Het gebruik van Large Language Models in het taalonderwijs

AI lijkt steeds mensachtiger 

Het zal niemand ontgaan zijn dat de interactie met een Large Language Model steeds meer op interactie met een mens lijkt. De ultieme test voor een LLM is dan ook de zogenaamde Turingtest. Het LLM doorstaat deze test als iemand met dit systeem in interactie is en niet kan bepalen of de ander een mens of computer is. Jones en Bergen (2024) hebben recent een Turingtest uitgevoerd door 1979 mensen in een online experiment te laten interacteren met ‘echte mensen’ versus verschillende persona's1 gecreëerd in ChatGPT-3.5 en in ChatGPT-4. Wat stelden de onderzoekers vast? In 66% van de gevallen dachten de gebruikers bij een echt persoon terecht dat ze met een mens aan het chatten waren. Bij ChatGPT-3.5 persona’s zat het percentage dat dacht dat ze met een mens aan het chatten waren, systematisch onder de 20%, maar bij GPT-4 liep dit percentage bij sommige persona's al op tot 50%. Dit laat al een sterke verbetering zien tussen GPT-versies, en geeft aan dat de LLM’s steeds beter in staat zijn om ‘mensachtig’ te reageren. Proefpersonen die meer voorkennis hadden over LLM’s waren overigens beter in het detecteren van mens versus machine dan proefpersonen met minder voorkennis. In een later artikel van dezelfde auteurs, dat nog in preprint is (Jones & Bergen, 2025) werden LLM’s getraind met prompts om mensachtige antwoorden te geven. De resultaten hiervan laten zien dat de proefpersonen deze LLM’s zelfs vaker als mens aanduidden dan als ze met echte mensen aan het chatten waren.  

We hebben als mens snel de neiging om LLM’s een zekere mate van intelligentie toe te dichten, maar de vraag is of die intelligentie niet eigenlijk komt van de mens die met de LLM interacteert. Sejnowski (2023) stelt dat wanneer we een interactie tussen een mens en een LLM observeren, we eigenlijk meer de intelligentie van de mens aan het bekijken zijn, en de vragen die die persoon stelt als prompts aan de LLM. Dat zien we eigenlijk ook in de studies van Jones en Bergen. De LLM’s werken op basis van prompts van de onderzoekers. Sejnowski heeft het over een soort spiegeleffect, een omgekeerde Turingtest. Het feit dat voorkennis in de hiervoor aangehaalde studie een belangrijke rol speelt, ondersteunt deze observatie.

Doordat LLM’s inmiddels zo goed zijn geworden, ziet men in het onderwijs vele mogelijkheden. Het is potentieel een middel om het onderwijs te ondersteunen (zie Kasneci et al., 2023). Daar willen we dieper op ingaan. We bespreken in dit artikel drie mogelijke toepassingen: ondersteuning bij begrijpend lezen, het vreemdetalenonderwijs, en nakijkhulp (feedback). Daarna bespreken we in hoeverre AI kansengelijkheid beïnvloedt, waarna we het artikel afsluiten met een conclusie.

Voordat we naar het onderwijs gaan, nemen we echter allereerst de tijd voor een uitleg van wat LLM’s precies zijn. Dat is nodig om de voor- en nadelen van generatieve AI beter te kunnen duiden. 

LLM’s leren taal anders dan mensen 

LLM’s zijn AI-systemen die mensachtige tekst genereren met behulp van deep learning-architecturen. Ze gebruiken daarvoor zogenaamde transformer-modellen (Vaswami et al., 2017). ChatGPT is hier het bekendste voorbeeld van. Om mensachtige tekst te kunnen genereren, worden woorden opgesplitst in kleinere componenten (tokens). De computer leert vervolgens welke tokens statistisch gezien het meest waarschijnlijk na de vorige zullen volgen. Er is dus een beginnetje nodig om het volgende token te voorspellen. In chatbots die gebruik maken van LLM’s, zoals ChatGPT, krijgt het model nadat de gebruiker het ‘gesprek’ geopend heeft met bijvoorbeeld ‘hallo!’ een prompt. Na dit beginnetje kan de LLM de volgende tokens voorspellen.

De afkorting GPT in ChatGPT staat voor generative pre-trained transformer. Het trainen van een LLM begint namelijk met pretraining in diverse tekstcorpora zoals boeken en websites. Zo kunnen modellen taalpatronen en grammatica leren. Via verfijning wordt het model vervolgens afgestemd op specifieke taken, zoals vertalen of samenvatten. Vervolgens wordt dat model verder versterkt met behulp van menselijke feedback (zie Alammar & Grootendorst, 2024). 

Ondanks hun geavanceerde prestaties verschillen LLM’s fundamenteel van de menselijke cognitie. Hoewel statistisch leren ook deel uitmaakt van het menselijke taalleren (Romberg & Saffran, 2010), ontwikkelen mensen taalbegrip door belichaamde ervaringen en semantisch begrip. Een kind leert wat ‘hond’ betekent via de interactie met verschillende honden. Het aait een hond, hoort een hond blaffen, en leert dat niet elke hond ‘Takkie’ heet. De hierboven genoemde tokens zijn niet betekenisvol, in tegenstelling tot bijvoorbeeld morfemen die wel betekenis dragen. Zo maakt het morfeem ‘je’ een betekenisvol onderscheid tussen ‘hond’ en ‘hondje’. LLM’s werken op basis van statistische patronen uit trainingsgegevens. Hierdoor zijn de causale redeneer- en contextuele aanpassingsmogelijkheden van LLM’s beperkt. Een LLM kan geen causale verbanden leggen, niet reflecteren op het eigen ‘denken’ en het kan een probleem niet in een bepaalde context plaatsen. LLM’s blinken uit in patroonherkenning en tekstgeneratie; precies zoals de AI-systemen die zo goed kunnen schaken. Hun ‘talen’ en reacties zijn vaak overtuigend, maar komen voort uit op waarschijnlijkheid gebaseerde patroonvergelijkingen en niet uit echt begrip. 

AI in het onderwijs: begrijpend lezen 

Het onderwijs kijkt reeds volop naar manieren om het begrijpend lezen te ondersteunen met AI, al zijn er nog geen direct concrete toepassingen onderzocht. Huang et al. (2023) geven enkele voorbeelden voor de toepassing van LLM’s in leesonderwijs. Zo kan een LLM, als het systeem weet om welke tekst het gaat, voorkennis activeren door specifieke vragen te stellen, nieuwe of moeilijke woorden helpen aanleren, de tekst vereenvoudigen of vragen bij de tekst genereren. Er zijn verschillende onderzoeken gedaan die suggereren dat dergelijke toepassingen succesvol zouden zijn, al zijn deze (nog) niet met hulp van AI uitgevoerd.

Proctor et al. (2011) lieten bijvoorbeeld effecten zien van een digitale interventie voor meertalige leerlingen. Die mochten hun beide talen gebruiken om digitaal teksten te lezen en te begrijpen. Ook konden studenten bijvoorbeeld op een Engels woord klikken. Ze kregen dan de Spaanse vertaling te horen, maar ook een uitleg over overeenkomsten en verschillen met het Engelse woord, en een afbeelding. In dit geval was het allemaal vooraf door mensen geprogrammeerd, maar iets dergelijks kan ook gegenereerd worden met AI. In de interventie met digitale ondersteuning, die zestien weken duurde, werden sterke effecten voor woordenschatverwerving gevonden. Doordat het systeem niet werkte op basis van AI, is een dergelijke toepassing erg arbeidsintensief voor een leraar. Met de huidige kracht van LLM’s zou het echter goed mogelijk moeten zijn om dit te automatiseren met behulp van AI.  

Een tweede voorbeeld is het vereenvoudigen van teksten. Men kan eenvoudig een LLM prompten om een tekst geschikt te maken voor bijvoorbeeld een kind van acht jaar. Toch is dit complexer dan het lijkt, want wat er exact moet worden aangepast in de tekst weten we niet precies. Zo lieten Ulijn en Strother in 1990 al zien dat een syntactische vereenvoudiging van een tekst geen effect had op het begrip ervan. Arfé en collega’s (2018) stellen daarom voor om te zoeken naar manieren om de tekststructuur te verduidelijken. Of dat vervolgens ook een positief effect heeft, is nog niet bekend. Ook deze vormen van ondersteuning zijn tot dusver nog niet met AI gegenereerd, maar wel mogelijk, terwijl ze zonder AI erg/te arbeidsintensief zijn.  

Een ander voorbeeld, tot slot, waarbij de leerling wel gesteund wordt met AI om een betere lezer te worden is het iSTART-project. iSTART staat voor interactive Strategy Training for Active Reading and Thinking (McNamara et al., 2023). Met behulp van AI wordt de lezer ondersteund in het proces doordat de lezer gevraagd wordt een korte samenvatting te geven van wat zojuist is gelezen en daar feedback op krijgt.  

Vreemde talen onderwijzen met AI 

LLM’s zijn behoorlijk goed geworden in vertalen. Een voorbeeld hiervan is DeepL. Dit zou de vraag kunnen oproepen waarom leerlingen op school nog een vreemde taal zouden moeten leren. Taalverwerving behelst echter meer dan in staat zijn om te vertalen. Dewaele (2024) waarschuwt dat leerlingen, vooral beginners, snel hun motivatie verliezen wanneer technologie het leren overneemt. Zelf een taal leren heeft ook te maken met culturele nuances en authentieke interactie die AI niet biedt. Bijvoorbeeld, wanneer zeg je ‘doei’, wanneer ‘houdoe’ en wanneer ‘tot ziens’? Hamilton et al. (2023) benadrukken dan ook dat te veel vertrouwen op AI tot ‘de-skilling’ kan leiden, waarbij beginners te weinig taalvaardigheid ontwikkelen. Vreemde talen leren blijft ook in tijden van AI essentieel om zelfstandig en kritisch te kunnen communiceren. 

In een reviewstudie laten Ji et al. (2023) de mogelijkheden van LLM’s zien in vreemdetalenonderwijs, specifiek gericht op de mogelijkheden van interactie tussen leerlingen en systeem. Slechts een heel klein deel van het onderzoek dat ze bespraken in hun review vond plaats in het basis- of voorgezet/secundair onderwijs. Uitdagingen zaten vooral in het feit dat een gesprek kan stokken door misinterpretatie of antwoorden die niet aansluiten bij het onderwerp. Dit was vooral het geval bij beginnende tweede-taalleerders en zal dus zeker in het basis- en voortgezet/secundair onderwijs een uitdaging zijn. We zien ook hier weer het belang van voorkennis. Ook waarschuwen de auteurs ervoor dat een systeem niet kan aansluiten bij de emotionele behoeftes van een leerder. Bovendien dreigen leerders hun interesse in het communiceren met een chatbot te verliezen zodra de nieuwigheid ervan af is. 

Tot slot heeft AI de potentie om de didactiek van taalonderwijs te veranderen. Bij schrijfopdrachten kan AI een eerste versie voor een leerling genereren of feedback geven in plaats van de leraar. Voor spreekvaardigheid bieden AI-chatbots extra oefenkansen (bijvoorbeeld uitspraakfeedback), al blijft echte interactie onmisbaar (Van den Branden, 2022). De rol van leraren zou hierdoor veranderen: ze begeleiden leerlingen in het verstandig gebruiken van AI en bewaken motivatie én autonomie tijdens het leren (Dewaele, 2024). 

Werk nakijken met LLM’s