaring daarvoor nodig is. Kun je die doelbewust organiseren met AI, bijvoorbeeld door verklaringen steeds verder te laten bevragen? Of ontleen je iets aan het zelf meemaken dat een vraag dagenlang openblijft? Ik weet het eerlijk gezegd niet.

Een eigen gevoel voor het onderwerp ontwikkelen

Een derde vermoeden gaat over wat er gebeurt wanneer je een onderwerp langdurig van binnenuit leert kennen. Na weken lezen en onderzoeken merk je soms dat een conclusie wringt voordat je precies kunt uitleggen waarom. Een woord wordt anders gebruikt dan in de rest van je materiaal. Een verklaring past wel bij drie interviews, maar je herinnert je een vierde dat er niet in past.

Zo'n gevoel is geen bewijs en kan je ook op het verkeerde been zetten. Het kan wel aanleiding zijn om beter te kijken. Misschien bouw je tijdens een groot project een inhoudelijk referentiekader op dat je later helpt om de kwaliteit van een redenering te beoordelen.

Dat raakt aan een veronderstelling die gemakkelijk in AI-ready onderwijs sluipt. We laten AI steeds meer werk uitvoeren en leren mensen vervolgens het resultaat kritisch te beoordelen. Maar hoe ontstaat het inzicht waarop dat oordeel rust? In hoeverre moet je zelf hebben gezocht, geordend en geworsteld om te merken wat een overtuigend antwoord weglaat?

Misschien kun je dat inzicht heel goed ontwikkelen door veel AI-uitwerkingen te vergelijken en te onderzoeken. Misschien vraagt het daarnaast langdurig contact met het oorspronkelijke materiaal. Het doel ‘kritisch beoordelen’ is duidelijk genoeg. De vraag is of onze nieuwe leerroute ook de ervaring biedt waarmee een student dat oordeel leert vormen.

Wat AI-ready onderwijs moet meenemen

Mijn pleidooi voor AI-ready onderwijs blijft staan. Deze voorbeelden maken wel duidelijk dat we bij het herontwerp breder moeten kijken dan de meest zichtbare doelen van een opdracht. De eerste opgave is om ook de minder evidente, projectoverstijgende ontwikkeling serieus mee te nemen. Hoe iemand leert zijn aandacht te richten, met onbegrip om te gaan of een eigen oordeel te vormen, verdient een bewuste plaats. Ook als zulke doelen al op papier staan, moeten we nagaan of ons nieuwe onderwijs ze werkelijk helpt bereiken.

De tweede vraag blijft open. Kunnen we al die waardevolle ontwikkeling ook bereiken in onderwijs waarin AI veel denkwerk ondersteunt of overneemt? Ik zie geen reden om vooraf aan te nemen dat dit onmogelijk is. AI-ready onderwijs kan ook langdurige projecten bevatten waarin studenten veel zelf onderzoeken. Het is evenmin vanzelfsprekend dat alle eerdere leerervaringen behouden blijven zodra de losse leerdoelen zijn afgedekt.

Als bepaalde ontwikkeling moeilijk te behouden blijkt, zullen we moeten kiezen hoe we daarmee omgaan. Misschien ontwerpen we andere leerervaringen. Misschien blijven we sommige handelingen zelf oefenen omdat we waarde hechten aan wat we ervan leren, ook wanneer AI ze beter uitvoert. Dan moet die waarde wel helder worden. Dat iets vroeger moeite kostte, maakt het nog niet onmisbaar.

Daarmee raakt de vraag uiteindelijk ook aan wat we als mensen willen blijven kunnen en ervaren. Als we steeds minder zelf door ingewikkeld denkwerk heen hoeven, behouden we dan de vermogens die onderweg ontstonden? Of kunnen we die langs nieuwe wegen ontwikkelen? Dat is voor mij een wezenlijke open vraag.

Ik nodig daarom leerlingen, studenten, begeleiders en onderzoekers uit om deze mogelijke bijvangst concreter te maken. Welke ontwikkeling heb jij tijdens een scriptie of profielwerkstuk doorgemaakt die verder ging dan de inhoudelijke kennis en vaardigheden waarop je werd beoordeeld? Waardoor denk je dat die ontwikkeling ontstond? En zie je een manier om haar in AI-ready onderwijs te behouden, of juist een reden waarom dat moeilijk zou kunnen worden? Ook voorbeelden waarin AI die ontwikkeling versterkt, helpen om die vraag scherper te krijgen.