Generatieve AI in het onderwijs heeft een geloofwaardigheidsprobleem. Vraag een algemene chatbot een les fotosynthese voor groep 7 te schrijven en je krijgt een zelfverzekerd, goed gestructureerd antwoord. Ongeveer 80% klopt. De andere 20% klopt subtiel niet — verzonnen data, verkeerd benoemde diagrammen, niet-bestaande bronnen of leerstandaarden die in jouw land niet bestaan. In losse tekst is dat hinderlijk; in een klas is het echt gevaarlijk.
De technische naam is hallucinatie en het is de grootste belemmering voor betrouwbare AI in onderwijs. De beste verdediging is geen slimmer model — het is het verankeren van het model in geverifieerde kennis. Dit artikel legt uit hoe kennisbanken, retrieval-augmented generation (RAG) en gecureerde feitenbibliotheken hallucinaties verminderen, waarom dat telt voor scholen en hoe Samio's Smart Engine ze toepast.
Wat is een AI-hallucinatie?
In onderzoek naar tekstgeneratie is een hallucinatie gegenereerde inhoud die onzinnig of ontrouw is aan de aangeleverde bronstekst (Ji et al., «Survey of Hallucination in Natural Language Generation», ACM Computing Surveys, 2023). Onderzoekers onderscheiden twee soorten: intrinsiek (uitvoer spreekt invoer tegen) en extrinsiek (uitvoer verzint informatie die niet in de invoer voorkomt en presenteert die als feit).
Grote taalmodellen hallucineren omdat hun trainingsdoel het voorspellen van het volgende token is, niet feitelijke correctheid. Bij een vraag waarvan het antwoord niet goed gerepresenteerd was in de training, produceert het model iets plausibel klinkend dat past bij vergelijkbare teksten. De uitvoer is vloeiend omdat vloeiendheid is geoptimaliseerd; waarheid niet.
- Een citatie verzinnen — een echt klinkende papertitel, echt klinkende auteurs, een echt klinkend tijdschrift, maar het paper bestaat niet.
- Een leerstandaard fabriceren — «Common Core 5.MD.7» (bestaat niet) wordt geciteerd als basis voor een les.
- Een citaat verkeerd toeschrijven — een beroemde persoon koppelen aan een zin die hij of zij nooit zei.
- Een historische datum verzinnen — een veldslag dateren in een jaartal dat in geen enkele bron voorkomt.
- Foute maar zelfverzekerde wiskunde produceren — een afleidingsstap waarin een teken zonder waarschuwing omklapt.
Waarom hallucinatie erger is in het onderwijs
Een gehallucineerde filmaanbeveling kost tien seconden. Een gehallucineerde leerstandaard kost een week les. De impact van een AI-fout in onderwijs is bijzonder groot omdat (1) de ontvanger een kind is dat de voorkennis mist om de fout te zien, (2) de fout door herhaling en toetsing wordt versterkt en (3) hij doorwerkt in huiswerk, oudercommunicatie en vervolg-lessen.
Leerkrachten verergeren het probleem als ze AI-tools vertrouwen zoals ze een leerboek vertrouwen. Leerboeken worden geredigeerd, door ministeries afgestemd op leerplannen en tussen edities gecorrigeerd. Algemene LLM-uitvoer heeft die garanties niet. De literatuur is inmiddels uitgebreid — zie Chiu, Xia & Chai (2023), «Systematic literature review on opportunities, challenges, and future research recommendations of artificial intelligence in education», Computers and Education: Artificial Intelligence.
Grounding — de formele oplossing voor hallucinatie
Grounding in NLP betekent dat AI-uitvoer gekoppeld wordt aan verifieerbare externe bronnen. Het verankerde model hoeft het antwoord niet in zijn gewichten te «kennen» — het moet inhoud uit een vertrouwd corpus ophalen en getrouw weergeven. Dat verschuift de vertrouwensgrens: in plaats van een blob van 70 miljard parameters vertrouw je een gecureerde kennisbank die je kunt auditen en bijwerken.
Het invloedrijkste raamwerk hiervoor is Retrieval-Augmented Generation (RAG), geïntroduceerd in Lewis et al., «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks» (NeurIPS 2020). RAG werkt in twee fasen: een retriever haalt relevante passages uit een vector-index van betrouwbare documenten, en een generator conditioneert zijn uitvoer op die passages. De ophaalstap verankert het model in verifieerbare tekst; de generatiestap past het aan op de vraag.
Recente overzichten (Gao et al., «Retrieval-Augmented Generation for Large Language Models: A Survey», 2024) tonen dat RAG-systemen feitelijke hallucinatie met 30–60% verminderen op QA-benchmarks vergeleken met LLM's van gelijke grootte zonder RAG. De winst is het grootst in domeinen met gestructureerde, eindige grondwaarheid — precies de structuur van leerstandaarden.
De grounding-toolkit — RAG, kennisbanken en gestuurde generatie
Grounding is een paraplu voor verschillende complementaire technieken. Elk pakt een andere falingsmodus aan.
Kennisbanken (KBs)
Gestructureerde verzamelingen van geverifieerde feiten — entiteiten, relaties, attributen — meestal door mensen onderhouden en op schema bijgewerkt.
Wikidata, Wikipedia, nationale leerstandaardendatabases. Samio onderhoudt zijn eigen KB van standaarden per land, leerjaar en vak.
Retrieval-Augmented Generation (RAG)
Haal relevante passages op uit een vector-index van vertrouwde tekst en genereer dan uitvoer geconditioneerd op die passages.
Gebruikt door Bing Chat, Perplexity en de meeste productieassistenten. Vermindert extrinsieke hallucinatie door de uitvoer in verankerd bronmateriaal te wortelen.
Feitenbibliotheken / sjablooncontent
Vooraf gevalideerde oefensjablonen, zinnenbanken en antwoordsleutels die de AI invult of selecteert in plaats van te verzinnen.
Samio gebruikt feitenbibliotheek-aangedreven generatie voor wiskundige verhaalsommen, fonetiek en begrijpend lezen, waar antwoordsleutels deterministisch moeten zijn.
Gestuurde generatie
Beperk de uitvoer van het model tot een vastgesteld schema, woordenschat of grammatica, waarmee hele klassen fouten verdwijnen.
JSON-modus, regex-gestuurde decodering, eindige-toestandsuitvoer. Gebruikt in Samio's oefen-generatie om misvormde uitvoer te voorkomen.
Verificatielagen
Controles na de generatie die de uitvoer vergelijken met een waarheidsbron en verschillen afwijzen of markeren.
Samio toetst gegenereerde leerstandaard-verwijzingen tegen de standaardendatabase; afwijkingen worden geweigerd voordat ze de leerkracht bereiken.
Hoe Samio zijn Smart Engine verankert
Samio's Smart Engine — het AI-systeem achter jaarplannen, leseenheden, aangepaste uitdagingen en oefen-generatie — gebruikt alle vier de bovenstaande grounding-technieken. De architectuur is bewust conservatief: de AI schrijft nooit zelf curriculum.
Dit gebeurt wanneer een leerkracht Samio een jaarplan vraagt voor «groep 7 wiskunde, Nederland»:
- Curriculum-ophaling — Samio's database met nationale leerstandaarden (per land, leerjaar, vak) wordt eerst geraadpleegd. De standaarden voor «NL, groep 7, wiskunde» worden als gestructureerde records opgehaald, niet als vrije tekst.
- Verankerde prompt — die gestructureerde standaarden worden in de prompt geïnjecteerd als waarheidsbron. De AI organiseert en past aan; ze verzint niet welke standaarden bestaan.
- Schema-gestuurde uitvoer — het jaarplan wordt gegenereerd tegen een vast schema (week, thema, eenheid, oefentypes). Het model kan geen velden buiten het schema produceren.
- Feitenbibliotheek-oefeningen — de oefeningen zelf komen uit gevalideerde sjablonen en woordbanken die met elke standaard zijn afgestemd. Hallucinatiegevoelige delen (rote feiten, woordenlijsten, antwoordsleutels) zijn deterministisch.
- Verificatielaag — elk plan wordt tegen de standaardendatabase gecontroleerd. Een geciteerde standaard die niet in de waarheidsbron staat, lokt regeneratie of een review uit.
- Specialisatie per land — de engine draagt voor elk ondersteund land aparte KBs, dus een «groep 7»-plan in Spanje volgt LOMLOE, niet Common Core.
Hoe verhoudt dit zich tot andere AI-tools in onderwijs?
Veel AI-onderwijstools lijken oppervlakkig op elkaar («wij genereren lesplannen!») maar verschillen enorm in hoe verankerd hun uitvoer is. Eerlijke vergelijking.
| Feature | Samio | ChatGPT | Khanmigo | MagicSchool |
|---|---|---|---|---|
| Curriculum-verankering | KB van nationale standaarden per land | Geen — afhankelijk van trainingsdata | Khan Academy-curriculum (VS-gericht) | Sjablonen + LLM, gedeeltelijke verankering |
| Curriculum per land | Volledig — meerdere nationale curricula | Impliciet (trainingscorpus) | Beperkt (Khan-content) | Beperkt (VS-standaarden) |
| Hallucinatie-vermindering | RAG + feitenbibliotheek + verificatie | Plain LLM (hoge hallucinatie) | RAG over Khan-content | Sjablonen + lichte verankering |
| Citatie van bronstandaarden | Ja — per eenheid | Vaak gehallucineerd | Ja (alleen Khan) | Soms |
| Schema-handhaving uitvoer | Strikt (jaarplan, les, oefenschema) | Geen | Conversationeel | Sjabloongedreven |
| Talen | 7 (curriculum + UI) | Veel (zonder curriculumverankering) | Engels (wat Spaans) | Engels-eerst |
| Geschikt voor primair-curriculum-conformiteit | Ja | Nee (verificatie nodig) | Gedeeltelijk | Gedeeltelijk |
Conclusie: «AI voor onderwijs» is geen enkele categorie. Een verankerd systeem met curriculum-KB levert een fundamenteel ander artefact dan een gepromptelde algemene LLM, ook al lijkt de UX op elkaar.
Eerlijke grenzen — grounding maakt AI niet onfeilbaar
We claimen niet dat Samio hallucinatievrij is. Grounding vermindert hallucinaties drastisch, maar twee falingsmodi blijven: (1) de KB kan onvolledig of verouderd zijn, en (2) het model kan correct opgehaalde inhoud verkeerd toepassen (bijv. een groep-6-standaard inzetten in een groep-8-plan).
We mitigeren dat door (a) de KB te versioneren en elke uitvoer te koppelen aan een specifieke KB-versie zodat we kunnen terugdraaien; (b) een verplichte review door de leerkracht voordat AI-uitvoer naar leerlingen gaat; (c) elke generatie te loggen voor audit achteraf; (d) een interne evaluatiesuite die de engine bij elke KB- of model-update opnieuw test tegen een bevroren set verwachte uitvoer. Het doel is geen perfecte AI — het is AI die veilig en zichtbaar faalt.
Waarom dit voor scholen telt
Voor schoolleiders is de praktische implicatie eenvoudig: stel bij het beoordelen van een AI-onderwijstool drie vragen. (1) Waar komt de curriculumkennis vandaan? (2) Wat gebeurt er als het model iets buiten zijn verankerde KB krijgt? (3) Kan het systeem zijn uitvoer citeren, versioneren en auditen?
- Curriculumconformiteit — gegenereerde plannen citeren echte, actuele standaarden van de onderwijsautoriteit van uw land, geen verzonnen.
- Auditbare AI — elke generatie verwijst naar de gebruikte KB-versie, wat review achteraf mogelijk maakt.
- Leerkrachtcontrole — de menselijke reviewstap is een feature, geen workaround.
- Cross-country-ondersteuning — dezelfde engine respecteert lokale curricula in plaats van overal een VS-bril op te zetten.
- Minder remediatie — minder verzonnen feiten in lesmateriaal betekent minder opruimwerk voor leerkrachten.
- Verdedigbaarheid — als een toezichthouder of ouder vraagt «waar komt dit vandaan?», is er een antwoord.
Eerst kennis, dan AI
Generatieve AI is niet de hoofdrolspeler van onderwijstechnologie. Dat is het curriculum. Dat is de wetenschap van hoe kinderen leren. Dat is de leerkracht. AI is een krachtig hulpmiddel om die kennis te organiseren en te adapteren, maar kan er niet de bron van zijn.
Onze gok is dat de EdTech-tools die de hype-cyclus overleven, de tools zijn die kennis voorop zetten en AI als de gedisciplineerde assistent behandelen die het hoort te zijn. Wij bouwen daarnaar.
FAQ
Wat is een AI-hallucinatie?
Door AI gegenereerde inhoud die ontrouw is aan haar bron — die geverifieerde informatie tegenspreekt (intrinsiek) of feiten verzint die in geen enkele bron voorkomen (extrinsiek). De uitvoer is vloeiend en zelfverzekerd, maar feitelijk onjuist.
Wat is RAG en hoe vermindert het hallucinaties?
Retrieval-Augmented Generation: de AI haalt eerst relevante passages uit een vertrouwde documentopslag en genereert dan geconditioneerd op die passages. Door generatie te verankeren in verifieerbare tekst vermindert RAG extrinsieke hallucinatie met 30–60% vergeleken met LLM's zonder RAG (Gao et al., 2024).
Hoe voorkomt Samio gehallucineerde leerstandaarden?
Samio haalt vóór elke AI-generatie officiële nationale leerstandaarden uit zijn eigen database, injecteert ze als gestructureerde records in de prompt en verifieert na generatie alle geciteerde standaarden tegen de waarheidsbron. Standaarden die niet in de KB staan, kunnen niet in de uitvoer verschijnen.
Is verankerde AI hetzelfde als «ChatGPT voor scholen»?
Nee. Een algemene LLM steunt op zijn trainingscorpus en produceert zelfverzekerde uitvoer ook zonder feitelijke basis. Een verankerd systeem haalt op uit een autoritatieve KB, beperkt uitvoer tot geverifieerde inhoud en wijst citaten af die niet in de KB staan.
Kan grounding AI-hallucinaties helemaal uitsluiten?
Nee, maar het vermindert ze sterk en maakt resterende fouten zichtbaar en herstelbaar. Samio combineert RAG, feitenbibliotheken, schemabeperkingen, verificatielagen en een verplichte leerkracht-review voordat uitvoer naar leerlingen gaat.
