Created by Samen Online
Zelf-verificatie & correctie:
Redeneer-versterkend:
Synthesevragen zijn er op gericht onderdelen samen te brengen tot iets nieuws. Je moet creatief omgaan met kennis en inzichten. Bij synthesevragen zijn zeer uiteenlopende antwoorden mogelijk.
- Ontwerpen: Ontwerp de ideale stad.
- Scheppen: Schrijf een toneelstuk dat jouw leven weergeeft.
- Samenstellen: Schrijf een regeerakkoord op basis van je eigen politieke overtuigingen, als je 50/50 moet samenwerken met een andere politieke partij.
- Schrijven: Schrijf een artikel voor een zaterdagkrant over jouw oplossing voor het fileprobleem.
- Ontwikkelen: Ontwikkel een computersimulatie waarmee je de oplossing van een derdegraads vergelijking kunt benaderen.
- Voorspellen en extrapolerenWat zou er gebeuren als het gebruik van softdrugs zou worden verboden?
- Combineer kennis op verschillende terreinenWat zijn de potentiële economische gevolgen van de uitbraak van een ernstige ziekte in de veehouderij
- Onthouden
- Herinneren
- Herkennen
- Benoemen
- Definiëren
- Interpreteren
- Beschrijven
- Uitleggen
- Parafraseren
- Voorbeelden genereren
- Contrasteren
- Bespreken
- Bouwen
- Ontwikkelen
- Experimenteren
- Interviewen
- Modelleren
- Berekenen
- Organiseren
- Selecteren
- Gebruiken
- Oplossen
- Analyseren
- Afbreken
- Vergelijken
- Deconstrueren
- Onderscheiden
- Illustreren
- Selecteren
- Classificeren
- Associëren
- Ondersteunen
- Relateren
- Verdedigen
- Rechtvaardigen
- Evalueren
- Beoordelen
- Samenvatten
- Bekritiseren
- Ontwikkelen
- Verbeteren
- Construeren
- Maximaliseren
- Wijzigen
- Ontwerpen
- Samenstellen
- Compileren
- Voorspellen
Onderstaand horen wel niet bij Taxonomie van Bloom maar passen hier wel goed bij
Spaced Repetition systeem
Een informatie systeem dient aan de volgende eisen te voldoen:
Een informatiestelsel is een gestructureerd systeem dat wordt gebruikt voor het verzamelen, verwerken, opslaan en verspreiden van informatie.
Informatiemodel:
Het informatiemodel is een gestandaardiseerde representatie van de structuur en semantiek van informatie. Het wordt gebruikt om te definiëren hoe gegevens worden gestructureerd, gecodeerd en uitgewisseld tussen verschillende systemen of organisaties. Dit helpt bij effectieve communicatie en samenwerking.
Informatiedomeinenmodel:
Het Informatiedomeinenmodel is een structuur die de verschillende informatiedomeinen en hun onderlinge relaties in kaart brengt. Het wordt gebruikt om inzicht te krijgen in de informatiestromen en -behoeften binnen systemen die interoperabel zijn, waardoor samenwerking en gegevensuitwisseling tussen verschillende systemen wordt verbeterd.
Informatiebouwstenen:
Informatiebouwstenen zijn gestandaardiseerde eenheden die dienen als fundamenten voor het structureren en uitwisselen van informatie. Ze worden gebruikt om ervoor te zorgen dat verschillende systemen en organisaties op een consistente manier met elkaar kunnen communiceren. Deze bouwstenen helpen bij het definiëren van de essentiële elementen en afspraken die nodig zijn om informatie begrijpelijk en toegankelijk te maken voor alle betrokken partijen.
De methode "Mixture-of-Reasoning Experts" (MoRE) is een techniek die is ontworpen om de generalisatie van grote taalmodellen (LLM's) te verbeteren voor verschillende soorten vragen in vraagbeantwoording.
Het richt zich op het verbeteren van de prestaties van modellen bij het beantwoorden van vragen die verschillende redeneervaardigheden vereisen, zoals feitelijke, multihop, wiskundige of gezondverstand redeneringen.
MoRE maakt gebruik van een pool van gespecialiseerde experts, waarbij elke expert is geoptimaliseerd voor een specifiek type redenering. Dit stelt het systeem in staat om het meest betrouwbare antwoord te selecteren op basis van voorspellingen van deze experts.
Als het systeem twijfelt over een antwoord, kan het ervoor kiezen om geen antwoord te geven, wat de betrouwbaarheid verhoogt. Deze techniek is vooral nuttig in situaties waarin nauwkeurige en interpreteerbare vraagbeantwoording vereist is, zoals in kennissystemen, educatieve hulpmiddelen en klantenondersteuningssystemen.
Het gebruik van MoRE houdt in dat je een vraag invoert, de gespecialiseerde modellen laat antwoorden genereren, en vervolgens het meest betrouwbare antwoord selecteert. Als geen betrouwbaar antwoord beschikbaar is, onthoudt het systeem zich van een antwoord.
De promptmethode "hypothetische en contrafeitelijke prompting" is een techniek waarbij je een taalmodel vraagt om te reageren op denkbeeldige scenario's (hypothetisch) of alternatieve verleden/heden (contrafeitelijk). Het doel is om nieuwe perspectieven, inzichten of ideeën te verkennen.
Gebruik van de methode:
Voorbeelden van prompts:
Tips voor effectief gebruik:
Deze methode kan dus effectief worden ingezet voor reflectie, strategieontwikkeling, en onderwijsdoeleinden.
De Multi-Persona Prompting methode houdt in dat je de AI vraagt om een vraag, probleem of scenario vanuit meerdere perspectieven te bekijken, alsof verschillende personen met uiteenlopende rollen en meningen aan tafel zitten. Deze techniek stimuleert meervoudig perspectiefdenken, complexiteitsbewustzijn en creatieve besluitvorming.
Toepassingen:
Hoe te gebruiken: Stel de AI in staat om meerdere personas aan te nemen (bijv. 2 tot 4) met verschillende functies en meningen. Vraag om een discussie tussen deze personas, een gezamenlijk standpunt of de scherpe tegenstellingen tussen hen. Een voorbeeld prompt zou kunnen zijn:
Stel je voor: er zitten 4 personen aan tafel met elk een andere rol of visie. Laat ze reageren op het volgende probleem: [beschrijf het probleem]. Wat zegt elk van hen? Waar zijn ze het over eens of oneens?
Deze methode biedt een waardevolle manier om complexe vraagstukken vanuit verschillende invalshoeken te verkennen en tot gebalanceerde conclusies te komen.
Hoe het werkt?
AI beschikt dus niet over ‘kennis’. Het mist daarvoor de noodzakelijke componenten Ervaring, Vaardigheden en Attitude.
Daarom wordt voor kenniswerkers ‘begrijpen’ belangrijker dan ‘weten’. Informatie kan met behulp van AI steeds effectiever en efficiënter door de mens worden gemaakt, maar voor ‘begrijpen’ zijn, naast informatie, ten minste ook context-relevante ervaring en vaardigheden nodig.
Voor de hedendaagse kenniswerker geldt daarom dat EVA een meer concurrerende kenniscomponent wordt dan I. Met name ervaring en vaardigheden in het trainen en prompten van AI en op het gebied van het valideren van AI-output zijn daarbij cruciaal: het interpreteren, beoordelen, selecteren en corrigeren van die output.
AI kunnen we zien als de integraal van 0 tot oneindig van alle informatie die
beschikbaar is èn nog beschikbaar komt. ‘Informatie’ is hier short language
voor data waaraan door een mens betekenis is toegekend. AI kan niets anders dan data genereren op basis van ontvangen data: de prompt. In die zin is AI een stochastische papagaai die data produceert op grond van alles wat AI op dat moment ‘weet’. En omdat een AI over 5 minuten weer méér weet dan nu, kan de output bij een identieke prompt blijven variëren. De AI leert - niet in epistemologische zin, maar door het statistisch bijwerken van het onderliggende taalmodel (LLM).
Wij zijn als gebruikers doorgaans tevreden met die output omdat we er vaak een positieve betekenis aan toe kennen – er dus informatie van maken
