De paradox van large language modellen
David Wiley heeft onlangs een interessante blogpost geschreven over de relatie tussen schrijven en denken in het tijdperk van AI-taalmodellen, en over het belang van ‘generatief schrijven’. Hij vergeet m.i. echter een belangrijk aspect daarbij.
Wiley begint met een fundamenteel verschil van mening over schrijven. Historicus David McCullough stelt dat schrijven denken is: “Om goed te schrijven moet je helder denken. Daarom is het zo moeilijk.” Tegenover deze visie staat Plato’s beroemde kritiek op het schrift uit zijn werk Phaedrus. In dit verhaal waarschuwt koning Thamus dat schrijven het geheugen zal verzwakken omdat mensen gaan vertrouwen op externe tekens in plaats van hun innerlijke kennis.
De opvattingen van beide denkers zijn volgens Wiley niet strijdig met elkaar gelijk, maar focussen op verschillende aspecten. Plato benadrukt de impact op het geheugen, terwijl McCullough de relatie met helder denken benadrukt. Deze spanning blijft relevant in onze huidige discussies over AI.
Wiley identificeert daarbij een opvallende paradox: om AI-taalmodellen effectief te gebruiken, moet je eerst zelf goed kunnen schrijven. De bekende uitdrukking “rommel erin, rommel eruit” geldt sterker dan ooit. Vage, onduidelijke of slecht georganiseerde prompts leveren zwakke resultaten op. Hoe complexer de taak die je aan AI wilt geven, hoe preciezer en krachtiger je eigen schrijfvaardigheid moet zijn.
Docenten vragen zich daarbij vervolgens volgens Wiley af hoe lerenden met beperkte schrijfvaardigheden toch hoge cijfers halen met AI-hulp. Het antwoord is volgens hem verrassend eenvoudig: ze gebruiken de opdrachten van docenten als prompts. Goed geschreven opdrachten bevatten al de helderheid, specificiteit en structuur die AI nodig heeft om kwalitatief werk te leveren. Dit inzicht heeft volgens hem directe gevolgen voor de toekomst van lerenden. Na hun afstuderen krijgen ze geen kant-en-klare opdrachten meer. Ze moeten zelf effectieve prompts formuleren. Dit vraagt om grondige domeinkennis. Zonder de juiste vocabulaire, begrip en schrijfvaardigheden kunnen ze AI-toepassingen niet succesvol inzetten in hun werk.
Wiley pleit daarom voor “generatief schrijven”, naast bestaande vormen zoals beschrijvend en overtuigend schrijven. Deze nieuwe vorm verschilt van traditioneel schrijven omdat het publiek anders is – je schrijft voor AI-toepassingen in plaats van mensen. Bovendien combineer je procesanalyse met overtuiging: je moet het model duidelijk maken wat je wilt én het ook daadwerkelijk laten uitvoeren. Generatief schrijven is volgens de auteur mogelijk de economisch meest waardevolle schrijfvorm die lerenden vandaag kunnen leren. Wiley verkiest deze term boven “prompt engineering” omdat het aansluit bij bestaande onderwijstradities en literatuur.
Mijn opmerkingen
Ik deel McCullough’s opvatting dat schrijven denken is. Je herstructureert gedachten, je legt verbanden. Je komt al schrijvend op nieuwe ideeën. En volgens mij is inmiddels wel aangetoond dat het wel meevalt met de negatieve gevolgen voor het geheugen. Ik deel ook Wiley’s pleidooi voor “generatief schrijven”. Toch vergeet hij daarbij één ding: je kunt generatieve AI-toepassingen ook gebruiken voor het schrijven van prompts.
Ik ben bijvoorbeeld geen programmeur. Ik wilde onlangs echter experimenteren met de mogelijkheden van Google Gemini 2.5 Pro om interactieve web-apps te ontwikkelen. Als eerste heb ik Google Gemini Flash gevraagd:
Wat is een goede prompt voor Gemini 2.5 Pro als ik deze versie van Gemini een interactieve web-app wil laten maken die mij leert hoe ik de software van mijn Iphone 15 te updaten?
Vervolgens kreeg ik een zeer uitgebreide prompt. Deze prompt heb ik in Gemini 2.5 Pro ingevoerd met dit als resultaat: https://g.co/gemini/share/bffc14370823
Best indrukwekkend.
Verder heb ik Gemini ook één van mijn favoriete prompts laten reviewen en verbeteren.
Ik hoorde deze week ook dat docenten generatieve AI-toepassingen prompts laten samenstellen, om deze vervolgens te gebruiken.
Met andere woorden: lerenden gebruiken na hun afstuderen geen kant-en-klare opdrachten die docenten maken, maar zij gebruiken generatieve AI-toepassingen voor “generatief schrijven”. Zij zullen wel in staat moeten zijn om de kwaliteit van gegenereerde prompts en de kwaliteit van de gegenereerde output te beoordelen. Ook daar is domeinkennis voor nodig.
The post
De paradox van large language modellen first appeared on
WilfredRubens.com over leren en ICT.
Lees het hele
artikel