Examinator Dashboard
23-01-2026
Van rommelig portfolio naar onderbouwde feedback. Tool voor docenten met RAG en generatieve AI.
Ik bouwde en systeem dat portfolio’s analyseert en inhoudelijk feedback genereert. Gemaakt met Python en PHP voor het frontend.
Wie met portfolio’s werkt, kent het probleem. Studenten leveren veel documenten aan, verspreid over verschillende bestanden, zonder vaste structuur. Als docent moet je zelf maar uitzoeken in welk(e) document(en) een leeruitkomst terugkomt, welk document relevant is en of er überhaupt voldoende bewijs is. Dat kost veel tijd en aandacht. Tijd die je liever besteedt aan het gesprek met de student.
Ik heb een systeem gebouwd dat portfolio’s automatisch analyseert en daaruit:
- feedback genereert
- per leeruitkomst laat zien waar het bewijs zit
- aangeeft wanneer bewijs ontbreekt
- overzicht geeft van wat een student heeft gedaan
Handig om te weten: Examinator Dashbaord beoordeelt niet, kent geen cijfers toe, neemt geen beslissingen. Hij genereert inhoudelijke tekstuele feedback, met verwijzingen naar de gebruikte documenten, die een docent kan gebruiken als basis voor beoordeling en gesprek. Voor een gekozen student en vak kan hij bijvoorbeeld:
- holistische feedback geven over het hele portfolio
- feedback per leeruitkomst genereren
- beschrijven welke werkzaamheden een student heeft uitgevoerd
- laten zien welke documenten over welke leeruitkomsten gaan
- aangeven hoeveel van een document inhoudelijk bij een leeruitkomst past (dekking)
Als er te weinig bewijs is, zegt het systeem dat ook expliciet.
Waarom is dit nuttig?
Omdat het systeem:
- niet zoekt op woorden, maar op inhoud
- geen vaste formats nodig heeft
- omgaat met rommelige portfolio’s
- consistent werkt, ook bij grotere aantallen studenten
- en ook grote portfolio's (met veel bestanden) aan kan. Ik heb soms te maken met studenten die 50 PDF's en Word-documenten inleveren
Voor docenten betekent dit:
- sneller overzicht
- minder zoekwerk
- meer focus op interpretatie en gesprek
Hoe werkt het?
Het systeem bestaat uit een pipeline die stap voor stap een portfolio omzet naar analyseerbare inhoud.
Stap 1 – Portfolio inlezen
Een portfolio wordt aangeleverd als zipbestand.
Het systeem pakt dit uit, koppelt het aan een vak en student, en registreert elk document.
Er wordt niets verondersteld over structuur of naamgeving.
Stap 2 – Tekst uit documenten halen
Alle documenten worden omgezet naar tekst: Word, PDF, Markdown, HTML, code en tekstbestanden, afbeeldingen via OCR (tekstherkenning). Ook informatie in screenshots of gescande documenten wordt meegenomen.
Stap 3 – Documenten opdelen
In plaats van documenten als geheel te behandelen, worden ze opgeknipt in kleine tekstfragmenten (zogenaamde chunks). Dit is essentieel, omdat:
één document vaak meerdere leeruitkomsten raakt, nuance anders verloren gaat.
Stap 4 – Inhoud vergelijkbaar maken
Elke chunk wordt omgezet naar een vorm waarmee het systeem inhoudelijk kan vergelijken wat over hetzelfde onderwerp gaat, zelfs als het anders is geformuleerd. Dit maakt het mogelijk om: verwante stukken tekst te herkennen, impliciet bewijs mee te nemen, niet afhankelijk te zijn van zoekwoorden.
Stap 5 – Leeruitkomsten interpreteren
De leeruitkomsten van het vak worden afzonderlijk verwerkt zodat het systeem begrijpt: wat elke leeruitkomst inhoudelijk betekent, waar grenzen en overlap zitten. Je kunt een willekeurig document uploaden waar alle leerutikomsten in staan, formaat en lay-out maakt niet uit.
Stap 6 – Koppeling tussen inhoud en leeruitkomsten
Per chunk bepaalt het systeem bij welke leeruitkomst(en) de inhoud past. Dit gebeurt: per chunk, niet per document en inhoudelijk (niet op basis van labels). Hieruit ontstaat ook het dekkingspercentage per document per leeruitkomst.
Stap 7 – Feedback en analyse genereren
Wanneer een vraag wordt gesteld, bijvoorbeeld “Geef feedback op LO3”, dan: selecteert het systeem de meest relevante chunks en genereert daarop feedback met bronvermeldingen (noemt expliciet welke documenten zijn gebruikt) of meldt dat er onvoldoende bewijs is.
De output is reproduceerbaar, maar blijft interpretatief. Precies zoals feedback hoort te zijn.
Examinator Dashboard is uitdrukkelijk niet:
-geen automatische beoordeling
-geen afvinklijst
-geen vervanging van de docent
-geen optimalisatie voor “AI-proof” portfolio’s
Het systeem is bedoeld als analyse-instrument, niet als beoordelaar. In het onderwijs draait beoordeling steeds vaker om: complex werk, persoonlijke ontwikkeling, reflectie en samenhang en dat botst met tijdsdruk, grote aantallen studenten, steeds complexere portfolio’s. Dit systeem laat zien dat technologie niet hoeft te versimpelen, niet hoeft te standaardiseren maar juist complexiteit kan helpen overzien.
Zodat het echte werk – het gesprek, de interpretatie en het oordeel – weer bij de docent ligt.
Download
Zie Codeberg
Ik bouwde en systeem dat portfolio’s analyseert en inhoudelijk feedback genereert. Gemaakt met Python en PHP voor het frontend.
Wie met portfolio’s werkt, kent het probleem. Studenten leveren veel documenten aan, verspreid over verschillende bestanden, zonder vaste structuur. Als docent moet je zelf maar uitzoeken in welk(e) document(en) een leeruitkomst terugkomt, welk document relevant is en of er überhaupt voldoende bewijs is. Dat kost veel tijd en aandacht. Tijd die je liever besteedt aan het gesprek met de student.
Ik heb een systeem gebouwd dat portfolio’s automatisch analyseert en daaruit:
- feedback genereert
- per leeruitkomst laat zien waar het bewijs zit
- aangeeft wanneer bewijs ontbreekt
- overzicht geeft van wat een student heeft gedaan
Handig om te weten: Examinator Dashbaord beoordeelt niet, kent geen cijfers toe, neemt geen beslissingen. Hij genereert inhoudelijke tekstuele feedback, met verwijzingen naar de gebruikte documenten, die een docent kan gebruiken als basis voor beoordeling en gesprek. Voor een gekozen student en vak kan hij bijvoorbeeld:
- holistische feedback geven over het hele portfolio
- feedback per leeruitkomst genereren
- beschrijven welke werkzaamheden een student heeft uitgevoerd
- laten zien welke documenten over welke leeruitkomsten gaan
- aangeven hoeveel van een document inhoudelijk bij een leeruitkomst past (dekking)
Als er te weinig bewijs is, zegt het systeem dat ook expliciet.
Waarom is dit nuttig?
Omdat het systeem:
- niet zoekt op woorden, maar op inhoud
- geen vaste formats nodig heeft
- omgaat met rommelige portfolio’s
- consistent werkt, ook bij grotere aantallen studenten
- en ook grote portfolio's (met veel bestanden) aan kan. Ik heb soms te maken met studenten die 50 PDF's en Word-documenten inleveren
Voor docenten betekent dit:
- sneller overzicht
- minder zoekwerk
- meer focus op interpretatie en gesprek
Hoe werkt het?
Het systeem bestaat uit een pipeline die stap voor stap een portfolio omzet naar analyseerbare inhoud.
Stap 1 – Portfolio inlezen
Een portfolio wordt aangeleverd als zipbestand.
Het systeem pakt dit uit, koppelt het aan een vak en student, en registreert elk document.
Er wordt niets verondersteld over structuur of naamgeving.
Stap 2 – Tekst uit documenten halen
Alle documenten worden omgezet naar tekst: Word, PDF, Markdown, HTML, code en tekstbestanden, afbeeldingen via OCR (tekstherkenning). Ook informatie in screenshots of gescande documenten wordt meegenomen.
Stap 3 – Documenten opdelen
In plaats van documenten als geheel te behandelen, worden ze opgeknipt in kleine tekstfragmenten (zogenaamde chunks). Dit is essentieel, omdat:
één document vaak meerdere leeruitkomsten raakt, nuance anders verloren gaat.
Stap 4 – Inhoud vergelijkbaar maken
Elke chunk wordt omgezet naar een vorm waarmee het systeem inhoudelijk kan vergelijken wat over hetzelfde onderwerp gaat, zelfs als het anders is geformuleerd. Dit maakt het mogelijk om: verwante stukken tekst te herkennen, impliciet bewijs mee te nemen, niet afhankelijk te zijn van zoekwoorden.
Stap 5 – Leeruitkomsten interpreteren
De leeruitkomsten van het vak worden afzonderlijk verwerkt zodat het systeem begrijpt: wat elke leeruitkomst inhoudelijk betekent, waar grenzen en overlap zitten. Je kunt een willekeurig document uploaden waar alle leerutikomsten in staan, formaat en lay-out maakt niet uit.
Stap 6 – Koppeling tussen inhoud en leeruitkomsten
Per chunk bepaalt het systeem bij welke leeruitkomst(en) de inhoud past. Dit gebeurt: per chunk, niet per document en inhoudelijk (niet op basis van labels). Hieruit ontstaat ook het dekkingspercentage per document per leeruitkomst.
Stap 7 – Feedback en analyse genereren
Wanneer een vraag wordt gesteld, bijvoorbeeld “Geef feedback op LO3”, dan: selecteert het systeem de meest relevante chunks en genereert daarop feedback met bronvermeldingen (noemt expliciet welke documenten zijn gebruikt) of meldt dat er onvoldoende bewijs is.
De output is reproduceerbaar, maar blijft interpretatief. Precies zoals feedback hoort te zijn.
Examinator Dashboard is uitdrukkelijk niet:
-geen automatische beoordeling
-geen afvinklijst
-geen vervanging van de docent
-geen optimalisatie voor “AI-proof” portfolio’s
Het systeem is bedoeld als analyse-instrument, niet als beoordelaar. In het onderwijs draait beoordeling steeds vaker om: complex werk, persoonlijke ontwikkeling, reflectie en samenhang en dat botst met tijdsdruk, grote aantallen studenten, steeds complexere portfolio’s. Dit systeem laat zien dat technologie niet hoeft te versimpelen, niet hoeft te standaardiseren maar juist complexiteit kan helpen overzien.
Zodat het echte werk – het gesprek, de interpretatie en het oordeel – weer bij de docent ligt.
Download
Zie Codeberg