U opent ChatGPT en typt een vraag:
"Ik heb veel ontbrekende gegevens in mijn studie. Hoe moet ik daarmee omgaan?"
De AI antwoordt met vijf of zes alinea's over gemiddelde imputatie, meervoudige imputatie, analyse van volledige gevallen… elke methode wordt genoemd, geen enkele goed uitgelegd. Na alles gelezen te hebben, weet u nog steeds niet welke aanpak geschikt is voor uw data.
Dit ligt niet aan de intelligentie van de AI. De manier waarop u de vraag stelde, maakte dit resultaat van het begin af aan onvermijdelijk.
Drie fatale gebreken van spontane vragen
Gebrek 1: De AI weet niet wie u bent
"Hoe ga ik om met ontbrekende gegevens?" kan gesteld worden door een middelbare scholier, een datawetenschapper of een klinisch onderzoeker. Maar alle drie hebben ze een volkomen ander antwoord nodig.
Zonder uw achtergrond te kennen, kiest de AI de "veiligste" optie: een generiek antwoord dat alles afdekt en niemand helpt.
Vergelijk dit: voeg een roldefinitie toe en het gesprek verandert volledig:
"Je bent een biostatisticus met 10 jaar ervaring in klinisch onderzoek. Ik ben een arts-assistent die net begint aan een cohortstudie…"
De AI weet meteen welke toon, welke diepgang en welke terminologie te gebruiken.
Gebrek 2: De AI kent uw specifieke situatie niet
Het juiste antwoord op een probleem met ontbrekende data hangt af van veel details:
- Welke variabele ontbreekt? Continu of binair?
- Hoeveel ontbreekt er? 5% of 30%?
- Is de afwezigheid willekeurig (MAR) of niet-willekeurig (MNAR)?
- Welke statistische software gebruikt u?
U hebt al deze informatie in uw hoofd, maar u hebt het niet aan de AI verteld. Ze vult de gaten op met gissingen, en die gissingen zijn gewoonlijk fout.
Het resultaat: een antwoord dat grondig lijkt maar niets te maken heeft met uw werkelijke studie.
Gebrek 3: Geen uitvoerformaat opgegeven
Dezelfde vraag kan worden beantwoord als:
- Een populairwetenschappelijk artikel
- Een stapsgewijze procedurele lijst
- Een alinea die u direct in uw Methoden-sectie kunt plakken
- Een tabel die de voor- en nadelen van elke aanpak vergelijkt
Welke wilde u? U hebt het niet gezegd, dus beslist de AI—doorgaans in het formaat dat haar het meest "natuurlijk" lijkt, niet het formaat dat u daadwerkelijk kunt gebruiken.
Een echte vergelijking
Hier zijn twee manieren om hetzelfde te vragen: een PICO-onderzoeksvraag opstellen.
Aanpak A (spontaan):
"Help me een PICO-onderzoeksvraag te schrijven over medicamenteuze behandeling van type 2 diabetes."
De AI geeft doorgaans een generiek voorbeeld zonder enige relatie met uw concrete studie.
Aanpak B (gestructureerd):
"Je bent een klinisch epidemioloog met ervaring in het begeleiden van arts-assistenten bij het ontwerpen van observationeel onderzoek.
Ik ontwerp een retrospectieve cohortstudie met type 2 diabetespatiënten van 18–65 jaar die worden behandeld in een regionaal ziekenhuis. Ik wil het effect van SGLT-2-remmers versus DPP-4-remmers op ernstige nadelige cardiovasculaire gebeurtenissen (MACE) over 3 jaar follow-up vergelijken. Patiënten met bestaand hartfalen zijn uitgesloten.
Maak alstublieft:
- Een volledig PICO-framework (elk element afzonderlijk vermeld)
- Identificeer potentiële confounders in deze onderzoeksvraag
- Stel 3–5 combinaties van zoektermen voor PubMed voor
Uitvoertaal: Nederlands"
Aanpak B levert inhoud op die u direct in uw onderzoeksprotocol kunt opnemen.
De drie elementen van een gestructureerde medische prompt
Elke effectieve medische onderzoeksprompt bevat drie kerncomponenten:
| Element | Doel | Voorbeeld |
|---|---|---|
| Roldefinitie | Vertelt de AI vanuit welke professionele achtergrond te redeneren | "Als biostatisticus met ervaring in klinische trials" |
| Onderzoekscontext | Geeft voldoende detail zodat de AI uw specifieke situatie begrijpt | Studieontwerp, steekproef, variabelen, bekende beperkingen |
| Uitvoerspecificatie | Definieert de structuur en het formaat van het antwoord | "Geef een lijst in PICO-formaat, met MeSH-zoektermen" |
Alle drie zijn essentieel. Zonder rol is het antwoord te generiek. Zonder context is het antwoord irrelevant voor uw studie. Zonder uitvoerspecificatie krijgt u een formaat dat u niet kunt gebruiken.
Waarom zelf prompts schrijven zelden werkt
Het principe is duidelijk, maar de meeste onderzoekers kunnen het in de praktijk niet volhouden:
- Te tijdrovend om van scratch te schrijven: Een goed gestructureerde prompt kost 10–15 minuten
- Onduidelijk welke context te vermelden: Verschillende onderzoekstaken vereisen volledig verschillende achtergrondinformatie
- Gemakkelijk om belangrijke beperkingen te vergeten: Vergeten "geen stapsgewijze regressie aanbevelen" te zeggen leidt tot statistisch discutabele aanbevelingen
- Geen kennis van domeinspecifieke faalpatronen: Gemiddelde imputatie voor binaire variabelen is een bekende valkuil, maar alleen als u het al eens eerder bent tegengekomen
Deze problemen kunnen niet worden opgelost met spontane vragen.
Een betere aanpak
Voor elke veelvoorkomende taak in de workflow van medisch onderzoek zijn er geoptimaliseerde, gestructureerde promptsjablonen. Deze sjablonen bevatten al:
- Passende roldefinitie en professionele framing
- Sleutelvragen voor het verzamelen van informatie voor die specifieke taak
- Veiligheidsmechanismen die veelvoorkomende AI-fouten voorkomen
- Gestandaardiseerde uitvoerformaten
U hoeft alleen uw onderzoeksdetails in te vullen—ontwerp, variabelen, steekproefgrootte—en de gegenereerde prompt te kopiëren naar het AI-hulpmiddel van uw keuze.
Sjablonen dekken de gehele onderzoekspijplijn: literatuuronderzoek, PICO-constructie, selectie van statistische methoden, manuscriptbewerking en samenvatting.
Gratis sjablonen zijn direct te gebruiken zonder registratie.
Probeer de PICO-onderzoeksvraagbouwer → · Bekijk alle promptsjablonen →