# Hoe neem ik groene AI op in een universitaire cursus?

> Manieren om groene AI in het universitair onderwijs te brengen: een korte module over voetafdrukken, energie meten in opdrachten, efficiënte methoden en eerlijke rapportage.

Source: https://greenai.guide/nl/hoe/hoe-neem-ik-groene-ai-op-in-een-universitaire-cursus/  
Updated: 2026-11-19

## In het kort

Voeg een korte, praktische leerlijn toe in plaats van een hele nieuwe cursus: leg uit waar de energie van AI naartoe gaat, laat studenten het energieverbruik van hun eigen code of modelruns meten, en vraag hen rekenkracht en energie naast nauwkeurigheid te rapporteren. Leer in technische cursussen efficiënte methoden aan, zoals kleinere modellen, kwantisatie en hergebruik; richt u in andere cursussen op verstandig gebruik en het beoordelen van claims.

## Steps

1. Voeg een korte sessie toe over waar de voetafdruk van AI op het gebied van energie, water en hardware vandaan komt.
2. Vraag studenten om voor ten minste één run in een opdracht het energieverbruik te meten met een tool zoals CodeCarbon.
3. Eis dat rekenkracht en energie naast nauwkeurigheid worden gerapporteerd in technische opdrachten.
4. Leer efficiënte methoden aan, zoals kleine modellen, kwantisatie en het hergebruiken van voorgetrainde modellen.
5. Neem een oefening op in het controleren van een gepubliceerde claim over het energieverbruik van AI.

**Een korte praktische leerlijn in bestaande cursussen bereikt meer studenten dan een nieuw keuzevak.** Bijna alle
studenten gebruiken nu AI: uit de enquête van het Higher Education Policy Institute uit 2026 bleek dat 95% van de
Britse bachelorstudenten zei het te gebruiken.

## Wat zou de leerlijn kunnen bevatten? {#what-could-the-strand-include}

- **De basis van de voetafdruk.** Training tegenover inferentie, waarom afbeeldingen en lange invoer meer kosten, en
  waarom gepubliceerde cijfers verschillen.
- **Iets meten.** Laat studenten één training- of inferentierun in CodeCarbon verpakken en het resultaat rapporteren
  met hardware, looptijd en locatie.
- **Rapporteer als een onderzoeker.** Vraag om rekenkracht en energie naast nauwkeurigheid, inclusief tuningruns; zie
  [energie rapporteren in onderzoek](/nl/hoe/hoe-rapporteer-ik-het-energieverbruik-van-mijn-ai-onderzoek/).
- **Efficiënte methoden** voor technische cursussen: kleinere en taakspecifieke modellen, kwantisatie, distillatie en
  hergebruik van voorgetrainde modellen.
- **Claims beoordelen** voor elke cursus: wie heeft het gemeten, per wat, en wat is weggelaten?

## Welke kaders helpen? {#which-frameworks-help}

Het AI-competentiekader voor studenten van UNESCO omvat ecologisch duurzame AI. Voor onderzoeksgroepen en afdelingen
bieden de GREENER-principes van Lannelongue en collega's een kader voor governance, schatting en onderwijs in
duurzame computationele wetenschap.

## Wat het grootste verschil maakt {#what-makes-the-biggest-difference}

Energie onderdeel maken van de beoordeling. Zodra een beoordelingsschema naast nauwkeurigheid ook nauwkeurigheid per
kilowattuur beloont, gaan studenten daarop ontwerpen.

## Veelgemaakte fouten {#common-mistakes}

- Het behandelen als een eenmalig ethiekcollege zonder praktische opdracht.
- Studenten die AI gebruiken bestraffen in plaats van hen te leren het goed te gebruiken.
- Verouderde cijfers per zoekopdracht gebruiken.

Lees [AI-geletterdheid op universiteiten](/nl/artikelen/ai-geletterdheid-aan-universiteiten-inclusief-de-voetafdruk/) en bekijk [cursussen](/nl/cursussen/)
voor materiaal om te hergebruiken.

## Bronnen

- [Student generative AI survey 2026](https://www.hepi.ac.uk/reports/student-generative-ai-survey-2026/), Higher Education Policy Institute (HEPI) (2026)
- [AI competency framework for students](https://unesdoc.unesco.org/ark:/48223/pf0000391105), UNESCO (2024)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon (2026)
- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
