Een van de meest gehoorde zorgen over AI in het onderwijs is even simpel als terecht: wat als het iets verzint? Een toetsvraag over een jaartal dat niet klopt. Een "modelantwoord" dat feitelijk onjuist is. Een bronverwijzing naar een boek dat niet bestaat. Eén fout in een toets ondermijnt het vertrouwen in het hele instrument.
Die zorg verdient een eerlijk antwoord. In dit artikel leggen we uit waarom AI soms dingen verzint, en hoe Examplary zo is gebouwd dat dit wordt voorkomen: door élke vraag en élk scorecriterium te gronden in jouw eigen bronmateriaal.
Wat is een "hallucinatie" eigenlijk?
Een taalmodel zoals de techniek achter Mistral, ChatGPT en Claude is geen feitendatabase. Het is, simpel gezegd, een ontzettend geavanceerd systeem dat voorspelt welk woord waarschijnlijk volgt op het vorige. Dat werkt verbluffend goed voor vloeiende, overtuigende tekst, maar het model "weet" niet of wat het zegt ook echt klopt. Wanneer het een gat in zijn kennis tegenkomt, vult het dat gat op met iets dat plausibel klinkt. Dat noemen we een hallucinatie: een antwoord dat zelfverzekerd en geloofwaardig oogt, maar verzonnen is.
Het venijn zit hem juist in die overtuigingskracht. Een hallucinatie ziet er net zo netjes uit als een correct antwoord. Uiteraard is dat in het onderwijs precies het risico dat je niet wilt lopen. Taalmodellen zijn de afgelopen jaren natuurlijk steeds beter geworden en hallucineren daarmee ook minder, maar dit risico blijft vooralsnog reëel bij het gebruik van taalmodellen.
Jouw leermateriaal als de basis
Examplary werkt op dit vlak fundamenteel anders dan een algemene chatbot. We laten de AI niet putten uit zijn eigen, diffuse wereldkennis. In plaats daarvan dwingen we het model om binnen de lijntjes van jouw bronmateriaal te blijven. Dit werkt op eenzelfde manier als materialen maken met NotebookLM, voor degenen die dat wel eens gebruikt hebben.
Dat begint bij wat je aanlevert. Je bepaalt zelf de bron, en dat kan op verschillende manieren:
- Documenten uploaden: PDF's, Word-bestanden en presentaties, bijvoorbeeld je lesmethode, een hoofdstuk of een hand-out.
- Tekst plakken: kopieer rechtstreeks de stof waarover je wilt toetsen.
- Met je telefoon inscannen: scan een QR-code en fotografeer papieren materiaal, zoals een werkboek, een artikel of je eigen aantekeningen.
- Eerder materiaal hergebruiken: bouw voort op bronnen die je al eerder hebt toegevoegd, of specifieke hoofdstukken daaruit.
Wat je ook kiest, het principe blijft hetzelfde: de toets gaat over jouw stof, niet over wat een AI er toevallig van denkt te weten.
Hoe we de AI bij de les houden
Achter de schermen werkt Examplary niet als één grote vraag aan een chatbot, maar als een reeks gecontroleerde stappen die we een agentic workflow noemen. De belangrijkste regel daarin: het model mag alleen redeneren vanuit het bronmateriaal, niet vanuit zichzelf.
Concreet werkt het zo. Per onderwerp halen we alle relevante feiten en context uit jouw bron en leggen die apart vast. Vervolgens worden de vragen en bijbehorende scorecriteria per onderwerp gegenereerd.
Dat heeft een belangrijk neveneffect. Omdat elke vraag een spoor naar de originele kennis heeft, blijft het voor jou als docent navolgbaar waaróm een vraag is gesteld en heb je inzicht in waaróm een beoordelingscriterium goed of fout is gerekend, en kan er ook nog betere feedback worden gegenereerd. Kortom, we zorgen hiermee dat AI-suggesties altijd controleerbaar blijven. En zoals we eerder schreven in Nakijken met AI: suggesties, geen autonome beslissingen, blijft de docent altijd degene die het eindoordeel velt.
Wat zegt het onderzoek?
Deze vorm van "de AI gronden in een betrouwbare bron" is een breed onderbouwd principe, en wordt in vakjargon ook wel retrieval-augmented generation (RAG) genoemd: in plaats van uit het geheugen van het model te putten, wordt eerst de juiste informatie opgehaald en moet het antwoord daarop gebaseerd zijn.
Een , die 20 afzonderlijke studies samenbracht, vond dat het gronden van AI in opgehaald bronmateriaal de prestaties significant verbeterde ten opzichte van dezelfde modellen zónder bron.
In een daalde het aandeel gehallucineerde onderdelen van zo'n 21% zónder bron naar minder dan 4,5% mét bron: een afname van ongeveer 80%. En deze studie is alweer van twee jaar geleden; de AI-modellen zijn sindsdien zodanig verbeterd dat er überhaupt minder gehallucineerd wordt.
Een AI die zich aan een bron moet houden, verzint dus aanmerkelijk minder dan een AI die uit het blote hoofd antwoordt.
Vertrouwen begint bij grip
Verantwoorde AI in het onderwijs draait niet om een AI die nooit een fout maakt; die belofte kan niemand waarmaken. Het draait om grip: je weet waar de inhoud vandaan komt, je kunt het controleren, en jij hebt het laatste woord. Door alles te verankeren in jouw bronmateriaal, brengt Examplary het risico op verzinsels drastisch terug en houd je zelf de regie.
Daar komt bij dat Examplary volledig AVG- en AI Act-proof is: er wordt niet getraind op jouw data, persoonsgegevens worden nooit gevoed aan AI-modellen en alle persoonsgegevens worden veilig in Europa opgeslagen.
Benieuwd hoe het werkt met je eigen lesmateriaal? Maak een gratis account aan of neem voor een schoolaccount contact met ons op via hi@examplary.ai.
Examplary: AI gemaakt voor docenten.