GovGPT Academy

Hoofdstuk 2. Samenwerken met AI

Bronnen bij hoofdstuk 2

Kennisclip 2:03
Waar deze clip over gaat

Je ziet op welk onderzoek en welke regels de lessen van hoofdstuk 2 steunen, en waarom je ook bij die bronnen kritisch blijft lezen.

De video laadt pas als je op afspelen klikt. YouTube draait dan in de privacyvriendelijke modus.

Lees het transcript

Hoi! Fijn dat je er weer bent. De lessen in hoofdstuk 2 bouwen op onderzoek en op het standpunt van de overheid. In deze clip zie je per les waar het op steunt.

Bij les 2.1 vonden Knoth en collega's, 2024, dat de kwaliteit van de opdracht de kwaliteit van het antwoord voorspelde. Wie meer AI-geletterd was, schreef betere opdrachten. Bij les 2.2 beschrijven White en collega's, 2023, een patroon waarin je het taalmodel eerst jou vragen laat stellen. Bij les 2.3 zagen Zamfirescu-Pereira en collega's, 2023, dat mensen zonder AI-ervaring lukraak opnieuw probeerden, in plaats van gericht te verbeteren. Tankelevitch en collega's, 2024, beschrijven hoe werken met AI vraagt dat je je eigen denken bewaakt.

Bij les 2.4 bepaalt het overheidsbrede standpunt van Binnenlandse Zaken, 2025, dat je geen AI onder consumentenvoorwaarden gebruikt, ook niet voor jezelf. Zhang en collega's, 2024, zagen dat een gesprek met een chatbot juist uitnodigt om meer gevoelige dingen te delen. Bij les 2.5 vonden Peters en Chin-Yee, 2025, dat taalmodellen in samenvattingen conclusies vaak breder maakten dan de bron. Vergeleken met mensen gebeurde dat bijna vijf keer zo vaak. Bij les 2.6 vonden Altay en Gilardi, 2024, dat het label door AI gemaakt koppen minder geloofwaardig maakte, ook als ze klopten. Zeg er daarom bij wat AI deed, en wat een mens controleerde.

Onderzoek naar AI gaat snel, en bronnen kunnen elkaar soms tegenspreken. Blijf daarom zelf kritisch lezen, ook bij de bronnen die wij kiezen.

De volledige bronnenlijst met links staat bij deze les op academy.civai.eu. Lees gerust een bron die je nieuwsgierig maakt. Veel succes, en tot in de volgende les!

Alle bronnen van hoofdstuk 2

Les 2.1 Een goede opdracht geven

  • Knoth, N., Tolzin, A., Janson, A., & Leimeister, J. M. (2024). AI literacy and its implications for prompt engineering strategies. Computers and Education: Artificial Intelligence, 6, Artikel 100225. https://doi.org/10.1016/j.caeai.2024.100225 (opent in een nieuw tabblad)
    De kwaliteit van de opdracht voorspelde de kwaliteit van de output van het taalmodel, en wie meer AI-geletterd was, schreef betere opdrachten. Voor een ambtenaar betekent dat: wie doel, context en criteria meegeeft, zoals bij een collega die een memo voor je schrijft, krijgt een bruikbaarder antwoord.

Les 2.2 Laat AI eerst vragen stellen

  • White, J., Fu, Q., Hays, S., Sandborn, M., Olea, C., Gilbert, H., Elnashar, A., Spencer-Smith, J., & Schmidt, D. C. (2023). A prompt pattern catalog to enhance prompt engineering with ChatGPT. In Proceedings of the 30th Conference on Pattern Languages of Programs (PLoP 2023). https://doi.org/10.64346/plop2023p05 (opent in een nieuw tabblad)
    Deze catalogus beschrijft onder meer het patroon "Flipped Interaction", waarbij je het taalmodel vraagt eerst jou vragen te stellen tot het genoeg weet. Bij overheidswerk, waar de context (regeling, doelgroep, bevoegdheid) vaak bepalend is, voorkomt dat een algemeen antwoord dat net niet past.

Les 2.3 Doorvragen en bijsturen

  • Zamfirescu-Pereira, J. D., Wong, R. Y., Hartmann, B., & Yang, Q. (2023). Why Johnny can't prompt: How non-AI experts try (and fail) to design LLM prompts. In Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems (pp. 1–21). ACM. https://doi.org/10.1145/3544548.3581388 (opent in een nieuw tabblad)
    Mensen zonder AI-achtergrond probeerden opdrachten lukraak in plaats van systematisch te verbeteren en generaliseerden te snel op basis van één antwoord. Dat onderbouwt waarom deze les werkt met twee rondes gerichte feedback in plaats van opnieuw beginnen.
  • Tankelevitch, L., Kewenig, V., Simkute, A., Scott, A. E., Sarkar, A., Sellen, A., & Rintel, S. (2024). The metacognitive demands and opportunities of generative AI. In Proceedings of the CHI Conference on Human Factors in Computing Systems (pp. 1–24). ACM. https://doi.org/10.1145/3613904.3642902 (opent in een nieuw tabblad)
    Werken met generatieve AI vraagt veel van je vermogen om je eigen denken te bewaken: weten wat je wilt, het antwoord beoordelen en gericht bijsturen. Dat is dezelfde vaardigheid als het beoordelen van een conceptstuk van een collega.

Les 2.4 Wat deel je wel, en wat niet

  • Ministerie van Binnenlandse Zaken en Koninkrijksrelaties. (2025). Overheidsbreed standpunt voor de inzet van generatieve AI. Rijksoverheid. https://www.rijksoverheid.nl/documenten/rapporten/2025/04/16/het-overheidsbrede-standpunt-voor-de-inzet-van-generatieve-ai (opent in een nieuw tabblad)
    Het standpunt bepaalt dat overheidsmedewerkers generatieve AI onder consumentenvoorwaarden, ook voor individueel gebruik, niet mogen gebruiken, omdat er met de leveranciers geen afspraken zijn te maken, en vraagt een risicoanalyse (zoals een DPIA bij persoonsgegevens) voordat een toepassing wordt ingezet. Dat is het kader voor de vraag welke gegevens je waar mag invoeren.
  • Zhang, Z., Jia, M., Lee, H.-P., Yao, B., Das, S., Lerner, A., Wang, D., & Li, T. (2024). "It's a fair game", or is it? Examining how users navigate disclosure risks and benefits when using LLM-based conversational agents. In Proceedings of the CHI Conference on Human Factors in Computing Systems (pp. 1–26). ACM. https://doi.org/10.1145/3613904.3642385 (opent in een nieuw tabblad)
    Gebruikers wogen privacy steeds af tegen gemak, maar onderschatten de risico's door onjuiste beelden van hoe het systeem werkt, en het menselijke gesprek nodigde juist uit tot meer gevoelige onthullingen. Dat verklaart waarom ook een zorgvuldige ambtenaar ongemerkt te veel over een inwoner kan delen.

Les 2.5 Werken met documenten

  • Peters, U., & Chin-Yee, B. (2025). Generalization bias in large language model summarization of scientific research. Royal Society Open Science, 12(4), Artikel 241776. https://doi.org/10.1098/rsos.241776 (opent in een nieuw tabblad)
    In 4.900 samenvattingen door tien bekende taalmodellen werden conclusies vaak breder gemaakt dan in de oorspronkelijke tekst stond, ook als expliciet om nauwkeurigheid werd gevraagd, en vergeleken met menselijke samenvattingen bijna vijf keer zo vaak. Daarom controleer je een AI-samenvatting van een rapport of beleidsstuk altijd met de bron, juist op voorbehouden en uitzonderingen.

Les 2.6 Open over je AI-gebruik

  • Altay, S., & Gilardi, F. (2024). People are skeptical of headlines labeled as AI-generated, even if true or human-made, because they assume full AI automation. PNAS Nexus, 3(10), Artikel pgae403. https://doi.org/10.1093/pnasnexus/pgae403 (opent in een nieuw tabblad)
    In twee vooraf geregistreerde experimenten met bijna 5.000 deelnemers maakte het label "door AI gemaakt" koppen minder geloofwaardig, ook als ze klopten of door mensen waren geschreven, omdat lezers aannamen dat AI alles had gedaan. Voor de overheid betekent dat: vermeld je AI-gebruik, maar zeg erbij wat AI deed en wat een mens heeft gecontroleerd.
Je voortgang blijft alleen in deze browser.