Sinds de opkomst van generatieve AI (zoals ChatGPT, Copilot en Gemini) worstelen hogescholen en universiteiten met de vraag hoe ze toetsing eerlijk, valide en toekomstgericht kunnen houden. Nieuwe beleidslijnen, detectietools of aangepaste toetsvormen lijken vaak dé oplossing te moeten bieden. Maar recent onderzoek uit Australië toont aan dat we AI in toetsing beter begrijpen als een “wicked problem” – een complex vraagstuk zonder definitieve oplossing.
Wicked problems in het hoger onderwijs
Het onderzoek, gebaseerd op interviews met 20 docenten die verantwoordelijk zijn voor toetsontwerp, past het raamwerk van Rittel en Webber toe. Wicked problems kenmerken zich door eigenschappen zoals:
- geen duidelijke formulering (iedereen ziet het probleem anders),
- geen eindpunt (er is nooit een “af” oplossing),
- oplossingen die niet juist of fout zijn, maar beter of slechter,
- elke keuze heeft gevolgen voor studenten, docenten en de instelling.
Docenten herkenden dit sterk in hun eigen praktijk. Sommigen zien AI als een nuttig hulpmiddel dat in de beroepspraktijk thuishoort, anderen als een bedreiging voor academische integriteit. Sommigen experimenteren met alternatieve toetsvormen (mondelinge examens, portfolio’s, authentieke taken), maar botsen op praktische beperkingen zoals grote studentenaantallen of gebrek aan middelen.
Wat betekent dit voor ons?
Het onderzoek benadrukt dat we AI in toetsing niet moeten behandelen alsof er één “silver bullet” bestaat. Detectiesoftware, strengere regels of het volledig hertekenen van toetsen kunnen waardevol zijn, maar zijn nooit sluitende oplossingen. Belangrijker is een verschuiving van denken: toetsing in tijden van AI vraagt om voortdurende afwegingen en professionele oordeelsvorming.
De auteurs formuleren drie “permissions” die instellingen en docenten kunnen helpen:
- Permission to compromise – erken dat elke oplossing iets inboet. Perfecte toetsen bestaan niet; soms kies je bewust voor authenticiteit boven veiligheid, of omgekeerd.
- Permission to diverge – accepteer dat wat werkt in een kleine filosofieseminarie niet haalbaar is in een businessvak met 250 studenten. Context bepaalt de aanpak.
- Permission to iterate – blijf toetsen bijstellen. AI evolueert razendsnel; wat vandaag werkt, is morgen misschien achterhaald. Iteratie is geen falen, maar professioneel handelen.
Conclusie
Voor docenten betekent dit dat we onszelf niet moeten verwijten dat we nog geen sluitende oplossing hebben gevonden voor AI en toetsing. Het is een proces van voortdurend zoeken, aanpassen en balanceren tussen tegenstrijdige doelen. Voor instellingen betekent het dat we ruimte moeten creëren voor die professionele afwegingen, en niet moeten verwachten dat één uniforme regel alles oplost.
Door AI in toetsing als een wicked problem te benaderen, verschuift de focus: niet langer het najagen van “de juiste oplossing”, maar het ontwikkelen van veerkrachtige en contextgevoelige toetspraktijken die meebewegen met de realiteit van onze studenten en hun toekomst.
De volgende evaluatievormen kunnen je alvast inspiratie bieden:
1. Procesportfolio
Studenten leveren niet alleen het eindproduct in, maar ook tussenstappen: mindmaps, eerste schetsen, conceptversies, reflecties. Zo wordt zichtbaar hoe ze tot hun resultaat kwamen.
👉 Relevantie: AI kan wel helpen bij een deel van de taak, maar studenten moeten aantonen wat ze zelf hebben bijgedragen.
2. Mondelinge verdediging
Koppel een kort gesprek aan een schriftelijke opdracht. Vraag hoe de student keuzes heeft gemaakt, waarom bepaalde bronnen zijn gebruikt of welke alternatieven overwogen zijn.
👉 Relevantie: dit checkt of studenten inzicht hebben in hun eigen werk, iets wat AI niet kan “voorleven”.
3. Peer-review met reflectie
Laat studenten elkaars werk beoordelen volgens een rubric en hun feedback motiveren. Voeg daarna een reflectie toe waarin ze aangeven wat ze van de feedback geleerd hebben en hoe ze hun eigen werk willen verbeteren.
👉 Relevantie: stimuleert metacognitie (nadenken over leren) en maakt leren sociaal en interactief.
4. Opdrachten tijdens de les
Laat studenten in de klas of tijdens begeleide sessies werken aan een deel van hun opdracht (concepttekst, berekening, analyse). Combineer dit met huiswerk waarin ze het verder uitwerken.
👉 Relevantie: zo zie je wat ze live kunnen, en het eindproduct is geloofwaardiger.
5. Authentieke opdrachten
Ontwerp opdrachten die zo dicht mogelijk bij de praktijk van het werkveld liggen (bv. een campagneplan presenteren aan een opdrachtgever, een prototype pitchen, een casus analyseren).
👉 Relevantie: de context maakt dat studenten hun kennis moeten toepassen, niet enkel reproduceren.
6. Reflectieve prompts
Integreer korte vragen die studenten alleen zelf kunnen beantwoorden, zoals:
- Wat vond je het moeilijkste in dit proces?
- Welke rol speelde samenwerking?
- Hoe heb je AI gebruikt, en hoe beoordeel je dat gebruik achteraf?
👉 Relevantie: dwingt studenten om eigenaarschap te nemen en transparant te zijn over AI-gebruik.
7. Multimodale output
Laat studenten resultaten in verschillende vormen presenteren: een infographic, een video, een kort mondeling verslag naast een schriftelijk document.
👉 Relevantie: dit vereist creativiteit en transfer naar meerdere media, wat moeilijk volledig door AI kan worden overgenomen.
Bron: Corbin, T., Bearman, M., Boud, D., & Dawson, P. (2025). The wicked problem of AI and assessment. Assessment & Evaluation in Higher Education, 1–17. https://doi.org/10.1080/02602938.2025.2553340