Stel je voor: je speelt een game terwijl je een taal leert. Je hebt je schattige uiltje (geen zorgen, het onze gaat je streak niet bedreigen), je verzamelt info, praat met personages, maakt keuzes en probeert helemaal op te gaan in het avontuur, wanneer de game, zonder dat je het doorhebt, stilletjes bijspringt en je een handje helpt.
Misschien fluistert de game je de eerste letters in die je nodig hebt. Of praat hij wat trager? Of krijg je een makkelijkere quest. Bijna alsof hij wist dat je tegen een (virtuele) muur zou lopen.
Te mooi om waar te zijn? (Zo mooi als zon op een Belgische winterdag?) Dat is de belofte van adaptief leren. Maar geen loze belofte: een nieuwe empirische studie toont aan dat we die belofte kunnen waarmaken (die van de adaptiviteit dan, niet die van de zon, nog niet).
Onderzoekers van de KU Leuven gingen na of Taalheld, onze verhalende game, de taalprestaties van leerlingen automatisch en in realtime kan inschatten en de taken daarop kan afstemmen.
En lukt dat?
[Spoiler]
Jazeker.
Waarom is dit onderzoek belangrijk?
Theoretisch gezien is het onderzoek naar tweedetaalverwerving duidelijk: we leren een taal spreken door ze te gebruiken in betekenisvolle interactie, met een andere persoon of met gesproken dialoogsystemen. Maar om het leren echt te ondersteunen, moeten zulke systemen zich in realtime aanpassen aan de noden en het niveau van elke leerling (lees Bibauw et al., 2022 als je alles over dialoogsystemen wilt weten).
Iedereen belooft adaptieve en gepersonaliseerde AI-tools. Maar we hebben empirisch bewijs nodig dat toont hoe die aanpassing werkt en of ze het taalleren ook echt verbetert.
Dat is precies wat onderzoekers van de KU Leuven onderzochten in hun recent gepubliceerde studie. Om na te gaan hoe de ingebouwde adaptiviteit in Taalheld kon voorspellen of leerlingen een taak succesvol zouden afronden, analyseerden ze hun mondelinge taalproductie met theoretisch onderbouwde maatstaven (duik zeker eens in Koizumi & In’nami, (2024) als je meer wilt weten over die maatstaven).
Meer bepaald:
- Ze analyseerden gesproken data van 263 leerlingen uit het secundair onderwijs in België die Frans leerden als tweede taal (T2), terwijl ze Taalheld speelden.
- Samen goed voor meer dan 22.000 gesproken antwoorden van 263 deelnemers, die 739 microtaken afwerkten.
- Ze onderzochten 16 taalkundige kenmerken die te maken hebben met complexiteit, accuraatheid, vloeiendheid en hoe goed een taak uitgevoerd wordt, plus 4 maatstaven voor het gebruik van hints.
Daarna vroegen ze zich af:
Voorspellen deze maatstaven of een leerder in de volgende taak zal slagen?
Wat bleek:
- Twaalf taalkundige maatstaven en 2 maatstaven voor hintgebruik voorspelden significant of een taak afgerond werd.
- Vooral vloeiendheid, het gebruik van hints en of ze de taak doeltreffend afrondden bleken de sterkste voorspellers.
Hoe vaker een leerling bijvoorbeeld op de hints klikte om hulp te vragen, hoe groter de kans dat hij of zij het volgende gesprek succesvol afrondde.
- Opvallend: grammaticale correctheid voorspelde geen taaksucces (is het un cerveza o una cerveza por favor? Maakt niet uit, zolang je er maar een krijgt.)
Ook al krijgen spelers nog altijd grammaticale feedback, deze bevinding bevestigt het idee dat communicatie en focus op betekenis, of je boodschap overbrengen, belangrijker was dan alleen focussen op vorm. Joepie. Decennia aan onderzoek naar taakgericht taalonderwijs krijgen gelijk!
- Even over statistiek: globaal verklaarde het model 45% van de variantie in het succes van leerlingen op toekomstige taken.
Dat betekent dat taalkundige data en gedragsdata uit de game, rekening houdend met verschillen tussen leerlingen en in taakmoeilijkheid, bijna de helft van de variatie voorspelden bij het inschatten of iemand een toekomstige spreektaak tot een goed einde kan brengen. Ben je meer van de cijfers dan van de woorden? Lees dan het volledige artikel.
En waarom doet dit ertoe?
Adaptiviteit kan alle leerders ondersteunen
Datagedreven leerdermodellen zoals dat in Taalheld kunnen de micro-adaptiviteit verbeteren en zo betere individuele ondersteuning bieden. Voor leerlingen met een lager taalniveau kan het systeem bijvoorbeeld meer gedetailleerde hints geven, de taalkundige complexiteit aanpassen of alternatieve taken aanbieden, telkens op basis van realtime indicatoren van hoe de leerling presteert.
Leerkrachten krijgen bruikbare data
Deze modellen verruimen de didactische mogelijkheden door interpreteerbare taaldata aan te bieden via dashboards en visualisaties van het niveau en de vooruitgang van leerlingen. Leerkrachten besparen tijd, kiezen wat het belangrijkst is en beslissen waar ze hun aandacht op richten.
AI die je kunt vertrouwen
Dit onderzoek levert een transparant, theoretisch onderbouwd leerdermodel op (in tegenstelling tot de ondoorzichtige “black box” van kant-en-klare chatbots), dat hopelijk het vertrouwen in AI-toepassingen voor taalleren kan versterken
Gesproken dialoogsystemen kunnen meer dan “terugpraten”
…of spreekoefeningen aanbieden. In zekere zin voelen ze aan wanneer een leerder het moeilijk gaat krijgen, nog voor die het zelf doorheeft. En net dan treedt de adaptiviteit in werking.
Deze studie is een mijlpaal voor ons. Ze toont aan dat onze wetenschappelijk onderbouwde adaptiviteit de goede richting uitgaat. En we zijn vast van plan om ze verder uit te bouwen, te valideren en te delen met al onze leerlingen.
Oorspronkelijk artikel
Cornillie, F., Gijpen, J., Metwaly, S., Luypaert, S., & Van den Noortgate, W. (2025). Towards adaptive spoken dialogue systems for language learning: Predicting task completion from learning process data. CALICO Journal, 42(3). https://utppublishing.com/doi/10.3138/calico-2025-0035
Andere geciteerde bronnen
Bibauw, S., François, T., & Desmet, P. (2022). Dialogue Systems for language learning: Chatbots and beyond. In N. Ziegler & M. González-Lloret (Eds.), The Routledge handbook of second language acquisition and technology (pp. 121–135). Routledge. https://doi.org/10.4324/9781351117586
Koizumi, R., & In’nami, Y. (2024). Predicting functional adequacy from complexity, accuracy, and fluency of second-language picture-prompted speaking. System, 120, 103208. https://doi.org/10.1016/j.system.2023.103208