Misschien een wat vreemde opener, maar gisteren sprak ik in Tokyo en ik was er niet alleen. Ik had het geluk om met o.a. Barb Oakley te babbelen. Toen ik haar Parijs hoorde, had ze het al over Grokking, nu kon ik veel dieper van haar leren over dit concept.

Zij gebruikt het woord niet zomaar als een technische term uit AI, maar als een mogelijke metafoor voor hoe wij leren.  Het woord zelf komt uit sciencefiction. In Stranger in a Strange Land van Robert Heinlein betekent “to grok” zoiets als volledig en diep begrijpen. Vandaar dat Musk wellicht deze term gebruikte voor zijn AI in Twitter. Je begrijpt het dan niet alleen rationeel, maar bijna existentieel. Je begrijpt iets zo grondig dat het deel van je wordt.

In AI kreeg het woord een tweede leven. In een paper uit 2022 beschreven onderzoekers een opvallend fenomeen: neurale netwerken die eerst lijken te memoreren, en pas veel later  plots beginnen te generaliseren (Power et al., 2022).

Concreet: een model leert een taak en wordt steeds beter op de trainingsdata. Maar op nieuwe data blijft het slecht presteren. Tot, na veel extra training, de prestaties ineens omslaan. Niet geleidelijk, maar abrupt. Alsof het model ineens “snapt” wat er speelt. Dat moment noemen ze dus: grokking.

Het is verleidelijk om daar meteen een parallel te zien met menselijk leren. Met dat moment waarop een leerling zegt: “Ah, nu snap ik het.” Dat gevoel dat inzicht plots komt, na een periode van verwarring of zelfs frustratie. En precies daar zat Oakley’s suggestie: misschien is dat gevoel niet zomaar een illusie. Misschien gebeurt er soms effectief iets wat lijkt op zo’n kantelpunt. Een interessante gedachte, al wordt het pas echt spannend wanneer we ze proberen te vertalen naar onderwijs.

Want, als we dat idee meenemen naar onderwijs, moeten we twee dingen tegelijk vasthouden. Enerzijds: het klopt dat leren er van binnenuit anders kan uitzien dan van buitenaf. Wat voor een leraar lijkt op stilstand, kan voor een leerling een fase zijn waarin langzaam structuren worden opgebouwd. Niet zichtbaar, maar wel essentieel. Dat idee sluit ook aan bij wat we weten over expertiseontwikkeling: kennis groeit niet lineair, en inzicht kan soms het resultaat zijn van langere, minder zichtbare processen.

Anderzijds: de vergelijking met grokking in AI heeft wellicht duidelijke grenzen. De taken waarin dit fenomeen optreedt zijn vaak sterk vereenvoudigd. Het gaat om kleine datasets en afgebakende problemen. Dat is iets heel anders dan de rijkdom en complexiteit van menselijk leren.

Daarnaast is dat “plots begrijpen” in modellen waarschijnlijk minder plots dan het lijkt. Sommige analyses suggereren dat het onderliggende leerproces wel degelijk geleidelijk verloopt, maar dat het pas zichtbaar wordt wanneer een bepaalde drempel wordt overschreden.

En misschien nog belangrijker: in onderwijs gaat “begrijpen” over betekenis, transfer, context, motivatie… niet alleen over het correct toepassen van een regel. Dus ja, als metafoor heeft grokking iets aantrekkelijks. Het herinnert ons eraan dat leren tijd nodig heeft, dat zichtbare vooruitgang soms achterblijft bij wat er onder de oppervlakte gebeurt, en dat inzicht niet altijd netjes in kleine stapjes komt.

Maar het risico is even duidelijk. We hebben in onderwijs al vaker de neiging gehad om plots inzicht te romantiseren. Alsof leren draait om die ene doorbraak, dat ene moment van verlichting. Terwijl het grootste deel van leren net zit in het minder spectaculaire werk: oefenen, herhalen, fouten maken, bijsturen.