Over prompttrucs, emotionele stimuli, rollen, confidence scores en wat doorgaans wél beter werkt
Wie regelmatig met generatieve AI werkt, heeft het ongetwijfeld al zien passeren: tips als “zeg tegen ChatGPT dat het vijf keer moet nadenken”, “vraag om diep na te denken” of “zet extra druk op de prompt door te zeggen dat het heel belangrijk is”. Op sociale media, in workshops en in online lijstjes duiken dat soort adviezen voortdurend op.
Ze klinken vaak slim. Soms lijken ze zelfs te werken. Maar de echte vraag is: geven zulke prompttrucs ook echt systematisch betere resultaten?
Voor onderwijsprofessionals is dat geen onbelangrijke vraag. Want wie AI inzet voor lesvoorbereiding, feedback, communicatie, brainstorms of curriculumontwikkeling, wil niet gewoon een antwoord dat goed klinkt. Je wil een antwoord dat juist, bruikbaar, doelgroepgericht en didactisch relevant is.
In deze blogpost bekijken we daarom verschillende vragen:
- Helpt het om een LLM te vragen om “meer na te denken”?
- Werken emotionele stimuli in prompts?
- Helpt het om een rol toe te kennen aan het model?
- Wat is het nut van een niet-rol?
- Werkt het om een confidence score te laten toekennen?
- Helpt een prompt die het model vraagt om zijn antwoord nog eens kritisch te herbekijken?
- En vooral: welke promptingstrategieën leveren doorgaans consistenter betere output op?
Waarom deze vraag relevant is in onderwijs
Veel onderwijsprofessionals experimenteren vandaag volop met tools zoals ChatGPT. Ze gebruiken die om lesideeën te genereren, teksten te herwerken, werkvormen te bedenken, rubrics op te stellen, feedback te formuleren of complexe informatie begrijpelijk te maken voor leerlingen, studenten, ouders of collega’s.
Maar na een eerste fase van experimenteren komt vaak een tweede, belangrijkere vraag: hoe stuur ik zo’n tool beter aan?
Want wie AI gebruikt, merkt al snel:
- soms krijg je een verrassend sterk antwoord,
- soms blijft het oppervlakkig,
- soms klinkt het overtuigend maar is het inhoudelijk zwak,
- en soms moet je vooral veel bijsturen om tot iets bruikbaars te komen.
Net daarom zoeken veel mensen naar “slimmere prompts”. Alleen schuilt daar ook een valkuil in: de neiging om te geloven in snelle prompttrucs of bijna magische formuleringen die zogezegd altijd betere output opleveren.
Helpt het om te zeggen: “denk 5 keer na”?
Het eerlijke antwoord is: soms een beetje, maar meestal veel minder dan mensen denken.
Wanneer je een prompt formuleert als:
Denk 5 keer na voor je antwoord geeft.
of:
Denk diep na en geef je best mogelijke antwoord.
dan kan dat in sommige gevallen leiden tot een zorgvuldiger antwoord. Het model kiest dan soms een iets bedachtzamere toon, geeft wat meer nuance of werkt zijn antwoord iets uitgebreider uit.
Maar daar zit meteen ook de beperking: meer nadenken is niet automatisch hetzelfde als beter nadenken.
Een model kan ook gewoon langer antwoorden zonder dat de inhoud echt sterker wordt. Meer tekst betekent nog geen betere kwaliteit. Een uitgebreider antwoord kan nog steeds:
- te algemeen blijven,
- belangrijke nuances missen,
- niet goed aansluiten bij de doelgroep,
- of inhoudelijk fout zitten.
De instructie “denk 5 keer na” is dus meestal te vaag. Ze zegt niet waarop het model precies moet letten. Moet het controleren op fouten? Alternatieven afwegen? Zich aanpassen aan een specifieke doelgroep? Letten op duidelijkheid? Rekening houden met didactische principes? Zonder zulke richting blijft het effect vaak beperkt.
Waarom zulke prompts soms toch lijken te werken
Toch hebben veel mensen het gevoel dat dit soort prompts helpt. Hoe komt dat?
Dat heeft meestal minder te maken met “dieper denken” en meer met het feit dat zulke instructies het model richting geven naar een voorzichtiger of serieuzer register. Het antwoord klinkt dan:
- bedachtzamer,
- uitgebreider,
- genuanceerder,
- en soms netter geformuleerd.
Maar dat kan misleidend zijn. In onderwijscontexten is een antwoord niet sterk omdat het geleerd of zelfverzekerd klinkt. Het is sterk als het:
- inhoudelijk klopt,
- aansluit bij de vraag,
- bruikbaar is in de praktijk,
- en afgestemd is op de doelgroep.
Dat is een belangrijk onderscheid. Want een vlot geformuleerd antwoord dat pedagogisch onbruikbaar is, blijft een zwak antwoord.
Emotionele stimuli in prompts: werken die beter?
Ook hier geldt: soms een klein beetje, maar meestal niet op de manier waarop mensen hopen.
Met emotionele stimuli bedoelen we zinnen zoals:
- “Dit is heel belangrijk.”
- “Doe alsjeblieft echt je best.”
- “Mijn job hangt hiervan af.”
- “Ik heb hier dringend een perfect antwoord op nodig.”
- “Faal hier niet in.”
Zulke formuleringen kunnen soms invloed hebben op de toon of zorgvuldigheid van het antwoord. Maar dat betekent niet dat het model “geraakt” wordt zoals een mens dat zou zijn. Een LLM voelt geen stress, verantwoordelijkheid of empathische druk. Het reageert vooral op taalpatronen.
Waarom lijkt het dan soms toch te helpen? Omdat zulke formuleringen vaak voorkomen in contexten waar een ernstig, zorgvuldig of behoedzaam antwoord verwacht wordt. Het model neemt dus vooral dat register over.
Het risico is alleen dat je daardoor een antwoord krijgt dat:
- plechtiger klinkt,
- omzichtiger geformuleerd is,
- of langer wordt,
zonder dat het inhoudelijk echt sterker is.
Wanneer emotionele context wél nuttig is
Dat betekent niet dat elke vorm van emotionele taal nutteloos is. Er is een belangrijk verschil tussen emotionele druk en emotioneel relevante context.
Vergelijk deze twee prompts eens:
Dit is ontzettend belangrijk. Geef een perfect antwoord.
en
Schrijf dit in een warme, geruststellende toon, omdat de doelgroep bestaat uit ouders die zich onzeker voelen.
De eerste prompt zet vooral druk. De tweede prompt geeft functionele informatie over toon, doelgroep en communicatief doel.
Dat tweede type prompt is vaak veel nuttiger. Niet omdat er emotie in zit, maar omdat die emotie helpt om duidelijk te maken:
- hoe de tekst moet klinken,
- wie hem zal lezen,
- en welke gevoelslaag belangrijk is.
In onderwijscommunicatie is dat bijzonder relevant. Een tekst voor ouders van een kind met faalangst vraagt nu eenmaal een andere toon dan een notitie voor collega’s over curriculumherziening. Emotionele context kan dan helpen — niet als truc, maar als gerichte instructie.
Helpt het om een rol toe te kennen aan het model?
Nog zo’n bekende promptingstrategie is het toekennen van een rol. Denk aan formuleringen zoals:
Neem de rol aan van een expert onderwijsontwikkelaar.
of:
Gedraag je als een ervaren leerkracht secundair onderwijs.
Dat soort prompts kan zeker nuttig zijn. Een rol kan het model helpen om een antwoord te geven dat beter past bij:
- het perspectief dat je zoekt,
- het taalregister,
- de relevante kennisdomeinen,
- en de toon of insteek van het antwoord.
Als je bijvoorbeeld vraagt:
Neem de rol aan van een onderwijscoach en geef feedback op deze lesactiviteit.
dan is de kans groter dat je een antwoord krijgt dat focust op didactische haalbaarheid, leerdoelen, differentiatie of activering dan wanneer je die rol niet benoemt.
Toch geldt ook hier: een rol alleen is meestal niet genoeg.
De prompt:
Neem de rol aan van een expert.
klinkt krachtig, maar is eigenlijk nog vrij leeg. Expert waarin? Met welk doel? Voor welke doelgroep? Met welke criteria?
Een rol werkt meestal pas echt goed wanneer je ze combineert met een duidelijke opdracht en concrete verwachtingen.
Bijvoorbeeld:
Neem de rol aan van een ervaren leerkracht lager onderwijs met expertise in taalontwikkelend lesgeven. Ontwerp een korte werkvorm van 10 minuten voor leerlingen van het vierde leerjaar, met aandacht voor actieve participatie en beperkte voorbereidingstijd.
Dat is een heel ander niveau van sturing dan simpelweg zeggen: “wees een expert”.
Wat is een niet-rol?
Naast het definiëren van een rol, kan het soms ook nuttig zijn om expliciet te zeggen welke rol het model niét moet aannemen. Dat noemen we hier een niet-rol.
Bijvoorbeeld:
- “Gedraag je niet als een verkoper.”
- “Schrijf dit niet als een academicus.”
- “Gebruik geen belerende toon.”
- “Neem niet de rol aan van iemand die het antwoord voor de leerling invult.”
- “Schrijf niet als een marketingtekst.”
Een niet-rol helpt vooral om ongewenste output te vermijden. Zeker bij generatieve AI is dat interessant, omdat modellen soms spontaan vervallen in:
- te veel marketingtaal,
- te algemene expertpraat,
- een overdreven enthousiaste toon,
- of een te schoolse, moraliserende stijl.
Een niet-rol kan dan helpen om de output scherper af te bakenen.
Bijvoorbeeld:
Leg dit uit aan ouders, maar schrijf niet in een academische of betuttelende toon.
Of:
Geef feedback als coach, niet als beoordelaar die enkel tekortkomingen opsomt.
In die zin werkt een niet-rol als een soort afbakening: je geeft niet alleen aan wat je wél wil, maar ook wat je expliciet wil vermijden.
De voordelen van een rol
Een goed gekozen rol kan veel voordelen hebben.
1. Meer richting
Een rol geeft het model een duidelijker perspectief. Je krijgt vaak antwoorden die beter passen bij het soort expertise of invalshoek dat je zoekt.
2. Betere toon en stijl
Wie vraagt om te schrijven als een mentor, coach, leerkracht of communicatie-expert, krijgt vaak een tekst die beter past bij dat register.
3. Relevantere focus
Een rol kan helpen om het model aandacht te laten besteden aan aspecten die anders onderbelicht blijven. Een onderwijskundige zal bijvoorbeeld eerder denken aan leerdoelen, differentiatie of evaluatie dan een algemeen geformuleerde prompt.
4. Bruikbare denkkaders
Soms is een rol vooral nuttig omdat die een bepaald kader oproept. Vraag je feedback als “didactisch expert”, dan krijg je vaak andere aandachtspunten dan wanneer je vraagt naar feedback als “copywriter” of “projectleider”.
De nadelen van een rol
Tegelijk zijn er ook risico’s.
1. Schijn van autoriteit
Een antwoord klinkt soms geloofwaardiger omdat het geschreven is vanuit een “expertrol”, niet omdat het inhoudelijk sterker is. Dat kan verraderlijk zijn.
2. Te stereotype output
Sommige rollen lokken clichématig taalgebruik uit. Een “consultant” klinkt al snel als een consultant, een “coach” als een coach. Dat levert niet altijd de meest frisse of bruikbare output op.
3. Te smalle focus
Een rol kan het perspectief vernauwen. Als je het model te strak in één rol duwt, mis je soms alternatieve invalshoeken.
4. Onvoldoende zonder verdere criteria
Zoals eerder gezegd: een rol zonder duidelijke taak of kwaliteitscriteria levert vaak nog steeds middelmatige output op.
De voordelen van een niet-rol
Ook een niet-rol heeft duidelijke voordelen.
1. Je voorkomt ongewenste toon
Je kunt expliciet vermijden dat de output te schools, te commercieel, te academisch of te belerend wordt.
2. Je maakt verwachtingen scherper
Een niet-rol helpt soms sneller om de juiste richting te geven dan een positieve rolomschrijving alleen.
3. Het helpt bij doelgroepgericht schrijven
Voor onderwijsprofessionals is dit bijzonder bruikbaar. Je kunt bijvoorbeeld aangeven dat een tekst voor ouders niet betuttelend mag klinken, of dat feedback voor studenten niet afstandelijk of beoordelend mag overkomen.
De nadelen van een niet-rol
Ook hier zijn er beperkingen.
1. Het zegt vooral wat je niet wil
Een niet-rol begrenst, maar geeft niet altijd voldoende richting. “Schrijf niet te academisch” zegt nog niet automatisch hoe het dan wél moet klinken.
2. Te veel verboden kan de prompt troebel maken
Als je prompt vooral bestaat uit wat het model allemaal niet mag doen, wordt het minder duidelijk wat je uiteindelijk juist verwacht.
3. Negatieve formuleringen werken meestal sterker in combinatie met positieve criteria
Een prompt werkt meestal beter als je niet alleen zegt wat vermeden moet worden, maar ook wat in de plaats moet komen.
Dus liever:
Schrijf in eenvoudige, warme taal voor ouders. Vermijd jargon en een belerende toon.
dan enkel:
Schrijf dit niet academisch en niet betuttelend.
Wat werkt vaak het best: rol + niet-rol + duidelijke criteria
In de praktijk is de sterkste combinatie vaak:
- een duidelijke rol,
- eventueel een niet-rol,
- én expliciete kwaliteitscriteria.
Bijvoorbeeld:
Neem de rol aan van een ervaren onderwijsprofessional die helder communiceert naar ouders. Schrijf in warme, toegankelijke taal en vermijd een belerende of academische toon. Leg in maximaal 200 woorden uit waarom actief ophalen effectiever is dan herlezen, en geef twee concrete tips voor thuis.
In zo’n prompt gebeurt er veel goeds tegelijk:
- de rol stuurt het perspectief,
- de niet-rol voorkomt ongewenste stijl,
- en de criteria maken duidelijk wat de output moet bevatten.
Werkt het om een confidence score te vragen?
Nog een strategie die soms opduikt, is de vraag om een confidence score toe te kennen aan het antwoord. Bijvoorbeeld:
- “Hoe zeker ben je van dit antwoord?”
- “Geef een betrouwbaarheidsscore van 1 tot 10.”
- “Voeg een confidence score toe.”
Dat kan soms nuttig zijn, maar je mag er zeker niet blind op vertrouwen.
Een LLM kan best aangeven dat het “hoog”, “middelmatig” of “laag” vertrouwen heeft in een antwoord. Dat kan helpen om het model iets meer aan te zetten tot zelfreflectie. Soms benoemt het dan explicieter:
- waar nog onzekerheid zit,
- welke informatie mogelijk zwakker onderbouwd is,
- of welke aannames het maakt.
Maar het probleem is dat zo’n score vaak meer precies lijkt dan ze werkelijk is. Een model heeft geen perfect gekalibreerd intern meetsysteem dat objectief bepaalt of iets 72% of 91% betrouwbaar is. Een antwoord kan dus heel zeker klinken en toch fout zijn. Omgekeerd kan het model zich ook onnodig voorzichtig uitdrukken bij iets dat eigenlijk klopt.
Een confidence score is daarom geen waarheidsmeter. Ze is hoogstens een extra signaal.
Wat werkt beter dan alleen een confidence score?
Als je dan toch met onzekerheid wil werken, is het meestal sterker om niet enkel om een score te vragen, maar ook om een korte toelichting.
Bijvoorbeeld:
Geef je antwoord, schat daarna in hoe betrouwbaar het is, benoem de zwakste punten in je redenering en geef aan wat ik best nog controleer.
Of:
Geef aan over welke delen van je antwoord je het meest onzeker bent en waarom.
Dat is vaak waardevoller dan een kaal percentage, omdat het model dan niet alleen een inschatting maakt, maar ook explicieter moet benoemen waar de kwetsbaarheden zitten.
Voor onderwijsprofessionals is dat belangrijk. Als je AI gebruikt voor lesmateriaal, uitleg, toetsvragen of communicatie, dan kan een confidence score hoogstens een klein hulpmiddel zijn — nooit een vervanging voor kritisch nalezen.
Helpt het om te vragen: “Ben je zeker dat dat je definitieve antwoord is?”
Nog een interessante prompt is een formulering zoals:
Ben je zeker dat dat je definitieve antwoord is? Het is misschien goed om er nog eens naar te kijken.
Zo’n prompt kan soms wel helpen, meer dan mensen op het eerste gezicht denken.
Waarom? Omdat je het model eigenlijk uitnodigt tot een revisiestap. Je vraagt niet zomaar om “meer na te denken”, maar om het bestaande antwoord opnieuw te bekijken en eventueel te herzien.
Dat kan ertoe leiden dat het model:
- een fout corrigeert,
- een nuance toevoegt,
- een te stellige formulering bijstuurt,
- of een antwoord beter laat aansluiten bij de oorspronkelijke vraag.
Zeker bij complexere vragen kan dat nuttig zijn.
Waarom een revisieprompt soms werkt
Een prompt als deze activeert een soort tweede controlebeurt. En dat is vaak zinvoller dan een vaag verzoek om gewoon “dieper” na te denken.
Het model wordt als het ware uitgenodigd om:
- opnieuw te lezen wat er gevraagd werd,
- zijn eigen antwoord te evalueren,
- en zich af te vragen of het echt volledig, correct en passend is.
Dat maakt zo’n prompt vaak interessanter dan:
Denk 5 keer na.
Maar ook hier: geen wondermiddel
Toch is ook dit geen garantie op een beter antwoord.
Soms zal het model:
- gewoon hetzelfde antwoord herhalen in andere woorden,
- overdreven gaan twijfelen aan iets wat eigenlijk correct was,
- een goed eerste antwoord vervangen door een minder sterke tweede versie,
- of alleen de toon aanpassen zonder echte inhoudelijke verbetering.
Een revisiestap kan dus zeker helpen, maar werkt het best wanneer je die ook hier gerichter maakt.
Wat werkt sterker dan een algemene twijfelvraag?
Nog beter dan:
Ben je zeker dat dat je definitieve antwoord is?
is vaak:
Herbekijk je antwoord kritisch. Controleer of het inhoudelijk correct is, volledig aansluit bij de vraag en geen belangrijke nuance mist. Geef daarna pas je definitieve versie.
Of:
Kijk nog eens naar je antwoord en controleer specifiek op feitelijke fouten, onduidelijkheden en gemiste kanttekeningen.
Ook hier zie je hetzelfde patroon terugkomen: hoe concreter de controle-instructie, hoe groter de kans op echte verbetering.
Wat wordt vaak overschat in prompting?
Wie met AI werkt, ziet dat bepaalde promptadviezen steeds terugkeren. Ze klinken aantrekkelijk, maar leveren lang niet altijd de winst op die men ervan verwacht.
1. “Denk 5 keer na”
Zoals hierboven aangegeven: het is te vaag. Het kan een klein effect hebben, maar is zelden de doorslaggevende factor.
2. Emotionele druk
“Doe echt je best” of “dit is superbelangrijk” klinkt urgent, maar voegt vaak weinig inhoudelijke sturing toe.
3. Een rol toekennen zonder verdere richting
Een prompt als:
Neem de rol aan van een expert.
kan helpen, maar blijft beperkt zolang je niet aangeeft:
- welke expertrol relevant is,
- wat de output moet zijn,
- en waaraan die output moet voldoen.
4. Alleen een confidence score vragen
Een score kan nuttig lijken, maar is geen kwaliteitsgarantie en vaak onvoldoende zonder toelichting.
5. Een algemene twijfelvraag zonder focus
“Ben je zeker?” kan iets uitlokken, maar werkt meestal beter wanneer je expliciet maakt wat er opnieuw nagekeken moet worden.
6. Heel veel context geven zonder scherpe opdracht
Meer context is niet automatisch beter. Als de vraag zelf onduidelijk blijft, raakt het model sneller afgeleid of blijft het antwoord nog steeds te breed.
7. Magische woorden
Formuleringen als “geef je allerbeste antwoord”, “wees geniaal” of “gebruik diepgaande redenering” klinken krachtig, maar werken vaak wisselend en onbetrouwbaar.
Wat werkt doorgaans wél beter?
Als je consistenter sterkere output wil, zijn er andere strategieën die meestal veel meer verschil maken.
1. Maak de taak scherp
Een vaag verzoek leidt meestal tot een vaag antwoord.
Vergelijk:
Schrijf iets over leren.
met:
Schrijf een korte blogintro voor ouders over waarom herlezen minder effectief is dan actief oefenen.
In de tweede prompt is meteen duidelijk:
- wat het onderwerp is,
- voor wie de tekst bedoeld is,
- en wat het precieze doel is.
Voor onderwijsprofessionals is dit misschien wel de grootste winst: hoe beter jij de taak afbakent, hoe groter de kans op bruikbare output.
2. Benoem expliciet waaraan een goed antwoord moet voldoen
In plaats van te zeggen: “maak het goed”, is het veel sterker om te zeggen wat “goed” in deze context betekent.
Bijvoorbeeld:
Zorg dat de tekst:
- eenvoudig en toegankelijk is,
- een herkenbaar voorbeeld bevat,
- maximaal 150 woorden telt,
- en eindigt met een concrete tip voor ouders.
Dat geeft het model iets tastbaars om zich aan te oriënteren. Zulke kwaliteitscriteria zijn veel effectiever dan vage aansporingen om “extra goed na te denken”.
3. Specificeer de doelgroep
Een antwoord voor leerlingen van 12 jaar vraagt iets anders dan een antwoord voor directieleden, lerarenopleiders of ouders. Toch blijft die doelgroep in prompts vaak impliciet.
Wie de doelgroep benoemt, helpt het model beter te kiezen:
- hoe complex de taal mag zijn,
- welke voorbeelden bruikbaar zijn,
- welke toon passend is,
- en hoeveel voorkennis verondersteld mag worden.
Vergelijk:
Leg retrieval practice uit.
met:
Leg retrieval practice uit aan ouders van leerlingen in het secundair onderwijs, in eenvoudig Nederlands, zonder vakjargon.
Dat tweede verzoek zal doorgaans veel bruikbaardere output opleveren.
4. Gebruik een relevante rol, eventueel aangevuld met een niet-rol
Een rol kan helpen om een passend perspectief en register op te roepen. Een niet-rol kan helpen om ongewenste output te vermijden.
Bijvoorbeeld:
Neem de rol aan van een ervaren leerkracht secundair onderwijs. Schrijf dit voor ouders in heldere, warme taal en vermijd een belerende of academische toon.
Die combinatie werkt vaak sterker dan een losse expertrol zonder verdere richting.
5. Geef het gewenste formaat mee
Vaak weet je niet alleen wat je wil, maar ook in welke vorm je het wil krijgen:
- een tabel,
- een lijst met drie opties,
- een korte tekst van 120 woorden,
- een lesstarter van 5 minuten,
- een mail in vriendelijke toon,
- een workshopstructuur in drie fasen.
Als je dat expliciet maakt, krijg je meestal sneller output die meteen inzetbaar is.
Bijvoorbeeld:
Geef drie mogelijke lesstarters van maximaal vijf minuten, telkens met doel, aanpak en benodigd materiaal.
Dat is veel bruikbaarder dan een algemene vraag naar “een idee voor een lesstart”.
6. Bouw een controle- of evaluatiestap in
Een sterke prompt hoeft niet alleen te zeggen wat er geproduceerd moet worden, maar kan ook aangeven wat daarna nog gecontroleerd moet worden.
Bijvoorbeeld:
Schrijf een korte uitleg voor ouders en controleer daarna of er geen jargon in staat en of de tekst echt bruikbaar is voor iemand zonder voorkennis.
Of:
Genereer drie opties, vergelijk ze kort op haalbaarheid en kies daarna de sterkste.
Of:
Geef je antwoord en benoem daarna de zwakste punten en wat nog gecontroleerd moet worden.
Dat soort instructies helpt vaak veel meer dan vage aansporingen zoals “denk diep na”.
Een concreet voorbeeld uit onderwijs
Stel: je wil een korte tekst voor ouders over waarom herlezen minder effectief is dan actief oefenen.
Zwakkere prompt
Schrijf een goede tekst over waarom herlezen niet werkt. Denk goed na.
Sterkere prompt
Neem de rol aan van een ervaren onderwijsprofessional die helder communiceert naar ouders. Schrijf in warme, eenvoudige taal en vermijd een academische of betuttelende toon. Leg uit waarom actief oefenen beter werkt dan herlezen, geef één herkenbaar voorbeeld, noem drie bruikbare alternatieven voor herlezen en eindig met een praktische tip. Maximaal 180 woorden. Controleer daarna of er geen jargon in staat.
Die tweede prompt werkt doorgaans beter, niet omdat hij “slimmer” klinkt, maar omdat hij veel duidelijker maakt:
- wat de taak is,
- voor wie de tekst bedoeld is,
- welke rol bruikbaar is,
- welke toon vermeden moet worden,
- wat erin moet zitten,
- welke controle nog nodig is,
- en welke grenzen er zijn.
Nog een voorbeeld: lesontwerp
Stel dat je AI wil gebruiken om een activerende lesstarter te bedenken.
Minder sterke prompt
Ontwerp een activerende lesstarter van vijf minuten over motivatie. Denk 5 keer na.
Sterkere prompt
Neem de rol aan van een ervaren leerkracht secundair onderwijs. Ontwerp een activerende lesstarter van vijf minuten over motivatie voor leerlingen van 14 jaar. Zorg dat de werkvorm weinig voorbereiding vraagt, haalbaar is in een gewone klas, meteen actieve deelname uitlokt en uitmondt in een korte klassikale nabespreking. Vermijd een te schoolse of belerende aanpak. Kijk daarna nog eens kritisch of de werkvorm echt haalbaar is in vijf minuten.
Ook hier maakt niet de “denk goed na”-instructie het verschil, maar de combinatie van rol, niet-rol, duidelijke criteria en revisie.
Hoe weet je of een promptingstrategie echt beter werkt?
Dat weet je niet op basis van buikgevoel alleen. De meest betrouwbare manier is: testen en vergelijken.
Neem éénzelfde taak en formuleer er meerdere promptversies voor:
- een basisprompt,
- een prompt met vage denkinstructie,
- een prompt met een rol,
- een prompt met rol én niet-rol,
- een prompt met expliciete kwaliteitscriteria,
- een prompt met een revisiestap,
- en eventueel een prompt die om onzekerheidsanalyse vraagt.
Vergelijk daarna de output op vaste punten:
- klopt de inhoud?
- is het duidelijk?
- is het bruikbaar?
- sluit het aan bij de doelgroep?
- bevat het voldoende concreetheid?
- moet je nog veel bijsturen?
Als je merkt dat een bepaalde promptstructuur herhaaldelijk betere output geeft voor vergelijkbare taken, dan kun je spreken van een werkzame strategie.
Dat is ook een interessante oefening voor teams in onderwijs. Niet om van iedereen een “prompt engineer” te maken, maar om bewuster te worden van de vraag: welke instructies leiden bij onze typische taken tot de meest bruikbare resultaten?
Wat betekent dit concreet voor onderwijsprofessionals?
Voor wie AI wil gebruiken in onderwijscontexten, is dit misschien de belangrijkste les: zoek minder naar magische promptzinnen en meer naar heldere opdrachtformulering.
Een goede prompt hoeft niet spectaculair te klinken. Ze hoeft vooral duidelijk te maken:
- wat je wil,
- voor wie het bedoeld is,
- vanuit welk perspectief het antwoord moet komen,
- welke toon of stijl je wil vermijden,
- waaraan het resultaat moet voldoen,
- welke vorm het moet hebben,
- en wat nog gecontroleerd moet worden.
Dat is eigenlijk niet zo anders dan goed lesgeven of goede opdrachten ontwerpen. Ook daar helpt vaagheid zelden. Leerlingen, studenten en collega’s hebben baat bij duidelijke verwachtingen, heldere criteria en een scherp doel. Dat geldt net zo goed voor het aansturen van generatieve AI.
Een eenvoudige vuistregel
Een sterke prompt bevat meestal deze bouwstenen:
1. Taak
Wat moet het model doen?
2. Doelgroep
Voor wie is de output bedoeld?
3. Rol
Vanuit welk perspectief moet het model antwoorden?
4. Eventuele niet-rol
Welke toon, stijl of aanpak wil je vermijden?
5. Criteria
Waaraan moet een goed antwoord voldoen?
6. Formaat
Hoe moet het eruitzien?
7. Controle- of revisiestap
Wat moet het model achteraf nog nakijken?
8. Beperkingen
Wat moet vermeden worden?
Zodra je die elementen scherper formuleert, stijgt de kans op nuttige output vaak veel sterker dan wanneer je simpelweg toevoegt: “denk 5 keer na”.
Besluit
Ja, instructies zoals “denk goed na” of bepaalde emotionele formuleringen kunnen soms een klein effect hebben. Maar in de meeste gevallen worden hun mogelijkheden overschat.
Ook het toekennen van een rol kan nuttig zijn, zolang je beseft dat een rol op zich nog geen garantie is voor kwaliteit. Hetzelfde geldt voor een niet-rol, een confidence score of een vraag als “ben je zeker dat dit je definitieve antwoord is?” — ze kunnen helpen, maar vooral wanneer ze deel uitmaken van een bredere, duidelijke promptstructuur.
Wie echt betere output wil, heeft doorgaans meer aan:
- een scherp afgebakende taak,
- een duidelijke doelgroep,
- een relevante rol,
- eventueel een niet-rol,
- expliciete kwaliteitscriteria,
- een gewenst outputformaat,
- een revisie- of controlestap,
- en een kritische blik op het eindresultaat.
Voor onderwijsprofessionals is dat goed nieuws. Je hoeft geen geheime promptformules te kennen om sterker met AI te werken. Wat vooral helpt, is hetzelfde wat ook in onderwijs zo belangrijk is: duidelijkheid, doelgerichtheid en expliciete verwachtingen.
En misschien is dat wel de meest nuchtere conclusie van allemaal: niet de slimste truc wint, maar de helderste opdracht.
Zin om hier verder mee aan de slag te gaan?
Wil je zelf sterker leren werken met generatieve AI in je onderwijspraktijk? En wil je niet zomaar wat experimenteren, maar echt doordachte keuzes maken die pedagogisch kloppen? Dan nodig ik je graag uit om eens een kijkje te nemen naar de online vormingen van Leren.Hoe?Zo!. Daarin deel ik heel concrete inzichten, voorbeelden en tips waarmee je meteen aan de slag kunt.
Heb je het gevoel dat jouw school of team hier ook verder mee aan de slag wil? Dan mag je me ook altijd contacteren voor een workshop op school. Ik denk graag met jullie mee over een sessie die aansluit bij jullie context, vragen en noden.