AI kan code schrijven. Wat nu voor de programmeerlesgever?

Maxime
Debosschere


Generatieve AI, zoals ChatGPT en andere grote taalmodellen, kan in enkele seconden code genereren, analyseren en verbeteren. De technologie heeft de wereld van softwareontwikkeling in korte tijd ingrijpend veranderd en is inmiddels ook ingeburgerd in het programmeeronderwijs. Nieuw onderzoek brengt de belangrijkste kansen en uitdagingen in kaart en gaat na hoe Vlaamse programmeerlesgevers ermee omgaan.


Lesgever begeleidt leerlingen bij het programmeren op laptops in een modern computerlokaal.


Nieuwe kansen met AI

Hoewel generatieve AI nog een relatief nieuwe technologie is, zijn de effecten ervan op het programmeeronderwijs al uitvoerig onderzocht. Uit de wetenschappelijke literatuur komen uiteenlopende didactische kansen naar voren. Lerenden kunnen generatieve AI inzetten als persoonlijke leerassistent om uitleg te krijgen, foutmeldingen te begrijpen, verschillende oplossingsstrategieën te verkennen en hun code te verbeteren. Ook voor lesgevers biedt de technologie mogelijkheden, bijvoorbeeld bij het ontwikkelen van les- en toetsmateriaal en bij feedback en evaluatie.

Tegelijk maakt generatieve AI een andere manier van lesgeven mogelijk. De nadruk verschuift gedeeltelijk van het louter schrijven van code naar het begrijpen, beoordelen en verbeteren ervan. Daardoor kunnen lerenden meer aandacht besteden aan complexere en realistischere programmeerproblemen. Daarnaast biedt generatieve AI mogelijkheden voor differentiatie en het versterken van de intrinsieke motivatie. Gerichte training in het formuleren van prompts kan lerenden bovendien helpen om generatieve AI doelgerichter in te zetten.
 

De uitdagingen van AI

Generatieve AI brengt ook belangrijke uitdagingen met zich mee. Een eerste aandachtspunt is academische integriteit: lerenden kunnen gegenereerde code overnemen zonder die zelf te begrijpen, waardoor vaardigheden zoals zelfstandig redeneren en foutopsporing minder worden geoefend. Voor lesgevers maakt dit de evaluatie moeilijker, omdat het niet altijd duidelijk is in welke mate een ingediende oplossing het eigen werk van een lerende weerspiegelt. AI-detectietools bieden daarbij geen sluitende oplossing.

Om fraude te voorkomen, wijst de onderzoeksliteratuur op het belang van bewustmaking, duidelijke regels en het transparant documenteren van AI-gebruik. Bovendien kan de klemtoon verschuiven van het louter produceren van code naar inzicht, werkwijze en een kritische omgang met gegenereerde output. Dat kan bijvoorbeeld door vaker gebruik te maken van meer gecontroleerde evaluatievormen, zoals schriftelijke of mondelinge examens en opdrachten binnen de lescontext.

Een tweede uitdaging is de kwaliteit en betrouwbaarheid van gegenereerde code. AI kan oplossingen voorstellen die te complex zijn voor het niveau van de lerende, niet aansluiten bij de leerdoelen of fouten en beveiligingsproblemen bevatten. Kritische beoordeling en menselijke controle blijven daarom noodzakelijk.

Ten slotte kan een te grote afhankelijkheid van generatieve AI het leerproces ondermijnen. Wanneer lerenden denk- en redeneerwerk aan AI uitbesteden, bestaat het risico dat zij minder diepgaande kennis en probleemoplossingsvaardigheden ontwikkelen dan wanneer zij zelfstandig werken. Een evenwichtige inzet van generatieve AI is daarom essentieel: de technologie moet het leerproces ondersteunen, niet de cognitieve activiteiten vervangen die nodig zijn om programmeervaardigheden en conceptueel begrip op te bouwen.
 

AI is al ingeburgerd in de programmeerles

Een vragenlijst bij 37 programmeerlesgevers in Vlaanderen bevestigt dat generatieve AI inmiddels een vaste plaats heeft verworven in het programmeeronderwijs. Zeven op de tien lesgevers gebruiken de technologie zelf minstens occasioneel, bijvoorbeeld bij het ontwikkelen van toets- en opdrachtmateriaal, het genereren van voorbeeldcode en de voorbereiding van lessen. Ook onder lerenden is het gebruik sterk ingeburgerd, vooral buiten de les.

Over hoe generatieve AI in de programmeerles moet worden ingezet, lopen de meningen echter uiteen. Sommige lesgevers benadrukken het belang van een stevige programmeerbasis en kiezen voor een eerder restrictieve aanpak. Anderen beschouwen AI als een vanzelfsprekend onderdeel van hedendaags programmeren en integreren de technologie bewust in hun onderwijs. Buiten de les is het gebruik moeilijker te controleren, waardoor sommige lesgevers opdrachten aanpassen of beperken.
 

Van code schrijven naar code begrijpen

De literatuurstudie wees al op een mogelijke verschuiving van het louter schrijven van code naar het begrijpen, beoordelen en verbeteren ervan. De vragenlijst bij Vlaamse programmeerlesgevers bevestigt dit: lesgevers zijn het er grotendeels over eens dat deze vaardigheden belangrijker worden, en dat vertaalt zich ook naar nieuwe didactische aanpakken. Lerenden kunnen AI bijvoorbeeld gebruiken om code te genereren, maar worden vervolgens gevraagd die code uit te leggen, te analyseren of te verbeteren. Generatieve AI maakt het bovendien mogelijk om grotere en complexere projecten uit te werken, met meer aandacht voor probleemoplossing en het kritisch beoordelen van oplossingen.
 

Ook opdrachten en evaluatie veranderen

Die veranderende focus heeft ook gevolgen voor programmeeropdrachten en evaluatie. Bijna de helft van de bevraagde lesgevers past programmeeropdrachten aan met het oog op generatieve AI. Waar vroeger vooral het functioneren van code centraal stond, ligt de nadruk nu vaker op analyse, begrip, optimalisatie en reflectie. Sommige lesgevers voegen expliciete leerdoelen rond AI-gebruik toe of vragen lerenden om hun werkproces te documenteren.

Ook de evaluatiepraktijk evolueert. Een kleine meerderheid van de lesgevers vraagt lerenden om hun code mondeling of stapsgewijs toe te lichten, terwijl ongeveer een derde de beoordeling aanpast met strengere criteria of bijkomende controles. Zo proberen lesgevers na te gaan of lerenden hun oplossingen daadwerkelijk begrijpen.
 

Van kennisoverdrager naar begeleider

Generatieve AI verandert volgens verschillende lesgevers ook hun eigen rol, van kennisoverdrager naar begeleider. Waar de lesgever vroeger vooral kennis en programmeertechnieken overdroeg, verschuift de nadruk meer naar het begeleiden van het leer- en denkproces. Computationeel denken, kritisch omgaan met gegenereerde code, foutopsporing en het opvolgen van AI-gebruik komen daarbij sterker op de voorgrond.

Deze verschuiving stelt ook nieuwe eisen aan lesgevers zelf. Een derde van de respondenten geeft aan behoefte te hebben aan bijkomende training, en een kwart aan didactische richtlijnen om generatieve AI doordacht in hun onderwijspraktijk te integreren.
 

Bibliografie

  • Avouris, N., Sgarbas, K., Caridakis, G., & Sintoris, C. (2025). Teaching Introduction to Programming in the times of AI: A case study of a course re-design. Proceedings of the 12th Panhellenic Conference on Computer Science Education, 158–167. https://doi.org/10.12681/cetpe.9223
  • Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets, 33(1), 63. https://doi.org/10.1007/s12525-023-00680-1
  • Beale, R. (2025). Computer Science Education in the Age of Generative AI. arXiv preprint. https://doi.org/10.48550/arXiv.2507.02183
  • Becker, B. A., Denny, P., Finnie-Ansley, J., Luxton-Reilly, A., Prather, J., & Santos, E. A. (2023). Programming Is Hard – Or at Least It Used to Be: Educational Opportunities and Challenges of AI Code Generation. Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 1, 500–506. https://doi.org/10.1145/3545945.3569759
  • Bedrina, O. (2025, 15 oktober). The State of Developer Ecosystem 2025: Coding in the Age of AI, New Productivity Metrics, and Changing Realities. JetBrains Research. https://blog.jetbrains.com/research/2025/10/state-of-developer-ecosystem-2025
  • Boguslawski, S., Deer, R., & Dawson, M. G. (2025). Programming education and learner motivation in the age of generative AI: student and educator perspectives. Information and Learning Sciences, 126(1-2), 91–109. https://doi.org/10.1108/ILS-10-2023-0163
  • Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora, S., von Arx, S., Bernstein, M. S., Bohg, J., Bosselut, A., Brunskill, E., Brynjolfsson, E., Buch, S., Card, D., Castellon, R., Chatterji, N., Chen, A., Creel, K., Davis, J. Q., Demszky, D., . . . Liang, P. (2021). On the Opportunities and Risks of Foundation Models. arXiv preprint. https://doi.org/10.48550/arXiv.2108.07258
  • Chang, H.-F., Shirazi, M. S., Cao, L., & Mobasser, S. K. (2025). Coding With AI: From a Reflection on Industrial Practices to Future Computer Science and Software Engineering Education. arXiv preprint. https://doi.org/10.48550/arXiv.2512.23982
  • Chen, M., Tworek, J., Jun, H., Yuan, Q., Ponde de Oliveira Pinto, H., Kaplan, J., Edwards, H., Burda, Y., Joseph, N., Brockman, G., Ray, A., Puri, R., Krueger, G., Petrov, M., Khlaaf, H., Sastry, G., Mishkin, P., Chan, B., Gray, S., . . . Zaremba, W. (2021). Evaluating Large Language Models Trained on Code. arXiv preprint. https://doi.org/10.48550/arXiv.2107.03374
  • Chung, C.-J. (2026). Ensuring Computer Science Learning in the AI Era: Open Generative AI Policies and Assignment-Driven Written Quizzes. arXiv preprint. https://doi.org/10.48550/arXiv.2601.17024
  • da Silva, C. A. G., Ramos, F. N., de Moraes, R. V., & dos Santos, E. L. (2024). ChatGPT: Challenges and Benefits in Software Programming for Higher Education. Sustainability, 16(3), 1245. https://doi.org/10.3390/su16031245
  • Deckmyn, D. (2025, 2 augustus). Is Vlaanderen klaar voor de impact van AI op de jobmarkt? De Standaard. https://standaard.be/78818097.html
  • Decock, S. (2025, 28 december). Waarom de arbeidsmarkt slabakt: “Het vet is van de soep”. De Standaard. https://standaard.be/119689051.html
  • Delphino, K. (2025). Assessing the Prevalence of AI-assisted Cheating in Programming Courses: A Pilot Study. arXiv preprint. https://doi.org/10.48550/arXiv.2507.06438
  • Denny, P., Prather, J., Becker, B. A., Finnie-Ansley, J., Hellas, A., Leinonen, J., Luxton-Reilly, A., Reeves, B. N., Santos, E. A., & Sarsa, S. (2024). Computing Education in the Era of Generative AI. Communications of the ACM, 67(2), 56–67. https://doi.org/10.1145/3624720
  • Denny, P., Sarsa, S., Hellas, A., & Leinonen, J. (2022). Robosourcing Educational Resources – Leveraging Large Language Models for Learnersourcing. arXiv preprint. https://doi.org/10.48550/arXiv.2211.04715
  • Deriba, F. G., Sanusi, I. T., Campbell, O. O., & Oyelere, S. S. (2024). Computer Programming Education in the Age of Generative AI: Insights from Empirical Research. https://doi.org/10.2139/ssrn.4891302
  • Diamantopoulos, A., Sintoris, C., Demetriadis, S., & Avouris, N. (2025). Feedback to Students and Instructors of a Programming Course Through a Large Language Model. Proceedings of the 14th Panhellenic Conference on ICT in Education, 1159–1168. https://doi.org/10.12681/cetpe.9388
  • Er, E., Akçapınar, G., Bayazıt, A., Noroozi, O., & Banihashem, S. K. (2025). Assessing student perceptions and use of instructor versus AI-generated feedback. British Journal of Educational Technology, 56(3), 1074–1091. https://doi.org/10.1111/bjet.13558
  • Fan, G., Liu, D., Zhang, R., & Pan, L. (2025). The impact of AI-assisted pair programming on student motivation, programming anxiety, collaborative learning, and programming performance: A comparative study with traditional pair programming and individual approaches. International Journal of STEM Education, 12, 16. https://doi.org/10.1186/s40594-025-00537-3
  • Feuerriegel, S., Hartmann, J., Janiesch, C., & Zschech, P. (2024). Generative AI. Business & Information Systems Engineering, 66(1), 111–126. https://doi.org/10.1007/s12599-023-00834-7
  • Finnie-Ansley, J., Denny, P., Becker, B. A., Luxton-Reilly, A., & Prather, J. (2022). The Robots Are Coming: Exploring the Implications of OpenAI Codex on Introductory Programming. Proceedings of the 24th Australasian Computing Education Conference, 10–19. https://doi.org/10.1145/3511861.3511863
  • Fraser, R. (2014). Collaboration, Collusion and Plagiarism in Computer Science Coursework. Informatics in Education, 13(2), 179–195. https://doi.org/10.15388/infedu.2014.10
  • Fu, Y., Liang, P., Tahir, A., Li, Z., Shahin, M., Yu, J., & Chen, J. (2025). Security Weaknesses of Copilot-Generated Code in GitHub Projects: An Empirical Study. ACM Transactions on Software Engineering and Methodology, 34(8), 218. https://doi.org/10.1145/3716848
  • Garg, A., Nisumba Soodhani, K., & Rajendran, R. (2025). Enhancing data analysis and programming skills through structured prompt training: The impact of generative AI in engineering education. Computers and Education: Artificial Intelligence, 8, 100380. https://doi.org/10.1016/j.caeai.2025.100380
  • Groothuijsen, S., van den Beemt, A., Remmers, J. C., & van Meeuwen, L. W. (2024). AI chatbots in programming education: Students’ use in a scientific computing course and consequences for learning. Computers and Education: Artificial Intelligence, 7, 100290. https://doi.org/10.1016/j.caeai.2024.100290
  • Güner, H., & Er, E. (2025). AI in the classroom: Exploring students’ interaction with ChatGPT in programming learning. Education and Information Technologies, 30, 12681–12707. https://doi.org/10.1007/s10639-025-13337-7
  • Hampton, C. (2023, 7 februari). ‘I’ll just stop grading’: Students, faculty reflect on ChatGPT after computer science course turns to paper exams. The Dartmouth. https://thedartmouth.com/article/2023/02/hampton-ill-just-stop-grading-students-faculty-reflect-on-chatgpt-after-computer-science-course-turns-to-paper-exams
  • He, K., Zhang, X., Cai, P., Liu, M., Wang, Y., Wang, C., Huang, K., Chen, B., Peng, X., & Zheng, Z. (2026). Bridging Generation and Training: A Systematic Review of Quality Issues in LLMs for Code. arXiv preprint. https://doi.org/10.48550/arXiv.2605.05267
  • Huang, K. (2023, 16 januari). Alarmed by A.I. Chatbots, Universities Start Revamping How They Teach. The New York Times. http://nytimes.com/2023/01/16/technology/chatgpt-artificial-intelligence-universities.html
  • Jukiewicz, M. (2024). The future of grading programming assignments in education: The role of ChatGPT in automating the assessment and feedback process. Thinking Skills and Creativity, 52, 101522. https://doi.org/10.1016/j.tsc.2024.101522
  • Kandaswamy, R. (2025, 13 november). Be AI-First to Outperform Your Competition by 2028. Gartner. https://gartner.com/en/articles/ai-first
  • Keuning, H., Alpizar-Chacon, I., Lykourentzou, I., Beehler, L., Köppe, C., de Jong, I., & Sosnovsky, S. (2024). Students’ Perceptions and Use of Generative AI Tools for Programming Across Different Computing Courses. Proceedings of the 24th Koli Calling International Conference on Computing Education Research, 14. https://doi.org/10.1145/3699538.3699546
  • Leinonen, J., Hellas, A., Sarsa, S., Reeves, B., Denny, P., Prather, J., & Becker, B. A. (2023). Using Large Language Models to Enhance Programming Error Messages. Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 1, 563–569. https://doi.org/10.1145/3545945.3569770
  • Lepp, M., & Kaimre, J. (2025). Does generative AI help in learning programming: Students’ perceptions, reported use and relation to performance. Computers in Human Behavior Reports, 18, 100642. https://doi.org/10.1016/j.chbr.2025.100642
  • Li, Z., Liu, M., Li, A., He, K., Wang, Y., Peng, X., & Zheng, Z. (2025). A Preliminary Study on the Robustness of Code Generation by Large Language Models. arXiv preprint. https://doi.org/10.48550/arXiv.2503.20197
  • Lo, L. S. (2023). The CLEAR path: A framework for enhancing information literacy through prompt engineering. The Journal of Academic Librarianship, 49(4), 102720. https://doi.org/10.1016/j.acalib.2023.102720
  • Malinka, K., Perešíni, M., Firc, A., Hujňák, O., & Januš, F. (2023). On the Educational Impact of ChatGPT: Is Artificial Intelligence Ready to Obtain a University Degree? Proceedings of the 2023 Conference on Innovation and Technology in Computer Science Education V. 1, 47–53. https://doi.org/10.1145/3587102.3588827
  • Manley, E. D., Urness, T., Migunov, A., & Reza, M. A. (2024). Examining Student Use of AI in CS1 and CS2. Journal of Computing Sciences in Colleges, 39(6), 41–51. https://dl.acm.org/doi/abs/10.5555/3665464.3665469
  • McDowell, C., Werner, L., Bullock, H., & Fernald, J. (2002). The Effects of Pair-Programming on Performance in an Introductory Programming Course. Proceedings of the 33rd SIGCSE technical symposium on Computer science education, 38–42. https://doi.org/10.1145/563340.563353
  • Miao, C. (2026, 14 januari). Junior Developers in the Age of AI. Thoughtful Engineering. http://thoughtfuleng.substack.com/p/junior-developers-in-the-age-of-ai
  • Novak, M., & Maček, M. (2026). AI Tools in Programming Education: Student Perspectives and Usage Trends. Journal of Information and Organizational Sciences, 50(1), 83–104. https://doi.org/10.31341/jios.50.1.5
  • Osmani, A. (2025, 10 mei). AI Won’t Kill Junior Devs - But Your Hiring Strategy Might. Elevate. https://addyo.substack.com/p/ai-wont-kill-junior-devs-but-your
  • Pankiewicz, M., & Baker, R. S. (2024). Navigating Compiler Errors with AI Assistance - A Study of GPT Hints in an Introductory Programming Course. Proceedings of the 2024 Conference on Innovation and Technology in Computer Science Education V. 1, 94–100. https://doi.org/10.1145/3649217.3653608
  • Perry, N., Srivastava, M., Kumar, D., & Boneh, D. (2023). Do Users Write More Insecure Code with AI Assistants? Proceedings of the 2023 ACM SIGSAC Conference on Computer and Communications Security, 2785–2799. https://doi.org/10.1145/3576915.3623157
  • Peters, J. (2025, 8 april). Shopify CEO says no new hires without proof AI can’t do the job. The Verge. https://theverge.com/news/644943/shopify-ceo-memo-ai-hires-job
  • Prather, J., Denny, P., Leinonen, J., Becker, B. A., Albluwi, I., Craig, M., Keuning, H., Kiesler, N., Kohn, T., Luxton-Reilly, A., MacNeil, S., Petersen, A., Pettit, R., Reeves, B. N., & Savelka, J. (2023). The Robots Are Here: Navigating the Generative AI Revolution in Computing Education. Proceedings of the 2023 Working Group Reports on Innovation and Technology in Computer Science Education, 108–159. https://doi.org/10.1145/3623762.3633499
  • Rack, C. (2026). Programming Languages as Intermediate Representations in the AI-Generated-Code Era [Manuscript in voorbereiding]. https://constantin-rack.com/papers/#ir-ai-generated-code-era
  • Roose, K. (2025, 30 maart). For Some Recent Graduates, the A.I. Job Apocalypse May Already Be Here. The New York Times. https://nytimes.com/2025/05/30/technology/ai-jobs-college-graduates.html
  • Rosenblatt, K. (2023a, 5 januari). New York City public schools ban ChatGPT on devices and networks. NBC News. https://nbcnews.com/tech/tech-news/rcna64446
  • Rosenblatt, K. (2023b, 18 mei). New York City public schools remove ChatGPT ban. NBC News. https://nbcnews.com/tech/tech-news/rcna85089
  • Sağlam, T., & Schmid, L. (2025). Evaluating Software Plagiarism Detection in the Age of AI: Automated Obfuscation and Lessons for Academic Integrity. arXiv preprint. https://doi.org/10.48550/arXiv.2505.20158
  • Sarsa, S., Denny, P., Hellas, A., & Leinonen, J. (2022). Automatic Generation of Programming Exercises and Code Explanations Using Large Language Models. Proceedings of the 2022 ACM Conference on International Computing Education Research - Volume 1, 27–43. https://doi.org/10.1145/3501385.3543957
  • Savelka, J., Agarwal, A., Bogart, C., Song, Y., & Sakr, M. (2023). Can Generative Pre-trained Transformers (GPT) Pass Assessments in Higher Education Programming Courses? Proceedings of the 2023 Conference on Innovation and Technology in Computer Science Education V. 1, 117–123. https://doi.org/10.1145/3587102.3588792
  • Sengul, C., Neykova, R., & Destefanis, G. (2024). Software engineering education in the era of conversational AI: current trends and future directions. Frontiers in Artificial Intelligence, 7, 1436350. https://doi.org/10.3389/frai.2024.1436350
  • Simon, Sheard, J., Morgan, M., Petersen, A., Settle, A., Sinclair, J., Cross, G., & Riedesel, C. (2016). Negotiating the Maze of Academic Integrity in Computing Education. Proceedings of the 2016 ITiCSE working group reports, 57–80. https://doi.org/10.1145/3024906.3024910
  • Siu, E., & Ghosal, S. (2025, 12 september). Gen Z workers are teaching older colleagues AI – and reshaping office culture, survey shows. CNBC. https://cnbc.com/2025/09/12/iwg-report-gen-z-employees-are-coaching-older-colleagues-to-use-ai.html
  • Stack Overflow. (2025). Stack Overflow Developer Survey 2025 – AI. Stack Overflow. https://survey.stackoverflow.co/2025/ai
  • Stokel-Walker, C. (2024, 31 juli). Why it sucks to be a junior developer right now. LeadDev. https://leaddev.com/hiring/why-it-sucks-be-junior-developer-right-now
  • Stutz, P., Elixhauser, M., Grubinger-Preiner, J., Linner, V., Reibersdorfer-Adelsberger, E., Traun, C., Wallentin, G., Wöhs, K., & Zuberbühler, T. (2023). Ch(e)atGPT? An Anecdotal Approach Addressing the Impact of ChatGPT on Teaching and Learning GIScience. GI_Forum, 11(1), 140–147. https://doi.org/10.1553/giscience2023_01_s140
  • Suh, H., Tafreshipour, M., Li, J., Bhattiprolu, A., & Ahmed, I. (2025). An Empirical Study on Automatically Detecting AI-Generated Source Code: How Far Are We? Proceedings of the IEEE/ACM 47th International Conference on Software Engineering, 859–871. https://doi.org/10.1109/ICSE55347.2025.00064
  • Vaithilingam, P., Zhang, T., & Glassman, E. L. (2022). Expectation vs. Experience: Evaluating the Usability of Code Generation Tools Powered by Large Language Models. Extended Abstracts of the 2022 CHI Conference on Human Factors in Computing Systems, Article 332. https://doi.org/10.1145/3491101.3519665
  • Vivian, R. (2025). Coding with ChatGPT: Empirical Evidence of Cognitive Offloading in Computer Science Education. Clareus Scientific Science and Engineering, 2(10), 10–19. https://doi.org/10.70012/CSSE.02.062
  • Vukojičić, M., & Krstić, J. (2023). ChatGPT in programming education: ChatGPT as a programming assistant. InspirED Teachers’ Voice, 2023(1), 7–13.
  • Welsh, M. (2023). The End of Programming. Communications of the ACM, 66(1), 34–35. https://doi.org/10.1145/3570220
  • Wieser, M., Schöffmann, K., Stefanics, D., Bollin, A., & Pasterk, S. (2023). Investigating the Role of ChatGPT in Supporting Text-Based Programming Education for Students and Teachers. In Informatics in Schools. Beyond Bits and Bytes: Nurturing Informatics Intelligence in Education (pp. 40–53). https://doi.org/10.1007/978-3-031-44900-0_4
  • Yegge, S. (2024, 24 juni). The death of the junior developer. Sourcegraph. https://sourcegraph.com/blog/the-death-of-the-junior-developer
  • Yilmaz, R., & Yilmaz, F. G. K. (2023). The effect of generative artificial intelligence (AI)-based tool use on students’ computational thinking skills, programming self-efficacy and motivation. Computers and Education: Artificial Intelligence, 4, 100147. https://doi.org/10.1016/j.caeai.2023.100147
  • Zviel-Girshin, R. (2024). The Good and Bad of AI Tools in Novice Programming Education. Education Sciences, 14(10), 1089. https://doi.org/10.3390/educsci14101089
Download scriptie (884.7 KB)
Universiteit of Hogeschool
Universiteit Gent
Thesis jaar
2026
Promotor(en) en begeleiders
Kris Coolsaet
Thema('s)
Informatica, kennistechnologie en ICT,
Onderwijs
Kernwoorden
Artificial Intelligence,
programmeren,
didactiek