Generaties lang is het onderwijs gebaseerd op een fundamentele misrekening: ervan uitgaande dat gestandaardiseerde tests de vaardigheden accuraat meten. De werkelijkheid is veel complexer. Van Isaac Newton die worstelt met een natuurkunde-examen op tabletbasis tot neurodivergerende studenten die ten onrechte worden gestraft door rigide formats: onze huidige systemen meten vaak barrières in plaats van cognitieve capaciteit. De opkomst van AI brengt zowel een gevaar als een kans met zich mee. Als we de onderliggende tekortkomingen in de beoordeling niet oplossen, zal kunstmatige intelligentie eenvoudigweg bestaande vooroordelen automatiseren en versterken, waardoor schadelijke verhalen over het potentieel van studenten worden versterkt.
De mythe van objectieve metingen
Traditioneel onderwijs berust op een gebrekkig uitgangspunt: talent is schaars, genen dicteren het lot, en capaciteiten kunnen keurig op een belcurve worden gerangschikt. De hedendaagse leerwetenschap weerlegt dit. Het menselijk potentieel is zeer kneedbaar, dynamisch gevormd door de omgeving en overvloedig verspreid. Ieder kind is geprogrammeerd om te leren, maar onze systemen vertellen hen vaak iets anders.
Deze ontkoppeling komt voort uit slechte metingen. Gestandaardiseerde tests meten vaak het vermogen van een student om door de test zelf te navigeren in plaats van hun onderliggende kennis. Dit levert ‘pathologische verklaringen’ op, waarbij leerverschillen ten onrechte de schuld worden gegeven in plaats van de beperkingen van de beoordeling te worden erkend. Het vakgebied van de psychometrie noemt dit ‘Construct Irrelevant Variance’: wanneer de test het ware vermogen verdoezelt in plaats van onthult.
Drie principes voor eerlijke beoordeling
Om signaal en ruis te ontwarren, moeten we drie fundamentele stellingen omarmen:
- Eerlijkheid betekent niet identiek: Door elke leerling in dezelfde omstandigheden te dwingen, wordt de aard van neurodiversiteit genegeerd. Een spellingsbij die hoorbare recitatie eist, straft leerlingen met spraakproblemen; de barrière overstemt de daadwerkelijke spellingvaardigheid. Door toetsenbordinvoer toe te staan, wordt deze irrelevante hindernis weggenomen zonder dat dit ten koste gaat van de nauwkeurigheid.
- Gelijkwaardige omstandigheden garanderen geen gelijkwaardig bewijs: Een gestandaardiseerd oogonderzoek vereist een vaste afstand tot de kaart. Maar als je een visueel gehandicapte leerling dwingt om vanaf dezelfde afstand te lezen, wordt alleen maar zijn gezichtsvermogen getest, en niet zijn alfabetkennis. De test meet vervolgens het gezichtsvermogen, niet het leervermogen.
- Principiële variatie levert gelijkwaardig bewijs op: Het opzettelijk aanpassen van de taakuitvoering voor verschillende leerlingen kan nauwkeurigere resultaten opleveren. Als Isaac Newton zelf een computergebaseerde natuurkundesimulatie zou krijgen, zou zijn genialiteit overschaduwd worden door zijn gebrek aan digitale vloeiendheid. Het aanbieden van alternatieve formaten zorgt ervoor dat we genialiteit meten, en niet technologisch comfort.
De AI-vork in de weg
Decennia lang was constructie-irrelevante ruis een onvermijdelijke fout in op papier gebaseerde tests. Nu geeft AI ons ongekende rekenkracht om beoordelingen te personaliseren en deze barrières op grote schaal weg te nemen. Maar AI is een gevolgtrekkingsmachine. Het zal de gegevens die we eraan toevoegen versterken.
We staan voor een cruciale keuze:
- Pad B: Schade opschalen: Het blindelings invoeren van kapotte tests in algoritmen zal ondermaatse metingen automatiseren, bevooroordeelde sortering een boost geven en valse verhalen versterken met algoritmische autoriteit.
- Pad A: de belofte nakomen: Het afstemmen van AI om ruis weg te nemen en signalen te isoleren, zal geïndividualiseerde feedback opleveren, waardoor leerlingen meer mogelijkheden krijgen en voortdurende verbetering wordt bevorderd.
Als voor een test een niet-gerelateerde barrière moet worden overwonnen, is het een gebrekkige test. Door onze psychometrische blauwdrukken te verschuiven, kunnen we de stap zetten van het pathologiseren van leerlingen naar het empoweren ervan. De vraag is niet: “Wat is er mis met deze leerling?” maar “Hoe zit het met deze beoordeling die moet worden verbeterd?”
De toekomst van het leren hangt af van ons vermogen om te onderkennen dat intelligentie geen vaste eigenschap is, maar een dynamisch potentieel – en dat onze instrumenten zich moeten aanpassen om de menselijke genialiteit te onthullen en niet te verhullen.
