Hoe zie je wat een student werkelijk deed toen AI de code hielp schrijven?

Vraag naar betekenisvolle momenten

Laat studenten één ontwerpkeuze, één mislukte poging, één testbeslissing en één wijziging na feedback toelichten. Dat geeft de docent zicht op begrip zonder een volledig dagboek te eisen.

Een korte transferopdracht kan aanvullend aantonen of de student de oplossing zelfstandig kan aanpassen.

Gebruik meerdere bronnen

Combineer repositorygeschiedenis, tests, reflectie, code walkthrough en een korte demonstratie. Lees geen enkel signaal geïsoleerd: een nette commitgeschiedenis kan worden voorbereid, en een rommelige geschiedenis kan normaal zijn voor exploratief werk.

De vraag is hoe de bronnen samen het leerproces ondersteunen.

Maak geen eigenaarschapsscore

Een percentage “eigen werk” suggereert een precisie die de data meestal niet heeft. Beschrijf liever welk bewijs er is voor probleembegrip, beoordeling van AI-suggesties, verificatie en zelfstandige bijsturing.

Dat sluit beter aan bij leeruitkomsten en voorkomt dat studenten worden beoordeeld op een fictieve auteurschapsmeter.

De development trajectory als extra context

De trajectory tussen opdracht en resultaat kan laten zien waar de student AI volgde, waar die student een richting verwierp en waar menselijke beoordeling het verschil maakte. Dat is geen AI-detectie; het is context voor een professionele beoordeling.