Hoe zorg je voor goede output als je generatieve AI gebruikt

#4.1Prompt engineering: hoe stuur jij de AI aan?

Prompt engineering is een we vaardigheid die sinds de opkomst van taalmodellen uitgegroeid tot een onderzoeksgebied en praktische vaardigheden. Het gaat om het effectief formuleren van een invoer- c.q. instructietekst (de prompt) voor een AI-model, zodat de gegenereerde uitvoer relevant, bruikbaar en afgestemd is op jouw doel. Een prompt is eigenlijk niets anders dan een opdracht of vraag, maar wel een die je precies en doelgericht moet kunnen stellen. Een goede prompt bevat daarom helderheid, context en structuur. Net zoals het stellen van goede vragen, dat ook een belangrijke academische vaardigheid is. Uit het onderzoek van Zamfirescu-Pereira et al. (2023) blijkt dat veel gebruikers juist moeite hebben met het maken van goede prompts, vooral als ze onervaren zijn of weinig feedback krijgen. Daarom lees je hieronder meer over prompt engineering.

Er zijn enkele basisprincipes die je helpen om effectieve prompts te schrijven. Daarbij is het belangrijk om:

1. Je doel te bepalen: wil je bijvoorbeeld uitleg, analyse, samenvatting, creatie, feedback of coaching. Als je bijvoorbeeld AI inzet om een samenvatting te maken van een collegevideo, kies je een andere aanpak dan wanneer je feedback wilt op een eerste versie van je scriptie-inleiding. Bij tentamenvoorbereiding kun je oefenvragen laten genereren of uitleg in jip-en-janneketaal.
2. De AI een rol te geven, bijvoorbeeld: docent, onderzoeker, criticus, journalist, medestudent of eindgebruiker van een product.
3. De relevante context mee te geven, zoals: doelgroep, achtergrondinformatie en bronnen.
4. Het type uitvoer te bepalen: taal, aantal woorden, kort, puntsgewijs, in academische stijl, met opmaak (MarkDown), afbeelding, diagram, tabel.

Prompts met duidelijke stappen of redeneerlijnen (zoals 'leg eerst dit uit, geef daarna drie voorbeelden') zorgen voor betere en consistenter bruikbare resultaten (Liu, 2021; Wei, 2022). Ook kun je als tussenstap aan de AI vragen welke informatie nog ontbreekt om de opdracht zo goed mogelijk uit te voeren. Of voorstellen dat de AI aan jou alle vragen stelt die het nodig heeft om jouw opdracht zo goed mogelijk uit te voeren.

Prompt engineering is dus meer dan alleen iets vragen. Het is een stapsgewijs proces waarbij je je prompt telkens aanpast op basis van de gegenereerde uitvoer (Brown, 2020; Kojima, 2022). Het lijkt dus eigenlijk best veel op leren argumenteren: je probeert via taal richting te geven aan een systeem dat zelf geen intenties of doelen heeft, maar wel statistisch leert welke woordvolgorde logisch is.

Goede prompts zijn dus duidelijk, specifiek en passen bij het doel. Vraag dus niet alleen: "Wat is AI?", maar liever: "Geef een vergelijking van drie soorten AI-modellen gericht op educatieve toepassingen in het hoger onderwijs, met voor- en nadelen." Of: "Vat dit artikel samen in 200 woorden voor een tweedejaarsstudent psychologie, met nadruk op de conclusie van het onderzoek."

Prompt engineering is de vaardigheid waarmee je AI-systemen als ChatGPT effectief instrueert. Een goede prompt zorgt voor een bruikbare, relevante en precieze output. Dit is geen magische truc, maar een leerproces waarbij je leert denken in scenario's, rollen, stappen en context, dit leer je vooral door het te doen.

#4.2Hoe reageert de AI

ChatGPT en andere LLM's willen graag vriendelijk en bevestigend voor je zijn. Dat heet sycophancy en is met opzet zo geprogrammeerd opdat de gebruiker graag het platform wil gebruiken (Sharma et al., 2023).

Het is daarom goed om zelf tegenspraak te organiseren door altijd standaard een kritische meelezer in je prompts mee te geven. Baas (2025) geeft een aantal voorbeelden die je hiervoor zou kunnen gebruiken. Begin bijvoorbeeld door dit toe te voegen aan je prompt:

Maar prompten kan nog verder gaan. Zo kun je ook geheel interactieve bots maken voor jezelf of eindgebruikers waarbij je een heel gesprek kan opzetten. Wat denk je dat de volgende bot zou gaan doen als deze gekoppeld zou zijn aan een streaming avatar die met je kan praten?

In de Appendix van dit hoofdstuk vind je nog een een extra voorbeeld.

#4.3Welke generatieve AI-tools gebruik je waarvoor?

Er zijn honderden generatieve AI-tools, elk met eigen sterktes en zwaktes. Hieronder in Tabel 4.1 volgt een overzicht van enkele veelgebruikte tools, maar er zijn er dus nog veel meer en dit soort tools zijn ook steeds meer in bestaande producten ingebouwd.

Deze tools verschillen in interface, functionaliteit, privacybeleid en kosten. Het is daarom belangrijk om na te denken over wat je nodig hebt: snelheid, nauwkeurigheid, controle over de output of samenwerking met bestaande documenten. Veel van de tools bieden ondersteuning bij academische taken. Kies daarom een tool op basis van je taak, je eigen voorkennis en de betrouwbaarheid van de output. Gemini Notebook is bijvoorbeeld waardevol als je met eigen literatuur werkt, terwijl Copilot/Gemini/EduGenAI beter is voor brainstormsessies.

Een handig overzicht van alle AI-tools in omloop (betaald en gratis) vind je op futuretools.io of alle educatieve varianten op libguides.com.

#4.4Valkuilen en kritische reflectie

Veelgemaakte fouten bij AI-gebruik zijn bijvoorbeeld te vage prompts, het klakkeloos overnemen van output, of onvoldoende inzicht in de beperkingen van het model. Uit de resultaten van de AI Maturity in Education Scan (AIMES-scan) van de VU blijkt dat studenten vaak overmoedig worden in hun vertrouwen in AI-tools, zeker als ze meerdere keren een goed antwoord kregen (Terbeek, 2025).

Een andere valkuil is het niet herkennen van impliciete bias. AI kan voorkeuren of uitsluitingen reproduceren die in de trainingsdata zitten. Zo kan een beeldgenerator standaard witte mannen tonen als je vraagt om een professor, of citeert een chatbot mannelijke auteurs. Het is daarom belangrijk om kritisch te blijven over de output die je krijgt van AI.

Een goede strategie hiervoor is de AI-triage-aanpak. Deze systematische benadering helpt je om AI-output kritisch te beoordelen voordat je het gebruikt in je academische werk. Een effectieve AI-triage bestaat uit meerdere controleniveaus.

Bij een basiscontrole:

• Vraag meerdere varianten van een antwoord.
• Vergelijk de antwoorden met bestaande bronnen.
• Laat een menselijke lezer meekijken.
• Reflecteer: heb ik nu beter inzicht dan hiervoor?

Bij een systematische evaluatie en meer grondige beoordeling kun je een gestructureerde checklist gebruiken, zoals die van de SHB/UKB Werkgroep Information Literacy (Meer, van der, 2025). Bij deze aanpak doorloop je drie hoofdstappen:

• Relevantiecheck: geeft het antwoord op je vraag? Gaat het diep genoeg in op het onderwerp? Is de vorm passend (structuur, taal)?
• Feitencheck: kloppen de cijfers, namen, data en gebeurtenissen? Is de informatie objectief? Zijn er geen hallucinaties, verdraaiingen of ongefundeerde claims? Is de output onderbouwd met voldoende en betrouwbare bronnen?
• Perspectiefcheck: zijn alle aspecten volledig beantwoord? Zijn er meerdere perspectieven aanwezig? Is de informatie objectief weergegeven?
• Eigenaarschap: is het je eigen tekst geworden? Neem je verantwoordelijkheid voor het eindresultaat? Laat je in je tekst zien wat je hebt geleerd?

Deze systematische triage-aanpak zorgt ervoor dat je niet alleen de technische kwaliteit van AI-output beoordeelt, maar ook de academische integriteit waarborgt. Kritisch vergelijken blijft daarbij belangrijk: open meerdere tabbladen, check verschillende bronnen, en ga niet akkoord met de eerste AI-respons die je krijgt. Door deze grondige evaluatie voorkom je veelvoorkomende valkuilen zoals het overnemen van verzonnen bronnen of eenzijdige perspectieven.