Er is geen gebrek aan optimisme over AI in het onderwijs — of aan ongerustheid, wat dat betreft. Tussen de beloften van ‘gepersonaliseerd leren’ en de angst voor ‘robotleraren’ vergeten we al eens dat een klas in de eerste plaats draait op mensen, niet op platforms. Een recente studie van Marta López-Costa en collega’s aan de Universitat Oberta de Catalunya neemt dat menselijke element serieus. Zij vroegen zich af wat nu echt bepaalt of leraren in het secundair onderwijs AI beginnen te gebruiken — en wat niet.
Hun analyse van meer dan 370 Catalaanse leraren levert iets verfrissend concreets op: het gaat niet om een STEM-achtergrond of om uitzonderlijke technische vaardigheden. Wat telt, is weten hoe AI werkt, en vlot kunnen omgaan met data in het algemeen. Leraren die al vertrouwd waren met digitale leeromgevingen en leerdata konden interpreteren, bleken veel vaker AI-tools te gebruiken. Meer gespecialiseerde of technische kennis — zoals privacy-beleid, databeheer of de interne structuur van een school — maakte nauwelijks verschil.
Het opvallendste resultaat is dat AI-kennis de sterkste voorspeller was van gebruik. Leraren die al geëxperimenteerd hadden met het maken van content via AI — beelden, lesideeën, zelfs stukjes code — integreerden de technologie het meest actief in hun praktijk. Niet horen over AI, maar ermee werken blijkt de brug naar gebruik.
Toch klinkt er ook een waarschuwing. De perceptie van AI — ethische zorgen over bias, transparantie of plagiaat — had een klein maar statistisch significant negatief effect. Met andere woorden: bezorgdheid speelt nog steeds een rol. Vertrouwen groeit met inzicht, maar twijfel blijft een stille tegenkracht.
Waarom dit ertoe doet
Als deze bevindingen ook elders gelden, moet nascholing misschien een andere klemtoon krijgen. Minder aandacht voor abstracte ‘digitale transformatie’ en meer voor praktische AI-geletterdheid: leren hoe generatieve systemen tekst of beelden produceren, wat een goede prompt is, en waar menselijk oordeel zwaarder weegt dan algoritmische output. Combineer dat met degelijke datageletterdheid — patronen in leerlingresultaten herkennen, ruis van signaal onderscheiden — en de kans op zinvol en ethisch AI-gebruik stijgt aanzienlijk.
Even belangrijk is dat de studie laat zien dat een achtergrond in wiskunde of wetenschap niet automatisch betekent dat je klaar bent voor AI. De vaardigheid om data te interpreteren en pedagogisch over technologie na te denken, overstijgt vakgrenzen. AI-gebruik is geen STEM-privilege; het is een professionele leeruitdaging.
Een genuanceerde conclusie
De auteurs overschatten hun resultaten niet: hun model verklaart zo’n 30 procent van de variatie in AI-gebruik — behoorlijk, maar niet alles. En het onderzoek is cross-sectioneel, dus oorzaak en gevolg blijven open. Toch past het patroon bij wat veel scholen in de praktijk zien: leraren gebruiken AI niet omdat het van bovenaf wordt opgelegd, maar omdat ze er zelf zinvolle, pedagogisch verantwoorde toepassingen voor vinden.
De boodschap is tegelijk eenvoudig en genuanceerd: om AI te laten werken in het onderwijs, begin niet bij AI. Begin bij de leraar — bij zijn of haar begrip van data, nieuwsgierigheid en vermogen om te testen, te twijfelen en aan te passen. Technologie volgt de mens, niet omgekeerd.
Abstract van het onderzoek:
This study investigates the factors influencing the adoption of Artificial Intelligence (AI) by secondary school teachers in Catalonia. Using a Partial Least Squares Structural Equation Modelling (PLS-SEM) methodology, a conceptual model was analyzed that includes AI perception, AI knowledge, General data use, Applied data use, and STEM training as predictors of AI adoption. The results reveal that AI knowledge (β = .482, p < .001) and General data use (β = .288, p = .001) are the most significant and positive predictors of AI adoption. In contrast, AI perception shows a weak but statistically significant negative relationship (β = -.105, p = .022), while applied data use and STEM training do not present a significant direct effect. The model explains 30.5 % of the variance in AI adoption. These findings suggest that developing specific knowledge on how to use AI for content creation and competence in general data use is crucial to fostering AI adoption among secondary school teachers in the Catalan context. In addition, this explorative work provides the research community with evidence that key Data Literacy competencies significantly shape AI adoption.