In de tweejarige deeltijd masteropleiding 'Digitale Transformatie in Zorg en Welzijn' leiden we studenten op die de digitale transities binnen hun organisatie moeten vormgeven. AI heeft de afgelopen jaren een grote vlucht genomen. Zoals in veel hoeken van de samenleving zien we ook in zorg en welzijn het disruptieve karakter van de AI-transitie. De rol van experts in digitale transformatie focust steeds meer op AI. Als opleiding merken we dat aan de casuïstiek die onze studenten uit het veld meenemen naar de opleiding. Het overgrote deel van de afstudeerders kiest voor een masterthesisonderwerp dat AI-gerelateerd is. AI betekent dus veel voor de beroepspraktijk, maar ook voor de onderwijspraktijk. Om te kijken of ons onderwijs klaar is voor de AI-transitie hebben we onze opleiding onder de loep genomen. In dit artikel geven we een inkijkje in hoe we ons als opleiding verhouden tot AI.
Onze opleiding hanteert een constructivistische visie op leren. Dit houdt in dat we leren zien als een sociaal leerproces waarbij context, samenwerking en beroepsauthenticiteit een belangrijke rol spelen. Zo werken studenten vooral met en voor de praktijk aan opdrachten die uitmonden in beroepsproducten zoals een eHealth-advies of veranderplan. Naar mate het gebruik van AI in de praktijk toeneemt, betekent dit ook iets voor ons onderwijs en de toetsing. Welke vorm en welke mate van AI-gebruik vinden wij nog verantwoord? En hoe kunnen we studenten begeleiden in het verantwoord inzetten van AI bij schoolopdrachten en in de beroepspraktijk?
Leeruitkomsten
Het doel van onze praktijkgerichte master is om zoveel mogelijk aan te sluiten op de beroepspraktijk. Dat wat studenten leren noemen we leeruitkomsten. Als het goed is sluiten de leeruitkomsten aan op de houding, kennis en vaardigheden waarmee studenten van toegevoegde waarde kunnen zijn voor de praktijk. Door de AI-transitie rijst de vraag of onze leeruitkomsten nog actueel zijn en aansluiten op hoe AI in de praktijk gebruikt wordt of – misschien belangrijker – gebruikt zou moeten worden.
Vast staat dat we bij de leeruitkomsten expliciet onderscheid maken tussen competenties die studenten zelfstandig moeten beheersen en taken waarbij AI als ondersteunend instrument kan dienen. Deze scheiding wordt regelmatig herijkt op basis van ontwikkelingen in technologie en werkveld.
Acht beroepsrollen
De leeruitkomsten hebben we geclusterd binnen zogenaamde beroepsrollen. In totaal kent de opleiding 8 beroepsrollen:
- Professionele master
- Praktijkgericht onderzoeker
- Informatiemanager
- Business analist
- Ontwerper
- Adviseur
- Implementatiespecialist
- Projectleider
Binnen de modules van de opleiding komen per module één of meer van de beroepsrollen aan bod. Bij de module 'veranderen en implementeren' zijn dit bijvoorbeeld (aspecten van) de beroepsrollen implementatiespecialist, praktijkgericht onderzoeker, adviseur, en projectleider.
Deze beroepsrollen stammen van voordat AI een grote vlucht nam. Daarom hebben we gekeken of de beroepsrollen nog actueel zijn en of ze aangepast of aangevuld moeten worden. Hoewel we grote verschuivingen zien in de praktijk komen we tot de conclusie dat de beroepsrollen en bijbehorende leeruitkomsten nog steeds relevant zijn. Zodra studenten de beroepsrollen beheersen zijn ze in staat een brug te bouwen tussen zorg en/of welzijn en technologie.
Vernieuwing onderwijsactiviteiten
Op die andere manier van werken en veranderende inhoud spelen we in bij het ontwerpen van de onderwijsactiviteiten. Hier volgen enkele voorbeelden.
In de module 'visiepraktijkvraagstuk' staat de beroepsrol professionele master centraal. Een van de leeruitkomsten bij deze rol luidt: ‘De student ontwikkelt op basis van actuele, relevante inzichten en vanuit meervoudige perspectieven een kritische visie op de rol van ICT in het domein van zorg en/of welzijn.’ Studenten werken aan hun visie op de praktijk en hun eigen rol daarin. Hierbij spelen ethische en maatschappelijke perspectieven een belangrijke rol. Door de ontwikkelingen rondom AI verandert de rol van veel zorgprofessionals, alsmede de digitale transitie-expert zelf. In welke mate zijn we nog autonoom als professional in ons handelen en oordelen over zorgpraktijken? Door de snelheid van de AI-ontwikkelingen is het bovendien nog belangrijker geworden om als professionele master op de hoogte te zijn van actuele ontwikkelingen en je daar op een verantwoorde manier toe te verhouden.
De beroepsrol adviseur komt in veel modules aan bod. Eén van de leeruitkomsten bij deze rol is: ‘De student onderbouwt adviezen, die inhoudelijk aansluiten bij de verwachtingen, expertise en het organisatieniveau van de belanghebbenden en betrokkenen.’ Iets onderbouwen vraagt om een rationele aanpak. In dat kader gaan we onder andere in op verschillende manieren van denken. Kahneman onderscheidt twee modi.1 Systeem 1-denken is een intuïtieve, meer automatische manier van denken die we gebruiken bij onze dagelijkse routines en primaire zaken zoals het herkennen van gevaar. Daartegenover staat systeem 2-denken, een rationele manier van denken die weloverwogen is en inspanning vraagt. Systeem 1 brengt biases met zich mee. Maar de opkomst van AI-chatbots maakt het voor veel mensen verleidelijk het systeem 2-denken uit te besteden aan AI, terwijl de modellen die ten grondslag liggen aan dergelijke chatbots getraind zijn op data die veelal dezelfde biases bevatten als de gebruikers, met potentieel irrationele adviezen tot gevolg. In ons onderwijs behandelen we zowel de menselijke als de AI-biases, om zo verstandig gebruik te stimuleren.
Naast de inhoud moeten we ook qua vorm rekening houden met veranderende en nieuwe educatieve middelen. Er komen steeds meer AI-tools beschikbaar om leren effectiever en leuker te maken. Als opleiding zijn we onder andere aan het experimenteren met simulatie, feedback en reflectie tools.
Toetsing
Studenten leren door middel van onderwijsactiviteiten en krijgen hun diploma door aan de hand van toetsen succesvol te bewijzen alle leeruitkomsten te beheersen. Wereldwijd worstelen onderwijsinstellingen met toegenomen (vermoedens van) plagiaat. Met name bij geschreven toetsproducten is het steeds lastiger om te onderscheiden of een werk door een student is gemaakt of (gedeeltelijk) door AI. Bovendien ondermijnt misbruik van AI de kans om te leren van het maken van de toets. Het doel van de toets is bewijzen dat leeruitkomsten voldoende beheerst worden, en niet om te bewijzen dat iemand een goede prompt kan schrijven om de indruk te wekken dat leeruitkomsten beheerst worden. Tegelijkertijd moet er ruimte zijn om gebruik te maken van AI waar dat aansluit op hoe er in de praktijk gewerkt wordt en waar het leren erdoor bevorderd kan worden. Op het gebied van toetsing sluiten we aan bij het beleid van Inholland en bekijken we per toets welke kaders nodig zijn.
Zo onderscheidt Leon Furze vijf niveaus voor het beoordelen van het gebruik van generatieve AI: gebruik geen AI, gebruik het voor ideevorming en het aanbrengen van structuur, gebruik het om aanpassingen te maken, laat AI concepten genereren met menselijk toezicht en gebruik AI volledig.2 Elk niveau kent werkwijzen en vaardigheden die studenten moeten ontwikkelen, en regels voor een goed bereik. Studenten moeten uiteindelijk in staat zijn om afhankelijk van de toetsopdracht wel of niet gebruik te mogen maken van AI. Daarbij is het van belang dat wij als opleiding helder zijn in de communicatie en begeleiding, zodat de student weet waarom en op welke manier AI verantwoord ingezet kan worden.
Wendbaarheid
Ondanks de disruptie die AI maatschappijbreed teweegbrengt, weten we als opleiding grip te houden op constructive alignment. De leeruitkomsten blijven na onze workshop gelijk, en waar nodig passen en vullen we onze onderwijsactiviteiten en toetsing aan. Of dat ook in de toekomst zo blijft is koffiedik kijken. Net zoals we onze studenten leren, blijven we kritisch monitoren hoe AI zich ontwikkelt in zorg en welzijn en blijven we wendbaar. Om zo op nieuwe ontwikkelingen in te spelen en op die manier constructive alignment te blijven borgen, de kansen te benutten en de risico’s te beperken.