Gepersonaliseerde AI-feedback helpt niet altijd meteen

Geautomatiseerde feedback van een robottutor hielp volwassen leerders in een klein experiment om na fouten verder te komen. Maar de meest gepersonaliseerde feedback maakte taakgerichte hints minder effectief voor de direct volgende poging, terwijl dezelfde aanpak de totale taakprestatie juist verbeterde.

Dat is geen argument tegen personalisatie. Het laat vooral zien dat bij AI-feedback niet alleen de inhoud telt, maar ook het moment, de hoeveelheid hulp en de cognitieve belasting. Technische Universiteit Berlijn maakte het onderzoek op 24 juli 2026 bekend. De peer-reviewed studie verscheen op 12 juni in Communications Psychology.

Wat hebben de onderzoekers gedaan?

Negentig volwassenen tussen 18 en 59 jaar namen deel; 71 procent was universiteitsstudent. Zij moesten in maximaal dertig minuten twaalf voorwerpen op de juiste plek in een ruimte zetten. Een humanoïde robot gaf daarvoor instructies in het Swahili, een taal die de deelnemers niet kenden. Door te proberen, fouten te maken en woorden te ontcijferen leerden zij welke combinaties bij elkaar hoorden.

De robot meldde na iedere poging of de plaatsing goed of fout was. Na een fout kon aanvullende cognitieve feedback volgen, zoals een hint om de zin in kleinere delen te ontleden, of metacognitieve feedback die de deelnemer liet nadenken over de gekozen strategie.

De onderzoekers vergeleken drie groepen van elk dertig deelnemers:

• vaste, algemene feedback na iedere fout;
• algemene feedback waarvan de frequentie werd aangepast aan eerdere prestaties en zelfgerapporteerd plezier in de taak;
• feedback met dezelfde aangepaste frequentie, maar inhoudelijk toegespitst op eerdere fouten en stappen van de deelnemer.

Belangrijk is dat dit geen generatieve chatbot zoals ChatGPT of Claude was. De robot koos uit vooraf geschreven feedbackprompts volgens vastgelegde regels. Het experiment zegt daardoor vooral iets over het ontwerp van adaptieve feedbacksystemen, niet rechtstreeks over de kwaliteit van huidige taalmodellen.

Feedback hielp, maar personalisatie werkte dubbel

Over de drie groepen heen verhoogden zowel cognitieve als metacognitieve aanwijzingen de kans op een juiste volgende reactie, vergeleken met foutmomenten waarop geen aanvullende feedback werd gegeven. De gebruikte aanpassing van de feedbackfrequentie leverde ten opzichte van vaste feedback geen statistisch aantoonbaar verschil in dit directe effect op.

De gepersonaliseerde inhoud liet een opvallender patroon zien. Vergeleken met algemene adaptieve feedback verzwakte zij het onmiddellijke effect van cognitieve hints, maar verbeterde zij wel de totale prestatie over de hele taak. Een mogelijke verklaring is dat specifieke verwijzingen naar eerdere fouten extra informatie geven die op langere termijn nuttig is, maar op het eerstvolgende moment ook het werkgeheugen kunnen belasten.

Ook de leerders zelf maakten verschil. Deelnemers met een hogere gemeten cognitieve vaardigheid profiteerden minder van cognitieve feedback. Deelnemers die zich op dat moment sterker verveelden, profiteerden juist meer. Meer hulp is dus niet voor iedereen op hetzelfde moment even waardevol.

De kans: hulp doseren in plaats van antwoorden geven

Voor onderwijsprofessionals is vooral de vorm van de feedback interessant. De robot gaf geen volledige oplossing, maar stuurde het denken met taakgerichte of reflectieve vragen. Zo'n aanpak kan leerlingen en studenten helpen om na een fout opnieuw te beginnen zonder het denkwerk over te nemen.

Digitale oefenomgevingen en AI-tutors kunnen zulke ondersteuning op grotere schaal aanbieden. Een systeem kan bijvoorbeeld eerst alleen aangeven waar het misgaat, daarna een kleine hint geven en pas bij herhaald vastlopen terugverwijzen naar een eerder patroon. Voor MBO, HBO en WO sluit dit directer aan bij de volwassen deelnemers uit het onderzoek. Voor PO en VO is het een bruikbaar ontwerpidee, maar nog geen bewezen effect bij kinderen of in een klas.

De risico's: overbelasting, profilering en afhankelijkheid

Het dubbele resultaat waarschuwt tegen de aanname dat meer personalisatie automatisch beter onderwijs oplevert. Een uitgebreide reactie direct na een fout kan de aandacht van de taak afleiden. Bij leerlingen die al veel weten kan voortdurende hulp bovendien de ruimte voor zelfstandig proberen en productief worstelen verkleinen.

Personalisatie vraagt ook gegevens. In dit experiment rapporteerden deelnemers iedere vijf minuten zelf hun plezier, verveling en frustratie. Een praktijksysteem zou zulke informatie kunnen afleiden uit klikgedrag, prestaties, taal of zelfs camera- en sensordata. Dat brengt privacyrisico's en de kans op verkeerde labels mee. Een leerling die tijdelijk traag werkt, is niet vanzelf ongemotiveerd of zwak.

Bij algemene AI-tools komen daar bekende risico's bij: vertrouwelijke leerlinginformatie kan buiten de instelling belanden, feedback kan overtuigend maar inhoudelijk onjuist zijn en frequente hulp kan afhankelijkheid versterken. Een onderwijsinstelling moet daarom niet alleen vragen hoe persoonlijk feedback kan worden, maar ook welke data daarvoor nodig zijn, wie die gegevens ziet en wanneer een docent het systeem kan corrigeren of uitzetten.

Zo vertaal je dit voorzichtig naar de praktijk

Onderwijsteams kunnen het ontwerpprincipe zonder robottutor toepassen:

• laat een leerling of student altijd eerst zelf een zichtbare poging doen;
• begin na een fout met korte informatie over de taak, niet met een volledige uitleg;
• geef pas bij herhaald vastlopen een specifiekere hint of reflectievraag;
• bouw na de feedback een nieuwe, zelfstandige poging in;
• controleer met een vergelijkbare taak of het geleerde later zonder AI beschikbaar is;
• verzamel geen emotie- of gedragsdata als eenvoudiger feedback voldoende is.

De docent blijft daarbij verantwoordelijk voor het leerdoel en de dosering. AI kan een feedbackmoment ondersteunen, maar ziet niet vanzelf welke frustratie productief is, wanneer een leerling rust nodig heeft of wanneer een gesprek meer helpt dan nog een aanwijzing.

Hoe sterk is dit bewijs?

De studie is door vakgenoten beoordeeld en deelnemers werden willekeurig over de condities verdeeld. Tegelijk is terughoudendheid nodig. Het ging om negentig volwassenen in een laboratorium, met slechts dertig deelnemers per feedbackvariant, een korte taaltaak en vooraf geschreven robotprompts. De studie was niet vooraf geregistreerd en onderzocht geen echte klas, kinderen, generatieve AI of langdurige kennisretentie.

Voor Nederlandse en Belgische scholen en instellingen is de uitkomst daarom geen aankoopadvies, maar een scherpe ontwerpvraag: krijgt een lerende op het juiste moment precies genoeg hulp om zelf verder te denken?

De kern

Geautomatiseerde feedback kan helpen om na een fout verder te komen. Gepersonaliseerde hulp kan de totale taakprestatie verbeteren, maar tegelijk de eerstvolgende stap zwaarder maken. Effectieve AI-feedback draait daarom niet om zoveel mogelijk personalisatie, maar om passende hulp, op het juiste moment, met zo min mogelijk onnodige data en behoud van zelfstandig denken.