Nederlandse universiteiten en hogescholen balanceren dit studiejaar tussen de kansen en risico’s van kunstmatige intelligentie. Ze passen onderwijs en toetsing aan, en scherpen regels aan voor het gebruik van ChatGPT (OpenAI), Gemini (Google) en Copilot (Microsoft). Dat gebeurt in lijn met de AVG en de komende Europese AI-verordening, met directe gevolgen voor het onderwijs. De inzet: innovatie mogelijk maken, zonder integriteit en privacy te schaden.
Universiteiten zoeken werkbare regels
Veel opleidingen staan generatieve AI toe, maar alleen met duidelijke bronvermelding en uitleg van de werkwijze. Studenten moeten beschrijven welke prompt is gebruikt en wat handmatig is aangepast. Docenten krijgen trainingen om AI-resultaten te beoordelen en om opdrachten AI-bestendig te maken. Tegelijk willen instellingen creatief gebruik niet afknijpen, omdat AI-vaardigheden op de arbeidsmarkt tellen.
Universiteiten van Nederland (UNL) en de Vereniging Hogescholen werken, op het moment van schrijven, aan handreikingen voor verantwoord gebruik. Die benadrukken transparantie, controleerbaarheid en vakinhoudelijke diepgang. Ook SURF, de ict-samenwerkingsorganisatie van het onderwijs, ondersteunt met juridische en technische kaders. Doel is eenduidigheid, terwijl faculteiten ruimte houden voor vakspecifieke keuzes.
Bekende tools als ChatGPT, Gemini en Copilot zijn laagdrempelig, maar hun uitkomsten zijn niet altijd betrouwbaar. Modellen kunnen “hallucineren”: zelfverzekerd onjuiste informatie geven. Daarom verschuiven eisen naar proces en onderbouwing in plaats van alleen eindproduct. Zo blijft de beoordeling op eigen denkwerk rusten.
Generatieve AI maakt nieuwe tekst of beeld op basis van voorbeelden, maar kan ook onjuiste feiten verzinnen; dit heet “hallucineren”.
Toetsen worden anders ingericht
Opleidingen wijzigen tentamens om afhankelijkheid van algoritmen te beperken. Meer opdrachten vragen om persoonlijke reflectie, tussenstappen en het tonen van bronnen. Mondelinge toetsen en praktische werkcolleges winnen terrein, naast open-boekexamens met vakspecifieke datasets. Dat maakt klakkeloos kopiëren uit een chatbot minder effectief.
Ook rubricering verandert: beoordelingsformulieren leggen nadruk op redenering, methodiek en iteratie. Studenten moeten conceptversies bewaren en versiegeschiedenis kunnen tonen. Zo wordt zichtbaar hoe een oplossing tot stand komt, met of zonder hulpmiddelen. Dit helpt bij het onderscheiden van eigen werk en AI-assistentie.
Deze omslag kost tijd en vaardigheden bij docenten. Opleidingen ontwikkelen voorbeeldopdrachten en delen formats binnen en tussen instellingen. Er ontstaan leerlijnen “AI-geletterdheid”, waarin studenten leren wanneer modellen helpen en waar ze grenzen hebben. Dat versterkt zowel vakkennis als kritisch denken.
Privacy en AVG begrenzen gebruik
De meeste publieke chatbots gebruiken ingevoerde tekst om modellen te verbeteren, wat risico’s geeft voor persoonsgegevens en ongepubliceerd onderzoek. De AVG eist dataminimalisatie, duidelijke doelen en goede beveiliging. Instellingen waarschuwen daarom om geen privacygevoelige of vertrouwelijke data te delen met gratis tools. Voor onderzoek gelden strengere eisen, zeker bij medische of studentdata.
Sommige instellingen testen enterprise-versies van Gemini, Copilot of ChatGPT met Europese datalokalisatie en striktere contracten. Daarin is modeltraining op klantdata uitgeschakeld en is logging beperkt. SURF en inkopers letten op verwerkersovereenkomsten, versleuteling en bewaartermijnen. Toch blijft waakzaamheid nodig, omdat ketens van subverwerkers complex zijn.
Voor onderwijsanalytics en proctoring gelden extra waarborgen, inclusief DPIA’s (Data Protection Impact Assessments). Studenten moeten weten welke data worden verzameld en waarom. Instellingen bieden waar mogelijk een privacyvriendelijk alternatief. Zo blijft vertrouwen in digitale onderwijsdiensten behouden.
AI-detectie is onbetrouwbaar
Detectietools zoals Turnitin’s AI-detectie worden soms ingezet als signaal, maar leveren geregeld foutpositieven op. Taalvariatie, vertalingen en eenvoudige schrijfstijl kunnen ten onrechte als “AI-tekst” worden bestempeld. Instellingen benadrukken daarom hoor en wederhoor en kijken naar meerdere aanwijzingen. Een gesprek over werkwijze weegt zwaarder dan één detector-score.
Ook juridisch is blind varen op detectie riskant. Studenten moeten weten hoe zij zich kunnen verweren en welke bewijslast geldt. Heldere richtlijnen over bronvermelding en toolgebruik verminderen conflicten. Transparantie over proces en versiegeschiedenis helpt twijfelgevallen oplossen.
Daarnaast kan detectiesoftware zelf onder de AI-regels vallen. Inkoopteams toetsen leveranciers op bias, datagebruik en uitlegbaarheid. Zonder inzicht in foutmarges en trainingsdata past terughoudendheid. Het uitgangspunt blijft: beoordelen op leeruitkomsten, niet op een ondoorzichtige score.
AI-verordening bepaalt onderwijsregels
De Europese AI-verordening (AI Act) treedt gefaseerd in werking in 2025 en 2026. Systemen voor beoordeling en selectie in het onderwijs vallen al snel in de categorie “hoog risico”. Dat brengt verplichtingen mee rond risicobeheer, documentatie, menselijk toezicht en kwaliteit van datasets. Instellingen worden daarmee niet alleen gebruikers, maar ook verantwoordelijke “deployers”.
Voor generatieve modellen gelden transparantie-eisen, zoals het aangeven dat inhoud door AI is gemaakt. Publicatieplatforms en opdrachten kunnen daarom een AI-verklaring vragen. In combinatie met de AVG betekent dit: minder data, beter beveiligd, en altijd uitlegbaar. Overtredingen kunnen leiden tot forse boetes, ook voor publieke instellingen.
De Nederlandse onderwijssector bereidt processen en audits voor, op het moment van schrijven. Inkoopvoorwaarden worden aangescherpt en leveranciers moeten conformiteit aantonen. Governance-structuren, zoals ethische commissies en functionarissen gegevensbescherming, krijgen een grotere rol. Zo groeit compliance uit tot een vast onderdeel van onderwijsinnovatie.
Kansen én ongelijkheid door tools
AI-assistenten versnellen literatuuronderzoek, coderen en vertalen, en kunnen taalbarrières verlagen. Dat helpt studenten en onderzoekers productiever te werken. Tegelijk ontstaan verschillen tussen wie toegang heeft tot betaalde versies en wie niet. Instellingen zoeken daarom naar campuslicenties en gelijke toegang.
Didactisch levert AI nieuwe vormen van feedback op, zoals snelle suggesties bij code of schrijfopdrachten. Docenten gebruiken modellen om oefenmateriaal te genereren, dat zij daarna redigeren. Met duidelijke kwaliteitscontroles bespaart dit tijd zonder het vakinhoudelijke niveau te schaden. Training in “prompting” en factchecking hoort daarbij.
Onderzoeksafdelingen verkennen eigen, kleinere taalmodellen op beveiligde servers. Zo behouden zij controle over data en kosten, en beperken zij juridische risico’s. Open-source modellen bieden flexibiliteit, maar vragen meer beheer en expertise. De inzet verschilt per discipline, van geneeskunde tot geesteswetenschappen.