Gebruik van GenAI voor het opstellen van meerkeuzevragen

i.s.m. Prof. Annemiek Snoeckx (Faculteit Geneeskunde en Gezondheidswetenschappen, UAntwerpen)

1. Meerkeuzevragen in evaluatie en onderwijs

Examens vormen een belangrijk instrument om het leerproces en de verworven kennis en vaardigheden van studenten te evalueren. Afhankelijk van de leerdoelen kunnen verschillende vormen van evaluatie worden ingezet, zoals mondelinge of schriftelijke examens, open vragen of praktische proeven. Voor het testen van feitenkennis, inzicht en toepassingen zijn meerkeuzevragen bijzonder geschikt. Ze worden dan ook vaak gebruikt,
zowel in formatieve als in summatieve evaluaties. Er zijn verschillende vormen, afhankelijk van het doel: vragen met verklaringen of beste/slechtste antwoord toetsen inzicht en kritisch denken, terwijl herordeningsvragen- of matchingvragen relaties en processen beoordelen. (Sabbe E, 2013; NBME,2024).

Het gebruik van meerkeuzevragen biedt een aantal voordelen. Ze maken het mogelijk om in beperkte tijd een grote groep studenten te evalueren, met een objectieve beoordeling en een brede dekking van de leerstof. Ze helpen bovendien onderscheid te maken tussen volledige en gedeeltelijke kennis, omdat goed ontworpen afleiders typische denkfouten of onvolledig begrip kunnen blootleggen. De digitalisering van examens versterkt deze efficiëntie nog verder.

De kwaliteit van meerkeuzevragen hangt sterk af van de formulering. Elke vraag bestaat uit een stam, het juiste antwoord en meerdere afleiders. De stam bevat de probleemstelling en moet duidelijk, beknopt en eenvoudig zijn. Het gebruik van negatieve formuleringen of overbodige informatie wordt best vermeden. De alternatieven moeten grammaticaal aansluiten bij de stam, geloofwaardig en inhoudelijk verschillend zijn en ongeveer even lang. Drie alternatieven vormen doorgaans een goed evenwicht tussen leesbaarheid en betrouwbaarheid (Sabbe E, 2013; NBME, 2024).

Het opstellen van goede meerkeuzevragen is een zeer tijdsintensief proces, zeker in combinatie met de vele andere academische verantwoordelijkheden waar docenten dagelijks mee te maken hebben. Omwille van de tijdsinvestering, worden examenvragen vaak meerdere jaren hergebruikt. Dat is begrijpelijk, maar het brengt ook risico’s met zich mee. Kennis evolueert, curricula veranderen en vragen kunnen daardoor verouderen. Nieuwe, actuele vragen ontwikkelen blijft dus noodzakelijk. Nieuwe technologieën, zoals generatieve artificiële intelligentie (GenAI) bieden potentieel om in dit proces te helpen en zo docenten te ondersteunen (Artsi Y et al., 2024; UNESCO, 2023).

2. Artificiële intelligentie en large language models

De recente vooruitgang in GenAI biedt indrukwekkende mogelijkheden in natuurlijke taalverwerking, vooral dankzij de ontwikkeling van large language models (LLM’s). Deze modellen, zoals bijvoorbeeld ChatGPT, GPT-4 en Claude, zijn getraind op enorme hoeveelheden tekst. Ze kunnen nieuwe tekst genereren, vragen beantwoorden en informatie structureren op een manier die verrassend menselijk en accuraat aanvoelt. De toepassing van GenAI wekt groeiende interesse in domeinen waar kennisdeling centraal staat, zoals het onderwijs. GenAI kan leren ondersteunen, kennis toegankelijker maken en taken verlichten, waardoor meer ruimte ontstaat voor persoonlijke begeleiding. Tegelijk vraagt deze ontwikkeling om na te denken over hoe we menselijke expertise het best kunnen combineren met de mogelijkheden van AI. Zo wordt GenAI niet alleen een technologische innovatie, maar ook een motor voor vernieuwing in het onderwijs (Hang CN et al., 2023).

In deze onderwijstip wordt ingegaan op welke manier je als docent LLMs kan gebruiken voor meerkeuzevragen, waar je op moet letten en hoe je praktisch te werk gaat.

3. Wat kunnen LLMs betekenen voor examens met meerkeuzevragen?

LLMs kunnen docenten op verschillende manieren ondersteunen (Artsi Y et al, 2024; UNESCO, 2023):

Efficiënter en slimmer vragen opstellen

Eén van de grootste voordelen van GenAI is de snelheid. Waar het handmatig opstellen van een vraag veel tijd kost, kan een LLM veel sneller meerdere concept- of voorbeeldvragen genereren. Wanneer de tijdsinvestering minder wordt, laat dit toe om grotere aantallen vragen te ontwikkelen. Dit laat toe de turnover van vragen te verhogen en je databank met examenvragen regelmatig te vernieuwen. Zo blijft je materiaal up-to-date.

Het gebruik van LLMs reikt verder dan het opstellen van nieuwe vragen. LLMs kunnen ook gebruikt worden op bestaande sets van meerkeuzevragen om:

• grotere bestaande sets van vragen te reviseren en te structureren.
• verschillende versies van bestaande vragen te herwerken naar verschillende moeilijkheidsgraden.
• verschillende versies van een examen samen te stellen met een gelijkwaardige moeilijkheidsgraad.

Kwaliteitsbewaking

Het beoordelen van de kwaliteit van meerkeuzevragen vergt tijd en expertise, waarbij het een uitdaging is om vragen op een gelijke en consequente manier te beoordelen en dit proces zo eenvoudig en tijdsefficiënt mogelijk te maken. Het beoordelen van meerkeuzevragen in functie van IWF’s (Item writing flaws) is zeer uitdagend in grote vragensets. IWFs zijn fouten of tekortkomingen in de manier waarop meerkeuzevragen opgesteld zijn, zoals onduidelijke formuleringen, negatieve vraagstellingen, ongelijk opgebouwde antwoordopties,… LLMs zouden in de toekomst een rol kunnen spelen bij het systematisch screenen en standaardiseren van vragen, waardoor de validiteit en betrouwbaarheid van examens beter gewaarborgd blijven. LLMs kunnen daarnaast ook grammaticale en taalkundige fouten corrigeren, zodat er minder nabewerking nodig is.

Meer variatie en betere leerervaring

GenAI maakt het eenvoudiger om vragen te variëren of aan te passen aan verschillende doelgroepen. Hierdoor kan je als docent examens opstellen die beter aansluiten bij diverse studentengroepen of niveaus. Zo kunnen eerstejaarsstudenten bijvoorbeeld meer basisgerichte kennisvragen krijgen, terwijl masterstudenten complexere casusvragen en interpretatieopdrachten krijgen. GenAI opent zo de deur naar meer formatieve toetsing, waarbij studenten sneller gepersonaliseerde oefenvragen krijgen met directe feedback.

Verrijkte feedback voor studenten

Uit onderzoek blijkt dat meerkeuzevragen het meeste leerrendement opleveren wanneer studenten niet alleen het juiste antwoord zien, maar ook uitleg krijgen waarom dit antwoord correct is en waarom de andere opties fout zijn. In de praktijk wordt dit zelden toegepast, omdat de tijdsinvestering voor het maken van extra (oefen)vragen al behoorlijk groot is, laat staan de uitgebreide feedback bij vragen. LLMs kunnen hier een rol spelen door automatisch verklaringen te genereren bij alle antwoordopties (Ch’en PY et al., 2025).

4. Uitdagingen: wat moet je weten als je LLMs gebruikt?

Naast de voordelen die het gebruik van LLMs kan opleveren, zijn er ook belangrijke aandachtspunten waar je als docent rekening mee moet houden (Law AKK et al., 2025; Rincon EHH et al., 2025; Ahmed A et al., 2025)

Algemene aandachtspunten bij LLM-gebruik

• Beperkte actualiteit: De meeste modellen hebben geen toegang tot het internet en zijn enkel getraind op data 2021-2023. Nieuwe inzichten, curricula of richtlijnen van na die datum ontbreken dus, tenzij je werkt met een model dat specifiek toegang heeft tot recente informatie.
• Betrouwbaarheid van de output: GenAI kan soms foutieve of niet-onderbouwde antwoorden genereren die wel overtuigend klinken, de zogeheten ‘hallucinaties’. Controle door de docent blijft dus noodzakelijk.
  
• Bronvermelding en transparantie: LLMs verwijzen zelden naar duidelijke bronnen. Voor onderwijsmateriaal en toetsing is dit evident cruciaal. Het is dan ook belangrijk dat je zelf nagaat of de inhoud correct en relevant is.
  
• Bias en ethiek: Omdat de modellen getraind zijn op enorme datasets, kunnen er vooroordelen en verkeerde representaties insluipen in de output.
  
• Privacy en vertrouwelijkheid: Vermijd het delen van gevoelige of identificeerbare informatie over studenten, collega’s,…
  
• Afhankelijkheid: GenAI kan veel werk uit handen nemen, maar mag niet de plaats innemen van de docent. Het blijft belangrijk om zelf didactische keuzes te maken en kritisch te blijven.
  
• Toegankelijkheid en implementatie: Hoe GenAI verantwoord en praktisch ingebed kan worden in de onderwijspraktijk is nog niet altijd duidelijk. Ook vragen over logistiek, kosten en opleiding van docenten dienen nog verder uitgeklaard te worden.

​Aandachtspunten bij het gebruik van LLMs voor meerkeuzevragen

• ​Wetenschappelijke evidentie: Onderzoek naar GenAI-gegenereerde meerkeuzevragen staat nog in de kinderschoenen. Het aantal studies over dit onderwerp is beperkt. Bovendien zijn de meeste studies uitgevoerd in het Engels en vaak in een gecontroleerde setting, niet in de echte onderwijspraktijk. Voor andere talen bestaan er eerste aanwijzingen dat GenAI ook daar bruikbaar kan zijn, maar harde conclusies ontbreken nog.
  
• Moeilijkheidsgraad: Er is wetenschappelijke evidentie dat GenAI-gegenereerde vragen vaker eenvoudiger zijn dan die van ervaren docenten. Dit maakt dat ze minder geschikt zijn om hogere-orde cognitieve vaardigheden (zoals toepassen of analyseren) te toetsen.
• Discriminatievermogen: Aansluitend aan de moeilijkheidsgraad is ook het discriminatievermogen van AI-vragen minder goed. GenAI-vragen maken nog onvoldoende onderscheid tussen studenten die goed of minder goed presteren.
  
• Kwaliteit van de afleiders: De plausibiliteit van foutieve antwoordopties of afleiders blijft een zwak punt. Te doorzichtige of ongeloofwaardige afleiders verminderen de toetswaarde.
  
• Rationales en feedback: Hoewel GenAI verklaringen kan genereren, zijn die vaak te oppervlakkig of minder genuanceerd. Daardoor is hun bruikbaarheid als leerfeedback voorlopig beperkt.
  
• Rol van de docent: GenAI kan nuttig zijn om templates of eerste versies van vragen te maken, maar het volledig overlaten van de vraagontwikkeling van GenAI is momenteel niet aan de orde. Een doorgedreven review, verfijning, en validatie door de docent blijft essentieel.
  

5. Hoe praktisch aan de slag met LLMs voor meerkeuzevragen?

Het belang van goede prompts

Wanneer je als docent LLMs inzet voor het ontwikkelen van meerkeuzevragen, begint alles bij de prompt. Een prompt is de instructie die je aan het model geeft: hoe duidelijker, specifieker en gestructureerder die instructie is, hoe beter de kwaliteit van de output. Dit proces, vaak ‘prompt engineering’ genoemd, is een nieuw vakgebied waarin onderzocht wordt hoe je modellen zo kan aansturen dat ze relevante, bruikbare en veilige antwoorden geven (Kiyak YS et al., 2024; Ch’en et al., 2025; Artsi et al., 2024).

Kernprincipes voor effectief promptgebruik​

Stappenplan voor het opstellen van meerkeuzevragen met LLMs

Op basis van de bovenstaande principes kan je als docent volgens een stappenplan te werk gaan. Dit helpt om de voordelen van GenAI te benutten, maar tegelijk de gekende uitdagingen (zoals de kwaliteit van afleiders of eenvoudige vragen) onder controle te houden (Kiyak YS et al., 2024; Bhowmick AY et al., 2023).

6. Wat brengt de toekomst?

Het gebruik van LLMs voor het maken van meerkeuzevragen staat nog maar in zijn kinderschoenen, waarbij er voorlopig ook nog maar weinig wetenschappelijk onderzoek over bestaat. Bovendien is de literatuur die er is vaak gebaseerd op het gebruik van de Engelse taal en is het onderzoek uitgevoerd in een specifieke onderzoekssetting, zonder duidelijke vertaalslag naar de praktijk.
Tegelijk ontwikkelen modellen zich razendsnel en volgen de ontwikkelingen elkaar in een hoog tempo op. Nieuwe generaties GenAI-modellen (vb. OpenAI’s reasoning models of DeepSeek-R1) kunnen al beter redeneren en stap voor stap hun antwoord opbouwen.
Daarnaast zijn er ook eerste systemen die speciaal gemaakt zijn om docenten te helpen bij toetsontwikkeling, zoals Questgen, QuizRise,... (Hang CN et al., 2023).
De toekomst ziet er dus veelbelovend uit, waarbij er zeker het vertrouwen is dat met AI er opportuniteiten zullen zijn om docenten te kunnen ondersteunen bij het ontwikkelen, herwerken en evaleren van meerkeuzevragen. Voor docenten betekent dit dat experimenteren zinvol is, maar dat kritische evaluatie en menselijke validatie onmisbaar blijven.

7. Conclusie

LLMs kunnen het opstellen van meerkeuzevragen versnellen en verrijken, maar hun output vormt slechts een vertrekpunt. Menselijke controle blijft essentieel om kwaliteit en didactische waarde te garanderen. De technologie ontwikkelt zich razendsnel, dus experimenteren en kritisch leren zijn cruciaal. Wacht niet tot GenAI perfect is, maar begin er vandaag mee, experimenteer en probeer uit, evalueer kritisch en ontdek gaandeweg hoe het jou kan ondersteunen.