'Studenten pakken écht moreel eigenaarschap over AI, en dat maakt ons trots'

De razendsnelle ontwikkeling van AI verandert ons onderwijs, ook bij de opleiding HBO-ICT, waar Stephan Peters docent is. Hij is mede-ontwikkelaar van het AI-semester, introduceerde de AI Assessment Scale voor de hele opleiding en zit in het Windesheim-brede AI-programmateam. We spraken met hem over hoe ICT-studenten AI toepassen en daarbij, zoals Stephan zegt, ‘vet toffe dingen’ leren. 

Waarom is het belangrijk dat AI is opgenomen in het ICT-curriculum? 

'Dat gaat eigenlijk al zo'n acht jaar terug, toen we het data science-semester ontwikkelden. Daarin leren studenten data analyseren met begrijpelijke algoritmes, vooral op gestructureerde data, zoals Excel-tabellen. Daarmee kun je patronen herkennen, voorspellingen doen en groepen onderscheiden.  

Ongeveer vijf jaar geleden zagen we dat we moesten doorontwikkelen. Daarom startten we het machine-learning-semester, toen nog vooral gericht op afbeeldingsherkenning en het herkennen van patronen in beeld en geluid. Tekstanalyse bestond al, maar het vakgebied was nog niet ver genoeg ontwikkeld.  

Dat veranderde toen ChatGPT drie jaar geleden ineens opkwam, en we het onderwijs opnieuw moesten inrichten.  Zo veranderde het machine-learning-semester in het AI-semester, waarin studenten ook echt leren begrijpen hoe de technieken achter zulke taalmodellen werken.  

Maar de kernvraag bleef: hoe vertaal je zo’n nieuwe, snel opkomende technologie naar het bedrijfsleven? Hoe maak je er toepassingen mee die bijdragen aan processen en kansen creëren voor organisaties?  Daarom gebruiken we de industriestandaard CRISP-DM. Die begint altijd bij het bedrijfsprobleem. Wat is de vraag achter dit probleem? Wat is de context? Studenten vertalen dat vervolgens naar een concrete technische opdracht. Zo leren ze denken vanuit de klant en bouwen ze oplossingen die daadwerkelijk iets opleveren.' 

Wat leren studenten tijdens het AI-semester? 

'Studenten bouwen tijdens het AI-semester hun eigen AI-modellen, oftewel neurale netwerken. Leren hoe AI onder de motorkap werkt, en niet alleen wat het doet. Onder begeleiding van docenten krijgen ze eerst de theorie, waarna studenten die direct toepassen in werkcolleges, themaopdrachten en huiswerkopdrachten met echte datasets. Daarna werken ze aan casussen van externe opdrachtgevers. Ze beginnen bij een bedrijfsprobleem en vertalen dat naar een concrete technische vraag. Vervolgens zoeken en bewerken ze data, bouwen en valideren ze hun modellen en checken ze of hun oplossing het echte klantprobleem oplost. Zo doorlopen ze de hele cyclus.' 

Welke casussen voeren studenten uit voor bedrijven? 

'Een voorbeeld: een bedrijf wil huizen verduurzamen, maar als er vleermuizen in de spouwmuur zitten en je spuit die vol met isolatieschuim, gaan ze dood zonder dat je het merkt. Studenten onderzoeken of ze met audio-opnames in en rondom huizen vleermuizen kunnen detecteren om dit te voorkomen. 

Een ander bedrijf maakt vuilniscontainers leeg die uit de grond komen. Veel mensen zetten afval naast zulke containers neer. Studenten onderzoeken of een automatisch fotosysteem kan herkennen wanneer en wat voor extra afval er is bijgezet. Vervolgens kan het bedrijf de juiste mensen sturen om het op te ruimen. 

Studenten bouwen een vertaalbot dat Nederlands naar Fries vertaalt. Wat een paar jaar geleden nog moeilijk was, was de vertaling nu voor 99% nauwkeurig. Mede dankzij de verbeterde techniek en ChatGPT-ondersteuning. 

Daarnaast werken studenten aan casussen uit de gezondheidszorg. Bij Isala, op de neonatologie-afdeling, liggen te vroeg geboren baby’s aan honderden sensoren. Er gaan dagelijks honderden alarmpjes af, vaak zonder echte reden, bijvoorbeeld als een baby beweegt. Studenten analyseren die data om patronen te vinden die aangeven wat wel en niet veilig is. 

De casussen variëren enorm, maar elke uitdaging is uniek en interessant en bij veel opdrachten maatschappelijk relevant Dit vakgebied ontwikkelt zich zo snel dat ik als docent zelf steeds weer nieuwe dingen leer. Soms denk ik: “Daar heb ik nog nooit aan gedacht” of “Dat heb ik nog nooit gezien.” 

Wanneer mogen studenten AI wel gebruiken en wanneer niet?  

'Er spelen twee zaken: de technische verdieping in het AI-semester en de invoering van de AI Assessment Scale (AIAS) bij de gehele opleiding. Eind vorig schooljaar besloten we de AIAS-scale opleidingsbreed in te voeren, zodat het AI-gebruik in alle opdrachten helder en verantwoord is. Dit raamwerk helpt docenten om opdrachten te ontwerpen en helder te maken wat de rol van AI erin is. Voor studenten is meteen duidelijk hoe ze generatieve AI mogen gebruiken. 

De schaal loopt van één tot vijf. Op niveau één is AI verboden; studenten gebruiken alleen hun eigen kennis in een gecontroleerde omgeving. Niveau twee laat AI toe als brainstormtool vóór de opdracht, maar niet tijdens het maken zelf. Op niveau drie mag AI ingezet worden, maar de student blijft verantwoordelijk en beoordeelt kritisch wat AI levert. Niveau vier geeft studenten de vrijheid om AI breed in te zetten, maar ze moeten dan ook heel kritisch kijken naar wat AI precies heeft gedaan. Zo testen ze bijvoorbeeld meerdere AI-modellen op dezelfde vraag en vergelijken ze de resultaten. Het hoogste niveau, niveau vijf, stimuleert studenten AI creatief in te zetten om nieuwe inzichten en oplossingen te ontwikkelen.' 

Komt de ethische kant van AI ook aan bod? 

'Zeker! Ethiek rond AI is ontzettend belangrijk. Studenten moeten niet alleen weten wanneer ze AI mogen inzetten, maar vooral ook wanneer ze het juist níet moeten gebruiken. Dat noemen we AI-geletterdheid. Het gaat erom dat ze begrijpen wat AI is, hoe ze het toepassen én kritisch reflecteren op hun eigen houding. Bewustzijn van je eigen kijk op AI is essentieel, voor alle studenten, in elke opleiding.  

Ethiek is bij ons een van de acht leeruitkomsten. Naast colleges over programmeren en data verwerken, krijgen studenten werkcolleges van een ethiekspecialist die hen uitdaagt na te denken over hun werk. AI is een megakrachtig middel en daarom vinden wij dat er ook een ethisch besef bij hoort.  

Ze moeten durven zeggen: “Ik sta achter wat ik voor de klant bouw.” Soms kiezen studenten ervoor zich terug te trekken uit een opdracht, bijvoorbeeld vanwege mogelijke privacy schending als ze het model bouwen. Ze melden dit bij ons, waarna wij een eerlijk gesprek voeren met de opdrachtgever én zoeken naar een ander bedrijf. We steunen onze studenten volledig.  Zo pakken ze écht moreel eigenaarschap over AI, en dat maakt ons trots.' 

Voor welke uitdaging staan docenten? 

'Ze staan voor de uitdaging om studenten actief te laten nadenken over hoe ze AI inzetten. Studenten moeten voortdurend zelf onderzoeken: wat staat hier precies, wat gebeurt er, en begrijp ik dit écht? We leren ze AI gebruiken als een sparringspartner, met bewustzijn en ethisch besef in plaats van blind vertrouwen. Het grootste risico is dat studenten AI passief inzetten: opdracht erin, antwoord eruit, en klaar. Daar leer je niets van. En dat is precies waar de uitdaging in zit. Zeker in het IT-domein, waar een code inmiddels bijna zichzelf schrijft. 

Binnen deze semesters werken we met notebooks: digitale werkbladen waarin studenten hun code schrijven. We zijn op het punt dat je alleen een dataset importeert en AI de code bijna volledig genereert. Je vraagt: “splits de data in twee groepen”, en AI voert het direct uit. Complexe modellen? Ook geen probleem. Daarom deel ik tijdens werkcolleges mijn scherm en loop ik stap voor stap door de code. Vervolgens ga ik meteen met studenten in gesprek: wat gebeurt hier, zie je wat hier staat, en wat betekent dit? 

AI tegenhouden heeft geen zin. Het gaat niet meer weg. Dus moeten we studenten juist voorbereiden op hoe ze hiermee in het werkveld gaan werken. 

Daarom zit ik als docent dicht op het proces. Elke week gaan studenten actief aan de slag, stel ik kritische vragen en voer ik discussies met ze. We sluiten af met een assessment waarin ze hun werk presenteren en ik ze scherp ondervraag. Dan zie je direct of ze het écht begrijpen. En als dat niet zo is, prik je daar zo doorheen.' 

Hoe ziet de toekomst van AI eruit in het vakgebied? 

'Het is lastig om precies te voorspellen waar we over vijf of tien jaar staan, maar één ding weet ik wel: een afwachtende houding is riskant. We moeten bewust kijken naar wat AI ons kan brengen én waar de risico’s zitten. Mijn insteek is heel pragmatisch: wat hebben we nodig, wat willen we ermee, en waar moeten we grenzen stellen? 

Je hebt aan de ene kant de pessimisten, en aan de andere kant de AI-evangelisten die doen alsof AI álles beter maakt. Ik denk dat de waarheid in het midden ligt. Ik zie veel kansen én veel risico’s. De uitdaging is dat we als onderwijs daar bewust keuzes in maken.'