De impact van AI op kritisch denken

Samenvatting

De integratie van generatieve kunstmatige intelligentie (AI)-tools zoals ChatGPT in het onderwijs roept zorgen op over de mogelijkheid dat studenten afhankelijk worden van door AI gegenereerde oplossingen. Dit kan de ontwikkeling van kritische denkvaardigheden belemmeren. Dit probleem wordt versterkt doordat Bloom’s Taxonomie, het veelgebruikte raamwerk voor het formuleren van onderwijsdoelen, onvoldoende aansluit bij de cognitieve eisen van AI-ondersteund leren.

Deze verkennende studie introduceert een herzien kader dat AI-specifieke competenties integreert en een relevanter model biedt voor het bevorderen van kritisch denken in een door AI beïnvloede leeromgeving. Op basis van een conceptuele benadering, ondersteund door empirische gegevens van MSc Marketing-studenten die vier weken lang met AI-tools werkten, toont de studie aan dat AI kritisch denken zowel kan versterken als uitdagen binnen cognitieve, affectieve en metacognitieve domeinen.

Belangrijke factoren zoals melioratie (verfijning), ethisch redeneren, samenwerking en reflectief denken blijken essentieel voor een diepere interactie met door AI gegenereerde inhoud. Het voorgestelde kader presenteert 12 aanbevelingen die richting geven aan toekomstig onderzoek en pedagogische strategieën. Deze studie schetst een onderzoeksagenda voor de impact van AI op cognitieve ontwikkeling en biedt een waardevolle bron voor docenten, beleidsmakers en onderzoekers die onderwijsmethoden willen aanpassen aan een AI-gestuurde leeromgeving.

Er zijn samenvattende infographics van dit artikel beschikbaar binnen de gratis module 'Ai gebruiken in het onderwijs'.

Inleiding

In recent onderzoek naar bedrijfsonderwijs wordt het belang van kritisch denken steeds vaker benadrukt (Calma & Davies, 2021; Dahl et al., 2018; Larson et al., 2024). Vaardigheden zoals vragen stellen, analyseren, synthetiseren en evalueren (Bloom et al., 1956) vormen de kern van marketing- en managementonderwijs (Crittenden, 2024). Kritisch denken is essentieel voor zowel academisch succes als toekomstige inzetbaarheid. Zo meldde Universities UK (2023) dat 51% van de senior leiders binnen FTSE350 (de 350 grootste bedrijven genoteerd aan de London Stock Exchange) bij werving prioriteit geeft aan afgestudeerden met sterke kritische denkvaardigheden. Daarnaast rangschikt het World Economic Forum (2020) kritisch denken als een van de meest gewilde vaardigheden op de arbeidsmarkt. Een enquête van Skynova (2022) toonde bovendien aan dat 36% van de ondernemers kritisch denken als een cruciale zachte vaardigheid ziet bij werknemers die ze willen behouden in een steeds digitaler werkveld.

De opkomst van generatieve kunstmatige intelligentie (AI)-tools zoals ChatGPT stelt traditionele methoden voor het ontwikkelen van kritisch denkvermogen op de proef (Gulati et al., 2024; Lim et al., 2023; Mogavi et al., 2024). Hoewel AI gepersonaliseerde en interactieve leerervaringen kan bieden die helpen bij het begrijpen van complexe concepten (Fuchs, 2023; Hamid et al., 2023), bestaan er zorgen dat de gemakkelijke toegang tot AI-gegenereerde antwoorden kan leiden tot oppervlakkig leren en een verminderde ontwikkeling van onafhankelijke analytische vaardigheden (McAlister et al., 2023; Van Slyke et al., 2023). De 'black-box'-aard van AI-inhoud kan daarnaast kritische denkprocessen bemoeilijken, zoals het herkennen van vooringenomenheid en het valideren van bronnen (Bearman & Ajjawi, 2023).

Chiu (2024) onderstreept het belang van het versterken van de kritische denkvaardigheden van studenten, zodat ze AI effectief kunnen benutten. Hij benadrukt de noodzaak van strategieën die dieper leren binnen AI-ondersteund onderwijs stimuleren. Hoewel universiteiten richtlijnen opstellen voor het gebruik van AI, ontbreekt het in veel bestaande documenten aan concrete strategieën om deze technologie in te zetten voor het versterken van kritisch denken (Singh & Ngai, 2024). Ondanks de groeiende hoeveelheid onderzoek naar generatieve AI en kritisch denken, wijzen wetenschappers op een lacune in studies die praktische toepassingen belichten. Er is een dringende oproep voor didactische aanpassingen die de nadruk leggen op kritisch denken. Dit is noodzakelijk om de invloed van AI in balans te brengen en fundamentele zachte vaardigheden te ontwikkelen (Dwivedi et al., 2023; Mandai et al., 2024; McAlister et al., 2023).

Kritisch denken verwijst naar het vermogen om reflectief en onafhankelijk te denken, aannames in twijfel te trekken, informatie te analyseren en beredeneerde oordelen te vellen (Scriven & Paul, 1987). Onderzoek naar kritisch denken in het bedrijfsonderwijs richt zich op twee hoofdthema’s. Ten eerste wordt er gekeken naar didactische methoden zoals casestudies (Kennedy et al., 2001; Klebba & Hamilton, 2007), debatten (Roy & Macchiette, 2005), simulaties (Deitz et al., 2022; Devitt et al., 2015) en projecten (Ye et al., 2017) die kritisch denken effectief bevorderen. Ten tweede wordt kritisch denken conceptueel onderzocht, waarbij definities, dimensies en uitdagingen binnen het vakgebied worden geanalyseerd (Calma & Cotronei-Baird, 2021; Calma & Davies, 2021; Dahl et al., 2018; Larson et al., 2024). Samen bieden deze onderzoeksrichtingen waardevolle inzichten in het stimuleren van kritisch denken, vooral nu docenten zich aanpassen aan door AI-gestuurde leeromgevingen.

“Kritisch denken is niet het eenvoudigweg verzamelen van informatie; het gaat om het actief analyseren, evalueren en synthetiseren van kennis om tot weloverwogen beslissingen te komen."

Blooms's taxonomie van onderwijsdoelstellingen wordt veel gebruikt bij het ontwerpen van curricula, leerdoelen en onderwijskundige doelen binnen bedrijfsonderwijs. De hiërarchische niveaus – kennis, begrip, toepassing, analyse, synthese en evaluatie – bieden een gestructureerd pad voor de ontwikkeling van cognitieve vaardigheden (Anderson & Krathwohl, 2001; Bloom et al., 1956; Calma & Cotronei-Baird, 2021). Hoewel oorspronkelijk ontworpen voor bredere onderwijs- en beoordelingsdoeleinden, stellen Shaw en Holmes (2014) dat de grootste kracht van Bloom ligt in zijn vermogen om kritisch denken te faciliteren in plaats van enkel onderwijsdoelstellingen te definiëren.

Onderzoekers hebben de hogere niveaus – analyse, synthese en evaluatie – gekoppeld aan denkvaardigheden van een hogere orde, zoals kritisch denken (Krathwohl, 2002). Evaluatie omvat bijvoorbeeld het vormen van een oordeel op basis van bewijs, terwijl synthese creativiteit omvat door het integreren en reorganiseren van informatie (Huitt, 1998). Ondanks het nut van Bloom’s Taxonomie stellen sommige wetenschappers dat het model de complexiteit van kritisch denken niet volledig omvat en zelfs de ontwikkeling van curricula die gericht zijn op het stimuleren ervan kan beperken (Hussey & Smith, 2002; Paul, 1985).

“Hoewel AI de manier waarop studenten leren transformeert, blijft kritisch denken de kern van effectief onderwijs. Zonder analytische vaardigheden blijven studenten afhankelijk van technologie, in plaats van deze op een doordachte manier te benutten."

Toch blijft de taxonomie een waardevol hulpmiddel voor het bevorderen van kritisch denkvermogen (Calma & Cotronei-Baird, 2021). Zo stemt Blijlevens (2023) de fasen van design thinking af op de niveaus van Bloom om het begrip van studenten te verdiepen, terwijl Watson et al. (2022) Bloom’s Taxonomie gebruiken om leeruitkomsten te structureren binnen een inleidende marketingcursus en studenten te begeleiden van eenvoudige reproductie naar denken op een hoger niveau.

Bloom’s Taxonomie omvat drie domeinen: cognitief (intellectuele vaardigheden), affectief (houdingen, waarden en interesses) en psychomotorisch (motorische vaardigheden; Berezan et al., 2023; Bloom et al., 1956). Deze studie richt zich op de cognitieve en affectieve domeinen, omdat deze het meest worden beïnvloed door AI in leercontexten. De erkenning van de invloed van technologie heeft geleid tot herzieningen van Bloom’s raamwerk, zodat het beter aansluit bij moderne digitale en door AI ondersteunde leeromgevingen, zoals samengevat in Tabel 1.

Tabel 1: Hervormingen en uitbreidingen van Bloom’s taxonomie voor het digitale tijdperk

Passig (2003, 2007) introduceerde het concept melioratie, waarbij het draait om het selecteren, integreren en toepassen van de juiste combinatie van informatie en hulpmiddelen om problemen op te lossen en complexe taken aan te pakken. In een vergelijkbare digitale aanpassing breidde Churches (2010) Bloom’s raamwerk uit door digitale actiewerkwoorden toe te voegen, zoals vinden, bladwijzers maken en gebruiken, terwijl de oorspronkelijke structuur van de taxonomie behouden bleef om technologiegedreven leerdoelen vast te leggen. Yusuf et al. (2024) bouwden hierop voort door een AI-specifiek model voor te stellen met vijf fasen—vertrouwd raken, conceptualiseren, onderzoeken, evalueren en synthetiseren—ontworpen om kritisch denken te bevorderen bij het verwerken van door AI gegenereerde teksten. Ondanks deze aanpassingen wordt er opgeroepen om essentiële vaardigheden, zoals ethisch redeneren, kritische evaluatie, communicatie en samenwerking, verder te integreren. Dit moet ervoor zorgen dat Bloom’s raamwerk volledig relevant blijft en beter aansluit bij de veranderende eisen van AI-gestuurd leren (Mogavi et al., 2024; Ng et al., 2021).

“Bloom’s taxonomie blijft een waardevol raamwerk, maar vereist een herziening om de dynamische leerprocessen van AI-ondersteund onderwijs te weerspiegelen. "

Onderzoek toont aan dat AI-tools (zoals ChatGPT) cognitieve vaardigheden kunnen versterken, al varieert de impact ervan (Essien et al., 2024; Qawqzeh, 2024). Qawqzeh (2024) stelde vast dat ChatGPT kritisch denken en creativiteit bevordert, hoewel de effectiviteit afhangt van individuele betrokkenheid. Op een vergelijkbare manier toonde Essien et al. (2024) aan dat AI-tekstgeneratoren kritisch denken verbeterden binnen de niveaus van Bloom, waarbij vooral succes werd geboekt bij vaardigheden op lager niveau (onthouden, begrijpen) in vergelijking met vaardigheden op hoger niveau (evalueren, creëren).

Deze studies zijn echter gebaseerd op cross-sectionele onderzoeksontwerpen, die slechts oppervlakkige inzichten bieden en geen recht doen aan de iteratieve, dynamische aard van leren met AI. Dit leerproces kan vloeiende overgangen tussen de fasen van Bloom’s taxonomie omvatten en daarmee de vastgestelde hiërarchische structuur ter discussie stellen (Irvine, 2021). Bovendien is het cognitieve domein uitvoerig onderzocht (Essien et al., 2024; Qawqzeh, 2024; Yusuf et al., 2024), terwijl affectieve en metacognitieve dimensies grotendeels onderbelicht blijven in zowel theoretische kaders als praktische toepassingen. Hierdoor ontbreekt een volledig beeld van holistisch leren in AI-ondersteunde omgevingen (Irvine, 2021; Larson et al., 2024).

Onderzoeksvraag en aanpak

Deze studie pakt de genoemde lacunes aan door een longitudinale methode te hanteren, waarmee wordt onderzocht hoe herhaalde interacties met AI strategisch denken, adaptief leren en metacognitieve groei bevorderen. Door het gebruik van generatieve AI-tools door MSc Marketing-studenten gedurende vier weken te analyseren, levert dit onderzoek bewijs van recursieve, niet-lineaire leerprocessen. Studenten bewogen zich vloeiend tussen cognitieve, affectieve en metacognitieve domeinen, waarbij ze probleemoplossende benaderingen verfijnden en competenties zoals melioratie en ethisch redeneren integreerden in hun werkprocessen (Mogavi et al., 2024; Ng et al., 2021).

In tegenstelling tot statische, momentopnamen gebaseerde studies, laat deze benadering de voortdurende wisselwerking tussen AI en kritisch denken zien. Dit biedt een diepgaander inzicht in hoe AI zowel uitdagingen creëert als leeruitkomsten versterkt (Essien et al., 2024; Mandai et al., 2024; Van Slyke et al., 2023). De bevindingen dragen bij aan bruikbare didactische strategieën door Bloom’s Taxonomie opnieuw vorm te geven en AI-specifieke competenties te integreren. Dit herziene raamwerk legt de nadruk op de recursieve interactie die noodzakelijk is voor modern, door AI ondersteund onderwijs en biedt strategieën om theoretische en praktische toepassingen met elkaar te verbinden.

De volgende onderzoeksvragen vormen de leidraad voor dit onderzoek:

1. Hoe beïnvloedt de integratie van generatieve AI in marketingonderwijs de kritische denkvaardigheden van studenten?
2. Hoe kan Bloom’s Taxonomie worden herzien om AI-specifieke competenties te integreren op basis van empirisch bewijs van generatieve AI-toepassingen in het onderwijs?

Methode

Opzet en onderbouwing

Deze studie hanteerde een naturalistische onderzoeksbenadering om te analyseren hoe MSc Marketing-studenten generatieve AI, met name ChatGPT, gebruikten tijdens hun studie in de module Marketing Theory and Practice. De studie onderzocht de realtime impact van AI-tools op de kritische denkvaardigheden van studenten.

Goedkeuring voor het onderzoek werd verkregen van de Research Ethics Committee van de onderwijsinstelling (MRA-22/23-38289). De gegevensverzameling vond plaats tussen 19 mei en 20 juni 2023, in lijn met de periode waarin studenten toegang hadden tot de beoordelingsopdracht en de gratis versie van ChatGPT (GPT-3.5). Deze aanpak bood authentieke inzichten in de interacties van studenten met AI terwijl ze hun summatieve opdrachten voltooiden, waardoor een diepgaand beeld ontstond van hun cognitieve betrokkenheid bij AI-tools.

Beoordelingsopdracht en AI-tools

Studenten moesten een lanceringsplan voor een nieuw product ontwikkelen en dit kritisch evalueren voor een hypothetisch merk in een door hen gekozen markt. De beoordelingsopdracht stimuleerde expliciet het gebruik van generatieve AI-tools, waaronder ChatGPT en beeldgeneratoren, voor marktonderzoek, ideeontwikkeling, analyse en rapportage. Door studenten de mogelijkheid te geven om te experimenteren met verschillende AI-tools, bood de studie een uitgebreid perspectief op de manier waarop generatieve AI hun leerprocessen beïnvloedde.

Interval-contingent dagboekmethode

De interval-contingente dagboekmethode werd gekozen om realtime gegevens vast te leggen over de interacties van studenten met AI-tools (Bolger et al., 2003; Spencer et al., 2021). Deze methode minimaliseerde herinneringsbias en vergemakkelijkte het verzamelen van gedetailleerde, reflectieve inzichten gedurende de vier weken durende beoordelingsperiode (DeLongis et al., 1992).

Eerdere studies hebben dagboekmethodologieën effectief gebruikt om studentengedrag te onderzoeken. Zo gebruikten Nonis et al. (2006) dagboekachtige vragenlijsten bij 264 bedrijfskundestudenten om tijdsbesteding te analyseren, terwijl Berezan et al. (2023) handgeschreven reflectieve dagboeken hanteerden bij 17 studenten om leeruitkomsten in marketingonderwijs vast te leggen aan de hand van Bloom’s Taxonomie. In vergelijking met deze benaderingen en post-cursus interviews – die vaak te maken hebben met onnauwkeurigheden en generalisaties door terugwerkend geheugen – bieden audio-dagboeken, zoals gebruikt in deze studie, een dynamischer en gedetailleerder beeld van cognitieve processen in realtime (Crozier & Cassell, 2016).

Deelnemers en werving

Aanvankelijk meldden negen MSc Marketing-studenten zich vrijwillig aan, waarvan er acht alle fasen van het onderzoek voltooiden. Zij ontvingen een voucher van £30 als beloning. De werving vond plaats via een aankondiging op de Virtual Learning Environment-pagina van de module, zonder specifieke inclusie- of exclusiecriteria. De onderzoeksgroep bestond uit een mix van voltijd- en deeltijdstudenten, waarbij vier deelnemers naast hun studie werkzaam waren in marketinggerelateerde functies. Hierdoor bood de studie inzichten in zowel professionele als academische toepassingen van AI-tools. De ervaring met generatieve AI onder de deelnemers varieerde: sommigen waren regelmatige gebruikers, terwijl anderen nieuw waren met deze technologie. De meeste deelnemers gebruikten AI-tools zoals ChatGPT voor taken zoals ideeontwikkeling, contentcreatie en conceptverduidelijking (zie Tabel 2).

Hoewel de steekproefomvang beperkt was, bood de idiografische benadering een diepgaande analyse van individuele leertrajecten (Crozier & Cassell, 2016). Eerder onderzoek ondersteunt dat kleine steekproeven in kwalitatieve studies, ondanks de afweging tussen steekproefgrootte, studieduur en frequentie (Siemieniako, 2017), waardevolle en gedetailleerde gegevens opleveren over complexe fenomenen zoals AI-gefaciliteerd kritisch denken (Spencer et al., 2021). Desondanks beperkt de kleine steekproefomvang de variëteit aan perspectieven, waardoor voorzichtigheid geboden is bij het generaliseren van de bevindingen naar bredere educatieve of professionele contexten. Dit onderstreept de noodzaak voor vervolgonderzoek met grotere en meer diverse onderzoeksgroepen om de bevindingen te valideren en verder uit te breiden, zodat de resultaten robuust blijven binnen bredere populaties. Toch bieden de bevindingen van deze studie, hoewel geworteld in een specifieke context, waardevolle inzichten die toepasbaar zijn in bredere marketingonderwijsomgevingen.

“Door realtime dagboekgegevens te analyseren, brengt deze studie in kaart hoe studenten AI-tools zoals ChatGPT gebruiken om kritisch denken te ontwikkelen, waarbij hun leerproces sterk varieert op basis van ervaring en toepassing."

Tabel 2: Ervaringen van deelnemers met generatieve AI-tools. 

Procedures

Fase 1: Inleidende focusgroep: Fase 1 bestond uit een online focusgroep van zestig minuten om de beginnende bekendheid van deelnemers met generatieve AI-tools, met een specifieke focus op ChatGPT, te onderzoeken. De auteur, die niet betrokken was bij het onderwijs of de beoordeling van de module, leidde de discussie om objectiviteit te waarborgen. Studenten deelden hun ervaringen met AI in zowel academische als professionele contexten. Deze fase bood een fundamenteel begrip van de kennis en houding van studenten ten opzichte van AI en weerspiegelde de uitingen van de deelnemers. De thematische analyse werd uitgevoerd via iteratieve discussies binnen het onderzoeksteam, bestaande uit de auteur en twee promovendi gespecialiseerd in onderwijs. Dit proces zorgde voor een grondige en zorgvuldige codering van de data. Open codes werden via axiale codering gegroepeerd om verbanden te leggen tussen concepten zoals ondervraging en articulatie. Om de betrouwbaarheid van de analyse te vergroten, werden sommige fragmenten onder meerdere codes geplaatst wanneer ze relevant waren voor meerdere categorieën. Dit hielp bij het vastleggen van de complexiteit van cognitieve processen bij studenten. Er werd erkend dat deze interpretaties grotendeels werden beïnvloed door de perspectieven van het onderzoeksteam, in plaats van uitsluitend voort te komen uit de data zelf. Deze aanpak stelde onderzoekers in staat om de diepere cognitieve betrokkenheid van studenten bij AI-tools te analyseren.

Fase 2: Audio-dagboeken: In fase 2 hielden deelnemers audio-dagboeken bij met behulp van een spraakopname-app, waarin ze hun reflecties vastlegden telkens wanneer ze aan hun opdrachten werkten. Ze werden daarbij gestuurd door specifieke vragen over de context van hun opdracht, hun keuze om generatieve AI wel of niet te gebruiken, hun besluitvormingsproces, factoren die het gebruik bevorderden of belemmerden, hun geschatte inspanning, ervaringen met nuttige en niet-nuttige toepassingen en de impact van AI op hun prestaties. De opnames werden geüpload naar geanonimiseerde mappen op een beveiligde cloudomgeving nadat de cijfers voor de beoordeling waren vrijgegeven. De audio-opnamen werden getranscribeerd met AI en handmatig gecontroleerd op nauwkeurigheid. In totaal werden 65 dagboekopnames verzameld, met een gemiddeld aantal van acht opnames per deelnemer, variërend van vier tot eenentwintig opnames, wat resulteerde in een totale duur van vijf uur, zevenendertig minuten en zesendertig seconden. De lengte van de opnames varieerde van drieëntwintig seconden tot zesenveertig minuten en tweeëndertig seconden. De dagboekmethode bleek effectief in het vastleggen van het dynamische, iteratieve proces van kritisch denken terwijl studenten interacteerden met AI-tools.

Voor de data-analyse werd gebruikgemaakt van MAXQDA, waarbij een gerichte inhoudsanalyse werd uitgevoerd op basis van Bloom’s Taxonomie. De initiële coderingscategorieën kwamen overeen met de niveaus van Bloom, waarbij de werkwoorden die aan elk niveau waren gekoppeld de codering begeleidden. Daarnaast werd een inductieve benadering gebruikt om nieuwe cognitieve vaardigheden te identificeren die verder gingen dan Bloom’s model, zoals melioratie. De codes waren voornamelijk semantisch georiënteerd.

Fase 3: Afsluitende focusgroep: Fase 3 bestond uit een afsluitende focusgroep van zestig minuten waarin deelnemers hun ervaringen met generatieve AI-tools evalueerden. Studenten bespraken de praktische toepassingen van AI voor taken zoals ideeontwikkeling en analyse en deelden zowel positieve ervaringen als frustraties. Geen van de deelnemers had een betaald abonnement op ChatGPT of andere AI-tools tijdens de studie. De belangrijkste motivaties om deel te nemen waren nieuwsgierigheid naar generatieve AI, de relevantie van AI voor hun professionele werk en de wens om tijd te besparen bij taken zoals ideeontwikkeling. Daarnaast erkenden studenten de praktische voordelen van AI voor hun studie en zagen ze deelname als een kans om voorop te blijven lopen nu AI een steeds grotere rol speelt in de marketingsector. Er werd geen verdere analyse uitgevoerd op deze gegevens, maar de focusgroep bood waardevolle inzichten in de percepties en ervaringen van studenten met generatieve AI.

“Door realtime dagboekopnames en focusgroepen onthult deze studie hoe studenten generatieve AI-tools zoals ChatGPT integreren in hun leerproces."

Resultaten

De analyse laat zien hoe MSc Marketing-studenten generatieve AI-tools, met name ChatGPT, gebruikten en hoe deze tools hun kritische denkvaardigheden beïnvloedden. De thema’s zijn gestructureerd volgens de cognitieve en affectieve domeinen van Bloom’s Taxonomie, met de toevoeging van een metacognitief domein.

Het cognitieve domein omvat thema’s zoals het ontdekken van informatie, het begrijpen van complexe concepten, het toepassen van theoretische kennis, het analyseren van AI-inhoud en het creëren van nieuwe inzichten. Het affectieve domein richt zich op samenwerking met AI en ethisch redeneren, waarbij emotionele betrokkenheid, motivatie en relationele dynamieken in het leerproces centraal staan. Dit staat in contrast met de gestructureerde logica van het cognitieve domein en de zelfregulerende reflectie binnen het metacognitieve domein. Het metacognitieve domein omvat thema’s zoals het kritisch ondervragen en verfijnen van AI-antwoorden, het formuleren van nauwkeurige prompts, iteratief leren, het optimaliseren van informatie en hulpmiddelen, en reflectief denken.

Het affectieve domein fungeert tevens als een brug tussen de cognitieve en metacognitieve domeinen. Emotionele reacties, zoals vertrouwen in AI of frustratie over de beperkingen ervan, beïnvloeden de diepgang van de analyse en stimuleren adaptieve samenwerking, wat op zijn beurt reflectieve praktijken versterkt. Deze onderlinge samenhang bevordert een holistische benadering van AI-ondersteund onderwijs en onderstreept het belang van emotionele en relationele dynamieken bij het verdiepen van cognitieve en metacognitieve betrokkenheid.

Deze thema’s vormen de basis voor een herziene taxonomie, zoals weergegeven in Tabel 3, waarin wordt geschetst hoe AI traditionele leerprocessen zowel ondersteunt als uitdaagt. Elk onderdeel presenteert stellingen die de interactie met AI koppelen aan cognitieve, affectieve en metacognitieve vaardigheden, en biedt inzichten in hoe generatieve AI kritisch denken beïnvloedt binnen Bloom’s Taxonomie.

Tabel 3: Herziene Bloom's Taxonomie voor AI-verrijkt leren en kritisch denken

Cognitief domein

Informatie ontdekken

In lijn met de onthouden-fase van Bloom’s Taxonomie bleek ChatGPT een cruciale rol te spelen bij het verzamelen, ordenen en interpreteren van basisinformatie door studenten. Dit proces ging verder dan eenvoudige informatie-opvraging, omdat deelnemers zich bezighielden met iteratieve verkenning en synthese.

Participant 1 gaf aan: "Ik ga ChatGPT nu gebruiken om me te helpen bij het vinden van dingen die ik moet doen of lezen om een krachtig merk te creëren," waarmee werd geïllustreerd hoe de tool niet alleen gestructureerde inhoud bood, maar ook creatieve verkenning stimuleerde. Door een raamwerk van ideeën aan te reiken—zoals elementen van merkidentiteit en storytellingtechnieken—faciliteerde ChatGPT brainstormsessies en diende het als een basis voor diepgaander en gepersonaliseerd werk.

Participant 3 merkte op: "Ik wil ChatGPT niet direct citeren, dus ik moest de informatie controleren met bronnen zoals Google Scholar en gerenommeerde websites." Deze aanpak combineerde de snelheid en reikwijdte van AI-gegenereerde output met de betrouwbaarheid en nauwkeurigheid van traditionele onderzoeksmethoden. Participant 2 illustreerde deze dynamiek verder door ChatGPT te gebruiken voor een eerste brainstorm en vervolgens diens suggesties uit te breiden met aanvullend handmatig onderzoek. Dit iteratieve proces van begeleiding, validatie en verfijning laat zien hoe AI het traditionele leren kan aanvullen door studenten te begeleiden van brede verkenning naar kritische analyse.

Ondanks deze voordelen wezen deelnemers ook op beperkingen in de geloofwaardigheid en specificiteit van de door ChatGPT gegenereerde informatie, wat vaak extra onderzoek vereiste. Participant 6 uitte frustratie over het onvermogen van ChatGPT om betrouwbare statistieken of bronvermeldingen te verstrekken: "Ik krijg het gevoel dat ChatGPT dit soort statistieken niet kan leveren." Hierdoor wendde deze deelnemer zich tot externe databanken om bevindingen te verifiëren. Dit tekort leidde ertoe dat Participant 6 de onderzoeksaanpak aanscherpte door AI-gegenereerde inzichten te combineren met traditionele bronnen om nauwkeurigheid en betrouwbaarheid te waarborgen.

Over het geheel genomen weerspiegelt dit iteratieve proces, waarbij AI wordt geïntegreerd met traditionele onderzoeksmethoden, een patroon van diepere analytische betrokkenheid. Studenten beoordeelden kritisch de output van AI, valideerden deze met betrouwbare bronnen en verfijnden hun strategieën, waardoor het proces van informatieverwerving veranderde in een reflectieve en kritische zoektocht.

“ChatGPT fungeert als startpunt voor exploratie, maar studenten versterken hun kritisch denkvermogen door AI-output te valideren, traditionele bronnen te raadplegen en hun onderzoeksstrategie iteratief te verfijnen."

P1a: Het gebruik van generatieve AI-tools stelt studenten in staat om snel een breed scala aan informatie te ontdekken en te structureren, waardoor een fundamenteel begrip ontstaat dat dient als een eerste leidraad bij het verkennen van complexe onderwerpen.

P1b: De initiële validatie van door AI gegenereerde inhoud aan de hand van traditionele bronnen stimuleert een kritischere houding, waardoor studenten inconsistenties kunnen herkennen, AI-uitvoer kunnen bevragen en een scherpzinnige benadering kunnen ontwikkelen die de basis legt voor diepgaandere analytische vaardigheden.

Complexe concepten begrijpen

In lijn met de begrijpen-fase van Bloom’s Taxonomie vonden studenten ChatGPT effectief bij het ontleden van complexe ideeën tot heldere, behapbare uitleg, waardoor toegankelijke startpunten ontstonden voor diepgaander leren. Participant 6 gaf aan: "ChatGPT legde ‘Halo of Capital’ in eenvoudige termen uit, waardoor ik het kon toepassen binnen de context van een tech-unicorn." Dit illustreert hoe AI vakjargon kan vereenvoudigen en abstracte begrippen kan plaatsen binnen praktische kaders. Op een vergelijkbare manier gebruikte Participant 1 ChatGPT om concepten zoals merkidentiteit beter te begrijpen, waarbij AI-gegenereerde inzichten werden benut als basis voor verdere creatieve en geavanceerde verkenning.

Deze voorbeelden tonen hoe ChatGPT niet alleen cruciale kennislacunes overbrugt, maar ook intellectuele vooruitgang en kritisch denken stimuleert. Door duidelijke definities te combineren met contextuele relevantie biedt ChatGPT een startpunt voor kritische analyse en moedigt het studenten aan om inzichten te bevragen, interpreteren en op genuanceerde manieren toe te passen. Dit iteratieve leerproces weerspiegelt actieve leerstrategieën, waarbij studenten zich bewegen van basaal begrip naar het kritisch onderzoeken van onderliggende principes en implicaties.

Door deze dynamische interactie transformeert ChatGPT statische kennis in toegepaste inzichten, waardoor studenten de analytische vaardigheden ontwikkelen die nodig zijn om complexe concepten verder te verfijnen en uit te breiden.

P2: Generatieve AI-tools vergemakkelijken een genuanceerder begrip van complexe concepten door vereenvoudigde uitleg en contextuele voorbeelden te bieden, waardoor studenten kennislacunes kunnen overbruggen en hun fundamentele begrip versterken.

“ChatGPT kan als brug ingezet worden tussen abstracte concepten en praktisch begrip, waardoor studenten complexe ideeën eenvoudiger kunnen doorgronden en vertalen naar diepgaandere analyses en toepassingen."

Toepassen van theoretische kennis

In lijn met de toepassen-fase van Bloom’s Taxonomie fungeerden AI-tools zoals ChatGPT als een hulpmiddel om theoretische kennis om te zetten in concrete oplossingen. Participant 4 verklaarde: "Het suggereerde benaderingen die mij hielpen bij het vormgeven van de positionerings- en prijsbeslissingen voor mijn project," wat de mogelijkheid van de tool onderstreept om academische kaders te vertalen naar specifieke, praktische uitkomsten.

Deze integratie laat zien hoe door AI ondersteunde inzichten de kloof kunnen overbruggen tussen abstracte theorie en de complexiteit van toepassing in de praktijk. Dit stelt studenten in staat strategieën te doorgronden en aan te passen op een manier die relevant is binnen de context. Participant 4 beschreef bijvoorbeeld hoe zij aanvankelijk een premium prijsstrategie voor hun project voor ogen hadden, maar na interactie met ChatGPT ook aanvullende benaderingen overwogen, zoals waardegebaseerde prijsstelling en gebundelde aanbiedingen. Door hen aan te moedigen hun oorspronkelijke strategie kritisch te evalueren en aan te passen, stimuleerde ChatGPT een diepgaandere betrokkenheid bij theoretische concepten.

P3: De integratie van door AI gegenereerde inzichten met theoretische kennis leidt tot een effectievere toepassing van geleerde concepten in praktijksituaties, waardoor studenten academische kennis beter kunnen vertalen naar concrete strategieën.

“Door AI-gestuurde inzichten te integreren, worden studenten uitgedaagd om hun initiële strategieën kritisch te herzien en effectievere oplossingen te formuleren."

Analyseren van door AI gegenereerde inhoud

In lijn met de evalueren- en analyseren-fasen van Bloom’s Taxonomie beoordeelden deelnemers AI-gegenereerde inhoud kritisch op nauwkeurigheid en vooringenomenheid. Participant 2 merkte op: "Ik nam het antwoord van ChatGPT niet zomaar over. Ik zocht naar bevestiging in Google Scholar." Dit illustreert hoe studenten steeds beter in staat waren AI-uitvoer te verifiëren aan de hand van gezaghebbende bronnen.

Participant 3 uitte soortgelijke zorgen en gaf aan: "De gegevens konden niet worden gevalideerd. Het kon me nooit vertellen waar de informatie vandaan kwam." Dit evaluatieve proces vergde vertrouwen, scepsis en beoordelingsvermogen, waardoor studenten verder gingen dan passieve validatie en zich verdiepten in de logica, aannames en mogelijke vooringenomenheid van AI-uitvoer.

De frustratie van Participant 3 over het gebrek aan transparantie in bronnen benadrukt de cognitieve inspanning die nodig is om met ambiguïteit om te gaan en de betrouwbaarheid van informatie te beoordelen. Deze kritische reflectie hielp studenten hun begrip te verfijnen en zich actiever te verdiepen in alternatieve bronnen.

P4: Het analyseren van door AI gegenereerde inhoud stimuleert studenten om verder te gaan dan louter validatie en hen aan te zetten tot het ontleden van aannames, het identificeren van vooringenomenheid en het beoordelen van de geloofwaardigheid en relevantie van informatie. Dit proces ontwikkelt geavanceerde kritische denkvaardigheden, waardoor studenten diverse perspectieven kunnen samenvoegen en genuanceerde inzichten kunnen genereren.

“AI daagt studenten uit om niet alleen antwoorden te valideren, maar ook aannames te bevragen, vooringenomenheid bloot te leggen en informatie kritisch te wegen."

Creëren

In lijn met de creëren-fase van Bloom’s Taxonomie fungeerde AI als een transformatieve katalysator voor innovatie, waardoor studenten in staat werden gesteld om diverse input te synthetiseren tot originele concepten. Participant 1 gebruikte ChatGPT om promotiestrategieën te ontwikkelen die waren afgestemd op specifieke marktomstandigheden, met een sterke nadruk op inclusiviteit en empowerment. Dit vermogen om AI-uitvoer aan te passen benadrukt hoe generatieve tools creatieve grenzen verleggen door een basis te bieden voor personalisatie en verfijning.

Op een vergelijkbare manier gebruikte Participant 2 ChatGPT om merknamen te genereren en kwam zo tot keuzes die zowel overtuigend als marktgericht waren: "Het hielp me namen te bedenken die echt logisch waren voor het product." Participant 3 bevestigde deze functionaliteit en gaf aan dat het brainstormproces werd gestroomlijnd, waardoor de relevantie en aantrekkingskracht van de uiteindelijke keuzes werd vergroot.

Naast het genereren van ideeën stimuleerde ChatGPT iteratieve innovatie door AI-suggesties te combineren met persoonlijke expertise en creatieve intuïtie. Participant 4 verfijnde prijsstrategieën door AI-aanbevelingen te integreren met menselijke inzichten en ontdekte zo nieuwe benaderingen, zoals waardegebaseerde prijsstelling, die beter aansloten bij de bredere doelstellingen van het project. Deze voorbeelden laten zien hoe AI studenten helpt om de wisselwerking tussen generatieve technologie en menselijke creativiteit te verkennen en oplossingen te vinden die niet via traditionele methoden aan het licht zouden komen. Door experimenten te bevorderen en ideeënontwikkeling te verbreden, lijkt AI bij te dragen aan een herdefiniëring van het creatieve proces van studenten, waardoor zij cohesieve en innovatieve strategieën met grotere precisie en verfijning kunnen formuleren en uitvoeren.

P5: Generatieve AI-tools fungeren als katalysatoren voor creatief denken, waardoor studenten verder kunnen gaan dan conventionele ideeën, kunnen experimenteren met nieuwe oplossingen en innovatieve concepten kunnen verfijnen. Dit proces vergroot hun vermogen om diverse input te synthetiseren tot samenhangende en originele strategieën.

“Door AI en menselijke creativiteit te combineren, ontdekken studenten nieuwe strategieën die met traditionele methoden verborgen zouden blijven."

Affectief domein

Samenwerken met AI

Binnen het affectieve domein van Bloom fungeerde AI als een samenwerkingspartner. Participant 5 gaf aan: "Ik vroeg naar het equivalent van Selfridges in de VS, en het gaf me meerdere namen... deze informatie heb ik daadwerkelijk gebruikt." In dit geval diende ChatGPT als een onderzoeksassistent die hielp bij marktanalyse. Participant 8 gebruikte AI op een vergelijkbare manier om technische termen te onderscheiden: "Ik vroeg het om me het verschil tussen aeroakoestiek en aerodynamica uit te leggen... het gaf me vier paragrafen met uitleg." Dit illustreert hoe studenten AI niet alleen als een hulpmiddel zagen, maar als een responsieve partner in hun academische proces, een assistent en een tutor, waarmee zij samen kennis en ideeën genereerden.

Deze samenwerking ging verder dan het cognitieve en metacognitieve domein door de relationele en adaptieve aspecten van leren centraal te stellen. Studenten namen AI-gegenereerde informatie niet simpelweg tot zich, maar bepaalden actief de rol van AI—of het nu als tutor, assistent of intellectuele sparringpartner fungeerde—en integreerden de mogelijkheden ervan in hun werkproces. Dit vereiste een genuanceerd vertrouwen en aanpassingsvermogen, waardoor AI een mede-bedenker van kennis werd. Deze relationele interactie activeerde het affectieve domein, waarin emotionele en creatieve betrokkenheid een iteratieve dialoog ondersteunden. Het resultaat was een diepgaande integratie van intellectuele scherpte met emotionele flexibiliteit, waardoor rijke leerervaringen ontstonden die kritische reflectie en gezamenlijk begrip bevorderden.

P6: Het vermogen van studenten om te bepalen of ze generatieve AI inzetten als tutor, assistent of sparringpartner creëert een dynamische en adaptieve leerervaring. Door deze bewuste roltoewijzing draagt AI bij aan het verfijnen van ideeën en stimuleert het studenten om kritisch te beoordelen, uit te breiden en hun denken uit te dagen, wat hun redeneervaardigheden en probleemoplossend vermogen versterkt.

“Studenten gebruiken AI niet alleen als hulpmiddel, maar ook als tutor of assistent, waarbij ze de gegenereerde informatie kritisch beoordelen en toepassen."

Ethisch redeneren en het gebruik van AI

Buiten de kaders van Bloom’s Taxonomie vertoonden studenten genuanceerd ethisch redeneren bij het gebruik van generatieve AI, waarbij ze de bruikbaarheid ervan afwogen tegen zorgen over academische integriteit en originaliteit. Participant 3 gaf aan: "Ik was voorzichtig om de tekst niet direct te kopiëren. In plaats daarvan gebruikte ik de ideeën als leidraad voor mijn eigen schrijven." Dit illustreert de bewuste inspanning om intellectueel eigenaarschap te behouden en AI in te zetten als inspiratiebron in plaats van als directe bron.

Studenten spraken ook over de uitdagingen van betrouwbaarheid en transparantie in AI-gegenereerde inhoud. Zoals eerder benoemd, merkte participant 6 op: "Ik krijg het gevoel dat ChatGPT dit soort statistieken niet kan leveren," wat wijst op zorgen over de ondoorzichtigheid van AI-bronnen. Deze beperkingen leidden ertoe dat studenten AI-uitvoer valideerden via traditionele onderzoeksmethoden, waardoor hun vermogen om de geloofwaardigheid van informatie kritisch te beoordelen werd aangescherpt. Door AI-content te bevragen, groeide hun bewustzijn van ethische vraagstukken rondom niet-verifieerbare of onvolledige informatie, wat resulteerde in een zorgvuldiger redeneringsproces.

Ethisch redeneren beperkte zich niet tot de beoordeling van betrouwbaarheid, maar speelde ook een rol in de toepassing van AI binnen een specifieke context. Zo wees participant 2 de door ChatGPT gegenereerde merknamen af met de uitleg: "Geen van hen was een goed idee, naar mijn mening," waarna de deelnemer de resultaten zelf verfijnde. Dit laat zien dat studenten niet alleen AI-bijdragen beoordelen, maar deze ook bewust aanpassen om ze beter af te stemmen op hun doelen. Deze voorbeelden illustreren dat ethisch redeneren bij het gebruik van AI verder gaat dan originaliteit en betrouwbaarheid; het omvat ook de mate waarin AI-uitvoer past binnen academische en professionele contexten. Dit draagt bij aan kritisch denken en een zorgvuldige integratie van AI-gegenereerde inzichten.

P7: Het gebruik van AI-tools vraagt om de ontwikkeling van genuanceerd ethisch redeneren, waarbij studenten de balans moeten vinden tussen academische integriteit en originaliteit bij het verwerken van AI-gegenereerde inhoud in hun werk.

“Het gebruik van AI vraagt om ethische afwegingen, waarbij studenten nadenken over originaliteit, betrouwbaarheid en de mate waarin AI-output bruikbaar is."

Metacognitief domein

Onderzoeken en verfijnen van AI-antwoorden

Binnen het uitgebreide kader van Bloom’s Taxonomie kwam metacognitie sterk naar voren, aangezien studenten zich bezighielden met het iteratief verfijnen van AI-antwoorden. Dit proces omvatte het kritisch beoordelen van initiële output, het verfijnen van prompts en het afstemmen van antwoorden op specifieke onderzoeksdoelen. Participant 1 beschreef hoe ze ChatGPT vroegen naar productlanceringen, maar de antwoorden te algemeen vonden. Dit bracht hen ertoe hun vragen te verfijnen totdat ze bruikbare inzichten ontvingen. Op een vergelijkbare manier gebruikte Participant 5 ChatGPT om potentiële markten in Indonesië te verkennen, waarbij ze hun prompts aanpasten toen de eerste resultaten niet aansloten bij hun doelen.

Studenten begonnen hun interacties vaak met algemene antwoorden, die door opeenvolgende aanpassingen steeds nauwkeuriger werden. Wanneer ze complexe concepten wilden verduidelijken of gedetailleerde informatie zochten, pasten deelnemers hun vragen aan om gerichtere en bruikbare antwoorden te krijgen. Dit iteratieve proces toont hun groeiende vermogen om AI-gegenereerde output kritisch te analyseren, eigen aannames uit te dagen en de relevantie van informatie te beoordelen binnen hun academische en projectmatige context. Door de beperkingen van AI—zoals een gebrek aan specificiteit of betrouwbaarheid—te herkennen en te navigeren, en AI-aanbevelingen te combineren met traditioneel onderzoek, ontwikkelden studenten de vaardigheid om informatie uit verschillende bronnen te synthetiseren, te evalueren en toe te passen. Dit proces illustreert hoe interactie met AI metacognitieve vaardigheden bevordert, waardoor studenten hun leerstrategieën verfijnen, hun begrip verdiepen en complexe problemen met meer precisie en inzicht benaderen.

P8: Het iteratief bevragen van AI-gegenereerde inhoud versterkt de kritische betrokkenheid van studenten bij het materiaal en bevordert een dieper begrip doordat ze de verstrekte informatie uitdagen en verfijnen.

“De interactie met AI stimuleert een iteratief leerproces, waarbij studenten niet alleen informatie ontvangen, maar deze ook actief bewerken en kritisch beoordelen."

Precieze vragen formuleren

Het vermogen om nauwkeurige prompts te formuleren kwam naar voren als een onderscheidende metacognitieve vaardigheid, waarbij helder denken en strategisch probleemoplossen centraal stonden. In tegenstelling tot het iteratief verfijnen van AI-antwoorden, benadrukt dit thema de bewuste inspanning om vragen vooraf af te stemmen op specifieke doelen, zodat de output relevant en bruikbaar is. Participant 3 merkte op: "Ik begon ChatGPT om dit soort informatie te vragen... maar ik was niet tevreden. Dus heb ik mijn vraag specifieker geformuleerd en kreeg ik een veel relevanter antwoord." Op dezelfde manier paste Participant 6 hun vraag aan over markttrends in autonoom rijden in China, door expliciet te vragen naar inzichten die waren gevalideerd door academische publicaties en industriële rapporten. Deze voorbeelden laten zien hoe deelnemers hun communicatie aanpasten om AI-uitvoer te optimaliseren, door abstracte doelen te vertalen naar precieze taal.

Dit thema onthult een proces waarin studenten principes van vraagformulering internaliseerden en complexe doelstellingen vertaalden naar gestructureerde vragen. Hierdoor braken ze problemen op in beheersbare onderdelen en benutten ze AI om gerichte inzichten te verkrijgen. Dit suggereert dat het formuleren van precieze prompts bijdraagt aan kritisch denken door vooruitdenken, precisie en adaptief redeneren te bevorderen—vaardigheden die essentieel zijn voor het navigeren van complexe academische en professionele vraagstukken. Door hun interacties met AI bewust te sturen, kunnen studenten bovendien hun vermogen versterken om genuanceerde ideeën effectief over te brengen.

P9: Het proces van het verfijnen van vragen voor AI-tools stimuleert een precieze verwoording van gedachten, wat bijdraagt aan het vermogen van studenten om complexe ideeën helder en effectief te communiceren.

“Het formuleren van precieze prompts helpt studenten complexe vraagstukken te structureren en scherpt hun probleemoplossend vermogen aan "

Iteratief leren

Studenten vertoonden een duidelijk proces van iteratief leren bij het gebruik van generatieve AI-tools, gekenmerkt door voortdurende verfijning en aanpassing op basis van feedback. Participant 1 illustreerde dit door te zeggen: "Ik bleef mijn vraag herformuleren totdat het me iets bruikbaars gaf," waarmee een voortdurende cyclus van proberen, evalueren en bijstellen werd getoond. Participant 7 bevestigde deze aanpak door te beschrijven hoe ze brede initiële vragen verfijnden om meer gerichte en relevante antwoorden te verkrijgen, wat een bewuste strategie weerspiegelt om hun aanpak te verbeteren. Op dezelfde manier gaf Participant 9 aan dat ze hun prompts meerdere keren herzagen om verfijnde strategieën voor klantsegmentatie te ontdekken die aansloten bij hun specifieke doelstellingen.

Dit proces laat zien hoe studenten experimenteren en hun aanpak voortdurend bijstellen om AI-uitvoer beter af te stemmen op hun doelen. In tegenstelling tot het simpelweg verfijnen van antwoorden, omvat iteratief leren een bredere cognitieve strategie waarbij studenten actief experimenteren, resultaten evalueren en hun methoden aanpassen op basis van nieuwe inzichten. Deze aanpak verbetert niet alleen hun probleemoplossend vermogen, maar suggereert ook dat ze cognitieve flexibiliteit en aanpassingsvermogen ontwikkelen om complexe vraagstukken te benaderen.

Door reflectieve cycli van vragen en feedback te doorlopen, lijken studenten zich bewuster te worden van hun eigen leerprocessen, waardoor ze mogelijk patronen herkennen en hun aanpak na verloop van tijd verfijnen. Dit iteratieve proces bevordert adaptiviteit, kritisch denken en een verbeterd vermogen om met ambiguïteit om te gaan, wat erop wijst dat studenten AI-tools gebruiken om steeds beter toepasbare inzichten te genereren. Iteratief leren kan zo bijdragen aan een transformatieve manier van probleemoplossen, waarbij exploratie, evaluatie en bijstelling samengaan om studenten te helpen zich dieper met complexe vraagstukken bezig te houden.

P10: Het gebruik van generatieve AI-tools stimuleert een geavanceerdere vorm van iteratief leren, waarbij studenten niet alleen hun vragen verfijnen, maar ook een verhoogd metacognitief bewustzijn ontwikkelen. Deze voortdurende cyclus van vragen stellen, feedback verwerken en aanpassingen doorvoeren bevordert aanpassingsvermogen en strategisch denken, waardoor studenten patronen in hun leerproces herkennen, aannames ter discussie stellen en steeds geavanceerdere probleemoplossingsmethoden ontwikkelen.

“Door een cyclisch proces van vragen, feedback en bijstelling leren studenten AI effectief in te zetten en hun probleemoplossend vermogen te verfijnen."

Vaardig integreren van informatie en hulpmiddelen

Studenten vertoonden melioratie—het vaardig integreren van diverse kennisbronnen en hulpmiddelen om complexe problemen op te lossen (Passig, 2003)—op twee onderling verbonden manieren: de melioratie van informatie en de melioratie van technologieën en hulpmiddelen. Dit proces benadrukt hun strategisch denken en aanpassingsvermogen bij het balanceren van de efficiëntie van AI met de diepgang van traditionele methoden.

De melioratie van informatie kwam naar voren doordat studenten AI-gegenereerde inzichten combineerden met gezaghebbende bronnen om de geloofwaardigheid en diepgang van hun onderzoek te waarborgen. Participant 3 begon bijvoorbeeld met ChatGPT voor algemene demografische gegevens, maar valideerde en verfijnde deze bevindingen later via Google Scholar: "ChatGPT gaf me een algemeen idee, maar ik moest Google Scholar gebruiken voor gedetailleerde statistieken over de marktgrootte." Dit illustreert hoe studenten AI inzetten als een startpunt voor snelle kennisverwerving, terwijl ze traditionele onderzoeksmethoden benutten om de nauwkeurigheid te vergroten. Op een vergelijkbare manier gebruikte Participant 2 AI voor brainstormsessies over merkontwikkeling, maar beoordeelde en verrijkte de output met betrouwbaardere gegevens om tot meer bruikbare resultaten te komen. Deze aanpakken tonen een genuanceerd vermogen om de snelheid van AI-informatie te combineren met de nauwkeurigheid van conventioneel onderzoek, wat leidt tot meer onderbouwde en uitgebreide inzichten.

Daarnaast werd melioratie van technologieën en hulpmiddelen zichtbaar in de manier waarop studenten AI integreerden in hun werkprocessen en deze aanpasten aan hun academische en creatieve behoeften. Participant 8 gebruikte ChatGPT om vragen voor een enquête op te stellen, maar verfijnde deze later via conventionele methoden om te voldoen aan wetenschappelijke normen. Participant 4 breidde dit verder uit door AI-tools zoals Midjourney te gebruiken voor visuele output en deze te combineren met traditioneel onderzoek om creatieve elementen in projecten te versterken. Deze integratie van AI met niet-AI-hulpmiddelen toont aan hoe studenten workflows optimaliseren door de unieke voordelen van elk middel te benutten, waarbij innovatie en kritisch denken samenkomen.

Deze duale praktijk van melioratie weerspiegelt een geavanceerd metacognitief vaardigheidsniveau, waarbij studenten diverse informatiebronnen combineren en tegelijkertijd omgaan met onzekerheid. Door AI-inzichten te valideren met betrouwbare bronnen en generatieve hulpmiddelen te combineren met gespecialiseerde technologieën, ontwikkelden studenten adaptieve leerstrategieën die analytische precisie en creatieve verkenning in balans brengen. Dit proces toont hun vermogen om verschillende perspectieven te verenigen, complexe uitdagingen aan te pakken en oplossingen te ontwikkelen die zowel contextueel relevant als innovatief zijn. Uiteindelijk onderstreept de melioratie van informatie en hulpmiddelen niet alleen de vindingrijkheid van studenten, maar bevordert het ook dieper kritisch denken. Dit suggereert een toenemende adaptiviteit, waarbij studenten AI benutten om zowel flexibiliteit als nauwkeurigheid te versterken, wat leidt tot meer genuanceerde, dynamische en impactvolle probleemoplossingsstrategieën binnen zowel academische als professionele contexten.

P11: De melioratie van zowel informatie als hulpmiddelen—waarbij studenten AI-gegenereerde inzichten combineren met traditionele onderzoeksmethoden en technologieën—bevordert diepgaand kritisch denken door adaptief leren te stimuleren. Dit stelt hen in staat om met ambiguïteit om te gaan, diverse perspectieven te synthetiseren en innovatieve, contextbewuste probleemoplossingsstrategieën te ontwikkelen met een grotere mate van flexibiliteit en vindingrijkheid.

“Door AI-output kritisch te evalueren en aan te vullen met conventioneel onderzoek, creëren studenten een evenwicht tussen snelheid en nauwkeurigheid in hun leerproces."

Reflectief denken over de impact van AI

Reflectief denken kwam duidelijk naar voren toen studenten AI kritisch beoordeelden en hun aanpak aanpasten om tot dieper leren te komen. Participant 5 merkte op: "Als het op creativiteit aankomt, is [ChatGPT] niet de juiste plek om dit te doen," wat wijst op een bewuste evaluatie van de beperkingen van AI en een aanpassing van hun strategie. Op een vergelijkbare manier gaf Participant 8 aan: "Ik heb enkele van [de suggesties] overwogen," waarmee werd geïllustreerd hoe AI-gegenereerde feedback selectief werd gebruikt om hun tekst te verbeteren.

Participant 2 reflecteerde verder op AI-gegenereerde productideeën en concludeerde: "Geen van hen was een goed idee, naar mijn mening," waarna ze aanvullende onderzoeken uitvoerden om geschiktere opties te vinden. Participant 6 sprak twijfels uit over de nauwkeurigheid van door AI gegenereerde data, wat hen ertoe bracht de informatie via traditionele bronnen te valideren. Deze voorbeelden laten zien hoe studenten AI-uitvoer kritisch beoordeelden door een balans te zoeken tussen de sterke en zwakke punten van AI en AI-inzichten te combineren met menselijk oordeel.

Dit reflectieve proces wijst op een diepere bewustwording van het iteratieve karakter van leren. Studenten pasten hun strategieën aan op basis van de beperkingen van AI, wat bijdroeg aan een groter gevoel van autonomie en flexibiliteit in hun leerproces. Reflectief denken speelt hierbij een cruciale rol, omdat het studenten voorbereidt om digitale hulpmiddelen kritisch te beheren en complexe academische taken met inzicht en strategische aanpassingen aan te pakken.

P12: De integratie van AI in onderwijstaken stimuleert reflectief denken, waardoor studenten AI’s beperkingen en mogelijkheden kritisch evalueren. Dit bevordert hun aanpassingsvermogen, strategische leerstrategieën en de ontwikkeling van onafhankelijk en contextbewust probleemoplossend vermogen.

“De wisselwerking tussen AI en menselijk oordeel helpt studenten beter te navigeren in een digitale leeromgeving en kritisch na te denken over technologiegebruik."

Discussie

Deze verkennende studie onderzocht hoe de integratie van generatieve AI, met name ChatGPT, in marketingonderwijsbeoordelingen kritisch denken beïnvloedt en hoe Bloom’s Taxonomie kan worden aangepast om AI-specifieke vaardigheden op te nemen. Door concepten zoals melioratie, ethisch redeneren en iteratief leren te integreren, biedt het herziene raamwerk een verfijndere benadering voor docenten en beleidsmakers om kritisch denken in een AI-gestuurde onderwijscontext te versterken.

De bevindingen komen overeen met die van Essien et al. (2024), waaruit blijkt dat generatieve AI-tools een positieve invloed hebben op kritisch denken door onderzoek en ideeontwikkeling te vergemakkelijken, wat de betrokkenheid en gepersonaliseerd leren bevordert (Gulati et al., 2024; Mogavi et al., 2024). Tegelijkertijd brengen de manieren waarop AI cognitieve processen hervormt uitdagingen met zich mee voor traditionele onderwijsmodellen, wat de noodzaak van theoretische aanpassing onderstreept.

Deze studie biedt concrete strategieën en een onderzoeksagenda die docenten ondersteunt bij het ontwikkelen van curricula en beoordelingsmethoden die kritisch denken, adaptief leren en ethische AI-integratie stimuleren. Dit is essentieel om studenten voor te bereiden op het navigeren door AI-verrijkt onderwijs en professionele omgevingen.

“AI-tools zoals ChatGPT kunnen onderzoek en ideeontwikkeling vergemakkelijken, maar de impact op cognitieve processen vereist verdere analyse."

De taxonomie van Bloom herzien: aanpassen voor het digitale tijdperk

De herziene taxonomie, zoals uiteengezet in Tabel 3, integreert thema’s die direct voortkomen uit de manier waarop studenten kritisch denken met behulp van AI. Dit weerspiegelt hun dynamische betrokkenheid binnen de cognitieve, affectieve en metacognitieve domeinen. Zo omvat “ontdekken” hoe studenten AI gebruiken voor iteratieve verkenning en synthese, wat een nieuwe manier van interactie met AI en zoekmachines vertegenwoordigt (Churches, 2010; Passig, 2007). Deze toevoeging daagt de aanname uit dat informatieverwerving een passief proces is (Larson et al., 2024) en benadrukt in plaats daarvan snelle synthese en validatie.

Andere toevoegingen, zoals “samenwerken”, “melioreren” en “ethisch redeneren”, adresseren de relationele, integratieve en ethische benaderingen die studenten hebben ontwikkeld in hun leerproces (Joksimovic et al., 2023). Daarnaast vangen “AI-uitvoer onderzoeken” en “precieze prompts formuleren” cruciale vaardigheden op voor het navigeren door AI-beperkingen en het maximaliseren van de potentie ervan (Chiu, 2024; Ng et al., 2021). Deze vaardigheden benadrukken het belang van genuanceerde vraagstelling en doelgerichte communicatie, wat strategisch probleemoplossen en adaptief denken bevordert—essentiële elementen binnen AI-ondersteunde toetsing, waar precisie en ambiguïteit steeds meer verweven raken (Bearman & Ajjawi, 2023).

Deze aanpassingen markeren een verschuiving van lineaire, hiërarchische stadia naar onderling verbonden, adaptieve processen en herdefiniëren Bloom’s Taxonomie als een responsief model voor AI-gestuurd onderwijs. Dit stelt docenten in staat om kritisch denken te erkennen als een dynamisch samenspel van exploratie, validatie en integratie, waarmee studenten beter worden voorbereid op hybride leeromgevingen.

“Studenten gaan een actieve dialoog aan met AI, waarbij ze niet alleen informatie consumeren, maar ook analyseren, verfijnen en combineren met andere kennisbronnen."

De rigide hiërarchie van Bloom—onthouden, begrijpen, toepassen, analyseren, evalueren en creëren—heeft lange tijd het onderwijsontwerp bepaald, maar weerspiegelt niet volledig de invloed van AI op cognitieve processen (Anderson & Krathwohl, 2001). Deze studie laat zien dat studenten vloeiend schakelden tussen cognitieve stadia, waarbij ze bijvoorbeeld tegelijkertijd AI-inzichten deconstrueerden (analyse) en hun geldigheid beoordeelden (evaluatie), wat de lineariteit van Bloom’s model doorbreekt. Dit sluit aan bij Das et al. (2013), die stellen dat cognitieve vaardigheden niet altijd sequentieel verlopen en tegelijkertijd kunnen optreden. Ook ondersteunt het Irvine’s (2021) standpunt dat Bloom’s niveaus subniveaus kunnen bevatten en dat taxonomieën met strikt niet-overlappende niveaus mogelijk niet geschikt zijn om complexe, door AI-gestuurde leerprocessen te beschrijven.

AI-ondersteund leren lijkt sterk gericht op iteratieve vraagstelling en verfijning, waarbij melioratie een belangrijke rol speelt—studenten combineren begripsvorming met hoger-orde denkvaardigheden. Deze bevindingen suggereren dat Bloom’s model flexibeler moet worden om multilayered, AI-verrijkte cognitieve betrokkenheid te accommoderen, wat duidt op een verschuiving naar een dynamischer, iteratief onderwijssysteem dat AI’s impact op kritisch denken beter weerspiegelt.

De resultaten suggereren dat generatieve AI-tools functioneren als mede-ontwikkelaars van kennis en daarmee de manier waarop studenten cognitieve taken benaderen transformeren. Deze duale agent-dynamiek, waarin zowel mens als AI het leerproces vormgeven (Yu et al., 2021) door middel van selectie, onderhandeling en het toekennen van rollen (Watt et al., 1995), verschuift de nadruk weg van traditionele studentgerichte benaderingen. In plaats van passief informatie te ontvangen, verfijnden, bevroegen en integreerden studenten AI-uitvoer actief, wat wijst op een diepere interactie. Dit ondersteunt Qawqzeh’s (2024) visie dat AI een symbiotische leerrelatie creëert, die de algehele leerervaring versterkt. Deze dynamiek vereist een heroverweging van hoe docenten leerdoelen structureren en AI’s rol erkennen in het bevorderen van holistische cognitieve ontwikkeling.

“AI verandert de manier waarop studenten kritisch denken, waardoor de traditionele hiërarchie van Bloom’s Taxonomie niet langer toereikend is."

AI-specifieke competenties integreren in de taxonomie van Bloom

De bevindingen van deze studie benadrukken het belang van het opnemen van AI-specifieke competenties—zoals samenwerking, melioratie en ethisch redeneren—binnen Bloom’s Taxonomie om deze relevant te houden in het moderne onderwijs (Churches, 2010; Passig, 2007). Studenten toonden niet alleen bewustzijn over de noodzaak om AI-uitvoer op nauwkeurigheid en geldigheid te beoordelen, maar werden ook geconfronteerd met ethische vraagstukken, zoals plagiaat en vooringenomenheid. Dit bevestigt de noodzaak om ethisch redeneren te verankeren binnen onderwijs gericht op kritisch denken (Bearman & Ajjawi, 2023; Ng et al., 2021). De eerste bevinding is bemoedigend, gezien de bestaande zorgen over het gebrek aan kritische reflectie en ethische overwegingen bij het gebruik van generatieve AI door studenten (Dwivedi et al., 2023; Mogavi et al., 2024). De tweede bevinding onderstreept het belang van een curriculum dat AI-geletterdheid en ethisch bewustzijn integreert, zodat studenten verantwoord leren omgaan met AI-technologieën (Bearman & Ajjawi, 2023; Chiu, 2024).

Studenten vertoonden regelmatig metacognitief of tweede-orde denken, vooral bij het verfijnen van AI-gegenereerde inhoud, wat een iteratief proces weerspiegelt dat aansluit bij de bevindingen van Qawqzeh (2024), die stelt dat AI zelfgestuurd en reflectief leren kan ondersteunen. Zo illustreerde Participant 1 dit door herhaaldelijk prompts aan ChatGPT te herformuleren om de kwaliteit van de antwoorden te verbeteren, wat wijst op een bewustwording van hun denkproces. Deze metacognitieve betrokkenheid toont niet alleen aan dat studenten hun strategieën evalueerden en aanpasten, maar onthult ook een lacune binnen Bloom’s Taxonomie, die dit iteratieve verfijningsproces—cruciaal in AI-gestuurd leren—niet volledig erkent. Het opnemen van dergelijke metacognitieve elementen in Bloom’s raamwerk zou kunnen bijdragen aan een diepgaander begrip van AI en het bevorderen van effectiever en ethischer gebruik ervan.

“Het gebruik van generatieve AI vraagt om een heroverweging van traditionele onderwijskaders, waarbij iteratief leren en metacognitieve strategieën een grotere rol spelen."

Kritisch denken in het bedrijfsonderwijs wordt vaak geïnterpreteerd binnen toegepaste contexten, zoals strategisch denken, leiderschap en besluitvorming (Calma & Davies, 2021). In deze studie maakten studenten effectief gebruik van AI om praktische vaardigheden te ontwikkelen door AI-gegenereerde inzichten kritisch te evalueren en toe te passen bij taken zoals het ontwikkelen van marketingstrategieën en merknamen. Dit benadrukt AI’s rol in het versterken van toegepaste kritische denkvaardigheden. De afwezigheid van een consistente definitie van kritisch denken binnen het bedrijfsonderwijs (Calma & Davies, 2021) suggereert echter dat een bredere conceptuele benadering nodig is in AI-ondersteunde onderwijskaders. Theoretische helderheid is essentieel om effectieve pedagogische strategieën te ontwikkelen die studenten voorbereiden op een steeds digitaler en AI-gestuurd werkveld.

“Kritisch denken binnen bedrijfsonderwijs wordt steeds vaker gekoppeld aan de praktische toepassing van AI-tools, maar een duidelijker theoretisch kader blijft nodig."

Het versterken en belemmeren van kritisch denken

Hoewel deze studie bevestigt dat AI cognitieve vaardigheden kan versterken (Essien et al., 2024), brengt het ook risico’s van afhankelijkheid en cognitieve ontlasting aan het licht (Lodge et al., 2023; Ratten & Jones, 2023). De neiging van deelnemers om AI in te zetten voor zowel basistaken, zoals informatieverzameling, als complexere taken, zoals ideeontwikkeling, onderstreept de zorg dat AI oppervlakkig leren kan bevorderen als het niet kritisch wordt ingezet (Crittenden, 2024; McAlister et al., 2023). Deze bevindingen illustreren een paradox: hoewel AI kritisch denken kan stimuleren, kan het ook de autonome cognitieve ontwikkeling ondermijnen wanneer studenten de diepere betrokkenheid met leerprocessen overslaan. Dit benadrukt het belang van strategieën die kritisch denken binnen AI-gestuurd onderwijs actief bevorderen.

De resultaten tonen twee onderling verbonden maar onderscheiden vormen van kritisch denken binnen AI-versterkt leren. De eerste vorm, kritisch denken ten aanzien van AI, houdt in dat studenten AI kritisch benaderen door prompts te verfijnen, vooringenomenheden te evalueren en gegenereerde antwoorden te onderzoeken. Dit vereist nieuwsgierigheid, scepsis en ethisch redeneren en bevordert metacognitieve vaardigheden zoals reflectief denken en melioratie, die verder gaan dan de traditionele stadia van Bloom’s Taxonomie. De tweede vorm, kritisch denken voor de opdracht, richt zich op het synthetiseren en toepassen van AI-gegenereerde inzichten in praktijkgerichte taken, met een nadruk op creatieve probleemoplossing en concrete toepassingen (Yusuf et al., 2024). Dit onderscheid onderstreept het idee dat hoewel kritisch denken altijd een probleemgerichte benadering vereist, niet alle probleemoplossing noodzakelijkerwijs kritisch denken inhoudt (Calma & Davies, 2021). Deze inzichten hebben belangrijke pedagogische implicaties en suggereren dat onderwijsstrategieën zowel de metacognitieve interactie met AI als de praktische toepassing van AI-gegenereerde inzichten moeten ondersteunen.

“AI kan kritisch denken zowel versterken als belemmeren, afhankelijk van de mate waarin studenten actief betrokken blijven bij het leerproces."

Tabel 4: Onderzoeksagenda voor AI-verrijkt leren en kritisch denken

Praktische implicaties

Studenten maken al zelfstandig gebruik van generatieve AI voor taken zoals ideeontwikkeling, het vereenvoudigen van complexe concepten en het verfijnen van inhoud, zoals blijkt uit hun dagboeknotities. Dit onderstreept de noodzaak voor docenten om studenten te begeleiden bij een kritische omgang met AI-tools, in plaats van dat zij er blindelings op vertrouwen voor antwoorden. Samenwerkingsprojecten waarbij AI wordt ingezet voor gegevensverzameling—zoals het analyseren van marktgegevens of klantfeedback—en waarbij studenten vervolgens zelf de interpretatie en evaluatie uitvoeren, kunnen helpen om complexe concepten beter te doorgronden. Om dit te ondersteunen, zouden trainingsprogramma’s voor docenten zich moeten richten op het begrijpen van de herziene niveaus van cognitieve betrokkenheid en op het aanreiken van strategieën om deze vaardigheden effectief te ontwikkelen en te beoordelen. Dit garandeert dat AI een hulpmiddel blijft dat kritisch denken ondersteunt, in plaats van een vervanging ervan te worden (Chan, 2023). Een dergelijke aanpak kan ook bezorgdheden zoals AI-ghostwriting verminderen door AI’s rol als leermiddel te benadrukken in plaats van als een shortcut. Beleidsmakers zouden richtlijnen moeten opstellen die een evenwichtige integratie van AI bevorderen, zodat het gebruik ervan bijdraagt aan onafhankelijk denken, creativiteit en academische integriteit.

De herziene taxonomie introduceert nieuwe toepassingen die traditionele leerdoelen transformeren door herhaaldelijke verkenning en contextuele aanpassingen te stimuleren. Nieuwe leeruitkomsten zouden zich kunnen richten op dynamische betrokkenheid, zoals studenten leren om AI-gegenereerde inhoud in real time kritisch te analyseren en te verfijnen. Bijvoorbeeld, opdrachten waarbij studenten AI-tools gebruiken om markttrends te verkennen, bevindingen te valideren via extern onderzoek en hieruit bruikbare strategieën te synthetiseren, kunnen iteratief denken en evidence-based redeneren bevorderen. Dit draagt bij aan het versterken van kritische analyses en validatievaardigheden, waardoor studenten beter worden voorbereid op de complexiteit van AI-verrijkte omgevingen.

“Het effectief inzetten van AI in het onderwijs vraagt om een kritische benadering, waarbij studenten AI niet alleen als hulpmiddel gebruiken, maar ook actief de beperkingen en implicaties ervan evalueren."

Daarnaast moeten docenten studenten begeleiden bij het onderhandelen over de rol van AI in gezamenlijke kenniscreatie, waarbij AI afwisselend wordt behandeld als consultant, tegenstrever of reflectief hulpmiddel in strategische besluitvorming. Marketingstudenten kunnen bijvoorbeeld AI gebruiken om campagne-ideeën te genereren, deze kritisch te evalueren en verder te verfijnen door menselijke inzichten te integreren. Dit duale agentschap bevordert de synthese van bijdragen van zowel menselijke als AI-actoren, wat aansluit bij adaptief probleemoplossen en gezamenlijke innovatie.

In de praktijk suggereren de bevindingen dat ethisch redeneren verder gaat dan het beoordelen van AI-inhoud op plagiaat of vooringenomenheid en ook meta-redenering omvat. Deze kritische dimensie moedigt studenten aan om de bredere systemische implicaties van door AI-gestuurde besluitvorming te analyseren. Opdrachten kunnen studenten uitdagen om de ethische dimensies van algoritmische marketing te onderzoeken, zoals biases in doelgroepbepaling of ongelijkheden in toegang, waardoor abstract denken over machtsdynamieken en maatschappelijke gevolgen wordt gestimuleerd. Dergelijke activiteiten helpen studenten zich voor te bereiden op de complexe ethische vraagstukken binnen AI-geïntegreerde professionele contexten.

Melioratie, zowel als informatie- als toolgerichte competentie, ondersteunt de integratie van AI-uitkomsten met traditionele onderzoeksmethoden over verschillende vakgebieden heen. Studenten kunnen bijvoorbeeld AI gebruiken voor het ontwikkelen van merkconcepten, terwijl ze statistische modellen toepassen om de haalbaarheid ervan te beoordelen, waardoor abstracte theorieën worden verbonden met toegepaste praktijk. Om deze leeruitkomsten te realiseren, moeten docenten fundamentele activiteiten en begeleidende structuren implementeren die een gelijk speelveld creëren. Dit omvat eerlijke toegang tot diverse AI-tools, technische training en voorbereidende oefeningen die basiscompetenties opbouwen. Door studenten van de nodige middelen en basisvaardigheden te voorzien, wordt inclusieve participatie gewaarborgd en kunnen alle leerlingen optimaal profiteren van deze leeractiviteiten.

“Een evenwichtige integratie van AI in het onderwijs vereist duidelijke richtlijnen en didactische strategieën, zodat AI kritisch denken ondersteunt in plaats van vervangt."

Beperkingen en toekomstig onderzoek

Deze studie biedt waardevolle inzichten, maar enkele beperkingen moeten worden erkend. De kleine en niet-representatieve steekproef beperkt de generaliseerbaarheid van de bevindingen. Echter, de idiografische benadering maakte een diepgaande verkenning mogelijk van kritisch denken met behulp van AI (Spencer et al., 2021). De prestaties van de deelnemers varieerden: één deelnemer behaalde een matige score op de opdracht (63) met volledige participatie (100%), zes deelnemers presteerden goed met scores tussen 67 en 72 en volledige betrokkenheid, terwijl één deelnemer een lagere score had (53) en 83% participatie vertoonde. Omdat de steekproef voornamelijk bestond uit hoog presterende en volledig betrokken studenten, kunnen de resultaten minder representatief zijn voor studenten met lagere prestaties of minder betrokkenheid. Dit vraagt om voorzichtigheid bij het generaliseren van de bevindingen naar bredere populaties.

De voorgestelde herziening van Bloom’s Taxonomie zou kritiek kunnen ontvangen met betrekking tot de toepasbaarheid binnen diverse onderwijscontexten en de mogelijke overschaduwing van traditionele vaardigheden op het gebied van kritisch denken. Een uitgebreide classificatie en hiërarchie van cognitieve processen binnen AI-ondersteund onderwijs moet nog worden ontwikkeld (Ng et al., 2021), wat de noodzaak onderstreept voor vervolgonderzoek dat frameworks verfijnt die AI-specifieke competenties adresseren. Toekomstige studies zouden grotere en meer diverse steekproeven moeten omvatten om deze bevindingen te valideren binnen uiteenlopende onderwijscontexten. Ook longitudinaal onderzoek is nodig om de langetermijneffecten van AI op kritisch denken te beoordelen (Essien et al., 2024). Daarnaast zou uitbreiding van het onderzoek naar alternatieve raamwerken, zoals benaderingen die intellectuele waarden benadrukken (bijvoorbeeld relevantie, nauwkeurigheid en rigoureus redeneren; Carlson, 2013) of besluitvormingsvaardigheden (Baldwin et al., 2011), kunnen bijdragen aan een meer holistisch begrip van AI’s invloed op kritisch denken.

“Hoewel AI kritisch denken kan ondersteunen, roept de afhankelijkheid ervan vragen op over de diepgang van leerprocessen en de ontwikkeling van onafhankelijke denkvaardigheden."

Hoewel de gebruikte audiodagboeken rijke data opleverden, kunnen ze het gedrag van deelnemers hebben beïnvloed door zelfmonitoringseffecten (Dommeyer, 2007) en de reflectieve aard van journaling, die diepere denkprocessen kan stimuleren (Berezan et al., 2023). Voor een bredere en diepere analyse van kritisch denken in AI-geassisteerde leeromgevingen zouden toekomstige studies gebruik kunnen maken van reflectieve essays, cognitieve interviews of andere kwalitatieve methoden. Daarnaast zou het integreren van aanvullende metacognitieve elementen helpen om beter te begrijpen hoe studenten hun bewustzijn, regulatie, aanpassing en integratie van leerprocessen ontwikkelen (Parwata et al., 2023).

Samenvattend benadrukt deze studie de noodzaak om Bloom’s Taxonomie opnieuw te evalueren binnen AI-gedreven onderwijs. Dit ondersteunt de oproep van Mandai et al. (2024) voor concrete strategieën die verder gaan dan algemene verwachtingen. Zoals Shaw en Holmes (2014) stellen, is het voor het effectief bevorderen van kritisch denken essentieel dat docenten verder kijken dan rigide leerdoelen en zich verdiepen in de cognitieve processen op elk niveau. De werkelijke uitdaging ligt in het benutten van AI als hulpmiddel voor de verdieping van kritisch denken, in plaats van het te laten verworden tot een oppervlakkig hulpmiddel.

“Toekomstig onderzoek moet zich richten op de langetermijneffecten van AI-gebruik in onderwijs, waarbij zowel cognitieve als metacognitieve leerprocessen in kaart worden gebracht."

Referenties

Anderson, L. W., & Krathwohl, D. R. (2001). A taxonomy for learning, teaching, and assessing: A revision of Bloom’s taxonomy of educational objectives. Longman.

Baldwin, T. T., Pierce, J. R., Joines, R. C., & Farouk, S. (2011). The elusiveness of applied management knowledge: A critical challenge for management educators. Academy of Management Learning & Education, 10, 583–605. https://doi.org/10.5465/amle.2010.0045

Bearman, M., & Ajjawi, R. (2023). Learning to work with the black box: Pedagogy for a world with artificial intelligence. British Journal of Educational Technology, 54, 1160–1173. https://doi.org/10.1111/bjet.13337

Berezan, O., Krishen, A. S., & Garcera, S. (2023). Back to the basics: Handwritten journaling, student engagement, and Bloom’s learning outcomes. Journal of Marketing Education, 45(1), 5–17. https://doi.org/10.1177/02734753221075557

Blijlevens, J. (2023). Educating marketing students to understand designers’ thought-worlds. Journal of Marketing Education, 45(1), 18–37. https://doi.org/10.1177/02734753211038997

Bloom, B. S., Engelhart, M. D., Furst, E., Hill, W. H., & Krathwohl, D. R. (1956). Handbook I: Cognitive domain. David McKay.

Bolger, N., Davis, A., & Rafaeli, E. (2003). Diary methods: Capturing life as it is lived. Annual Review of Psychology, 54(1), 579–616. https://doi.org/10.1146/annurev.psych.54.101601.145030

Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101. https://doi.org/10.1191/1478088706qp063oa

Braun, V., & Clarke, V. (2023). Toward good practice in thematic analysis: Avoiding common problems and be(com)ing a knowing researcher. International Journal of Transgender Health, 24(1), 1–6. https://doi.org/10.1080/26895269.2022.2129597

Calma, A., & Cotronei-Baird, V. (2021). Assessing critical thinking in business education: Key issues and practical solutions. The International Journal of Management Education, 19(3), 100531. https://doi.org/10.1016/j.ijme.2021.100531

Calma, A., & Davies, M. (2021). Critical thinking in business education: Current outlook and future prospects. Studies in Higher Education, 46(11), 2279–2295. https://doi.org/10.1080/03075079.2020.1716324

Carlson, S. (2013). Instructional methods influence critical thinking: Do students and instructors agree? Academy of Educational Leadership, 17, 27.

Chan, C. K. Y. (2023). A comprehensive AI policy education framework for university teaching and learning. International Journal of Educational Technology in Higher Education, 20(1), 38.

Chiu, T. K. (2024). Future research recommendations for transforming higher education with generative AI. Computers and Education: Artificial Intelligence, 6, 100197. https://doi.org/10.1016/j.caeai.2023.100197

Churches, A. (2010). Bloom’s Digital Taxonomy. Australian School Library Association NSW Incorporated.

Crittenden, V. L. (2024). What is the future of marketing education? Journal of Marketing Education, 46(1), 3–5. https://doi.org/10.1177/02734753231220115

Crozier, S. E., & Cassell, C. M. (2016). Methodological considerations in the use of audio diaries in work psychology: Adding to the qualitative toolkit. Journal of Occupational and Organizational Psychology, 89(2), 396–419. https://doi.org/10.1111/joop.12132

Dahl, A. J., Peltier, J. W., & Schibrowsky, J. A. (2018). Critical thinking and reflective learning in the marketing education literature: A historical perspective and future research needs. Journal of Marketing Education, 40(2), 101–116. https://doi.org/10.1177/0273475317752452

Das, J. P., Kirby, J. R., & Jarman, R. F. (2013). Simultaneous and successive cognitive processes. Academic Press.

Deitz, G. D., Fox, A. K., & Fox, J. D. (2022). The effects of individual and team characteristics on simulation-enhanced critical thinking: A multilevel analysis. Marketing Education Review, 32(1), 18–32. https://doi.org/10.1080/10528008.2021.1957689

DeLongis, A., Hemphill, K. J., & Lehman, D. R. (1992). A structured diary methodology for the study of daily events. In F. B. Bryant, J. Edwards, R. S. Tindale, E. J. Posavac, L. Heath, E. Henderson, & Y. Suarez-Balcazar (Eds.), Methodological issues in applied social psychology (pp. 83–109). Springer. https://doi.org/10.1007/978-1-4899-2308-0_5

Devitt, A., Brady, M., Lamest, M., Dalton, G., Newman, N., & Gomez, S. (2015). Serious games in marketing education: Developing higher order cognitive skills through collaboration in a simulation game. In Proceedings of the INTED2015 9th International Technology, Education and Development Conference (pp. 6340–6349). Madrid.

Dommeyer, C. J. (2007). Using the diary method to deal with social loafers on the group project: Its effects on peer evaluations, group behavior, and attitudes. Journal of Marketing Education, 29(2), 175–188. https://doi.org/10.1177/0273475307302019

Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., Baabdullah, A. M., Koohang, A., Raghavan, V., & Ahuja, M. (2023). “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642. https://doi.org/10.1016/j.ijinfomgt.2023.102642

Essien, A., Bukoye, O. T., O’Dea, C., & Kremantzis, M. (2024). The influence of AI text generators on critical thinking skills in UK business schools. Studies in Higher Education, 49, 865–882. https://doi.org/10.1080/03075079.2024.2316881

Fuchs, K. (2023). Exploring the opportunities and challenges of NLP models in higher education: Is ChatGPT a blessing or a curse? Frontiers in Education, 8, Article 1166682. https://doi.org/10.3389/feduc.2023.1166682

Gulati, A., Saini, H., Singh, S., & Kumar, V. (2024). Enhancing learning potential: Investigating marketing students’ behavioral intentions to adopt ChatGPT. Marketing Education Review, 34, 201–234. https://doi.org/10.1080/10528008.2023.2300139

Hamid, H., Zulkifli, K., Naimat, F., Yaacob, N. L. C., & Ng, K. W. (2023). Exploratory study on student perception on the use of chat AI in process-driven problem-based learning. Currents in Pharmacy Teaching and Learning, 15(12), 1017–1025. https://doi.org/10.1016/j.cptl.2023.10.001

Hickey, G., & Kipping, C. (1996). A multi-stage approach to the coding of data from open-ended questions. Nurse Researcher, 4(1), 81–91. https://doi.org/10.7748/nr.4.1.81.s9

Huitt, W. (1998). Critical thinking: An overview. Educational Psychology Interactive. Valdosta State University.

Hussey, T., & Smith, P. (2002). The trouble with learning outcomes. Active Learning in Higher Education, 3(3), 220–233. https://doi.org/10.1177/1469787402003003003

Irvine, J. (2021). Taxonomies in education: Overview, comparison, and future directions. Journal of Education and Development, 5(2), 1–25. https://doi.org/10.20849/jed.v5i2.898

Joksimovic, S., Ifenthaler, D., Marrone, R., De Laat, M., & Siemens, G. (2023). Opportunities of artificial intelligence for supporting complex problem-solving: Findings from a scoping review. Computers and Education: Artificial Intelligence, 4, 100138.

Kennedy, E. J., Lawton, L., & Walker, E. (2001). The case for using live cases: Shifting the paradigm in marketing education. Journal of Marketing Education, 23(2), 145–151. https://doi.org/10.1177/0273475301232008

Klebba, J. M., & Hamilton, J. G. (2007). Structured case analysis: Developing critical thinking skills in a marketing case course. Journal of Marketing Education, 29(2), 132–139. https://doi.org/10.1177/0273475307302015

Krathwohl, D. R. (2002). A revision of Bloom’s Taxonomy: An overview. Theory into Practice, 41(4), 212–218. https://doi.org/10.1207/s15430421tip4104_2

Larson, B. Z., Moser, C., Caza, A., Muehlfeld, K., & Colombo, L. A. (2024). Critical thinking in the age of generative AI. Academy of Management Learning & Education, 23(3), 373–378. https://doi.org/10.5465/amle.2024.0338

Lim, W. M., Gunasekara, A., Pallant, J. L., Pallant, J. I., & Pechenkina, E. (2023). Generative AI and the future of education: Ragnarök or reformation? A paradoxical perspective from management educators. The International Journal of Management Education, 21(2), 100790. https://doi.org/10.1016/j.ijme.2023.100790

Lodge, J. M., Yang, S., Furze, L., & Dawson, P. (2023). It’s not like a calculator, so what is the relationship between learners and generative artificial intelligence? Learning: Research and Practice, 9(2), 117–124. https://doi.org/10.1080/23735082.2023.2261106

Mandai, K., Tan, M. J. H., Padhi, S., & Pang, K. T. (2024). A cross-era discourse on ChatGPT’s influence in higher education through the lens of John Dewey and Benjamin Bloom. Education Sciences, 14(6), 614. https://doi.org/10.3390/educsci14060614

McAlister, A. R., Alhabash, S., & Yang, J. (2023). Artificial intelligence and ChatGPT: Exploring current and potential future roles in marketing education. Journal of Marketing Communications, 30, 166–187. https://doi.org/10.1080/13527266.2023.2289034

Mogavi, R. H., Deng, C., Kim, J. J., Zhou, P., Kwon, Y. D., Metwally, A. H. S., Tlili, A., Bassanelli, S., Bucchiarone, A., & Gujar, S. (2024). ChatGPT in education: A blessing or a curse? A qualitative study exploring early adopters’ utilization and perceptions. Computers in Human Behavior: Artificial Humans, 2(1), 100027. https://doi.org/10.1016/j.chbah.2023.100027

Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2, 100041. https://doi.org/10.1016/j.caeai.2021.100041

Nonis, S. A., Philhours, M. J., & Hudson, G. I. (2006). Where does the time go? A diary approach to business and marketing students’ time use. Journal of Marketing Education, 28(2), 121–134. https://doi.org/10.1177/0273475306288400

Parwata, I. G. A. L., Jayanta, I. N. L., & Widiana, I. W. (2023). Improving metacognitive ability and learning outcomes with problem-based revised Bloom’s Taxonomy oriented learning activities. Emerging Science Journal, 7(2), 569–577. https://doi.org/10.28991/ESJ-2023-07-02-019

Passig, D. (2003). A taxonomy of future higher thinking skills. Informatics in Education: An International Journal, 2(1), 79–92. https://www.proquest.com/scholarly-journals/taxonomy-future-higher-thinking-skills/docview/746479471/se-2

Passig, D. (2007). Melioration as a higher thinking skill of future intelligence. Teachers College Record, 109(1), 24–50. https://doi.org/10.1177/016146810710900106

Paul, R. W. (1985). Bloom’s Taxonomy and critical thinking instruction. Educational Leadership, 42(8), 36–39.

Qawqzeh, Y. (2024). Exploring the influence of student interaction with ChatGPT on critical thinking, problem solving, and creativity. International Journal of Information and Education Technology, 14(4), 596–601. https://doi.org/10.18178/ijiet.2024.14.4.2082

Ratten, V., & Jones, P. (2023). Generative artificial intelligence (ChatGPT): Implications for management educators. The International Journal of Management Education, 21(3), 100857. https://doi.org/10.1016/j.ijme.2023.100857

Roy, A., & Macchiette, B. (2005). Debating the issues: A tool for augmenting critical thinking skills of marketing students. Journal of Marketing Education, 27(3), 264–276. https://doi.org/10.1177/0273475305280533

Scriven, M., & Paul, R. (1987). Defining critical thinking [Conference session]. 8th Annual International Conference on Critical Thinking and Education Reform, Summer 1987, Rohnert Park, California, USA.

Shaw, C. S., & Holmes, K. E. (2014). Critical thinking and online supplemental instruction: A case study. Learning Assistance Review, 19(1), 99–119. https://eric.ed.gov/?id=EJ1034026

Siemieniako, D. (2017). The consumer diaries research method. In K. Kubacki & S. Rundle-Thiele (Eds.), Formative research in social marketing: Innovative methods to gain consumer insights (pp. 53–66). Springer.

Singh, R. G., & Ngai, C. S. B. (2024). Top-ranked US and UK’s universities’ first responses to GenAI: Key themes, emotions, and pedagogical implications for teaching and learning. Discover Education, 3(1), 115. https://doi.org/10.1007/s44217-024-00211-w

Skynova. (2022). Skynova survey. https://www.skynova.com/blog/small-business-and-labor-hoarding

Spencer, L., Radcliffe, L., Spence, R., & King, N. (2021). Thematic trajectory analysis: A temporal method for analysing dynamic qualitative data. Journal of Occupational and Organizational Psychology, 94(3), 531–567. https://doi.org/10.1111/joop.12359

Universities UK. (2023). Jobs of the future (978-1-84036-510-8). https://www.universitiesuk.ac.uk/what-we-do/policy-and-research/publications/jobs-future

Van Slyke, C., Johnson, R. D., & Sarabadani, J. (2023). Generative artificial intelligence in information systems education: Challenges, consequences, and responses. Communications of the Association for Information Systems, 53(1), 1–21. https://doi.org/10.17705/1CAIS.05301

Varpio, L., Ajjawi, R., Monrouxe, L. V., O’Brien, B. C., & Rees, C. E. (2017). Shedding the cobra effect: Problematising thematic emergence, triangulation, saturation and member checking. Medical Education, 51(1), 40–50. https://doi.org/10.1111/medu.13124

Watson, F., Stanton, J., Beninger, S., Domegan, C., Reppel, A., & Shapiro, S. (2022). Teaching what society needs: “Hacking” an introductory marketing course with sustainability and macromarketing. Journal of Marketing Education, 44(3), 375–389. https://doi.org/10.1177/02734753211058070

Watt, S., Zdrahal, Z., & Brayshaw, M. (1995). Multiple agent systems for configuration design (pp. 217–228). IOS Press.

World Economic Forum. (2020). The future of jobs report. https://www.weforum.org/publications/the-future-of-jobs-report-2020/in-full/infographics-e4e69e4de7/

Ye, C., Van Os, J., Chapman, D., & Jacobson, D. (2017). An online project-based competency education approach to marketing education. Journal of Marketing Education, 39(3), 162–175. https://doi.org/10.1177/0273475317724843

Yu, B., Vahidov, R., & Kersten, G. E. (2021). Acceptance of technological agency: Beyond the perception of utilitarian value. Information & Management, 58(7), 103503. https://doi.org/10.1016/j.im.2021.103503

Yusuf, A., Bello, S., Pervin, N., & Tukur, A. K. (2024). Implementing a proposed framework for enhancing critical thinking skills in synthesizing AI-generated texts. Thinking Skills and Creativity, 53, 101619. https://doi.org/10.1016/j.tsc.2024.101619

Dit artikel is een vertaling van het Engelstalige artikel 'Generative AI’s Impact on Critical Thinking: Revisiting Bloom’s Taxonomy' van dr. Chahna Gonsalves. Een samenvatting en bespreking van dit artikel vind je hier.