Neurowetenschap & taalleren: wat gebeurt er in ons brein als we met een chatbot praten?
Je zit in de les Spaans en oefent met een klasgenoot hoe je incheckt in een hotel. Morgen probeer je hetzelfde scenario uit met een chatbot op je gsm. En later videobel je misschien nog met een taalpartner om het een laatste keer te oefenen. Dezelfde taak, hetzelfde doel, maar elke situatie voelt anders aan. Hoe komt dat? Wat blijkt? Ons brein gaat telkens anders aan de slag. En daar is empirisch bewijs voor. We weten dat interactie essentieel is om een taal te leren, en sinds kort weten we ook dat ook interactie met een chatbot helpt. Dat bewijs komt vooral uit experimentele studies met taaltoetsen, en uit wat leerlingen zelf vertellen over hoe ze zich voelen. Maar leerlingen vragen hoe ze zich voelen, hoe belangrijk ook, vertelt ons soms maar een deel van het verhaal. [Eerlijk gezegd weet ik zelf ook niet altijd wat er in mijn hoofd omgaat… Ben ik boos? Of heb ik gewoon honger? Vaak heb ik geen idee] Wat gebeurt er dan eigenlijk in ons brein tijdens die interacties? Een recente studie zocht precies dat uit en mat de hersenactiviteit van leerders van het Engels, afhankelijk van met wie, of met wat, ze praatten. Hoe onderzochten ze wat interactie in een tweede taal met ons brein doet? Dertig studenten Engels van een universiteit in Taiwan voerden gesprekken in drie verschillende contexten: Wat gebeurde er in elk van die contexten? In elke setting (face-to-face, chatbot, virtueel) speelden de studenten 10 minuten een rollenspel in een hotel of restaurant, afwisselend als klant en als personeelslid. Elke student droeg een NeuroSky Mindwave EEG-headset: een licht, draagbaar toestel dat hersengolven in realtime meet. Het toestel kan vijf soorten hersengolven volgen (delta, theta, alfa, bèta en gamma) en twee mentale toestanden (aandacht en meditatie). Kort gezegd: met hersengolven bedoelen we patronen van elektrische activiteit in de hersenen, die ontstaan doordat neuronen met elkaar communiceren. Zie ze als de achtergrondmuziek van ons brein, die van ritme en tempo verandert naargelang we diep geconcentreerd zijn, ontspannen, of ergens daartussenin (Hier vind je een diepere duik in de wetenschap achter hersengolven). Aandacht verwijst naar hoe sterk je mentaal gefocust bent, en meditatie wijst op een toestand van kalmte en ontspanning; allebei worden ze gezien als gunstige voorwaarden om te leren. Wat gebeurt er nu in ons brein? Wat blijkt: de aandacht, meditatie en hersengolven van de studenten verschilden significant tussen de drie contexten. Hoe dan? De aandacht was het hoogst bij face-to-face, net als de alfa- en bètagolven, die samenhangen met alertheid en actief probleemoplossen. Logisch: mensen zijn gemaakt voor sociale interactie. De onvoorspelbaarheid van een live gesprek, met non-verbale signalen, gezichtsuitdrukkingen en het heen-en-weer, lijkt het brein actief betrokken te houden. Bij de chatbot was de meditatie (ontspanning) het hoogst. Studenten voelden zich merkbaar rustiger als hun gesprekspartner een bot was, waarschijnlijk omdat er niemand is die oordeelt en dat de angst verlaagt. Delta- en thetagolven, die ook samenhangen met ontspanning en intuïtie, waren dominant. Ook de aandacht was hoog: lager dan bij face-to-face, maar hoger dan in de virtuele omgeving. Opvallend: de virtuele omgeving scoorde het laagst op aandacht en meditatie. Gammagolven (die samenhangen met het ophalen van herinneringen en complexe informatieverwerking) piekten hier, wat erop wijst dat de studenten cognitief harder moesten werken om het gesprek gaande te houden. Waarom is dit belangrijk? Deze studie voegt neurowetenschappelijk bewijs toe aan hoe we naar interactie bij het leren van een taal kijken. Wat we voelen als we met een persoon, of met een bot, praten, zie je terug in onze hersenactiviteit. De resultaten zijn ook om deze redenen belangrijk: Voor wie, zoals wij, AI-tools voor taalleren bouwt, bevestigt deze studie een kernmissie: een veilige ruimte creëren waar taalleerders kunnen oefenen, spreekdurf kunnen opbouwen en rustig en gefocust aan de slag kunnen gaan Oorspronkelijk artikel Hsu, L. (2022). To CALL or not to CALL: empirical evidence from neuroscience. Computer Assisted Language Learning, 35(4), 792–815. https://doi.org/10.1080/09588221.2020.1750429 Afbeeldingen van Fauxels en Google DeepMind op Pexels
Voorbij de hype: waarom adaptieve dialoogsystemen het leren van een tweede taal versterken
Je hebt beslist om een nieuwe taal te oefenen. Stel je voor dat je dat altijd en overal kunt doen, zonder te moeten wachten op een behulpzame vriend of een tutor die 24/7 klaarstaat. Wil je voor de honderdste keer oefenen hoe je over je job of je hobby’s vertelt? Zonder zorgen, zonder druk, en in een veilige ruimte waar je fouten mag maken? Daar komen gesproken dialoogsystemen om de hoek kijken. Maar hoe kan een bot het leren van een taal echt ondersteunen? Biedt een geautomatiseerd gesprek dezelfde voordelen als praten met een mens? Niets vervangt menselijk contact. Maar toegang telt ook. Bots zijn altijd beschikbaar, oneindig geduldig en worden het nooit beu om dezelfde zin tien keer na elkaar te horen. Ze kunnen zich aanpassen aan de noden van elke leerder, waardoor oefenen flexibel, laagdrempelig en gepersonaliseerd wordt. Om te zien of die voordelen zich ook vertalen in echt leren, hebben professor Bibauw en collega’s 17 experimentele studies met 803 leerders geanalyseerd, een synthese van jarenlang onderzoek naar conversationele agents. Hun recente meta-analyse, gepubliceerd in Language Learning & Technology, levert het sterkste bewijs tot nu toe over hoeveel dialoogsystemen mensen écht helpen om een taal te leren. Wat zegt dat bewijs dan? Word je met dialoogsystemen echt vaardiger in een tweede taal? Het korte antwoord: ja, ze werken Significant en blijvend leereffect Leerders die oefenen met een conversationele agent, gingen er significant op vooruit (algemene effectgrootte d = 0,59). Vanuit een cognitief-interactionistisch perspectief is dat logisch. Zulke betekenisvolle interacties met een bot creëren kansen voor input en output, noticing, onderhandeling over betekenis en feedback, allemaal noodzakelijke ingrediënten voor taalverwerving (Gass & Mackey, 2015). Opvallend: beginners en leerders op een laag tussenniveau (A1-A2) hebben er het meeste baat bij. Naarmate het taalniveau stijgt, worden de effecten kleiner. Dat suggereert dat conversationele agents het krachtigst zijn wanneer leerders nood hebben aan herhaalde, gestructureerde communicatieve oefening zonder veel stress. Minstens even belangrijk: oefenen via dialogen leidt tot leren op lange termijn. Leerders gingen niet alleen meteen na de gesprekken vooruit in hun T2-vaardigheid, die winst bleef ook significant bij een latere test. Wat je tijdens die dialogen leert, blijft hangen. Er werd nog een belangrijke vraag gesteld: Wat maakt sommige systemen beter dan andere? Ontwerpkeuzes doen ertoe; niet alle bots zijn gelijk. De meta-analyse brengt enkele voordelen aan het licht die samenhangen met het interactieontwerp: Begeleide, gescripte dialogen leverden de grootste winst op, gevolgd door doelgerichte dialogen. Waarom? Omdat structuur zorgt voor duidelijkere communicatieve doelen, voorspelbare input en gerichtere feedback. Vrij chatten voelt misschien “natuurlijker” aan, maar mist vaak de scaffolding die leerders nodig hebben om echt vooruit te gaan. Didactisch ontwerp weegt minstens even zwaar door als de nieuwste technologie, zo niet zwaarder. Correctieve feedback maakt het verschil. Systemen met correctieve feedback deden het beter dan systemen zonder. Zowel impliciete (recasts) als expliciete feedback verbeterden het leren, met een lichte voorkeur voor expliciete correctie. Dat sluit aan bij decennia onderzoek naar tweedetaalverwerving (bv. Nassaji & Kartchava, 2021). De conclusie is duidelijk: alleen conversatie oefenen is niet genoeg. Didactische feedback doet ertoe. Gamification geeft het leren een boost. Systemen met spelelementen hadden een significant grotere impact op de T2-ontwikkeling dan systemen zonder. Dat toont hoe belangrijk motiverend ontwerp is in dialoogsystemen. Beloningen, uitdagingen en voortgangsindicatoren verhogen de motivatie, houden de inzet vol en helpen leerders betrokken te blijven terwijl ze de nieuwe taal oefenen. Waarom is dit belangrijk? Dialoogsystemen zijn krachtige tools om talen te leren, zeker wanneer ze sterk didactisch ontwerp combineren met geavanceerde NLP. Deze meta-analyse biedt empirische onderbouwing voor het soort adaptieve, taakgerichte en feedbackrijke gesprekservaringen die Linguineo bouwt. Ze bevestigt een aantal principes die aansluiten bij onze filosofie: Dialoogsystemen zijn niet zomaar technologie; ze zijn pas effectief in combinatie met een doordacht leerontwerp, een principe dat de kern vormt van Linguineo. Oorspronkelijk artikel Bibauw, S., Van den Noortgate, W., François, F., & Desmet, P. (2022). Dialogue systems for language learning: A meta-analysis. Language Learning & Technology, 26(1), 1–24. https://doi.org/10.64152/10125/73488 Andere geciteerde bronnen Gass, S. M., & Mackey, A. (2015). Input, interaction, and output in second language acquisition. In B. Van Patten & J. Williams (Eds.), Theories in second language acquisition (pp. 194–220). Nassaji, H., & Kartchava, E. (Eds.). (2021). The Cambridge handbook of corrective feedback in second language learning and teaching. Cambridge University Press. Foto van Shantanu Kumar op Unsplash
Nieuw onderzoek onderbouwt echte adaptiviteit in taalgames
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: Daarna vroegen ze zich af: Voorspellen deze maatstaven of een leerder in de volgende taak zal slagen? Wat bleek: En waarom doet dit ertoe? Adaptiviteit kan alle leerders ondersteunenDatagedreven 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 dataDeze 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 vertrouwenDit 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