Studie van 77.000 studenten toont AI-studieritme

Een grootschalige analyse laat zien wanneer studenten een AI-leerassistent daadwerkelijk gebruiken. Bij de Duitse IU Internationale Hochschule liep het gebruik vooral mee met het gewone studieritme: voltijdstudenten gebruikten de tool vaker overdag en vroeg in de week, terwijl deeltijdstudenten relatief vaker in de avond en het weekend actief waren.

Dat klinkt vanzelfsprekend, maar het onderzoek is bijzonder omdat het niet op een enquête steunt. De onderzoekers analyseerden gebruikslogs van ongeveer 77.000 afstandsstudenten. Phys.org maakte de resultaten op 2 augustus 2026 bekend. De onderliggende preprint verscheen al op 9 juli en is nog niet door vakgenoten beoordeeld.

Voor MBO, HBO en WO in Nederland en België is dit vooral relevant voor flexibel, online en deeltijdonderwijs. Een AI-leerassistent is niet automatisch op ieder moment even bruikbaar. Ondersteuning, bereikbaarheid en begeleiding moeten passen bij het leven van studenten, niet alleen bij het rooster van de instelling.

Wat is er onderzocht?

IU ontwikkelde de eigen leerassistent Syntea voor vragen over cursusinhoud, open gesprekken, interactieve begeleiding en oefening voor examens. Tijdens de onderzochte periode draaide het systeem op modellen uit de GPT-3.5- en GPT-4-familie. De tool was beschikbaar in de digitale leeromgeving, op het web en mobiel.

De analyse gaat over februari 2025. Na het opschonen bleven 76.485 bachelor- en masterstudenten over; 44.035 van hen gebruikten Syntea die maand. Dat is ongeveer 58 procent. De onderzoekers telden activiteit per student, dag en uur en vergeleken patronen naar onder meer leeftijd, geslacht, vakgebied, opleidingsniveau en studievariant.

Het onderzoek keek dus naar wanneer en door wie de tool werd geopend. Het zegt niet wat studenten precies vroegen, hoe goed de antwoorden waren of hoeveel zij ervan leerden.

De belangrijkste verschillen

Het algemene patroon was duidelijk: het gebruik piekte rond 11.00 uur, bleef hoog tot in de middag en was het grootst op maandag, dinsdag en woensdag. In het weekend nam de activiteit af.

Daarbinnen waren relevante verschillen:

• 59,5 procent van de voltijdstudenten gebruikte Syntea, tegenover 55,7 procent van de deeltijdstudenten;
• deeltijdstudenten waren relatief vaker later op de dag en in het weekend actief;
• 63,7 procent van Generatie Z gebruikte de assistent, tegenover ongeveer de helft van Generatie X;
• vrouwen gebruikten de tool iets vaker dan mannen: 59,1 tegenover 54,9 procent;
• gebruik was relatief hoog bij Onderwijs & Psychologie en lager bij visueel en praktisch georiënteerde opleidingen zoals Architectuur & Bouw en Design & Media.

Die verschillen mogen niet direct als voorkeur of vaardigheid worden uitgelegd. Syntea was niet in alle cursusvormen beschikbaar en ontbrak onder meer bij veel seminars, projecten en afstudeertrajecten. Ook verschilde de dekking per vakgebied. Toegang en curriculumopbouw kunnen dus een deel van het patroon verklaren.

De kans: ondersteuning buiten kantooruren

Voor instellingen is de praktische kans duidelijk. Studenten die werk, stage, mantelzorg of een gezin combineren met hun opleiding hebben vaak hulp nodig wanneer een docent of helpdesk niet bereikbaar is. Een goed ontworpen leerassistent kan dan een begrip uitleggen, een vervolgvraag stellen, oefening aanbieden of verwijzen naar goedgekeurd cursusmateriaal.

De gebruikslogs kunnen bovendien helpen om ondersteuning beter te plannen. Deeltijdstudenten hebben mogelijk meer aan begeleiding in de avond en het weekend dan aan een melding op dinsdagochtend. Visuele en praktijkgerichte opleidingen vragen andere vormen dan een tekstchat, bijvoorbeeld schema's, demonstraties of feedback op een handeling.

Dat is ook een les voor differentiatie en toegankelijkheid. Niet iedere student leert op hetzelfde moment, in hetzelfde tempo of via dezelfde vorm. AI kan een extra route bieden, zolang die route aanvullend blijft en studenten altijd toegang houden tot menselijke begeleiding.

De risico's: meten is nog geen leren

Het grootste gevaar is dat veel gebruik wordt verward met onderwijskwaliteit. De studie meet geen begrip, studiesucces, zelfstandigheid of langetermijnretentie. Een student kan een leerassistent vaak openen en toch oppervlakkig leren. Andersom kan iemand weinig gebruikmaken van AI en uitstekend studeren.

Gedetailleerde gebruikslogs brengen daarnaast privacy- en surveillancerisico's mee. Tijdstippen, studiegedrag, opleiding en voortgang kunnen samen een gevoelig profiel vormen. Instellingen moeten daarom helder maken welke gegevens worden verzameld, voor welk doel, hoe lang ze worden bewaard en of meldingen of aanbevelingen gevolgen hebben voor beoordeling of begeleiding. Een student moet niet als ongemotiveerd worden gelabeld omdat die vooral 's nachts of in het weekend studeert.

Ook kunnen automatische herinneringen en gepersonaliseerde suggesties omslaan in voortdurende sturing. Dat kan zelfstandige studieplanning verzwakken of druk verhogen. Als een instelling de tool diep in het curriculum inbouwt, ontstaan bovendien afhankelijkheid van modellen, leverancier en kostenstructuur. Studenten in vakken waar de assistent minder goed werkt mogen daardoor niet minder ondersteuning krijgen.

Hoe onderwijsprofessionals dit kunnen gebruiken

De studie geeft geen aankoopadvies, maar wel bruikbare ontwerpvragen:

• op welke momenten hebben verschillende studentgroepen werkelijk ondersteuning nodig?
• welke hulp ondersteunt het leerdoel zonder het denkwerk over te nemen?
• welke cursusvormen en vakgebieden worden door een tekstgerichte assistent juist minder goed bediend?
• welke gedragsgegevens zijn echt nodig en welke kunnen beter niet worden verzameld?
• hoe controleren we leerresultaten los van gebruikscijfers en tevredenheid?
• wanneer moet een student eenvoudig kunnen overstappen naar een docent, begeleider of medestudent?

Begin bij voorkeur klein. Vergelijk gebruik niet alleen tussen groepen, maar onderzoek ook waarom verschillen ontstaan. Combineer logs met gesprekken met studenten en docenten, een zelfstandige kennistoets en controle op toegankelijkheid. Zo wordt data een aanleiding voor beter onderwijs in plaats van een ranglijst van studenten.

Hoe sterk is het bewijs?

De omvang is een sterk punt en werkelijke logs zijn betrouwbaarder voor gebruikstijd dan zelfrapportage. Tegelijk gaat het om één private Duitse universiteit, één eigen tool en slechts één maand aan data. De analyse is beschrijvend en kan geen oorzaken of leerwinst aantonen.

Alle drie de auteurs werkten tijdens het onderzoek bij IU, de instelling die Syntea ontwikkelt en inzet. Zij melden dit zelf als belangenconflict. Dat maakt de resultaten niet waardeloos, maar onafhankelijke herhaling en onderzoek naar leeruitkomsten zijn nodig voordat bredere conclusies mogelijk zijn.

De kern

AI-ondersteund leren volgt het leven van studenten. Vooral voor deeltijd- en afstandsonderwijs kan een leerassistent hulp beschikbaar maken buiten traditionele onderwijstijden. Maar gebruiksdata bewijzen nog geen beter leren. Onderwijsinstellingen moeten bereikbaarheid daarom combineren met privacy, menselijke begeleiding, onafhankelijke effectmeting en ruimte voor studenten om zonder voortdurende datasturing te leren.