AI-tools voor docenten: wat er in een echte werkweek écht tijd bespaart

Bijna elk lijstje met AI-tools voor docenten begint met het genereren van lesplannen. Dat is precies de verkeerde plek om te beginnen. Lesplannen maken is juist het deel van het werk waar de meeste docenten snel in zijn en dat ze het liefst zelf doen, en een gegenereerd plan moet meestal zo grondig worden herschreven dat je er per saldo tijd bij inschiet.

De uren verdwijnen ergens veel minder spannends: drie versies van hetzelfde werkblad maken voor drie leesniveaus, voor de achtentwintigste keer dezelfde opmerking over dezelfde denkfout schrijven, zoeken naar een bestand dat ergens in een gedeelde map staat, en materiaal van het ene formaat naar het andere omzetten. Dát zijn de taken die het waard zijn om te automatiseren.

1. Differentiatie — de meeste winst

Neem één werkblad en maak er een versie met extra ondersteuning van, een verdiepingsversie en een versie waarin het leesniveau twee jaar omlaag gaat. Dit is mechanisch werk in grote hoeveelheden, en het resultaat vraagt alleen een snelle controle in plaats van een herschrijving. Dit is verreweg de duidelijkste winst.

Een lokaal model is hier goed voor, omdat het brondocument je computer nooit verlaat — en dat telt als er namen van studenten in de voorbeelden staan of als je het materiaal niet mag verspreiden.

2. Feedbackbanken, geen kant-en-klare feedback

Gegenereerde opmerkingen bij het werk van een specifiek kind zijn meestal nietszeggend en soms gewoon fout, en studenten hebben dat door. Wat wél werkt: een bank met feedback genereren voor de denkfouten waarvan je weet dat ze bij dit onderwerp langskomen, en daar vervolgens uit kiezen en op maat maken.

Het oordeel blijft van jou, de AI neemt het typewerk over. Een set van dertig nakijken wordt dan kiezen plus persoonlijk maken, in plaats van alles vanaf nul formuleren.

3. Formaten omzetten

Geen van deze dingen levert een indrukwekkende demo op. Ze kosten allemaal tien tot twintig minuten per keer, meerdere keren per week.

• Een gefotografeerde bladzijde uit een studieboek naar bewerkbare tekst die je kunt aanpassen.
• Een set aantekeningen naar dia's, of naar een printbaar samenvattingsblad.
• Een opgenomen les naar een transcript, en daarna naar een samenvatting voor afwezige studenten.
• Een correctievoorschrift naar een set oefenvragen die dezelfde criteria raken.

4. Toetsvragen en retrieval practice genereren

Ophaalvragen genereren op basis van stof die je al hebt behandeld is weinig riskant, omdat je elk antwoord binnen enkele seconden tegen de bron kunt controleren. Vragen genereren over stof die het model zelf heeft verzonnen is juist heel riskant. Voer dus altijd je eigen tekst in.

Wat je niet uit handen moet geven

• Alles wat summatief is en op een rapport belandt zonder dat je elk woord hebt gelezen.
• Notities over veiligheid of leerlingbegeleiding — daar hoort een mens bij, en een controleerbaar spoor.
• De beoordeling van een student die je zelf geen les hebt gegeven, waardoor je de uitkomst niet kunt toetsen aan je eigen beeld.
• Alles waarbij een verzonnen feit ongecontroleerd bij studenten terechtkomt.

De gegevensvraag

Dat veel scholen blijven hangen bij AI komt niet doordat ze twijfelen aan het nut, maar doordat het werk van een kind in een cloudtool plakken betekent dat je het naar een derde partij stuurt. Dat is een echte vraag over gegevensbescherming, geen paranoia.

Tools die op het apparaat zelf draaien nemen die vraag weg in plaats van hem te beantwoorden. Draait het model op de laptop van de docent, dan is er geen doorgifte om te melden, geen bewaartermijn om over te onderhandelen en geen clausule over trainingsdata om na te lezen. Daarom draait Grout zijn modellen standaard lokaal.