AI-ondersteund leerlinggericht onderwijs en het academisch zelfbeeld en communicatieve competentie van adolescenten: een gemengde methodenstudie

Samenvatting

Deze mixed-methods studie evalueert een AI-ondersteunde, leerlinggerichte klaslokaalroutine met AI-ondersteund onderzoek, peer-discussie, lerarenverduidelijking en zelfevaluatie. De studie richt zich op zelfgerapporteerde academisch zelfbeeld en communicatieve competentie en biedt voldoende procedurele details om replicatie in de klas te vergemakkelijken.

Samenvatting

Deze klaslokaal gebaseerde mixed-methods quasi-experimentele studie onderzocht of door AI ondersteunde, leerlinggerichte instructie geassocieerd was met veranderingen in het academisch zelfbeeld van adolescenten en hun zelfgerapporteerde communicatieve competentie. Zes intacte klassen werden toegewezen aan ofwel de AI-ondersteunde instructie of de gebruikelijke leerlinggerichte instructieconditie. De interventie verwerkte door AI ondersteunde prompts in een gestructureerde leercyclus bestaande uit individuele onderzoek, discussie met collega's, verduidelijking van leraren en zelfevaluatie. Van de 186 gerekruteerde studenten werden er 174 behouden voor kwantitatieve analyse. Academisch zelfbeeld en zelfgerapporteerde communicatieve competentie werden beoordeeld bij de basis, direct na de interventie en bij een vooraf bepaalde kortetermijnfollow-up. Interactiekwaliteit, zelfevaluatie en betrokkenheid van leerlingen werden na de interventie gemeten, en 36 studenten namen deel aan semi-gestructureerde interviews. In vergelijking met de gebruikelijke instructiegroep liet de AI-ondersteunde groep grotere baseline-gecorrigeerde winsten zien in beide uitkomsten na de interventie en bij follow-up. Exploratieve procesanalyses gaven een hogere interactiekwaliteit, zelfevaluatie en betrokkenheid van leerlingen aan in de door AI ondersteunde groep, terwijl kwalitatieve bevindingen suggereerden dat door AI ondersteunde prompts studenten hielpen om verklaringen te verifiëren, antwoorden te herzien en zelfevaluatie explicieter te maken in combinatie met discussie met collega's en begeleiding van leraren. Omdat deelnemers op klasniveau werden toegewezen en de uitkomsten voornamelijk zelf werden gerapporteerd, moeten de bevindingen worden geïnterpreteerd als klasbundige associaties in plaats van als definitief bewijs van een oorzakelijke verbetering in academische prestaties.

Inleiding

Kunstmatige intelligentie (AI) is steeds gebruikelijker geworden in onderwijsomgevingen. De instructieve waarde blijft echter inconsistent, aangezien loutere toegang tot een technologisch hulpmiddel niet per definitie een leerproces vormt. Hoewel reviews vooruitgang in onderwijskundige AI benadrukken, worden vaak de rol van de leraar en de interacties in de klas over het hoofd gezien. Dit is cruciaal voor adolescenten, die actief competentieoordelen vormen en ideeën testen met leeftijdsgenoten. Daarom moet AI-ondersteund leren worden geïmplementeerd als een bewuste pedagogische opzet die bepaalt hoe studenten vragen stellen, evalueren en discussiëren, in plaats van louter als technologische blootstelling te dienen.

Leerlinggerichte instructie biedt een robuust kader om deze uitdaging aan te pakken. Door studenten weg te schakelen van passieve receptie, geeft deze aanpak prioriteit aan actieve participatie, taakbetrokkenheid, uitleg van peer-to-peer en autonome besluitvorming. Meta-analytisch onderzoek bevestigt dat actieve leeromgevingen die worden gekenmerkt door probleemoplossing en betrokkenheid van studenten de academische prestaties aanzienlijk kunnen verbeteren in vergelijking met traditionele colleges¹. Toch is leerlinggerichte instructie niet intrinsiek effectief. Het vereist instructieve taken die voldoende gestructureerd zijn om deelname te begeleiden, maar toch flexibel genoeg om studenten aan te moedigen ideeën uit te leggen, te vergelijken en te herzien. Deze dynamiek wordt nog complexer in AI-ondersteunde klaslokalen. Hoewel AI snel voorbeelden, verklaringen en suggesties kan genereren, kan het ontbreken van leraarbegeleiding en peer-evaluatie ertoe leiden dat leerlingen deze uitkomsten kritiekloos accepteren en ze behandelen als cognitieve snelkoppelingen in plaats van als grondstof voor dieper denken.

Het academisch zelfbeeld is in deze context een zeer relevant resultaat, dat de domeinspecifieke overtuigingen van studenten over hun academische capaciteiten weerspiegelt. Eerder onderzoek heeft aangetoond dat academisch zelfbeeld geen statische persoonlijkheidseigenschap is, maar eerder een dynamisch construct dat nauw verbonden is met prestaties en voortdurende leerervaringen². Deze studie beoordeelt het academisch zelfbeeld om het vertrouwen van studenten in hun vermogen om hun werk te verbeteren te evalueren. Communicatiecompetentie dient als secundair resultaat, omdat de interventie vereist dat studenten rechtvaardigingen formuleren en uitleg verfijnen via gestructureerde feedback van collega's.

Feedback en zelfevaluatie vormen de cruciale instructieve brug die AI-ondersteuning verbindt met deze gerichte leerdoelen. Effectieve formatieve beoordeling vereist dat leerlingen actief de voortgang monitoren, deze meten aan de hand van standaarden en handelen op prestatieverschillen ^3,4. In een AI-ondersteunde, leerlinggerichte klas kunnen AI-prompts alternatieve verklaringen of aanwijzingen voor herhaling opleveren. De werkelijke educatieve waarde van deze opdrachten hangt echter af van de vraag of studenten de output kritisch bekijken, erover debatteren met leeftijdsgenoten en het vertalen naar een verfijnd antwoord. Daarom wordt zelfevaluatie in deze studie niet geoperationaliseerd als een vage houding, maar als een concreet, waarneembaar gedrag in de klas dat gericht is op het identificeren van leergaten en het aanbrengen van herzieningen.

Betrokkenheid van leerlingen speelt een even belangrijke rol in deze leercyclus. Erkend als een multidimensionaal construct, omvat betrokkenheid gedragsparticipatie, emotionele betrokkenheid en cognitieve investering⁵. Deze multidimensionaliteit is vooral relevant voor adolescenten, omdat oppervlakkige naleving geen diepe cognitieve verwerking garandeert. De ene student kan een werkblad mechanisch invullen zonder de onderliggende redenering te analyseren, terwijl een ander minder vragen stelt maar diepgaand betrokken is door voortdurende zelfmonitoring en herhaling. De introductie van AI kan theoretisch de betrokkenheid verhogen door rijk materiaal te bieden voor vergelijking en onderzoek; Omgekeerd kan het de betrokkenheid ondermijnen als studenten overgaan tot moeiteloos vertrouwen op geautomatiseerde output. Daarom plaatst deze studie de betrokkenheid van leerlingen in context naast de kwaliteit van interactie en zelfevaluatie, waarbij het gebruik van AI bewust niet als een geïsoleerd klaslokaal evenement wordt behandeld.

Debatten over educatieve modellen voor grote taalgebruik benadrukken een spanning tussen individuele hulp en risico's zoals overmatige afhankelijkheid of verminderde inspanning wanneer deze zonder strikte grenzen wordt ingezet. Daardoor is de pedagogische choreografie van de leerroutine net zo belangrijk als de AI-technologie zelf. De huidige studie verwerkte AI-ondersteunde prompts in een consistente, vijfstappenklas: lerarenbriefing, individuele navraag, discussie met leeftijdsgenoten, opheldering door de hele klas en zelfevaluatie. Dit specifieke ontwerp positioneert AI-output bewust als voorlopig materiaal dat onderworpen is aan rigoureuze verificatie en revisie, in plaats van als een onfeilbaar eindantwoord.

Er werd een mixed-methods onderzoeksontwerp gehanteerd omdat kwantitatieve enquêtegegevens alleen de nuances van de leefervaringen van studenten niet adequaat kunnen vastleggen. Gemengde methoden zijn bijzonder waardevol wanneer uitkomsttrajecten moeten worden geïnterpreteerd tegen de achtergrond van ervaringen van deelnemers, implementatievoorwaarden en zich ontvouwende klasdynamiek⁶. In het huidige onderzoek volgde het kwantitatieve component ontwikkelingsveranderingen in academisch zelfbeeld en communicatieve competentie. Tegelijkertijd onderzocht het kwalitatieve onderdeel hoe studenten de kwaliteit van interactie, zelfevaluatie, taakbetrokkenheid en waargenomen barrières tijdens de interventie karakteriseerden. Deze twee bewijsstromen werden vervolgens geïntegreerd om te evalueren of de waargenomen kwantitatieve scorepatronen overeenkwamen met de ervaringen van de leerlingen op de grondvloer.

Deze studie behandelt ook een aanzienlijke praktische leemte in de literatuur over AI-ondersteund onderwijs. Hoewel talrijke studies AI-gedreven resultaten evalueren, bieden relatief weinig een transparant, reproduceerbaar klaslokaal protocol met details over prompt gebruik, peer-scaffolding, controlegroepvergelijkingen, fidelity monitoring en integratie van gemengde methoden. Decennia aan onderzoek naar interactie met leeftijdsgenoten tonen aan dat studenten aanzienlijk profiteren wanneer ze concepten uitleggen, feedback van collega's ontvangen en hun begrip continu verfijnen via dialoog⁷. De huidige studie bouwt voort op deze fundamentele logica en onderzoekt of door AI gegenereerde prompts succesvol in deze dialogische structuur kunnen worden verweven zonder de onmisbare rollen van lerarenbegeleiding en samenwerking met collega's te overnemen.

Daarom onderzocht deze studie AI-ondersteunde, leerlinggerichte instructie als een gestructureerd klaslokaal protocol in plaats van als eenvoudige blootstelling aan een AI-hulpmiddel. De voorgestelde instructieroute was dat door AI ondersteunde prompts eerst materiaal zouden bieden voor onderzoek en vergelijking; Peer-discussie en lerarenverduidelijking zouden vervolgens vereisen dat studenten dat materiaal verifiëren, rechtvaardigen en herzien; En de laatste zelfevaluatiestap zou studenten helpen vooruitgang en onopgeloste hiaten te herkennen. Binnen dit traject werden interactiekwaliteit, zelfevaluatie en betrokkenheid van de leerling behandeld als verkennende procesvariabelen die kunnen helpen verklaren hoe studenten de instructieroutine ervoeren, in plaats van als bevestigde bemiddelaars.

De belangrijkste onderzoeksvragen waren als volgt: Veroorzaakt het door AI ondersteunde, leerlinggerichte protocol grotere veranderingen in academisch zelfbeeld en zelfgerapporteerde communicatieve competentie dan gebruikelijke leerlinggerichte instructie? Zijn de kwaliteit van interactie, zelfevaluatie en betrokkenheid van leerlingen na de interventie hoger in de door AI ondersteunde situatie? De secundaire verkennende vragen waren als volgt: Vertonen deze procesvariabelen associaties met uitkomstveranderingsscores? Komen kwalitatieve interviewthema's overeen met, breiden ze de kwantitatieve bevindingen uit of maken ze het ingewikkelder? Omdat intacte klassen, in plaats van individuele leerlingen, aan condities werden toegewezen, werden alle bevindingen met uitdrukkelijke voorzichtigheid geïnterpreteerd met betrekking tot causale inferentie en clustering op klaslokaalniveau.

Protocol

Alle methoden waarbij menselijke deelnemers betrokken waren, werden uitgevoerd in overeenstemming met institutionele richtlijnen en de verklaring van Helsinki. Het studieprotocol werd beoordeeld en goedgekeurd door de institutionele beoordelingscommissie van het stadsbouwcollege van Guangzhou (IRB-goedkeuring nr. GZCJ2026A016; goedkeuringsdatum: 2 januari 2026). De goedgekeurde studietitel was "AI-ondersteunde leerlinggerichte instructie en adolescenten's academisch zelfbeeld en communicatiecompetentie: een mixed-methods studie." Schriftelijke toestemming werd verkregen van de deelnemende school voordat het onderzoek werd uitgevoerd. Schriftelijke geïnformeerde toestemming werd verkregen van ouders of wettelijke voogden, en schriftelijke toestemming werd verkregen van alle deelnemende studenten. Studenten werden geïnformeerd dat deelname vrijwillig was en dat ze zich op elk moment zonder academische straf uit de studie konden terugtrekken. Er werden geen namen, contactgegevens, schoolidentificaties, cijfers of andere direct identificeerbare informatie ingevoerd in het AI-chatbotplatform of opgenomen in de openbare dataset. Alle studieprocedures werden uitgevoerd tijdens de goedgekeurde studieperiode van 2 januari 2026 tot 2 januari 2027. Alle hulpmiddelen en platforms die in deze studie zijn gebruikt, staan vermeld in de Materiaaltabel

Studieontwerp en klaslokaalopdrachten

Deze studie maakte gebruik van een quasi-experimenteel, gemengd-methodeklaslokaal met twee instructievoorwaarden: een AI-ondersteunde, leerlinggerichte instructiegroep en een gebruikelijke leerlinggerichte instructiegroep. Longitudinale metingen werden uitgevoerd op drie tijdstippen: de basislijn vóór de interventie (T1), direct na de laatste instructiesessie (T2) en bij een vooraf gedefinieerde kortetermijn-follow-up beoordeling (T3). Het T2–T3-interval werd vastgelegd in het studielogboek en bleef consistent over het manuscript, de dataset, analysescripts en figuurlabels. Figuur 1 vat werving, klastoewijzing, beoordelingstiming, uitsluitingen en kwalitatieve steekproef samen. Omdat administratieve en ecologische beperkingen individuele randomisatie verhinderden, werden zes intacte klassen op klaslokaal toegewezen, waarvan drie klassen in de AI-ondersteunde toestand en drie klassen in de vergelijkingsconditie. Elke klas droeg 29 studenten bij aan de definitieve analytische steekproef. Leerjaarniveau, vakgebied, lesvolgorde, sessieduur, klastaken, beoordelingsschema en contacttijd van de leraar werden vergelijkbaar gehouden tussen de omstandigheden. Klasse-identificaties werden behouden voor clustergevoelige statistische controles.

Selectie en screening van deelnemers

Deelnemers werden rechtstreeks gerekruteerd uit de deelnemende intacte klassen. Studenten en hun ouders of wettelijke voogden ontvingen een gedetailleerd informatieblad met het studiedoel, klasafspraken, door AI ondersteunde activiteiten, vragenlijstroosters, het optionele interviewgedeelte, privacybescherming, terugtrekkingsrechten en gegevensopslagplannen. Studenten werden opgenomen in het onderzoek als ze waren ingeschreven in een van de deelnemende klassen, reguliere lessen volgden, schriftelijke toestemming gaven, schriftelijke toestemming van ouders of voogden kregen en de basisvragenlijst invulden vóór de eerste sessie. Daarentegen werden studenten uitgesloten van de uiteindelijke analytische steekproef als ze van de school overstapten, meer dan 25% van de interventiesessies misten, ongeldige vragenlijstgegevens indienden of toestemming voor datagebruik introkken. Een primaire reden voor uitsluiting werd gedocumenteerd voor elke uitgesloten deelnemer. Voorafgaand aan gegevensinvoer kreeg elke in aanmerking komende deelnemer een unieke studieidentificatiecode toegewezen. Relevante demografische en educatieve covariaten werden geregistreerd, waaronder leeftijd, geslacht, klassenaanduiding, basisniveau academische prestatieband, eerdere blootstelling aan AI-ondersteund leren en basisvertrouwdheid met digitaal leren. Voor statistische tracking werd de instructiegroepvariabele gecodeerd als 0 voor de vergelijkingsvoorwaarde en 1 voor de AI-ondersteunde conditie.

Instructiemateriaal en interventielevering

Voorafgaand aan de implementatie werd een instructie-eenheid van zes sessies (Aanvullende Tabel 1) ontwikkeld, waarbij elke klaszitting 40–45 minuten duurde. Identieke leerdoelen, lesonderwerpen, werkbladen, discussieopdrachten voor leeftijdsgenoten, zelfevaluatieformulieren en reflectieprompts werden toegepast op beide instructieomstandigheden. De vragenlijststructuur, scorerichtingen, omgekeerd gescoord items en uiteindelijke schaalniveauvariabelen volgden de vergrendelde scorekaart in Tabel 1. Reproduceerbaarheidsmaterialen omvatten lesplannen (Aanvullende Tabel 1), AI-promptsheets (Aanvullende Tabel 2), lerarenpromptbladen (Aanvullende Tabel 3), werkbladen voor leerlingen (Aanvullende Tabel 4), zelfevaluatieformulieren (Aanvullende Tabel 5), observatiechecklists (Aanvullende Tabel 6), technische incidentlogboeken (Aanvullende Tabel 7), interviewgidsen (Aanvullende Tabel 8) en een kwalitatief codeboek (Aanvullende Tabel 9). De deelnemende docent voltooide de training met behulp van een schriftelijke instructie die de sessievolgorde, AI-gebruiksgrenzen, vergelijkingsgroepprocedures, privacyvereisten en trouw-checklists behandelde. Er werd een repetitie gehouden met niet-studiestudenten om de timing van de activiteit, toegang tot het apparaat, de duidelijkheid van het werkblad en de moeilijkheidsgraad van de taken te verifiëren. De AI-tool was een institutioneel goedgekeurde chatbot gebaseerd op ChatGPT die gebruikmaakte van de GPT-4 architectuur. Voor gebruik in de klas waren chatgeschiedenis, profielgeheugen, webbrowsen, plug-ins, beeldgeneratie en geautomatiseerde beoordeling uitgeschakeld. Het manuscript gebruikt na de eerste vermelding de generieke term "AI-chatbotplatform" om promotionele taal te vermijden. Prompt-design principes waren vastgesteld vóór de interventie en beperkten het gebruik van AI tot verduidelijking, voorbeeldgeneratie, vergelijking van uitleg, gerichte revisieondersteuning en zelfevaluatie-aanwijzingen. Representatieve prompts, voorbeelden van AI-uitkomsten en voorbeelden van lerarenmoderatie werden behouden als onderdeel van het reproduceerbaarheidsmateriaal.

Elke door AI ondersteunde sessie werd uitgevoerd in vijf gestructureerde fasen. Eerst werd er een instructiebriefing van 5 minuten gehouden om de leerdoelen te noemen, taken uit te leggen, het geconfigureerde AI-chatbotplatform te identificeren en studenten eraan te herinneren dat AI-uitleveringen voorlopige prompts waren in plaats van gezaghebbende antwoorden. Studenten kregen strikt de instructie om geen identificeerbare persoonlijke informatie in het platform in te voeren. Vervolgens volgde een individuele, door AI ondersteunde onderzoeksactiviteit van 10 minuten, waarbij leerlingen het voorbereide promptsheet gebruikten om verduidelijkingen, voorbeelden, alternatieve verklaringen of suggesties voor herhaling te vragen. Elke student noteerde de gebruikte promptcategorie, één nuttig AI-ondersteund idee, één punt dat verificatie vereiste, en hun definitieve adoptiebeslissing. Ten derde werd een peer-discussie van 12–15 minuten gehouden, waarbij studenten hun door AI ondersteunde ideeën in kleine groepen vergeleken, onnauwkeurigheden identificeerden en hun werk gezamenlijk herzien. Tijdens deze fase liep de docent door de klas om een gestandaardiseerde moderatieregel toe te passen, waarbij leerlingen hun herzieningen mondeling moesten onderbouwen aan de hand van de lescriteria en foutieve of te zelfverzekerde AI-uitdata moesten corrigeren voordat de definitieve werkzaamheid werd afgerond. Ten vierde werd er een verduidelijkingssessie van 5–8 minuten gehouden om wijdverspreide misvattingen aan te pakken en feitelijke fouten te corrigeren. Tot slot werd de sessie afgesloten met een zelfevaluatieactiviteit van 5 minuten, waarbij studenten hun begrip beoordeelden, één concrete verbetering noteerden en één onopgeloste vraag noteerden. Deze exacte operationele volgorde werd gehandhaafd in alle interventieklassen. Gedrukte promptsheets dienden als technische back-ups, en technische afwijkingen die meer dan een derde van een klas betroffen, werden expliciet geregistreerd. Geanonimiseerde representatieve voorbeelden van prompt-output-moderatie werden behouden en gedocumenteerd in Aanvullende Tabellen 2, 3.

De vergelijkingsvoorwaarde werd geleverd met dezelfde sessieduur, leerdoelen, onderwerpenvolgorde, werkbladen, gespreksintervallen van medestudenten, zelfevaluatieformulieren en feedbackvensters van leraren. De door AI ondersteunde opdrachten werden echter vervangen door gestandaardiseerde, door leraren voorbereide begeleidende opdrachten die leerlingen instrueerden kernconcepten uit te leggen, voorbeelden te vergelijken, zwakke punten te identificeren en hun werk te herzien. De identieke vijfstappenstructuur die de briefing, individuele vraag, peer-discussie, opheldering door de hele klas en de uiteindelijke zelfevaluatie omvatte, werd strikt gehandhaafd. Er werden geen extra bijles, opdrachten buiten de klas, langdurige feedbackperiodes of andere beoordelingstaken aan beide aandoeningen gegeven. Aanwezigheid in de klas, gedragsstoornissen, wissels van leraren en onvolledige onderdelen werden voor beide groepen met hetzelfde logformaat vastgelegd.

Dataverzameling, nauwkeurigheidsmonitoring en kwantitatieve analyse

Beoordelingsvragenlijsten werden afgenomen bij de basis-, post-interventie- en follow-upintervallen, waarbij gebruikgemaakt werd van consistente itemformulering, responsschalen en scoreregels over alle drie de meetgolven. De instrumenten bestonden uit gevalideerde schalen die academisch zelfbeeld, communicatieve competentie, interactiekwaliteit, zelfevaluatie en betrokkenheid van de leerling evalueerden. De antwoorden werden verzameld met een standaard 5-punts Likert-achtige schaal van 1 (sterke onenigheid) tot 5 (sterke overeenkomst), waarbij hogere scores hogere niveaus van het doelconstruct aangaven. Individuele schaalscores werden berekend als het rekenkundige gemiddelde van geldige items na noodzakelijke omgekeerde codering. Ontbrekende itemwaarden werden vervangen door de gemiddelde score van de student binnen dezelfde schaal en golf, mits niet meer dan 20% van de items ontbrak. Schalen met meer dan 20% ontbrekende items werden als ontbrekend beschouwd, en gegevens van een volledig ontbrekende beoordelingsgolf werden niet geïmputeerd. Voorafgaand aan de statistische analyse werd de ruwe dataset zorgvuldig gecontroleerd op bereikovertredingen, dubbele vermeldingen, rechtlijnige responspatronen en afwijkende voltooiingstijden. Records werden als ongeldig gemarkeerd en uitgesloten als ze onmogelijke numerieke waarden vertoonden, invariante antwoorden over alle items, of voltooiingstijden onder een derde van de mediane duur, tenzij expliciete klaslogboeken hun authenticiteit bevestigden. De belangrijkste post-interventie- en follow-upanalyses omvatten studenten die valide baselinescores en bijbehorende post-interventie of follow-up uitkomstgegevens leverden, waardoor eenzijdige lijstgewijze verwijdering voor gedeeltelijk voltooide schema's werd voorkomen. Een gesloten datadictionary werd opgericht vóór gegevensinvoer om variabelennamen, labels, responsbereiken, ontbrekende waardecodes, reverse-scoringregels, golfidentificaties en uiteindelijke schaalniveauconstructies te definiëren. Vragenlijstgegevens werden in een breed formaat ingevoerd, met één rij per leerling en golfachtervoegsels (_T1, _T2, _T3) om de meetgolven te onderscheiden. Numerieke bereiken en unieke deelnemersrecords werden computationeel geverifieerd, en missing-patronen werden geïnspecteerd tussen groepen, klassen en golven aan de hand van het masteraanwezigheidslogboek.

Een gestandaardiseerde checklist voor klassikale observaties werd tijdens elke instructiesessie gebruikt om de implementatienauwkeurigheid te monitoren. Elk pedagogisch onderdeel kreeg 0 (niet voltooid), 1 (gedeeltelijk voltooid) of 2 (volledig voltooid). De geëvalueerde onderdelen waren strikt afgestemd op de vijffasige instructievolgorde, waaronder de lerarenbriefing, individuele navraag, discussie met medestudenten, verduidelijking door de hele klas en het invullen van zelfevaluatierapporten. Het totale percentage sessietrouw werd berekend door de waargenomen score te delen door de maximaal mogelijke score. Elke sessie die onder een 70% trouwdrempel lag, werd geregistreerd als een protocolafwijking. Om betrouwbaarheid tussen de beoordelaars te waarborgen, beoordeelde een tweede getrainde waarnemer onafhankelijk minstens 20% van het totaal aantal sessies. De procentuele overeenkomst werd berekend over alle items, en eventuele beoordelingsverschillen werden opgelost via consensusdiscussie telkens wanneer de initiële overeenkomst onder de 80% viel. Hardware- of softwaretechnische storingen werden in aparte logboeken geregistreerd om ze te onderscheiden van problemen met instructienauwkeurigheid.

Statistische analyses werden uitgevoerd met behulp van een reproduceerbare, scriptgebaseerde workflow waarbij het willekeurige zaad werd vastgesteld voorafgaand aan steekproef- of gevoeligheidscontroles. Alle statistische tests waren tweezijdig, met significantie ingesteld op p < 0,05. Continue variabelen werden samengevat als gemiddelden en standaarddeviaties, terwijl categorische variabelen werden uitgedrukt als frequenties en percentages. De basisequivalentie tussen de cohorten werd beschrijvend geëvalueerd met behulp van onafhankelijke steekproeven t-tests voor continue data en chi-kwadraattests voor categorische verdelingen. Interne consistentie werd gemeten met behulp van Cronbachs alfa, waarbij drempels van α ≥ 0,70 werden toegepast voor algemene schalen en α ≥ 0,80 voor primaire uitkomstmaten, samen met gecorrigeerde item-totaal correlaties. Baseline-gecorrigeerde ANCOVA diende als de primaire analytische benadering. Voor elk primaire resultaat werden aparte modellen aangepast, waarbij de post-interventie of follow-up score werd gespecificeerd als afhankelijke variabele, de instructiegroep als belangrijkste voorspeller, en de bijbehorende baselinescore als verplichte covariaat. Extra covariaten (geslacht, basisniveau academische prestatieband en eerdere blootstelling aan AI) werden opgenomen om te controleren op basislijnonevenwichtigheden of hun theoretische relevantie, en gecorrigeerde gemiddelde verschillen, 95% betrouwbaarheidsintervallen, standaardfouten en model R^2-waarden werden gerapporteerd. Vergelijkingen van veranderingsscores (T2–T1 en T3–T1) werden uitgevoerd als secundaire analyses met onafhankelijke steekproeven van Welch's t-tests, waarbij effectgroottes werden gekwantificeerd met Cohen's d. Exploratieve procesanalyses evalueerden Pearson-correlaties tussen procesvariabelen en uitkomstveranderingen, aangevuld met multi-predictor lineaire regressies met variantie-inflatiefactor (VIF) monitoring om multicollineariteit te controleren. Ten slotte werden clustergevoelige controles ingevoerd om rekening te houden met de geneste structuur van studenten binnen de zes intacte klassen. Onvoorwaardelijke intraclass correlatiecoëfficiënten (ICC's) werden geschat, uitkomstveranderingen werden geaggregeerd en vergeleken op klassenniveau, en primaire ANCOVA-berekeningen werden herhaald met cluster-robuuste standaardfouten als verkennende gevoeligheidscontrole.

Kwalitatieve steekproefneming, codering en integratie van gemengde methoden

Direct na de post-interventie vragenlijst werd een doelgerichte substeekproef van 36 studenten geselecteerd voor semi-gestructureerde interviews. Deze kwalitatieve cohort omvatte deelnemers uit beide onderwijsomstandigheden die hoge, middelmatige of lage veranderingsscores vertoonden in academisch zelfbeeld of communicatieve competentie. De semi-gestructureerde interviewgids onderzocht ervaringen met klasinteractie, zelfvertrouwen in het uitleggen van ideeën, zelfevaluatiegedrag, taakbetrokkenheid en bereidheid om te communiceren, waarbij gerichte prompts werden gebruikt om momenten van herhaling, reacties op onduidelijke feedback en variaties in betrokkenheid te onderzoeken. Interviews werden alleen opgenomen als audio na toestemming van de ouders en instemming van de leerling; verder werden gestructureerde schriftelijke aantekeningen gemaakt. Alle persoonlijke namen, klassennummers en identificerende gegevens werden tijdens de transcriptie verwijderd, en transcripties werden gekoppeld aan hun bijbehorende kwantitatieve identificatiegegevens. Het initiële kwalitatieve coderingsraamwerk was deductief afgeleid uit constructies van interactiekwaliteit, zelfevaluatie en betrokkenheid van de leerling, waarbij inductieve thematische codes alleen werden toegevoegd wanneer de data niet in het basiskader paste. Twee onafhankelijke coders analyseerden minstens 20% van de transcripties om de betrouwbaarheid te verifiëren. De kappa-coëfficiënten van Cohen werden geëvalueerd, waarbij waarden tussen 0,61–0,80 als substantiële overeenstemming werden behandeld en waarden boven 0,80 als sterke overeenkomst. Codeboekdefinities werden verfijnd en dubbele codering werd herhaald telkens wanneer de initiële kappa onder de 0,61 viel, en de definitieve definities samen met de resulterende kwalitatieve codefrequentiematrix werden gearchiveerd (Aanvullende Tabellen 9 en 10).

Kwantitatieve data-analyse en kwalitatieve coderingskaders werden onafhankelijk afgerond voordat de integratie met gemengde methoden werd gestart. Een samenhangend gezamenlijk display werd structureel opgebouwd om de drie kwantitatieve procesvariabelen te verbinden met hun bijbehorende kwalitatieve thema's. Geïntegreerde bevindingen werden systematisch geclassificeerd als convergentie (waarbij vragenlijstpatronen en interviewthema's overeenkwamen), uitbreiding (waarbij kwalitatieve verhalen de mechanismen achter kwantitatieve trends verklaarden) of divergentie (waarbij interviews unieke barrières of ongelijke participatie aan het licht brachten die de kwantitatieve patronen bemoeilijkten). Kwalitatieve bevindingen werden gebruikt om klasprocessen in context te plaatsen, waarbij betrokkenheidsscores van leerlingen werden gekoppeld aan thema's van actieve vragen en discussie met collega's, en zelfevaluatiescores werden gekoppeld aan verklaringen van gap-awareness en strategische aanpassingen.

Resultaten

Deelnemersstroom en basislijnkenmerken

Een eerste groep van 186 studenten uit zes intacte klassen werd voor de studie gerekruteerd. Na een geschiktheidsscreening, aanwezigheidsverificatie en controles op de kwaliteit van de respons werden 174 studenten behouden voor de uiteindelijke kwantitatieve analyse. Deze deelnemers waren gelijkmatig verdeeld, waarbij 87 werden toegewezen aan de door AI ondersteunde, leerlinggerichte instructiegroep en 87...

Discussie

Deze studie onderzocht of het integreren van AI-ondersteunde tools in leerlinggerichte instructie geassocieerd was met veranderingen in het academische zelfbeeld en de zelfgerapporteerde communicatiecompetentie van adolescenten. Gedurende de drie-golf observatieperiode lieten studenten in de door AI ondersteunde cohort grotere verbeteringen zien in beide uitkomsten dan degenen die gebruikelijk leerlinggerichte instructie kregen. Dit traject was consistent in ruwe scorepatronen, change-sc...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
ChatGPT	OpenAI	https://chatgpt.com	Institutioneel goedgekeurd platform dat wordt gebruikt als een onderwijscomponent voor studentenonderzoek en vragen.
Grammarly	Grammarly, Inc.	https://www.grammarly.com	Gebaat tijdens het voorbereiden van manuscripten voor taalpolijsten en ondersteuning bij opmaak
SPSS	IBM Corp.	SCR_002865	Gebaat voor kwantitatieve gegevensanalyse, inclusief ANCOVA met baseline-aanpassing, t-tests, Pearson-correlaties en ICC's.
NVivo	Lumivero	https://lumivero.com/products/nvivo	Gebaat om semi-gestructureerde transcripties van interviews te coderen en Cohen's kappa te berekenen voor onafhankelijke codeurs.
Qualtrics	Qualtrics, LLC	https://www.qualtrics.com	Gebaat om basis-, na-interventie- en vervolgonderzoeksvragenlijsten toe te dienen.