AI Act in het onderwijs: hoe Examplary ermee omgaat

Onder de AI-verordening (EU AI Act) is Examplary een AI-systeem met een hoog risico, omdat het in het onderwijs leerresultaten helpt evalueren. Daarom doet de AI bij toetsen alleen voorstellen: voor vragen, beoordelingen en feedback. Een docent controleert en beslist. Je school of instelling is gebruiksverantwoordelijke: zij organiseert dat menselijk toezicht, schoolt docenten en vertelt leerlingen waar AI wordt ingezet.

• Eigenaar van de toepassing: Examplary-team (hi@examplary.ai)
• Documentversie: 1.0.0
• Laatst bijgewerkt: 15 oktober 2026

Belangrijke links

• Website
• API-documentatie (Engelstalig)
• Documentatie voor ontwikkelaars (Engelstalig)
• Privacyverklaring
• Gebruiksvoorwaarden

Algemene informatie

Doel en beoogd gebruik

• Hoofddoel: Examplary is een toetsplatform met AI waarmee docenten, beoordelaars en onderwijsinstellingen efficiënt toetsen, examens, essays en opdrachten maken, afnemen en nakijken. Het systeem gebruikt daarvoor meerdere AI-modellen, waaronder de modellen Google Gemini Flash, Flash Lite en Pro, om toetsvragen te genereren, automatisch beoordelingsvoorstellen te doen en leerlingen feedback te geven.

• Sector: onderwijs (hoger onderwijs, professionele opleidingen, primair en voortgezet onderwijs)

• Probleemstelling: toetsen maken en nakijken kost veel tijd. Examplary helpt docenten daarbij, zodat ze zich meer kunnen richten op lesgeven en het begeleiden van leerlingen, en minder op administratieve taken.

• Beoogde gebruikers en belanghebbenden:

  • Primaire gebruikers: docenten, leraren, beoordelaars en instructeurs
  • Secundaire gebruikers: beheerders en schoolleiders in het onderwijs
  • Eindgebruikers: leerlingen en studenten die toetsen en oefentoetsen maken, en iedereen die een andere vorm van toetsing aflegt
  • Belanghebbenden: onderwijsinstellingen, beheerders van leeromgevingen (LMS)

• Kernprestatie-indicatoren (KPI's):

  • Kwaliteit en relevantie van gegenereerde vragen
  • Nauwkeurigheid en consistentie van het nakijken
  • Tijd die wordt bespaard bij het maken en nakijken van toetsen
  • Nauwkeurigheid en relevantie van feedback
  • Tevredenheid van gebruikers
  • Uptime en betrouwbaarheid van het systeem

• Ethische overwegingen:

  • Eerlijke en onbevooroordeelde beoordeling van de prestaties van leerlingen
  • Bescherming van de gegevens en de privacy van leerlingen
  • Transparantie bij beoordelingsbeslissingen waarbij AI helpt
  • Toegankelijkheid voor leerlingen met uiteenlopende behoeften
  • Voorkomen van fraude

• Wettelijke kaders:

  • Naleving van de AVG voor gebruikers in de EU
  • Naleving van FERPA voor onderwijsinstellingen in de Verenigde Staten
  • Toegankelijkheidsnormen (WCAG 2.1)
  • Eisen van de EU AI Act voor AI-systemen met een hoog risico in het onderwijs

• Verboden gebruik:

  • Het systeem gebruiken voor beslissingen met grote gevolgen zonder menselijk toezicht
  • Sociale scoring of profilering van leerlingen op andere punten dan hun studieprestaties
  • Discriminatie op grond van beschermde kenmerken
  • Ongeoorloofd delen van gegevens van leerlingen met derden
  • Gegenereerde content gebruiken voor doelen buiten de onderwijscontext

• Gebruiksomgeving:

  • Platform in de cloud (Amazon Web Services)
  • Webinterface in de browser, voor desktop en mobiele apparaten
  • API-koppelingen met leeromgevingen (Canvas, Moodle, enzovoort)
  • Multi-tenant SaaS-architectuur

Risicoclassificatie

Examplary is onder de EU AI Act ingedeeld als AI-systeem met een hoog risico, om de volgende redenen:

1. Onderwijscontext (artikel 6 en bijlage III, punt 3): het systeem wordt gebruikt om:

   • toegang tot onderwijsinstellingen of andere organisaties te bepalen (via toetsing);
   • leerresultaten en prestaties van leerlingen te evalueren;
   • beslissingen over onderwijsloopbanen en beoordelingen te beïnvloeden.

2. Geautomatiseerde besluitvorming: het menselijk toezicht blijft bestaan, maar het systeem levert met AI gegenereerde:

   • vragen en inhoud voor toetsen, examens en andere vormen van toetsing;
   • automatische beoordelingsvoorstellen;
   • beoordelingen van prestaties in oefentoetsen;
   • rubrics voor essays en opdrachten;
   • voorstellen voor feedback en opmerkingen.

3. Mogelijke gevolgen: toetsing kan grote invloed hebben op:

   • de doorstroom en het slagen van leerlingen;
   • de toegang tot vervolgonderwijs;
   • loopbaankansen en professionele ontwikkeling;
   • het zelfbeeld en zelfvertrouwen van leerlingen.

Functionaliteit van de toepassing

Gebruiksinstructies voor gebruiksverantwoordelijken

Zet Examplary in met de volgende uitgangspunten:

• Menselijk toezicht verplicht: alle met AI gegenereerde content en beoordelingen moeten door bevoegde docenten worden gecontroleerd voordat er definitieve beslissingen worden genomen
• Scholing: docenten moeten worden geschoold in de mogelijkheden en beperkingen van het systeem en in het juiste gebruik ervan
• Context: resultaten moeten worden geïnterpreteerd binnen de bredere onderwijscontext
• Periodieke evaluatie: de prestaties en uitkomsten van het systeem worden periodiek beoordeeld
• Communicatie met leerlingen: leerlingen worden duidelijk geïnformeerd over het gebruik van AI bij toetsing, feedback en beoordeling

Mogelijkheden van het systeem

Wat Examplary kan:

• Toetsvragen genereren op basis van lesmateriaal en leerdoelen
• Vragen maken in meerdere vormen (meerkeuze, kort antwoord, essay, enzovoort)
• Objectieve vraagtypen automatisch nakijken
• Cijfers en feedback voorstellen bij open antwoorden
• De moeilijkheid van toetsen en de kwaliteit van vragen analyseren
• Varianten van vragen genereren om fraude tegen te gaan
• Rubrics genereren voor opdrachten en essays
• Opdrachten en essays automatisch beoordelen op basis van rubrics, als voorstel aan de docent
• Vragen importeren en exporteren in standaardformaten (QTI, Moodle)
• Koppelen met leeromgevingen (LMS)

Beperkingen:

• Kan complex kritisch denken niet volledig beoordelen zonder controle door een mens
• Herkent genuanceerde of creatieve antwoorden die buiten de patronen uit de training vallen mogelijk niet
• Heeft bron- en referentiemateriaal nodig om vragen voor een specifieke context te genereren
• De prestaties hangen af van de kwaliteit en duidelijkheid van het ingevoerde materiaal
• Kan niet-tekstuele elementen niet beoordelen zonder aanvullende context
• Moet mogelijk worden bijgesteld voor gespecialiseerde of sterk technische vakgebieden

Eisen aan de invoer

Verwachte formaten:

• Bron- en referentiemateriaal: PDF, DOCX, TXT, Markdown, inhoud van webpagina's
• Leerdoelen: gestructureerde tekst
• Antwoorden van leerlingen: ingediende tekst
• Rubrics: gestructureerde tekst

Toelichting op de output

Output bij het genereren van een toetsopzet:

• Intro en afsluiting van de toets
• Voorstellen voor vragen, met vraagtype en titel, op basis van de gekozen taxonomie

Output bij het genereren van vragen:

• Gegenereerde vragen hebben een indicatie van het moeilijkheidsniveau
• Per vraag een classificatie volgens de taxonomie van Bloom of een andere taxonomie
• Per vraag voorgestelde beoordelingscriteria, afgestemd op de leerdoelen en de gekozen taxonomie

Output bij beoordelingsvoorstellen:

• Numerieke scores met een betrouwbaarheidsniveau
• Feedback, opmerkingen en suggesties
• Indicatoren voor de aansluiting bij de rubric
• Zekerheidsscores waarmee docenten zien waar extra aandacht nodig is

Output bij het genereren van rubrics:

• Uitgewerkte rubrics met criteria en prestatieniveaus
• Aansluiting bij de leerdoelen
• Voorstellen voor weging en puntentelling

Systeemarchitectuur in het kort

Kernonderdelen:

1. Verwerking van content

   • Documenten inlezen en analyseren
   • Inhoud extraheren en structureren
   • Leerdoelen in kaart brengen

2. AI-generatiemodule

   • Google Gemini Flash en Pro voor het genereren en bewerken van vragen
   • Google Gemini Flash Lite voor beoordelings- en feedbackvoorstellen
   • Prompt engineering en beheer van sjablonen

3. Toetsbeheer

   • Toetsen maken en instellen
   • Beheer van de vragenbank
   • Rubrics maken en beheren
   • Beheer van bron- en referentiemateriaal
   • Afnames en inzendingen bijhouden
   • Analyse en rapportage van resultaten

4. Integratielaag

   • Koppelingen met leeromgevingen (Canvas, Moodle)
   • API-endpoints voor systemen van derden
   • Import en export (QTI, eigen formaten)
   • Mogelijkheid om eigen vraagtypen te ontwikkelen

5. Gebruikersinterface

   • Webdashboard voor docenten
   • Toetsomgeving voor leerlingen
   • Beheerfuncties en instellingen

Modellen en datasets

Modellen

Datasets

Kenmerken van de data:

• Herkomst: door gebruikers geüpload lesmateriaal, intern ontwikkelde sjablonen
• Reikwijdte: onderwijsinhoud uit veel vakgebieden en op verschillende moeilijkheidsniveaus
• Verzamelwijze: uploads door gebruikers, API-koppelingen met leeromgevingen
• Labeling: handmatige validatie door docenten
• Privacy: alle gebruikersgegevens worden verwerkt volgens de AVG en andere regels voor gegevensbescherming

Uitrol

Infrastructuur en omgeving

Cloudomgeving:

• Leverancier: Amazon Web Services (AWS)
• Regio's: Europa (eu-central-1)

Koppelingen met externe systemen

Externe afhankelijkheden:

• Google Gemini API (AI-generatie)
• Leeromgevingen (Canvas, Moodle, Brightspace, enzovoort)
• Identiteitsproviders (AWS Cognito, OAuth, SAML)
• E-maildiensten (AWS SES)
• Betalingsverwerking (Stripe)

Foutafhandeling:

• Mislukte API-aanroepen opnieuw proberen, met exponentieel oplopende wachttijden
• Terugvallen op gecachete antwoorden waar dat kan
• Beperkte werking in plaats van uitval bij niet-kritieke functies (graceful degradation)
• Gebruikers krijgen een melding bij verwerkingsfouten
• Gedetailleerde foutlogging om problemen op te sporen

Uitrolplan

Omgevingen:

• Development: voor het ontwikkelen en testen van functies
• Staging: testen en valideren vóór productie
• Productie: de live omgeving voor gebruikers, uitgerold in meerdere regio's

Schalen van de infrastructuur:

• Serverless architectuur die automatisch schaalt
• CDN-caching voor statische bestanden

Informatie voor gebruikers:

• SaaS, bereikbaar via https://app.examplary.ai
• Private-cloudopties voor enterprise-klanten

Beheer gedurende de levenscyclus

Systeem voor risicobeheer

Methode voor risicobeoordeling:

• ISO 31000, kader voor risicomanagement
• NIST AI Risk Management Framework
• Elk kwartaal een risicobeoordeling
• Doorlopende monitoring van de prestaties van het systeem en de feedback van gebruikers

Geïdentificeerde risico's:

1. Vooringenomenheid bij het genereren van vragen of bij het beoordelen

Mogelijke schade: oneerlijke beoordelingsuitkomsten voor bepaalde groepen leerlingen, op basis van demografische kenmerken, taalvaardigheid of culturele achtergrond.

Kans: gemiddeld | Ernst: hoog

Maatregelen:

• Controle door een mens verplicht bij alle beoordelingen
• Docenten kunnen mogelijke vooringenomenheid melden
• Regelmatige updates van prompts en modelconfiguraties

2. Onjuiste beoordeling of feedback

Mogelijke schade: leerlingen krijgen een onjuist cijfer doordat de AI verkeerd oordeelt of een handgeschreven antwoord verkeerd interpreteert, met gevolgen voor hun studievoortgang, hun zelfvertrouwen en hun kansen later.

Kans: gemiddeld | Ernst: hoog

Maatregelen:

• Een betrouwbaarheidsscore bij alle automatische beoordelingen
• Verplichte controle door een mens van alle beoordelingsvoorstellen
• Duidelijk onderscheid tussen voorstellen van de AI en beoordelingen door mensen
• Feedbackmogelijkheid voor docenten
• Regelmatige updates van prompts en modelconfiguraties

3. Privacyschendingen en datalekken

Mogelijke schade: onbevoegde toegang tot toetsantwoorden, cijfers of persoonsgegevens van leerlingen.

Kans: laag | Ernst: kritiek

Maatregelen:

• End-to-end-versleuteling van gegevens tijdens transport
• Strikte toegangscontrole en authenticatie
• Verwerkersovereenkomsten volgens de AVG
• Dataminimalisatie en bewaarbeleid

4. Integriteit van toetsing

Mogelijke schade: leerlingen misbruiken het systeem of gegenereerde vragen lekken uit, waardoor de validiteit van de toets wordt aangetast.

Kans: gemiddeld | Ernst: gemiddeld

Maatregelen:

• Variatie in vragen en willekeurige volgorde
• Toegangscontrole en beveiliging
• Monitoring van het gebruik
• Docenten bepalen wanneer een toets wordt vrijgegeven

5. Didactische kwaliteit van gegenereerde content

Mogelijke schade: gegenereerde vragen of feedback sluiten niet aan bij de leerdoelen of onderwijsstandaarden.

Kans: gemiddeld | Ernst: gemiddeld

Maatregelen:

• Controle op aansluiting bij curriculumstandaarden
• Werkstromen waarin docenten controleren en goedkeuren
• Doorlopende updates op basis van didactisch onderzoek

6. Modeldrift en afnemende prestaties

Mogelijke schade: de kwaliteit van gegenereerde vragen of de nauwkeurigheid van beoordelingen neemt na verloop van tijd af.

Kans: gemiddeld | Ernst: gemiddeld

Maatregelen:

• Regelmatige validatie aan de hand van benchmarkdatasets
• Feedbackmogelijkheid voor gebruikers
• Regelmatige updates van prompts en modelconfiguraties

7. Beschikbaarheid en betrouwbaarheid van het systeem

Mogelijke schade: uitval tijdens belangrijke toetsperiodes, met gevolgen voor de toetsing van leerlingen.

Kans: laag | Ernst: hoog

Maatregelen:

• Toezegging van 99,9% uptime in de SLA
• Belastingtests en capaciteitsplanning
• Gepland onderhoud op momenten met weinig gebruik

Monitoring en onderhoud

Prestatie-indicatoren:

Prestaties van de toepassing:

• Responstijd (p50, p95, p99)
• Foutpercentage en soorten fouten
• Percentage geslaagde API-aanroepen

Prestaties van de modellen:

• Nauwkeurigheid van het nakijken vergeleken met beoordelingen door mensen
• Percentage geslaagde generaties
• Latentie en doorvoer van de modellen

Monitoringprocedures:

• Realtime dashboards voor alle belangrijke indicatoren
• Automatische meldingen bij afwijkingen en overschreden drempelwaarden

Bijhouden van de changelog:

Elke wijziging wordt vastgelegd met:

• versienummer en releasedatum
• beschrijving van nieuwe functies
• updates van bestaande functionaliteit
• uitgefaseerde functies, met een migratiepad
• verwijderde functies en de reden daarvoor
• opgeloste bugs en problemen
• beveiligingspatches en opgeloste kwetsbaarheden
• prestatieverbeteringen
• modelupdates en hertraining

Versiebeheer:

• Oplopende versienummers als gehele getallen
• Versiebeheer van de API, met aankondigingen bij uitfasering
• Een gepubliceerde changelog voor alle releases

Testen en validatie

Nauwkeurigheid gedurende de hele levenscyclus

Datakwaliteit en -beheer:

• Trainingsdata van hoge kwaliteit: bronmateriaal dat door docenten is gevalideerd
• Voorbewerking van data: normalisatie, standaardisatie van formaten
• Datavalidatie: automatische controles op volledigheid en consistentie
• Doorlopende monitoring: regelmatige beoordeling van de kwaliteit van de invoer

Keuze en afstemming van modellen:

• Keuze van het algoritme: Google Gemini-modellen, gekozen om hun redeneervermogen bij onderwijstaken
• Prompt engineering: prompts stap voor stap verfijnen voor de beste output

Feedbackmechanismen:

• Realtime feedback van docenten verzamelen
• AI-voorstellen vergelijken met de definitieve versies (cijfers, vragen)
• Fouten bijhouden en de oorzaak analyseren
• Doorlopend verbeteren op basis van gebruikspatronen

Robuustheid

Maatregelen voor robuustheid:

• Adversarial testing: regelmatig testen met randgevallen en ongebruikelijke invoer
• Stresstests: belastingtests met veel gelijktijdige gebruikers en verzoeken
• Foutafhandeling: beperkte werking in plaats van uitval bij onverwachte invoer
• Domeinaanpassing: testen in uiteenlopende vakken en onderwijsniveaus

Scenariotests:

• Dubbelzinnig of slecht gestructureerd bronmateriaal
• Antwoorden van leerlingen met een ongebruikelijke opmaak
• Niet-standaard taalgebruik of dialecten
• Inhoud waarin talen door elkaar worden gebruikt
• Extreem korte of extreem lange antwoorden
• Speciale tekens en randgevallen in de opmaak

Inschatting van onzekerheid:

• Betrouwbaarheidsscores bij alle gegenereerde beoordelingen
• Controle door een mens verplicht bij alle beoordelingsvoorstellen

Cyberbeveiliging

Gegevensbeveiliging:

• End-to-end-versleuteling (TLS 1.3) van gegevens tijdens transport
• Versleutelde back-ups met veilig sleutelbeheer
• Regelmatige beveiligingsaudits en kwetsbaarheidsanalyses

Toegangsbeheer:

• Toegang op basis van rollen (RBAC), volgens het principe van minimale rechten
• OAuth 2.0 en SAML voor identiteitsfederatie
• Sessiebeheer en automatische time-outs
• Vastlegging van alle toegang en wijzigingen in een logboek (audit logging)

Dreigingsmodellering:

• Regelmatige dreigingsanalyses volgens de STRIDE-methode
• Beveiligingsreview van de code bij elke release
• Afhankelijkheden scannen op bekende kwetsbaarheden

Reactie op incidenten:

• Beveiligingsmonitoring en meldingen, 24 uur per dag, 7 dagen per week
• Analyse na incidenten en opvolging van herstelmaatregelen

Veilige ontwikkelpraktijken:

• Beveiligingstraining voor alle ontwikkelaars
• Richtlijnen voor veilig programmeren en automatische controles
• Verplichte codereview, inclusief een beveiligingsreview
• Updates van afhankelijkheden en patchbeheer

Menselijk toezicht

Mechanismen waarbij een mens betrokken blijft (human-in-the-loop):

1. Controle van gegenereerde vragen:

   • Docenten controleren alle gegenereerde vragen en beoordelingscriteria voordat ze worden gebruikt
   • Gegenereerde content kan worden bewerkt, goedgekeurd of afgewezen
   • Versiegeschiedenis en het bijhouden van wijzigingen

2. Toezicht op het beoordelen:

   • Beoordelingen door de AI worden getoond als voorstellen, niet als definitieve cijfers
   • Verplichte controle door een mens van alle beoordelingsvoorstellen
   • Beoordelingsvoorstellen van de AI zijn gebaseerd op transparante beoordelingscriteria, zodat iedereen gelijk wordt behandeld

3. Kwaliteitsborging:

   • Steekproeven van AI-output die handmatig worden gecontroleerd
   • Feedback van docenten wordt gebruikt om het systeem te verbeteren

Hoe het beoordelen er voor docenten uitziet, lees je in Zo werkt nakijken met AI in Examplary en op de pagina over toetsen nakijken met AI.

Beperkingen en randvoorwaarden:

Wat het systeem niet kan:

• Definitieve beoordelingsbeslissingen nemen zonder goedkeuring van een docent
• Niet-tekstuele elementen (diagrammen, berekeningen) beoordelen zonder context
• Sociale vaardigheden of praktische demonstraties beoordelen
• Rekening houden met de persoonlijke omstandigheden of voorzieningen van een leerling
• Het didactische oordeel en de vakkennis van docenten vervangen
• Volledige nauwkeurigheid garanderen bij subjectieve beoordeling

Bekende zwakke punten:

• Heeft mogelijk moeite met zeer gespecialiseerde of technische terminologie
• De prestaties wisselen met de kwaliteit en duidelijkheid van de invoer
• Beperkt zicht op het individuele leertraject van leerlingen
• Herkent creatieve of onconventionele juiste antwoorden mogelijk niet
• Heeft regelmatige kalibratie en validatie door mensen nodig

Situaties waarin de prestaties afnemen:

• Zeer lange of zeer korte antwoorden van leerlingen
• Antwoorden in meerdere talen, of waarin van taal wordt gewisseld
• Zeer dubbelzinnige of slecht geformuleerde vragen
• Antwoorden waarvoor kennis nodig is die niet in het bronmateriaal staat
• Nieuwe of opkomende onderwerpen die weinig voorkomen in de trainingsdata

EU-conformiteitsverklaring

Status van de conformiteitsbeoordeling: in uitvoering

Als AI-systeem met een hoog risico onder de EU AI Act doorloopt Examplary de procedures voor conformiteitsbeoordeling. Zodra die zijn afgerond, wordt een formele EU-conformiteitsverklaring opgesteld, met daarin:

• naam en versie van het systeem
• naam en adres van de aanbieder (Examplary)
• verklaring van overeenstemming met de eisen van de EU AI Act
• naleving van de AVG (Verordening (EU) 2016/679)
• verwijzing naar de toegepaste geharmoniseerde normen
• beschrijving van de procedure voor conformiteitsbeoordeling
• gegevens van de aangemelde instantie (indien van toepassing)
• ondertekening en datum van de verklaring

Verwachte afronding: Q2 2026 (in lijn met het tijdpad voor de handhaving van de EU AI Act)

Over deze documentatie

Versie van het sjabloon

• Gebaseerd op: TechOps Application Documentation Template
• Aangepast: 2 november 2025

Auteurs van de documentatie

• Examplary-team (eigenaar)

Herzieningsschema

• Bijgewerkt bij:
  • grote wijzigingen in het systeem
  • modelupdates
  • wijzigingen in regelgeving
  • ernstige incidenten
  • trends in de feedback van gebruikers

Versiegeschiedenis

• v1.0.0 (2 november 2025): eerste documentatie voor de EU AI Act

Dit document wordt bijgehouden volgens de eisen die de EU AI Act stelt aan AI-systemen met een hoog risico. Voor vragen of aanvullingen neem je contact op met het team via hi@examplary.ai.