AI tilt je cijfer op. Je begrip kan toch kelderen

De snelste winst is niet altijd echte vooruitgang

Sommige verbeteringen voelen overtuigend juist omdat ze zo snel komen. In een experiment met bijna 1.000 middelbare scholieren in Turkije loste de groep met onbeperkte AI-hulp tijdens het oefenen 48 procent meer wiskundeproblemen goed op dan de controlegroep. Maar toen die hulp op het examen wegviel, zakte het resultaat en scoorden diezelfde leerlingen 17 procent lager dan de groep die nooit AI had gebruikt. Dat patroon werd beschreven in een studie waar Wharton en de University of Pennsylvania over publiceerden, onder leiding van Hamsa Bastani.

De term die dat patroon samenvat is cognitieve schuld. De machine leent je als het ware begrip. Zolang die lening openstaat, presteer je beter. Zodra de steun verdwijnt, blijkt hoeveel er niet echt is opgeslagen. Dat maakt AI in leren zo verraderlijk. De taak voelt lichter, de uitkomst ziet er beter uit en het vertrouwen groeit. Alleen zegt dat nog weinig over wat er in je hoofd is blijven hangen.

Onderwijs draait uiteindelijk niet om het afvinken van een taak, maar om de vraag of je een denkstap later zelf opnieuw kunt zetten. Zodra de tool het echte denkwerk overneemt, kan een hoge score dus samengaan met zwak begrip. Dat is precies de spanning die in dit soort studies zichtbaar wordt.

Minder frictie kan minder codering betekenen

Die vraag werd ook neurologisch onderzocht door Nataliya Kosmyna van het MIT Media Lab. In een preprint met 54 deelnemers werden drie groepen vergeleken tijdens schrijftaken: een groep met LLM, een groep met zoekmachine en een groep zonder externe hulp. De groep zonder hulpmiddelen liet de sterkste en meest verspreide hersennetwerken zien. De ChatGPT-groep had juist de zwakste connectiviteit in de gemeten banden.

In hetzelfde paper staat nog een veel geciteerd detail: 83 procent van de ChatGPT-gebruikers kon kort na het schrijven geen enkele passage uit de eigen tekst terughalen. Dat suggereert dat er wel output was, maar weinig geheugenspoor. Daar past wel een kanttekening bij. Het gaat nog steeds om een preprint en er is later methodologische kritiek op verschenen. Toch sluit de richting van het resultaat aan bij een bredere zorg: als gemak het denkwerk vervangt, wordt informatie vaak minder diep verwerkt.

Dat beeld komt ook terug in een overzichtsartikel in PMC, waarin studies worden samengebracht die langdurig AI-gebruik koppelen aan slechter geheugen, lagere retentie en verzwakking van kritisch denken. Dat betekent niet dat AI per definitie slecht is voor leren. Het betekent wel dat gemak niet hetzelfde is als kennisopbouw.

De afhankelijkheidsval is subtieler dan hij lijkt

In de studie van Bastani wordt goed zichtbaar hoe die val ontstaat. De groep met vrije toegang tot het systeem kon alles vragen, direct een aanpak krijgen en vervolgens snel door. Tijdens het oefenen zag dat eruit als pure efficiëntie. Maar die efficiëntie kwam deels doordat de tool precies dat deel van het proces overnam dat normaal gesproken begrip opbouwt.

Toen het examen zonder AI begon, draaide het voordeel om. De controlegroep had meer geworsteld, maar hield daardoor de concepten beter vast. De AI-groep had sneller gepresteerd, maar op geleend begrip. Zodra dat werd weggehaald, bleek hoe weinig zelfstandig fundament er was. Het verschil tussen uitvoeren en leren werd opeens zichtbaar.

Iets vergelijkbaars bleek uit een experiment aan Corvinus University of Budapest. Daar meldden onderzoekers kennisniveaus die 20 tot 40 procentpunt lager lagen dan bij eerdere cohorten. Tegen het einde werd bovendien een mediaan van 100 procent AI-gegenereerde inhoud gedetecteerd in inleveringen, ook bij groepen waar AI niet was toegestaan. Dat leest niet als een incident, maar als een teken van snelle gewenning.

Ook de “goede” tutor lost het niet vanzelf op

Opvallend is dat de Wharton-studie niet alleen een onbeperkte chatbot testte. Er was ook een tutorvariant met didactische remmen ingebouwd. Die gaf hints en stuurde redeneringen, in plaats van gewoon het antwoord te leveren. Dat klinkt als de nette middenweg. Toch was het resultaat op het examen ongeveer gelijk aan dat van de controlegroep. Niet slechter, maar ook niet beter.

Dat is misschien wel de lastigste les. Een pedagogisch verstandiger tool kan schade beperken, maar levert niet automatisch meer leren op. De kernvraag blijft of de student zelf het mentale werk doet. Een goed ontworpen interface helpt alleen als ze het denken ondersteunt en niet stilletjes vervangt.

Diezelfde zorg zie je terug in analyses over hoe AI de denkinspanning verlaagt en later de rekening presenteert. Het risico is niet alleen dat een model soms fout zit. Het risico is dat je eraan went om plausibele output als eigen begrip te behandelen.

Wat wel beklijft is meestal minder comfortabel

De ongemakkelijke conclusie is dus dat leren frictie nodig heeft. Fouten maken, actief terughalen, spreiden en eerst zelf proberen voelen trager en stroever. Juist daardoor bouwen ze sterkere mentale sporen op. Wat op korte termijn inefficiënt lijkt, is op lange termijn vaak veel degelijker.

Dat sluit aan bij methoden die keer op keer beter blijken te werken dan slimme shortcuts, zoals retrieval practice en interleaving. In het MIT-experiment rapporteerde de groep zonder hulpmiddelen meer eigenaarschap, meer tevredenheid en een sterker geheugen voor wat ze hadden gemaakt. De worsteling was daar geen fout in het leerproces. Ze was het leerproces.

Voor studenten, ouders en docenten volgt daar geen simpele anti-AI-regel uit. AI kan nuttig zijn om je werk te controleren, alternatieven te vergelijken en hiaten te zien. Het probleem begint zodra de tool het stuk overneemt dat je zelf had moeten opbouwen. De winst van 48 procent verdwijnt zodra de hulp wegvalt. Wat overblijft, als je niet oppast, is een brein dat vooral heeft geoefend in uitbesteden.