Hoe beoordeel je eigenaarschap van AI-ondersteunde code?

Maak begrip en verantwoordelijkheid observeerbaar

Laat de student keuzes uitleggen, een voorstel van de agent bekritiseren, een fout reproduceren en een wijziging uitvoeren. Vraag naar alternatieven en beperkingen.

Deze handelingen geven concreet bewijs van zelfstandig oordeel.

Let op context en taakniveau

Een student kan een agent gebruiken voor boilerplate en toch veel begrip tonen van architectuur en tests. Een student kan weinig code genereren maar een oplossing niet kunnen uitleggen.

Beoordeel dus de leeruitkomst en de verantwoordelijkheid voor het geheel, niet de zichtbare hoeveelheid handwerk.

Gebruik een rubric zonder pseudo-objectiviteit

Beschrijf niveaus van begrip, verificatie en bijsturing. Vermijd percentages als “80% eigen werk” tenzij de opdracht daar een zeer specifieke, verdedigbare reden voor heeft.

Laat beoordelaars voorbeelden kalibreren zodat eigenaarschap niet alleen een indruk wordt.

TraceYield als context, niet als oordeel

Een development trajectory kan laten zien welke richtingen de student onderzocht, waar AI werd gevolgd en waar die student bijstuurde. Het helpt het gesprek over eigenaarschap, maar bepaalt niet automatisch of een student de leeruitkomst heeft behaald.