Wie vandaag het onderzoek naar AI in het onderwijs induikt, ziet vooral belofte en soms ook heel wat minder sterke studies. Slimme systemen die feedback geven, robots die kinderen helpen samenwerken, adaptieve platforms die leren personaliseren. Maar zodra je de pedagogisch-didactische onderlaag oplicht of stilstaat bij welke leertheorieën gebruikt worden, wordt het beeld minder futuristisch en echt een stuk herkenbaarder. Je ziet dan een veld dat vooral experimenteert zonder veel houvast, waar de technologie sneller loopt dan de didactiek.

Een nieuwe systematische review van Topali en collega’s (2025) laat dat opvallend scherp zien. Van de 28 studies die daadwerkelijk AI inzetten in echte klascontexten binnen het leerplichtonderwijs, blijkt ongeveer de helft géén expliciete leertheorie te gebruiken. Geen verwijzing naar hoe kinderen leren, geen ontwerpkeuzes die vertrekken vanuit cognitieve belasting of socioculturele interacties, geen link met leerdoelen of activiteitendynamiek. AI wordt vaak toegevoegd zoals je een nieuw toestel in een klas zet: plug-and-play, en hopen dat het werkt.

Bij de studies die wél een theoretische basis gebruiken, duikt vooral één stroming op: het constructivisme, in uiteenlopende varianten. Robots die als mediatoren optreden binnen Vygotskiaanse kaders, game-based learning geïnspireerd door Piaget, inquiry-gebaseerde omgevingen waar leerlingen al construerend leren. Op zich logisch: veel AI-toepassingen in de lagere jaren zijn speels, interactief en sociaal, en sluiten aan bij die traditie.

Maar opvallend is vooral wat níet gebruikt wordt. Cognitieve leertheorieën, toch een stevige pijler van hedendaagse didactiek, zijn schaars. Bloom of SRL-modellen komen sporadisch voor, maar zelden diepgaand. Cognitive Load Theory? Afwezig. Expliciete instructie? Nauwelijks. Motivatie- en zelfdeterminatietheorieën verschijnen slechts in enkele studies, vaak als randkader. Socioculturele theorieën komen iets vaker voor, maar blijven beperkt tot specifieke projecten rond samenwerking of leerlingen met bijzondere noden.

Het resultaat is een veld dat vooral didactisch leunt op brede, soms losjes geïnterpreteerde constructivistische ideeën, aangevuld met ad-hoc toepassingen van motivatietheorieën. Dat hoeft op zich niet verkeerd te zijn, maar het laat een blinde vlek achter: hoe AI zich verhoudt tot leren zoals we het uit robuust onderzoek kennen. Denk dan aan werkgeheugen, voorbeeldwerking, expertiseontwikkeling, feedbackprincipes, effectieve instructie. Dit alles blijft grotendeels onverkend terrein. Als AI echt moet bijdragen aan leren, dan moet het meer doen dan een speels laagje technologie over bestaande activiteiten leggen.

Daar komt dan nog bij dat veel studies niet alleen theoretisch dun zijn, maar methodologisch ook beperkt: kleine steekproeven, korte interventies, veel novelty effects. Bijna alle studies meten leerwinst op korte termijn, vaak in één vak, soms in één klas. Leraren zelf komen amper in beeld, behalve als decorstukken die de AI moeten toelaten zijn werk te doen.

Het resultaat? Een systeem dat sneller automatiseert dan het begrijpt wat het automatiseert.

Daarom is de review belangrijk, precies omdat ze de vinger legt op wat ontbreekt. Als we willen dat AI meer doet dan een gimmick zijn, dan moet het veld volwassen worden. Dat betekent: duidelijke leertheorieën, ingebedde ontwerpkeuzes, aandacht voor context, en vooral een bredere blik op wat leren en onderwijzen betekent. Niet alleen of een robot of platform “werkt”, maar waarom, voor wie, onder welke voorwaarden, en met welk effect op denken, motivatie en relaties in een klas.

En zo blijkt AI in het onderwijs vooral een spiegel. Niet dat het ons leert wat machines kunnen, maar dat het ons opnieuw dwingt scherp te krijgen wat leren is.