Rapport – AI en Onderwijs

1. Inleiding

Dit rapport is een oproep tot actie.

Gedurende vijf intensieve maanden van vergaderingen, onderzoek en outreach binnen de MIT-gemeenschap, heeft de Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training getracht de rol van generatieve AI in het leven en de educatieve missie van het Instituut te begrijpen en aanbevelingen te doen over hoe om te gaan met de uitdagingen en kansen hiervan.

In januari 2026 hebben Chancellor Melissa Nobles, Provost Anantha Chandrakasan en Faculty Chair Roger Levy ons specifiek belast met het volgende:

• Het beoordelen van het huidige AI-gebruik bij MIT.
• Het identificeren van innovaties in het onderwijs en de beoordeling van studenten.
• Het voorstellen van een beleid voor AI-gebruik.

Wat we als groep echter leerden, overtuigde ons er snel van dat de gemeenschap van het Instituut, en in het bijzonder de faculteit, een set diepere vragen moet aanpakken over de structuur, betekenis en waarde van een MIT-opleiding in een tijdperk waarin AI een van de verschillende factoren is die de missie van het Instituut bemoeilijken.

Onze commissie bestond uit bachelor- en masterstudenten, faculteitsleden van elke school en personeel van relevante eenheden, waaronder de MIT-bibliotheken en het Teaching and Learning Lab. Hoewel we een breed scala aan ervaringen meebrachten en geen vastgelegde stelling hadden, hebben onze korte maar intensieve verkenningen geleid tot een sterk gedeeld standpunt.

In dit rapport doen we het volgende:

• We belichten belangrijke aspecten van het huidige educatieve landschap bij MIT.
• We delen acht principes waarop we vertrouwden en die we hopen dat het Instituut zullen leiden in het toekomstige werk.
• We bevelen onmiddellijke en langetermijnacties aan voor zowel docenten als de administratie.

Als een instelling die zich diep identificeert met de geboorte van AI en bekend staat om haar kenmerkende, rigoureuze en praktijkgerichte onderwijs — ontworpen om afgestudeerden te produceren die niet bang zijn voor de moeilijkste problemen ter wereld — heeft MIT een unieke rol te spelen in dit moment. We geloven dat het Instituut ook de verantwoordelijkheid heeft om een leidende rol te vervullen.

We hopen dat ons rapport het Instituut kan helpen om in de geest van Mind, Hand, and Heart (Geest, Hand en Hart) voort te gaan met het definiëren en bevorderen van residentieel onderwijs van de hoogste kwaliteit – door mensen, voor mensen, ter ondersteuning van menselijke bloei en ten bate van de mensheid.

Eric Klopfer, co-voorzitter Sam Madden, co-voorzitter Namens de Committee on AI Use in Teaching, Learning, and Research Training

1.1 Het landschap

De aanbevelingen in dit rapport weerspiegelen de volgende inzichten over het educatieve landschap bij MIT.

Generatieve AI is al overal aanwezig, wat leidt tot uiteenlopende visies:

• MIT-studenten gebruiken AI frequent en pervasief – met sterk gemengde gevoelens, variërend van nieuwsgierigheid, creatieve inspiratie en dankbaarheid tot berusting, bezorgdheid en angst.
• De houding van docenten varieert van enthousiaste exploratie en een groeiende afhankelijkheid van AI tot scepsis, wantrouwen en "AI-weigering" – en er is een wijdverbreid verlangen om ervaringen, ideeën en technieken te delen.

Hoewel AI het mogelijk maakt voor docenten om opwindende nieuwe leerervaringen te ontwikkelen en studenten in staat stelt om op innovatieve manieren te leren en te experimenteren, zijn er een aantal zorgwekkende effecten op het campusleven waargenomen. Er zijn tekenen dat AI:

• Fundamentele elementen van de MIT-onderwijservaring ondermijnt, vooral voor bachelorstudenten, van de p-sets (probleemsets), het take-home examen en UROPs tot de spreekuren en de studiegroepen.
• Isolatie vergroot.
• De beheersing en het zelfvertrouwen van studenten ondermijnt.
• Het "sociale contract" tussen docenten en studenten uitholt.
• Het veel moeilijker maakt om de voortgang van studenten te beoordelen.
• Decennia aan kenmerkende MIT-gemeenschapsnormen en -waarden uitdaagt, zoals rigor, de creatieve wrijving die nodig is voor leren, collaboratieve probleemoplossing en persoonlijke integriteit.

AI veroorzaakt zowel onmiddellijke snelle veranderingen als langetermijntektonische verstoringen – en MIT moet hierop reageren:

• Studenten zijn in verwarring en bezorgd over een gebrek aan duidelijkheid, consistentie en rechtvaardiging over het gebruik van AI binnen een bepaald vak en over het curriculum heen.
• Elk vak dat aan MIT wordt onderwezen, zal waarschijnlijk opnieuw worden bekeken en potentieel worden herzien om ervoor te zorgen dat de manier waarop studenten worden onderwezen, wat ze leren en hoe ze worden beoordeeld "AI-bewust" zijn.
• AI verandert wat studenten moeten weten en wat ze moeten kunnen.
• Naast de implicaties voor specifieke vakken en disciplines, vereist de komst van AI een bredere, holistische herbeoordeling van de aard, reikwijdte en het doel van het hoger onderwijs van vandaag.

Ten slotte brengt AI aanzienlijke praktische zorgen met zich mee voor onze gemeenschap, van dataprivacy en vertrouwelijkheid tot vragen over ongelijke toegang, bias, eerlijkheid en verantwoordelijkheid. De explosieve groei en opkomst van AI roepen ook belangrijke vragen op voor de samenleving, van de milieu-impact van AI-datacenters tot het gebruik van intellectueel eigendom en trainingsdata, en de algehele menselijke impact van de technologie en de industrie – en MIT moet zich ook met deze vragen bezighouden.

Andere onderwijsinstellingen worstelen met soortgelijke vragen over AI en genereren interessante ideeën – maar niemand lijkt het volledig opgelost te hebben.

Drie opmerkingen over de gebruikte terminologie:

• N.B. In dit rapport omvat "Docenten" (Instructors) de faculteit en iedereen die anders betrokken is bij het onderwijs aan MIT.
• De meeste verwijzingen naar "studenten" gelden voor zowel bachelor- als masterstudenten, behalve op een paar duidelijke plaatsen, zoals wanneer we verwijzen naar de General Institute Requirements (GIRs) of deelnemers aan het Undergraduate Research Opportunities Program (UROP).
• "Wij", "ons" en "onze" verwijzen soms naar de leden van de commissie, en soms naar MIT als geheel. Het verschil moet uit de context blijken.

---

2. Leidende principes

We beginnen met het definiëren van acht principes waarop we vertrouwden en die we hopen dat het Instituut zullen leiden in het toekomstige werk.

2.1. Wees bescheiden

Sommige technologische innovaties ontstaan geleidelijk: naarmate de samenleving en technologie in harmonie evolueren, verzacht wederzijdse aanpassing de impact. De computer – de voorloper en belangrijkste enabler van AI – past in dit patroon. Andere innovaties landen abrupter en worden sociaal relevant voordat individuen en instellingen tijd hebben om zich aan te passen.

De maatschappij bepaalt de "geboorte" van een nieuwe technologie vaak op het moment dat deze gemakkelijk bruikbaar wordt. Gemeten aan die maatstaf werd generatieve kunstmatige intelligentie "geboren" met de release van ChatGPT eind 2022. De publieke interactie met generatieve AI is dus minder dan vier jaar oud. In die tijd heeft het meer dan een miljard gebruikers verzameld, en de bedrijven die AI-technologie verkopen domineren de koppen, de aandelenmarkt en het publieke bewustzijn.

Met andere woorden: AI vordert in bijna elk domein en op een tijdschaal die te gecomprimeerd is voor de samenleving om de effecten correct te observeren en te analyseren, en vervolgens geleidelijk aan te passen.

Dit suggereert ons eerste leidende principe: we doen onze voorstellen in een geest van bescheidenheid. Bijsturingen – misschien zelfs grote – zullen onvermijdelijk zijn naarmate de technologie haar onverbiddelijke evolutie voortzet en het Instituut experimenteert en leert.

2.2. Wees gedurfd

Onzekerheid mag echter geen excuus zijn voor inactiviteit. Dit is geen moment voor lapmiddelen. De uitdagingen die AI vormt voor het onderwijs en leren vereisen een gedurfde strategische respons – overal, en vooral bij MIT. Met ons programma Social and Ethical Responsibilities of Computing dat zijn zevende jaar voltooit, zijn we uniek gepositioneerd om manieren te vinden om deze nieuwe technologie in het belang van de samenleving, en in het bijzonder voor onze studenten, in te zetten.

AI biedt ook buitengewone kansen, van ongekende mogelijkheden voor geïndividualiseerde tutoring en coaching tot een dramatische versnelling en herziening van onderzoek in veel disciplines. Het grijpen van deze kansen verdient en vereist ook gedurfdheid.

Gedurfd denken is vooral belangrijk omdat onze studenten spoedig zullen helpen de intellectuele, ethische en technische richting van onze samenleving vorm te geven. We zijn hen een diepe betrokkenheid verschuldigd bij rijke en constructieve toepassingen van AI, en een geavanceerd begrip van het potentieel en de nadelen ervan. Hun MIT-ervaring moet hen voorzien van de wijsheid om te helpen bepalen hoe en waar AI wordt ingezet voor de verbetering van de samenleving en de wereld in het algemeen.

2.3. Zet de mens centraal

Confrontatie met een technologie die al over zulke immense capaciteiten beschikt – gebouwd op, gemodelleerd naar, en in veel opzichten nu overtreffend van menselijke vermogens – moet de fundamentele uitdaging en belangrijkste doel van het Instituut zijn om onze gedeelde menselijkheid te koesteren en te beschermen, en de MIT-gemeenschap, haar leden en hun bloei boven alles te waarderen.

Tijdens een luistersessie met docenten vernamen we dat sommigen overweogen om AI-agenten als onderzoeksassistenten in te zetten in plaats van bachelorstudenten aan te nemen als UROPs. Men kan het argument voor snelheid en efficiënt gebruik van middelen inzien (vooral nu, wanneer onderzoeksmiddelen zo beperkt zijn). Maar als die criteria onze beslissingen gaan domineren, moeten we ons allemaal afvragen: "Wat zijn we hier samen om te doen?"

Als gemeenschap moeten we in our hoofd houden dat hoewel onderzoek centraal staat in de missie van MIT, het meer is dan een doel op zich; op onze campus is onderzoek ook een leerlingschap, een middel om de volgende generatie onderzoekers op te leiden om ons werk voort te zetten en onze onderzoeksvelden vooruit te stuwen. Het gebruik van onderzoek als een kans voor learning-by-doing kan leiden tot schijnbare "inefficiënties", maar dat is een kenmerk, geen fout.

Een focus op onze menselijkheid moet ons er ook op wijzen dat veel huidige oplossingen voor de problemen die AI creëert, het risico lopen de relaties tussen docenten en studenten te beschadigen. Zo vertelden veel docenten dat het "politiewerk" rond ongeautoriseerd AI-gebruik hun band met studenten schaadde (een dynamiek die verergerd wordt door het feit dat AI-detectiesoftware vrij onbetrouwbaar is). Studenten vrezen op hun beurt onterecht beschuldigd te worden van AI-fraude en zijn steeds gefrustreerder door het gebruik van AI door docenten in gebieden die een menselijke touch vereisen, zoals het nakijken van werk, het maken van opdrachten en feedback. Een dergelijke onderstroom van wederzijds wantrouwen is geen goede basis voor een gezond klaslokaal.

2.4. Focus op het leerproces (Lean into learning)

Veel problemen en opdrachten die in MIT-lessen worden gebruikt om het leren te versterken en de voortgang van studenten te beoordelen, kunnen inmiddels door AI worden opgelost. Onbeperkt AI-gebruik door studenten kan sommige traditionele beoordelingen minder betrouwbaar maken als indicatoren van individueel leren, wat potentieel het vertrouwen in cijfers en diploma's verzwakt. Voor educatoren kan deze radicale verschuiving in normen en verwachtingen diep desoriënterend aanvoelen.

Maar als gemeenschap moet ons het meeste zorgen maken dat veel toepassingen van AI studenten de kans ontnemen om te leren.

De dreiging die AI vormt voor vertrouwde manieren van onderwijzen en testen kan een zegen in vermomming zijn – omdat de veranderingen te plotseling en ernstig zijn om te negeren. Zoals de faculteitsleden in onze commissie kunnen bevestigen, klagen educatoren al minstens twee decennia over de druk op het onderwijs en leren door gefragmenteerde aandacht, alomtegenwoordige apparaten, een nauwe preoccupatie met cijfers in plaats van leren, en een verzwakkend gevoel dat studenten en docenten verbonden zijn in een gemeenschappelijk intellectueel project.

Als een instelling die trots is op de kracht van haar kenmerkende educatieve recept, is het aan MIT om de kans van dit moment te grijpen: om ervoor te zorgen dat de onmiskenbare veranderingen die door AI worden opgelegd, een omslagpunt worden, waardoor we beslist kunnen omgaan met de krachten die onze gedeelde educatieve missie uithollen.

Focus op het leerproces betekent het creëren van een nieuw "sociaal contract" tussen docenten en studenten. Iedereen die aan MIT onderwijst, moet voorbereid zijn om studenten te helpen begrijpen dat het educatieve proces noodzakelijkerwijs een productieve worsteling is, en dat het belangrijkste product van hun opleiding niet een GPA of een diploma is, maar zijzelf: hun persoonlijke groei en intellectuele volwassenheid en de ontwikkeling van hun eigen verbeeldingskracht, inzicht en oordeelsvermogen.

Het aanwakkeren van deze houdingen moet een centrale taak worden voor elke educator, zodat onze studenten niet alleen weten wat ze moeten leren, maar ook hoe ze moeten leren en waarom leren ertoe doet. We moeten hen helpen metacognitieve vermogens te ontwikkelen om na te denken over het denken, reflectieve praktijken toe te passen en hun gevoel van persoonlijke autonomie te versterken. Dit zal zowel toewijding als een nieuwe voorbereiding van docenten vereisen.

2.5. Onderwijs met intentionaliteit

De meeste lessen aan MIT zullen een zorgvuldige herziening en in veel gevallen een substantiële aanpassing vereisen om een ontmoeting met AI zonder ernstige verstoringen te overleven. AI zal de pedagogische aannames ondermijnen die ten grondslag lagen aan de keuze van de inhoud, de instructiemethoden en de manieren om de prestaties van studenten te beoordelen.

Kortom, het is tijd om diep en uitgebreid na te denken over wat we onderwijzen en hoe we dat doen. Toekomstige lessenstructuren, beoordelingen en beleid moeten worden gebouwd met hoge intentionaliteit en een duidelijk doel, en niet simpelweg worden aangepast als reactie op de onmiddellijke realiteit van AI. Dit betekent echter niet dat elke cursus op dezelfde manier moet veranderen.

De beproefde techniek die bekend staat als "backward design" (terugwaarts ontwerp) biedt hier een nuttig kader. In plaats van te beginnen met de vraag of AI in een specifiek vak toegestaan of verboden moet worden, zouden educatoren beginnen met het definiëren van het doel van de leerervaring zelf: wat studenten moeten komen te weten, kunnen doen en leren waarderen. Opdrachten en beoordelingen kunnen vervolgens worden ontworpen om die resultaten te meten en te stimuleren, waarbij AI wordt gebruikt als het nuttig is, maar niet als dat niet zo is.

De tijd en inspanning van de docent die nodig zijn om bestaande structuren te herontwerpen, te herbeoordelen of bewust te behouden, zal waarschijnlijk aanzienlijk zijn. Maar dat proces van pedagogische reflectie en redenering is op zichzelf waardevol. Intentioneel onderwijs bevordert intentioneel leren; wanneer docenten duidelijk maken waarom AI is toegestaan, beperkt of vereist, is de kans groter dat studenten het leren begrijpen dat wordt beschermd of ontwikkeld.

Op deze manier kan backward design MIT helpen het doel van haar onderwijs te behouden terwijl het eerlijk wordt aangepast aan de realiteit van AI. (Aanmoedigend is dat het Teaching and Learning Lab van MIT goed is uitgerust om docenten te helpen dit instrument te beheersen.)

2.6. Geen 'one-size-fits-all' benadering

Geen enkele enkele benadering van AI in het onderwijs zal MIT goed dienen. Een seminar over poëzie, een cursus over wiskundige bewijzen en een architecturaal ontwerpstudio impliceren logischerwijs verschillende relaties met AI. In sommige gevallen is het gebruik van AI om creatief werk te genereren of een probleem op te lossen tegenstrijdig aan het doel van de oefening; in andere gevallen is AI-vaardigheid al onderdeel van de professionele praktijk, en zou het vermijden ervan studenten benadelen.

Hetzelfde geldt voor het niveau: een eerstejaarsstudent die fundamentele vaardigheden en oordeelsvermogen opbouwt, staat in een andere relatie tot AI dan een promovendus die de literatuurreview in een veld dat hij/zij diep kent versnelt. Kortom, een uniforme regel voor het hele Instituut zou onvermijdelijk te permissief zijn voor sommige contexten en te restrictief voor andere.

Dit is niet om te zeggen dat elke docent het AI-beleid vanaf nul moet uitvinden. MIT moet een gedeeld kader bieden – inclusief een gemeenschappelijk menu met beleidsopties, verwachtingen over openbaarmaking en verantwoordelijkheidsnormen – waarbinnen afdelingen en docenten keuzes kunnen maken. Afdelingen zijn een natuurlijke eenheid voor dit werk, aangezien studenten een hoofdvak ervaren als een coherente progressie en baat zouden hebben bij consistentie over wanneer AI welkom is, wanneer het beperkt is en waarom.

2.7. Augmentatie, geen automatisering

Naarmate AI-gestuurde technologieën krachtiger worden, wordt het mogelijk – en verleidelijk – om meer "denktaken" aan hen over te dragen; niet verrassend vertelden studenten ons dat de verleiding het grootst was wanneer ze vreesden een deadline te missen. Er zijn echter vroege signalen dat overmatige afhankelijkheid van chatbots kan leiden tot een reeks aanzienlijke negatieve gevolgen – vermindering van kritisch denken, verzwakking van het geheugen, uitholling van het zelfvertrouwen en ondermijning van beheersing.

Het krijgen van het juiste antwoord van een chatbot kan de illusie van leren wekken – maar het kan ook "cognitieve overgave" (cognitive surrender) triggeren, waarbij studenten terugvallen op AI bij de eerste hint van worsteling. In een recent artikel pleiten drie vooraanstaande MIT-economen – Daron Acemoglu, David Autor en Simon Johnson – voor wat zij "pro-worker AI" noemen. Zij stellen dat bedrijven, in plaats van AI-systemen te ontwerpen om werknemers te vervangen, AI moeten ontwikkelen die mensen in staat stelt "effectiever te zijn in hun bestaande taken, nieuwe taken aan te pakken en nieuwe expertise te verwerven."

In dezelfde geest moeten we collectief het gebruik van AI in het onderwijs bij MIT vormgeven als "pro-learner" – niet om de "harde pret" van denken, leren, creëren en probleemoplossend denken te vervangen, maar om uit te breiden wat mogelijk is voor studenten om over na te denken, te leren en op te lossen. Kortom, AI moet worden gebruikt om nieuwsgierigheid, creativiteit en leren te augmenteren en te versterken, niet om ze te automatiseren.

Belangrijk is dat dit vraagstuk zowel sociaal als psychologisch is. Net zoals automatisering dreigt met baanverlies, deskilling en toenemende isolatie van werknemers, zo verdringt de afhankelijkheid van chatbots in het onderwijs peer-to-peer connecties zoals studiegroepen en vermindert het interacties tussen studenten en docenten. Als we willen dat augmentatie zegeviert, moeten we dit zien als meer dan een abstract, "gehoopt" ideaal; het is een concrete praktijk die onze pedagogiek kan helpen bevorderen.

Dit leidt tot ons laatste principe.

2.8. Denk verder dan het klaslokaal en de campus

AI moet worden geïntegreerd in het MIT-onderwijs op manieren die de capaciteiten van studenten om te groeien als complete menselijke wezens versterken in plaats van verminderen. In The Culture of Education betoogde Jerome Bruner, een vooraanstaand psycholoog in het onderwijs en een pionier in de cognitieve wetenschap, dat leren niet simpelweg een technische kwestie is van het overbrengen van inhoud van leraar naar student, maar een proces waardoor studenten leren hoe ze de wereld moeten interpreteren, hun plek in de samenleving vinden en een gevoel van zichzelf ontwikkelen als competente personen.

Als leren primair wordt (mis)begrepen als het leveren van inhoud, dan lijken hoogresponsieve AI-systemen in staat om leraren, mentoren, peers, collaborateurs en de interpersoonlijke dimensies van leren volledig te vervangen. Maar hoewel deze houding steeds vaker voorkomt, is zij kortzichtig. Onderwijs is een culturele praktijk waardoor studenten leren betekenis te geven, oordelen uit te oefenen, identiteiten te vormen en verantwoordelijk deel te nemen aan een gemeenschap.

Veel van wat onze studenten bij MIT winnen, staat nooit beschreven in een syllabus of opdracht; het is wat ze leren door te leven en te werken op onze campus in elkaars gezelschap – de impliciete verwachtingen, gewoonten, relaties en waarden die bepalen hoe ze leren problemen op te lossen, oordelen uit te oefenen, vol te houden bij moeilijkheden en leden te worden van een intellectuele gemeenschap. "Residentieel onderwijs" is krachtig, mede omdat het overal gebeurt: in studentenhuizen, leefgroepen, sportteams, kunstgroepen, clubs, enzovoort.

Een fundamenteel gevaar, zoals we hebben besproken, is dat AI studenten in staat stelt om het leren te omzeilen. Even zorgwekkend is dat studenten een transactioneel model kunnen internaliseren waarin opdrachten "outputs" zijn, docenten "evaluatoren", peers "optioneel", en kennis (of een MIT-diploma) een optimaliseerbaar handelsartikel is dat zo efficiënt mogelijk moet worden verworven of geproduceerd.

Een dergelijk mentaal model zal niet beperkt blijven tot het klaslokaal. Het zal bepalen hoe studenten werk, samenwerking en sociale verantwoordelijkheid komen te begrijpen, en ze zullen deze mindset meenemen de wereld in. Hoe sociaal of responsief AI-systemen ook worden, ze kunnen geen vervanging zijn voor de relaties en praktijken die nodig zijn om te groeien en te rijpen als menselijk wezen.

MIT moet AI daarom niet simpelweg benaderen als een instrument om de educatieve efficiëntie te verbeteren, maar als een kracht die beheerst moet worden om de bredere doelen van onderwijs te ondersteunen. Studenten moeten leren AI productief en vloeiend te gebruiken, maar ook op manieren die hun vermogen verdiepen om goed deel te nemen aan hun klaslokalen, laboratoria, werkplekken, families en gemeenschappen.

Het doel is niet om studenten af te schermen van AI, noch om oudere onderwijsvormen om hun eigen wil te behouden. Het is om ervoor te zorgen dat AI-gebruik de ontwikkeling ondersteunt van mensen die kritisch kunnen denken, met initiatief kunnen handelen, productief met anderen kunnen samenwerken en de gevolgen begrijpen van hun keuzes in een wereld die gedeeld wordt met negen miljard andere menselijke wezens.

---

3. Aanbevelingen

Deze sectie beschrijft de veranderingen die we noodzakelijk achten om MIT voor te bereiden op een nieuwe wereld. Gebaseerd op de langdurige waarden van het Instituut zijn onze aanbevelingen geen checklist van individuele initiatieven die één voor één kunnen worden geïmplementeerd, maar een set substantiële veranderingen die in samenhang moeten worden uitgevoerd.

We erkennen dat serieuze verandering tijd kost. Gezien de effecten die onze gemeenschap al beïnvloeden, moeten de vereiste veranderingen echter op twee tijdschalen worden geïmplementeerd: die die onmiddellijk gebeuren, en die die onmiddellijk beginnen, maar verder onderzoek en planning vereisen.

Kunstmatige intelligentie – in de vorm van LLM's en andere generatieve AI-technologieën – stelt MIT voor diepgaande uitdagingen en intrigerende kansen. Momenteel kunnen deze technologieën geloofwaardige oplossingen produceren en redelijke antwoorden geven op bijna elke geschreven opdracht in ons bachelorcurriculum, inclusief essays, wiskundige en wetenschappelijke problemen, bewijzen en codeeropdrachten.

Zorgwekkende effecten

Omdat veel studenten ervoor kiezen of zich onder druk gezet voelen om over te stappen op leren en probleemoplossing met AI, hebben deze technologieën in minder dan drie jaar grote verschuivingen in de campuscultuur teweeggebracht. Dit omvat een afname van de aanwezigheid bij spreekuren, verminderde deelname aan online discussies en, zoals we anekdotisch vernamen, een daling in fysieke studiegroepen in slaapzalen, bibliotheken en andere studieruimtes. Deze problemen hebben zich plotseling en dramatisch voorgedaan, wat een duidelijk gevoel van urgentie creëert. Ze vallen bovendien samen met een tijd waarin het hoger onderwijs voor andere uitdagingen staat, en MIT zelf brede curriculaire veranderingen overweegt naar aanleiding van de bevindingen en aanbevelingen van de Taskforce on the Undergraduate Academic Program (TFUAP).

Intrigerende kansen

Hoewel deze uitdagingen dringend zijn, biedt AI ook opwindende kansen voor leren en creëren. Veel docenten vertelden ons dat AI-tools hen helpen bij het ontwikkelen van aangepaste, interactieve leermiddelen waarmee studenten de vakinhoud met meer diepgang kunnen verkennen, en waardoor docenten leerervaringen kunnen creëren die nieuw zijn of specifiek zijn afgestemd op elke student. Met een beetje begeleiding kunnen zelfs docenten die niet vaardig zijn in softwareontwikkeling AI-agenten aanpassen om een vak of onderzoeksproject te ondersteunen. Studenten kunnen grootschalige softwareprojecten maken binnen de beperkte tijd van lessen, wat voorheen onmogelijk zou zijn geweest. Ze kunnen AI ook gebruiken om data te analyseren, onderzoek te doen en tools te bouwen om hun expertise te vergroten en projecten na te streven die henzelf en de samenleving ten goede komen. Het potentieel van deze technologieën om werk op de hele campus te augmenteren is enorm.

De aanbevelingen die we hieronder doen, zijn erop gericht de MIT-gemeenschap te helpen navigeren door de uitdagingen van AI en haar kansen te grijpen, terwijl ze de principes uit Sectie 2 weerspiegelen. Bijvoorbeeld:

• Bescheidenheid betekent dat we administratieve processen moeten creëren voor continue evaluatie en herziening, in plaats van ervan uit te gaan dat elke verandering die we vandaag maken in de toekomst adequaat zal zijn.
• Gedurfdheid vereist dat we niet simpelweg proberen het bestaande systeem te repareren om de impact van AI op onze studenten en systemen te beperken, maar in plaats daarvan leerervaringen, beoordelingen en curricula herontwerpen op manieren die helpen de toekomst van het onderwijs opnieuw te definiëren.
• De mens centraal stellen betekent dat we zoeken naar toepassingen van AI die de waarde van een MIT residentiële opleiding versterken in plaats van verzwakken.
• Focus op het leerproces betekent onderwijzen met intentionaliteit, heroverwegen wat studenten moeten leren en beoordelingen afstemmen op die gewenste resultaten, om de productieve worsteling te behouden die essentieel is voor een learning-by-doing opleiding.
• Geen 'one-size-fits all' betekent dat we op maat gemaakte kaders moeten ontwikkelen voor aanpassing aan AI, in plaats van uniforme AI-regels voor alle studenten, docenten of afdelingen.
• Augmentatie boven automatisering betekent dat we studenten voorbereiden om AI vloeiend te gebruiken en op manieren die autonomie, oordeelsvermogen, integriteit en menselijke connectie behouden.
• Denken buiten het klaslokaal en de campus vereist dat we anticiperen op de vaardigheden die onze studenten nodig hebben voor succes in werk en leven, als gemeenschapsleden, toekomstige leiders en makers van de volgende generatie AI-technologie.

Drie brede werkgebieden

We geloven dat de omstandigheden vragen om een substantiële hervorming van de studentervaring. Hoewel het leven van een MIT-student over 10 of 15 jaar ongetwijfeld anders zal zijn, hebben we als gemeenschap de verantwoordelijkheid om ervoor te zorgen dat het onmiddellijk herkenbaar blijft als een MIT-ervaring. Paradoxaal genoeg zal het behouden van wat het belangrijkste is, bewuste verandering vereisen.

We groeperen onze aanbevelingen in drie secties:

1. Onderwijsprocessen aanpassen aan een AI-bewuste wereld (Sectie 3.1):

• Campusbreed en zo snel mogelijk herzien wat onze studenten moeten leren. Dit "AI-bewuste" proces, geleid door docenten en afdelingen, zal de basis vormen voor het ontwerp van klaslokaalactiviteiten die socialer en ervaringsgerichter zijn, en in lijn zijn met innovatieve opdrachten en beoordelingen die feedback geven op die belangrijkste studentenresultaten. Dit vereist ook een onderzoek naar de aard van cijfers en het geven van cijfers.
• Dit proces faciliteren door docenten van toegewijde middelen te voorzien (bijv. extra TA's) en fysieke ruimtes aan te passen voor experimenten, gemeenschapsopbouw en AI-vrije interactie en beoordeling.
• "Communities of practice" creëren bij MIT waardoor leden uitdagingen en bevindingen kunnen delen, evenals tools en technieken om het onderwijs en leren te verbeteren.

1. Mensen, gemeenschap en de residentiële ervaring centraal stellen (Sectie 3.2):

• De residentiële ervaring revitaliseren en terugclaimen op basis van gedeelde ervaringen, transparantie en een focus op fysieke activiteiten.
• AI-geletterdheid en verantwoord en ethisch AI-gebruik zorgvuldig integreren als fundament en rode draad voor studentenwerk, met aandacht voor de verbinding met specifieke disciplines. Dit vereist technische vaardigheid, maar hangt af van het adopteren van een mensgerichte benadering van AI als augmentatief instrument.

1. Processen, teams en tools bouwen voor continue reflectie, iteratie en verbetering (Sectie 3.3):

• Rollen, processen en permanente commissies instellen om deze uitdagingen aan te pakken.
• Feedback en data verzamelen, op de hoogte blijven van onderzoek en best practices, connecties maken met peers en van hen leren.
• Technische en educatieve ondersteuning bieden om dit alles mogelijk te maken.

Daarnaast identificeren we een reeks zorgen over de bredere impact van AI op de samenleving, banen, het milieu en meer, die ook van invloed zijn op ons AI-beleid op de campus.

---

3.1. Onderwijsprocessen aanpassen aan een AI-bewuste wereld

Generatieve AI beïnvloedt wat onze studenten moeten weten en kunnen (onze leerdoelen), hoe onze studenten die doelen bereiken, en hoe we evalueren en beoordelen wat ze hebben geleerd.

Omdat het vermogen van AI om op MIT-niveau opdrachten competent te voltooien het moeilijk maakt om de voortgang van studenten te beoordelen op basis van werk buiten de klas, voelen docenten urgent de noodzaak voor nieuwe beoordelingsstrategieën. Hoewel we verschillende aanbevelingen doen over beoordeling, dringen we er bij docenten op aan om meer te doen dan simpelweg hun lessen "AI-bestendig" (AI-proof) te maken. In het bijzonder vormen de manieren waarop AI de sociale aspecten van leren verandert – zoals de interactie met TA's en deelname aan spreekuren en studiegroepen – een nog diepere uitdaging.

3.1.1. Leerdoelen herzien

Voordat docenten nadenken over hoe ze AI-bewuste beoordelingen moeten construeren, moeten ze hun doelen voor het leren van studenten in elk vak dat ze onderwijzen heroverwegen. Wat moeten studenten weten of kunnen aan het einde van de cursus?

De leerdoelen voor een bepaald vak kunnen beïnvloed worden door de beschikbaarheid van AI, maar ze moeten in ieder geval "AI-bewust" zijn; dat wil zeggen, ze moeten erkennen dat AI bestaat in de wereld, dat docenten mogen sturen op of toestaan dat het in of buiten de klas op gestructureerde wijze wordt gebruikt – en dat studenten het ook zonder toestemming kunnen willen gebruiken.

De grootste zorg voor veel docenten: wanneer AI het mogelijk maakt om het cognitieve werk van het leren uit te besteden, hoe kunnen we dan beoordelen wat studenten daadwerkelijk weten en begrijpen?

In het tijdperk van AI verdienen sommige traditionele leerdoelen een heroverweging; bijvoorbeeld: moeten de meeste van onze studenten in staat zijn om complexe programma's met de hand te schrijven? Individuele docenten en afdelingen zullen moeten beoordelen of langdurige doelen nog steeds belangrijk zijn, en zo ja, AI-resistente manieren ontwikkelen om deze te evalueren.

Leerdoelen die betrekking hebben op laboratoriumwerk, projecten of prestatiegericht werk vereisen wellicht weinig aanpassing, maar generatieve AI kan nieuwe manieren bieden om studenten te helpen reflecteren, te oefenen of zich voor te bereiden op een prestatie. Zo rapporteerde een docent dat het aanbieden van gepersonaliseerde, cursusspecifieke AI-coaches voor studenten die leren bemiddelen, de ongemakkelijkheid van het oefenen van spreken in het openbaar voor anderen wegnam, wat de bereidheid van studenten om te oefenen aanzienlijk vergrootte en daarmee hun vaardigheden verbeterde.

AI kan docenten ook in staat stellen leerdoelen te formuleren die voorheen onmogelijk waren, zoals het begrijpen van of het op nieuwe manieren werken met zeer complexe teksten, technische artefacten of grote softwaresystemen.

3.1.2. Duurzaam leren waarborgen via nieuw cursusbeleid, structuren en beoordelingsvormen

Het curriculum van MIT is beroemd om zijn zwaarte. Bovendien vullen veel studenten hun schema's met hoge eenheden-ladingen en meerdere buitenschoolse activiteiten. Deze concurrerende eisen op hun tijd drijven studenten ertoe prioriteit te geven aan efficiëntie – en niets is efficiënter dan het automatiseren van werk via AI. Maar als studenten toegeven aan die verleidelijke optie, beroven ze zichzelf van de cognitieve wrijving en productieve worsteling die nodig zijn voor werkelijk leren.

AI heeft zowel gecreëerd als blootgelegd dat er een mismatch is tussen vastgestelde leerdoelen en vertrouwde vormen van beoordeling. Bij MIT hebben we lang gebruikgemaakt van probleemsets, langere schriftelijke opdrachten, take-home examens en projecten die buiten de klas worden voltooid, om studenten hun kennis door oefening te laten consolideren en te laten demonstreren wat ze hebben geleerd. AI ontneemt deze instrumenten hun waarde voor zowel het onderwijs als de beoordeling.

Docenten merken dit al: ze moeten veranderen hoe ze studenten evalueren. Velen verhogen al het gewicht van examens in hun cijfergeving of vragen studenten om tijdens de les te schrijven of te coderen. Deze tactische oplossingen hebben echter een prijs: een overmatige nadruk op evaluaties in de klas vermindert de prikkel voor studenten om zichzelf te investeren in de moeilijke, tijdrovende p-sets en projecten die nodig zijn om beheersing op te bouwen. Per definitie beperkt het verschuiven van beoordelingen naar tijdgebonden periodes in de klas hoeveel overdenking studenten kunnen inbrengen. Als we willen dat studenten omgeven zijn met en weten hoe ze waardevol werk moeten creëren en herkennen – werk van omvang, rigor, creativiteit en zorgvuldigheid – dan belichamen snelle, high-stakes evaluaties precies het tegenovergestelde van het signaal dat we hen nu willen overbrengen.

In plaats van huidige beoordelingsmethoden simpelweg "AI-bestendig" te maken, moeten docenten heroverwegen wat ze werkelijk willen dat studenten weten en beoordelingen bedenken die de productieve worsteling stimuleren of zelfs bevatten, die duurzaam begrip en beheersing opbouwt.

We dringen er bij docenten op aan om beoordelingsvormen te overwegen die minder kwetsbaar zijn voor AI en waardevoller voor het leren, zoals mondelinge examens, semesterportfolio's en opdrachten buiten de klas die gekoppeld zijn aan gesprekken in de klas. Dit betekent waarschijnlijk dat middelen zoals TA's en lestijd centraler worden in de evaluatie.

Zoals beschreven in Sectie 3.3 hopen we bovendien dat het Instituut efficiënte manieren creëert voor docenten om nieuwe ideeën voor beoordelingen en best practices te delen.

3.1.3. Nadruk leggen op ervaringsgericht en projectgebaseerd leren

Om aan te sluiten bij de verschuiving naar beoordelingsmethoden die niet kwetsbaar zijn voor AI, moeten docenten de rol van ervaringsgericht en projectgebaseerd leren vergroten. Om dit soort creatief onderwijs aan te moedigen, moet MIT de ontwikkeling van onderwijsvardigheden en praktijken voor alle docenten ondersteunen en bijdragen in dit domein erkennen.

Ironisch genoeg kan AI in sommige gevallen zelf de deur openen naar ervaringsmogelijkheden. Omdat AI uitblinkt in taken zoals coderen en bepaalde soorten ontwerp, kunnen docenten nu projecten toewijzen die veel ambitieuzer zijn. In de software engineering-cursus op capstone-niveau van MIT moesten projecten die studenten redelijkerwijs in een semester konden ondernemen vaak beperkt worden in omvang en waren ze onrealistisch op belangrijke punten; tegenwoordig is het geheel redelijk om van studenten te verwachten dat ze AI-codeertools gebruiken om software-artefacten van bijna productiekwaliteit te bouwen in één academisch semester. Dit kan op zijn beurt ruimte maken voor dieper ervaringsgericht leren: studenten kunnen onderzoeken hoe verschillende ontwerpen werken in de echte wereld, reflecteren op gevallen waarin bepaalde ontwerpen beter presteren dan andere, en onderzoeken hoe de systemen die ze bouwen werken in realistische omgevingen.

Kansen strekken zich veel verder uit dan computerwetenschappen: architectuurstudenten gebruiken AI om te experimenteren met nieuwe manieren om hun ideeën te visualiseren en snel te testen, voorbij wat mogelijk is met traditionele representatieve vaardigheden. Dit breidt het bereik van creatieve projecten uit (hoewel het alleen maar het belang vergroot van het opbouwen van fundamentele conceptuele en technische vaardigheden, oordeelsvermogen en sociaal redeneren, om ervoor te zorgen dat studenten in controle blijven over hun ideeën).

In een recent interview met de Wall Street Journal merkte Harvard-econoom Rafella Sadun op dat werknemers die zullen slagen in het AI-tijdperk zij zijn "die creatief kunnen nadenken over manieren waarop AI waarde kan genereren, ideeën snel kunnen vertalen naar actie, en bereid zijn hun intuïtie te herzien door experimenten en validatie. Tinkerers en doeners floreren in deze omgeving" – een overduidelijke match met de hands-on ethos van MIT en de focus op maatschappelijke impact. Nu AI onze studenten in staat stelt om complexere en uitdagendere taken aan te pakken, is één manier om ons Mens et Manus-motto eer aan te doen het uitbreiden van de reikwijdte en real-world toepassing van de projecten en ondernemingen die we toewijzen.

Het vinden van nieuwe mogelijkheden voor collaboratieve projecten in de klas biedt aanzienlijke kansen voor groei buiten het beheersen van de specifieke inhoud. Correct gestructureerd en ondersteund kunnen dergelijke projecten de sterktes van studenten in samenwerking, communicatie, probleemoplossing en emotionele intelligentie versterken. Deze duurzame menselijke vaardigheden behoren tot de vaardigheden die werkgevers het meest waarderen. We zouden er goed aan doen om meer mogelijkheden te bieden aan onze studenten om deze op te bouwen.

AI kan deze ervaringen ook verbeteren door studenten nieuwe manieren te bieden om data te analyseren, onderzoek te doen en tools te bouwen om hun expertise te vergroten en projecten na te streven die henzelf en de samenleving ten goede komen. Het potentieel van deze technologie om werk op de hele campus te augmenteren is enorm.

3.1.4. Gestructureerd fysiek sociaal leren in vakken inbouwen

Omdat AI-tools langdurige patronen van sociaal leren bij MIT verstoren, moet elk vak een regelmatig fysiek sociaal component bevatten (niet alleen in een college of werkgroep zitten en stilletjes aantekeningen maken). Docenten moeten dergelijke interacties bewust structureren om de gewenste leerdoelen te bereiken en de kwaliteit te behouden, zelfs in grote klassen.

Voorbeelden van gestructureerd sociaal leren zijn:

• Groepsprojecten met wekelijkse check-ins door staf en deliverables die zowel individuele als collaboratieve bijdragen beoordelen.
• Groeps-probleemoplossende sessies begeleid door een lab-assistent of TA.
• Feedbackdiscussies gestructureerd rond een klassenrubriek.
• In-class discussies gefaciliteerd door een getrainde TA of professor, waarbij individuele deelname wordt beoordeeld.

Om de meeste waarde uit fysieke interacties zoals deze te halen, moeten docenten op de eerste dag van de les duidelijk uitleggen waarom deze belangrijk zijn voor individueel leren en het opbouwen van een gemeenschap. Cursussen met uitgebreide groepsprojecten moeten praktische begeleiding en structuren bieden voor hoe succesvol samen te werken.

Hoewel de aanwezigheid van AI het sociaal leren op de campus verstoort, kunnen AI-tools ook reële voordelen bieden voor het leren van studenten, waaronder tijdige hulp, geïndividualiseerde feedback, toegankelijkheid en ondersteuning voor studenten die anders vast zouden lopen, evenals just-in-time manieren om groepen te helpen samenwerken.

Helaas worden deze voordelen contraproductief als ze studenten in staat stellen om de menselijke omgevingen te omzeilen waar ze zouden leren hoe ze met anderen moeten werken, hun ideeën communiceren, kritiek constructief ontvangen, zelfvertrouwen opbouwen, oordeelsvermogen ontwikkelen en acteren als leden van een gemeenschap.

MIT moet AI daarom niet alleen behandelen als een pedagogische of technische uitdaging, maar als een test of residentieel onderwijs vernieuwd kan worden rond menselijke aanwezigheid, gedeeld werk en betekenisvolle mentorschap.

3.1.5. Buiten-de-klas onderzoek en carrière-ervaringen behouden en uitbreiden

Met de lancering in 1969 brak het Undergraduate Research Opportunities Program (UROP) nieuw terrein door een systematische manier te creëren om bachelorstudenten praktijkervaring te geven met frontlijn onderzoek onder leiding van faculteitsleden. Tegenwoordig is UROP een kenmerkend deel van de MIT-ervaring, waarbij 93% van de bachelorstudenten en 58% van de faculteit betrokken is.

UROP en andere leerervaringen buiten de klas bieden studenten duidelijke praktische voordelen, zoals academische studiepunten en betaald werk. Maar de bredere voordelen – waaronder persoonlijke ontwikkeling, connecties met mentoren en peers, en carrière-exploratie – zijn nog belangrijker. UROP vormt een krachtig bewijs voor het doel en de waarde van een residentiële college-opleiding.

MIT moet haar toewijding aan UROP en andere leerervaringen die de nadruk leggen op mentorschap, samenwerking en leren door te doen behouden, vernieuwen en idealiter uitbreiden; manieren vinden om deze toegankelijker te maken; en overwegen deze uit te breiden buiten het laboratorium.

We moedigen het Instituut ook aan om gerelateerde inspanningen te verkennen om de waarde van de MIT residentiële ervaring te vergroten, zoals het opzetten van co-op programma's (wat het Instituut actief onderzoekt), het toestaan dat UROP-achtige ervaringen voldoen aan graadvereisten, of het uitbreiden van industrie/co-op gebaseerde graduate onderzoeksprogramma's. Dit moet onder meer gebeuren in samenwerking met organisaties op de campus die dergelijke ervaringen al ondersteunen, waaronder het PKG Public Service Center en MISTI.

UROPs, research assistantships (RAs) en andere vormen van studentparticipatie kunnen studenten toegang geven tot nieuwe intellectuele gemeenschappen: het aansluiten bij een lab, leren van promovendi en postdocs, samenwerken met peers in verschillende fasen van hun carrière, werk presenteren in groepbijeenkomsten, bijdragen aan papers, reizen naar conferenties, en geleidelijk zichzelf te gaan zien als leden van een vakgebied. Studenten leren niet alleen methoden en technische competenties, maar ook hoe onderzoeksvragen worden geformuleerd, hoe oordeelsvermogen zich ontwikkelt, hoe fouten constructief worden geïnterpreteerd, hoe erkenning wordt gedeeld, hoe onenigheid wordt afgehandeld en hoe kennis collectief wordt geproduceerd.

Een opmerking over UROP in het bijzonder: hoewel bachelorstudenten de faculteit van nuttig onderzoekswerk kunnen voorzien, is dat niet het doel van het programma. Het bestaat om te onderwijzen. Daarom is de mogelijkheid dat faculteitsleden het voordelig vinden om beginnende onderzoekers te vervangen door AI-agenten een punt van bijzondere zorg.

Naarmate AI-systemen een goedkopere of efficiëntere vervanging worden voor UROPs of RAs, kunnen studenten de toegang verliezen tot de relaties, praktijken en gedeelde vormen van werk waardoor verbondenheid, zelfvertrouwen, oordeelsvermogen en professionele identiteit worden gevormd. Het gevaar is niet alleen dat studenten minder kansen zouden hebben om onderzoek te doen, maar minder kansen om deelnemers te worden in onderzoeksgemeenschappen.

3.1.6. Cijfers en prikkels heroverwegen

Verschillende peer-instellingen hebben onlangs beperkingen opgelegd aan het aantal A's dat docenten in een vak mogen geven. Wij pleiten niet voor dit soort cijferrantsoenering, mede omdat we verwachten dat dit contraproductief zou werken bij het helpen van het Instituut om met de uitdagingen van AI om te gaan. Als reactie op een intense maatschappelijke focus op credentials en cijfers, hebben studenten die vastbesloten zijn hun GPA te maximaliseren een sterke prikkel om elk middel te gebruiken dat zij het meest effectief achten om dat doel te bereiken. Het rantsoeneren van topcijfers zou de verleiding vergroten om shortcuts te nemen bij het werkelijke leren door een grotere afhankelijkheid van AI.

Terwijl docenten nieuwe vormen van beoordeling en ervaringsgericht leren verkennen, zou MIT deze kans moeten grijpen om te overwegen welke rol cijfers spelen in ons algehele systeem en of de huidige aanpak kan worden verbeterd. Bijvoorbeeld, als docenten hoofdzakelijk reageren door meer gewicht toe te kennen aan examens in de klas, bestaat het risico dat wat het MIT-diploma lang heeft gesignaleerd wordt vernauwd: dat MIT-studenten in staat zijn tot moeilijke, onafhankelijke en intensieve probleemoplossing, en niet alleen tot het behalen van examens op papier.

De commissie moedigt MIT aan om alternatieve systemen van cijfers en beoordeling te verkennen, waaronder die die werken in andere landen (zoals het Britse systeem, dat percentages gebruikt om relatieve beheersing ten opzichte van een expertstandaard uit te drukken), en nieuwere paradigma's zoals competentie-gebaseerde en beheersing-gebaseerde beoordelingen. Als gedachte-experiment besprak de commissie het idee dat als MIT geen cijfers zou hebben, veel van de prikkels rond AI-fraude zouden verdwijnen. Merk op dat MIT zich al onthoudt van de gebruikelijke praktijk van het toekennen van summa/magna/cum-laude diploma's, omdat we geloven dat het behalen van een MIT-diploma op zichzelf al een onderscheiding is.

Cijfers zijn lang niet de enige manier voor studenten om beheersing aan te tonen of hun eigen voortgang te meten; real-time feedback tijdens een mondeling examen of presentatie, of schriftelijke opmerkingen over een projectinlevering, geven studenten waarschijnlijk nuttigere informatie over hun beheersing van concepten dan ze uit een cijfer kunnen halen.

Met een verhoogde focus op projecten en ervaringsgericht leren, zouden docenten moeten overwegen of cijfers de enige, of zelfs de beste, mechanisme zijn om beheersing te signaleren in alle contexten. Alternatieven zouden kunnen zijn het verhogen van de status van projectportfolio's als showcase van studentenprestaties, in elk vakgebied. Al maken veel werkgevers zich minder zorgen over de cijfers van sollicitanten dan over hun prestaties op interne beoordelingen, zoals het vermogen om moeilijke interviewvragen te beantwoorden of probleemoplossing en beheersing te tonen via op maat gemaakte oefeningen.

3.1.7. Fysieke ruimtes uitbreiden voor labs en fysieke evaluatie

Op verschillende manieren roepen onze aanbevelingen op tot meer face-to-face activiteiten, van hands-on leren en collaboratieve labprojecten tot fysieke beoordelingen. Al deze zaken vereisen fysieke ruimte.

Verschillende docenten uitten de wens voor collaboratieve ruimtes waar studenten uitgebreide opdrachten of examens kunnen voltooien. Dit kunnen volledig analoge ruimtes zijn of ruimtes met AI-vrije (of AI-beperkte) computers. Veel afdelingen hebben labruimtes die collaboratieve activiteiten kunnen ondersteunen, maar missen de middelen om deze fulltime te bemannen. (In vakgebieden die dure en mogelijk gevaarlijke apparatuur en materialen gebruiken, zijn self-service labs vaak niet mogelijk.)

Collaboratieve hands-on ruimtes zijn nuttig voor onderwijs, leren en gemeenschapsopbouw over de disciplines heen, niet alleen in de traditionele labwetenschappen. We dringen er bij MIT op aan te investeren in het creëren en bemannen van dergelijke ruimtes.

3.1.8. AI-gebruiksbeleid bieden, inclusief rechtvaardiging

Studenten rapporteren dat de AI-begeleiding die ze van docenten krijgen vaak verwarrend en onduidelijk is. Bovendien variëren de regels en de manier waarop ze worden gecommuniceerd sterk van docent tot docent.

Hoewel we afraden om een 'one-size-fits-all' beleid voor AI-gebruik op te leggen, verlangen studenten naar duidelijkheid: in elke gegeven cursus willen ze zeker weten wanneer, waar en waarom AI verboden, toegestaan of vereist is.

Daarom moeten docenten, en mogelijk afdelingen, ervoor zorgen dat elk MIT-vak een duidelijk beleid heeft over het gebruik van generatieve AI, prominent geplaatst in de syllabus en op de cursuswebsite. Om dit werkbaar te maken, moet MIT zo snel mogelijk een duidelijk en consistent menu van richtlijnen ontwikkelen waar docenten en afdelingen uit kunnen kiezen en naar behoefte kunnen aanpassen. Afdelingen zullen waarschijnlijk een gecoördineerde aanpak willen hanteren, zodat richtlijnen en rationales goed worden begrepen en grotendeels consistent zijn binnen een bepaalde studie.

We moedigen docenten aan om een gestandaardiseerd formaat te gebruiken om deze informatie te communiceren, zodat studenten per cursus gemakkelijk kunnen begrijpen wat wel en niet is toegestaan.

AI-beleid moet een rechtvaardiging (rationale) bevatten. Hoewel veel cursussen al een AI-gebruiksbeleid hebben, bevelen we aan dat alle docenten ervoor zorgen dat hun beleid een duidelijke rechtvaardiging bevat, expliciet gekoppeld aan de leerdoelen van de betreffende cursus, over waarom AI wel of niet gebruikt mag worden.

Bijvoorbeeld, als een docent het gebruik van generatieve AI-tools wil verbieden, is het effectiever om uit te leggen hoe deze tools de mogelijkheid van studenten om de fundamenten van de cursus te leren of te oefenen met het oplossen van problemen die ze in examens, toekomstige lessen en de echte wereld zullen tegenkomen, omzeilen, in plaats van simpelweg te verklaren dat AI-gebruik een vorm van fraude is. Deze aanpak is waarschijnlijker om zelfbewustzijn en een gezonde cultuur rond AI-gebruik te bevorderen.

Tegelijkertijd moeten docenten die AI-gebruik in een bepaalde opdracht willen stimuleren, duidelijk maken waarom het gebruik van AI belangrijk is voor de educatieve ervaring. Voor opdrachten waarin AI een rol speelt, kunnen docenten oefeningen opnemen waarin studenten reflecteren op wanneer en hoe AI hun leren, denken en moreel helpt of schaadt, en hoe het het werk dat ze produceren verandert of uitbreidt.

Ten slotte, bij het toestaan of aanmoedigen van AI-gebruik, moeten docenten ervoor zorgen dat studenten begrijpen dat LLM's feiten en citaten kunnen fabriceren, code-generatietools incorrecte of onveilige code kunnen produceren, en beeldgeneratietools bevooroordeelde, aanstootgevende of anderszins ongepaste outputs kunnen genereren.

AI is slechts een instrument, en studenten zijn verantwoordelijk voor al het werk dat ze inleveren, inclusief elke onnauwkeurige, bevooroordeelde, aanstootgevende of onethische inhoud die is geproduceerd met behulp van generatieve AI.

3.1.9. Voorzichtig zijn met AI-detectoren en online examenplatforms

Veel tools beweren AI-gebruik te detecteren, en sommigen zijn redelijk nauwkeurig wanneer ze een stuk puur AI-gegenereerde tekst krijgen. Echter, de meeste real-life situaties zijn genuanceerder: als een student AI gebruikt om een outline te maken of een sectie te bewerken, zullen deze tools dat waarschijnlijk niet ontdekken.

Twijfeloos zullen de tools verbeteren. Desondanks raden we af om te vertrouwen op AI-detectoren, omdat dit het risico op een wapenwedloop met zich meebrengt, waarbij studenten reageren op geautomatiseerde detectie door steeds krachtigere "AI-humanizers" te gebruiken om signalen te verwijderen waar AI-detectoren op letten. Het resultaat is veel inspanning aan beide kanten die uiteindelijk niemand dient.

AI-detectiesystemen kunnen bovendien het schrijven van mensen die Engels niet als eerste taal hebben of neurodivergente studenten aanzien voor door AI gegenereerde tekst. Zelfs lage percentages fout-positieven kunnen studenten nerveus maken en ernstige individuele gevolgen hebben. Algemener gezegd bouwt het opschroeven van "politiecontrole" rond AI-gebruik een vijandige sfeer van wantrouwen op tussen docenten en studenten, wat begrijpelijk de motivatie en het moreel van studenten schaadt.

Sommige docenten hebben gevraagd of MIT zogenaamde "lockdown"-browsers zal aanbieden voor het evalueren van studenten. Dit zijn online testomgevingen die de computer tijdens een examen overnemen en toegang tot alle online bronnen buiten die van de test blokkeren. De commissie beveelt aan dat MIT dergelijke tools bestudeert, maar merkt op dat de huidige generatie foutgevoelig is en aanvoelt als surveillance. Voor nu zijn fysiek bewaakte examens – de huidige norm bij MIT – in de meeste gevallen een betere keuze, hoewel ze geschikte fysieke ruimtes vereisen.

Alternatieven voor deze zware technologische oplossingen zijn waarschijnlijker om vertrouwen op te bouwen en studenten te ondersteunen in hun leren. Opties zijn onder meer: in de klas met de hand werken aan vroege ideeën/concepten, regelmatige projectdeadlines of bijeenkomsten creëren om projectvoortgang te tonen, voorkomen dat enorme hoeveelheden werk zich vlak voor de definitieve deadline opstapelen, en docenten in staat stellen feedback te geven in verschillende stadia (niet alleen op het eindproduct).

Andere technische tools kunnen ook nuttig zijn. Zo kunnen docenten vereisen dat studenten hun werk doen op platforms die een geschiedenis van versies vastleggen, en die geschiedenis samen met hun werk inleveren. Dit kan nuttig procesbewijs leveren – bijvoorbeeld als een student een opdracht binnen enkele minuten inlevert terwijl vergelijkbaar werk gewoonlijk uren zou kosten. Bovendien vinden studenten deze tools zelf vaak nuttig om te reflecteren op hoe hun ideeën zijn geëvolueerd.

Voorbereiding van ons disciplinaire systeem Hoewel we hopen dat studenten AI-beleid volgen voor hun eigen bestwil, moet MIT beter voorbereid zijn op het afhandelen van ernstige overtredingen. Het bestaande kader voor academische integriteit van MIT, en de processen van de Committee on Discipline (COD) die dit handhaven, waren gebouwd op een model van auteurschap waarin het werk dat studenten inleverden ofwel van henzelf was, ofwel van iemand anders. Generatieve AI doet die eenvoudige binaire tegenstelling verdwijnen. Een student die een AI-tool gebruikt om een benadering te brainstormen, een functie te debuggen, een paragraaf aan te scherpen of een volledig concept te genereren, is niet aan het "kopiëren" in de traditionele zin. Faculteitsleden rapporteerden consistent onzekerheid over waar de grens nu ligt, zowel bij het formuleren van hun eigen cursusbeleid als bij het beslissen welke zaken naar de COD moeten worden doorverwezen.

MIT moet ervoor zorgen dat het beleid van het Instituut verduidelijkt welk bewijs vereist is om een zaak over academische integriteit in gang te zetten wanneer AI betrokken is; de COD zelf beschouwt de output van een AI-detector alleen niet als voldoende.

Studenten moeten zich niet "gepolitst" voelen. Duurzame verandering vereist dat docenten zo duidelijk mogelijk zijn over hun verwachtingen en dat studenten AI-misbruik begrijpen als een onaanvaardbare afwijking van gedeelde peer-normen en gemeenschapswaarden, in plaats van een schending van een willekeurige bureaucratische regel.

3.1.10. Verantwoord experimenteren in het curriculum ondersteunen

Er zijn veel onbekenden over hoe AI het beste in het curriculum kan worden geïntegreerd en hoe ervaringen kunnen worden ontworpen om de valkuilen te vermijden. We moedigen docenten en afdelingen aan om gecoördineerde curriculaire experimenten na te streven in beide gebieden. Het zou ook zinvol zijn om varianten aan te bieden, bijvoorbeeld door zowel rigoureuze "AI Light" als "AI Heavy" klassen of paden door het curriculum te ontwikkelen.

Sommige studenten en docenten prefereren om geen AI te gebruiken