De drie modeltaken in een onderzoekspijplijn
Onderzoek is het duidelijkste geval voor een werkruimte met meerdere modellen, omdat de pijplijn drie werkelijk verschillende eisen stelt. Je hebt een model nodig dat een enorme hoeveelheid tekst tegelijk kan bevatten, een model dat zorgvuldig genoeg schrijft om peer review te doorstaan, en een model dat strak gestructureerde output teruggeeft zonder af te wijken. Geen enkel product is op alle drie het beste, en de overstapkosten tussen drie producten worden betaald in het opnieuw uploaden van hetzelfde corpus. De marginale kosten van overstappen binnen één werkruimte zijn klein en te voorspellen: op Whizi's model cost index (OpenRouter-listprijzen, opgehaald op 2026-08-20) komt Gemini 3.7 Flash uit op $0.001313 per standaardantwoord, Claude Sonnet 5 op $0.007, en GPT-5.6 Terra op $0.008, allemaal onder een cent per antwoord.
| Fase | Model | Wat het doet |
|---|---|---|
| Een corpus artikelen lezen | Gemini | 1M-token contextvenster, dus 15 tot 30 PDF's passen in één gesprek |
| Een bewijzentabel opbouwen | GPT | Strikte schema's, consistente kolomwaarden, geen redactionele afwijking |
| Proza en synthese schrijven | Claude | Zorgvuldig genuanceerd academisch register, trouw aan de bron |
| Recent werk vinden en bronnen controleren | Een met het web verbonden model | Retrieval tegen live bronnen in plaats van geheugen |
| Kritische toetsing van je eigen argument | Elk model dat het niet zelf schreef | Onafhankelijke lezer, geen sunk cost |
Het allerbelangrijkste om te begrijpen voordat je begint: een taalmodel dat vanuit het geheugen naar een artikel wordt gevraagd, verzint details, en het doet dat vloeiend. Een model dat een geüploade PDF leest, werkt vanuit de daadwerkelijke tekst. Dat zijn verschillende activiteiten met een verschillende betrouwbaarheid, en bijna elk horrorverhaal over AI in onderzoek komt voort uit het verwarren van het eerste met het tweede. Upload de bron. Altijd.
20 artikelen lezen zonder de draad kwijt te raken
De fout is vragen om een samenvatting. Een samenvatting van 20 artikelen is een alinea die elke 20 artikelen op dat vakgebied zou kunnen beschrijven. Wat je eigenlijk wilt, is een bewijzentabel, want een tabel dwingt het model om zich per artikel vast te leggen op een specifieke waarde en maakt de hiaten zichtbaar.
Prompt: de bewijzentabel
Ik heb [n] artikelen geüpload. Bouw een tabel met één rij per artikel en deze kolommen: citatie (auteurs, jaar), onderzoeksvraag, studieopzet, steekproefgrootte en populatie, gemeten primaire uitkomst, belangrijkste bevinding met de effectgrootte of kernstatistiek, vermelde beperkingen, en financieringsbron indien vermeld. Als een veld niet in een artikel wordt gerapporteerd, schrijf dan NIET GERAPPORTEERD. Leid geen waarden af. Neem geen enkel artikel op dat ik niet heb geüpload.
Prompt: de syntheseronde
Beantwoord, uitsluitend op basis van de tabel die je zojuist hebt gebouwd: waar zijn deze studies het over eens, waar verschillen ze van mening, en wat verklaart het verschil (opzet, populatie, meting of periode)? Identificeer de vragen in deze literatuur die geen enkele geüploade studie behandelt. Verwijs bij elke bewering naar de specifieke rijen waarop hij berust.
Prompt: methodologische kritiek
Noteer voor elke studie in de tabel de ernstigste bedreiging voor de validiteit: selectie, meting, confounding, statistische power, of generaliseerbaarheid. Wees specifiek over wat het artikel rapporteert, niet generiek. Als een studie methodologisch sterk is, zeg dat dan in plaats van een kritiekpunt te verzinnen.
Die laatste instructie doet echt werk. Vraag een model om problemen te vinden en het zal altijd problemen vinden, zelfs in een goed uitgevoerde studie, omdat het verzoek impliceert dat ze bestaan. Het expliciet toestemming geven om te zeggen dat een artikel deugdelijk is, houdt de kritiek eerlijk.
Voor de mechanica van het netjes in een chat krijgen van lange documenten, zie hoe je chat met een PDF en de gids over het samenvatten van PDF's met AI.
Extractie: gestructureerde data uit ongestructureerde tekst halen
Systematische extractie is de taak waarbij AI de meest verdedigbare tijdwinst oplevert, omdat de output verifieerbaar is. Je kunt een getal controleren tegen pagina 7. Je kunt geen gevoel controleren.
Prompt: strikte schema-extractie
Extraheer elke gerapporteerde statistiek uit dit artikel als JSON. Schema: {"value": number, "unit": string, "measure": string, "population": string, "location_in_paper": string, "confidence_interval": string or null, "p_value": string or null}. Neem alleen cijfers op die voorkomen in de tekst, tabellen of bijschriften bij figuren. Bereken geen afgeleide waarden. Rond niet af. Als een cijfer zowel in een tabel als in de tekst voorkomt met verschillende waarden, geef dan beide vermeldingen terug en markeer de discrepantie.
Het veld location_in_paper is het onderdeel dat mensen weglaten, en het is het onderdeel dat de output bruikbaar maakt. Het verandert een verificatieronde van het opnieuw doorlezen van het artikel in een gerichte controle, waardoor de verificatie daadwerkelijk gebeurt.
Prompt: vergelijken tussen artikelen
Zoek in de geüploade artikelen elke gerapporteerde schatting van [de grootheid die je interesseert]. Geef een tabel terug met: artikel, schatting, eenheid, populatie, schattingsmethode en jaar van gegevensverzameling. Middel ze niet. Vermeld expliciet waar de schattingen niet vergelijkbaar zijn vanwege verschillende definities of populaties.
Het model instrueren om niet te middelen is geen muggenzifterij. Het middelen van onvergelijkbare schattingen is de meest voorkomende manier waarop een AI-ondersteund literatuuroverzicht een getal oplevert dat vol overtuiging fout is, en het is het soort fout dat een reviewer meteen opmerkt.
Het overzicht schrijven zonder de zinnen van iemand anders te lenen
Claude is hier de beste schrijver, maar de prompt moet de twee regels afdwingen die er in academisch schrijven toe doen: beweringen blijven gekoppeld aan bronnen, en voorzichtige formuleringen blijven behouden. Modellen die getraind zijn om behulpzaam te zijn, hebben de neiging om voorzichtige taal te versterken en maken van "was geassocieerd met" ongevraagd "veroorzaakte".
Prompt: sectieconcept
Schrijf de [sectienaam] van een literatuuroverzicht met uitsluitend de bewijzentabel hierboven. Regels: elke bewering moet toe te schrijven zijn aan een specifieke rij, behoud de oorspronkelijke voorzichtige formulering (upgrade geen associatie naar een causale bewering), gebruik [citatiestijl]-opmaak, en markeer elke zin waarbij je verleid werd om verder te generaliseren dan het bewijs met [CHECK]. Doelgroep: onderzoekers in [vakgebied]. Lengte: ongeveer [n] woorden.
Prompt: de audit van voorzichtige formuleringen
Beoordeel dit concept tegen het bronmateriaal. Noteer elke zin die meer zekerheid uitspreekt dan de onderliggende studie ondersteunt, en elke zin die een bevinding aan de verkeerde bron toeschrijft. Citeer de zin en de tegenstrijdige brontekst naast elkaar. Herschrijf niet.
Voer de audit van voorzichtige formuleringen ook uit op je eigen schrijfwerk, niet alleen op de output van het model. Hij vangt dezelfde afwijking op in een menselijk concept dat om 23 uur is geschreven.
Citatieverificatie, die niet optioneel is
Dit is de sectie die het belangrijkst is, dus die is bewust bot geformuleerd. Taalmodellen verzinnen bronvermeldingen. Ze produceren citaties met echte auteursnamen, plausibele tijdschrifttitels, correct ogende volume- en paginanummers, en DOI's die nergens naar verwijzen of naar een niet-verwant artikel. Ingetrokken artikelen zijn op deze manier de literatuur binnengekomen. Reputaties zijn erdoor beschadigd.
De regels die dit voorkomen:
- Vraag een model nooit om vanuit het geheugen "bronnen te vinden" voor een bewering. Vraag een met het web verbonden model om ze op te halen, en open daarna elke link zelf.
- Controleer elke DOI door hem te herleiden. Een DOI die niet resolveert is een verzinsel, geen typefout.
- Controleer of het geciteerde artikel daadwerkelijk zegt wat de citatie beweert dat het zegt. Een echt artikel dat aan een bewering is gekoppeld die het niet ondersteunt, is de moeilijkere fout om te vinden, en komt vaker voor dan een verzonnen artikel.
- Citeer nooit iets dat je niet hebt geopend. Deze regel bestond al voor AI, en AI heeft hem dragend gemaakt.
- Houd de geüploade PDF's aan als de bron van waarheid. Alles wat het model je vertelt over een artikel dat je niet hebt geüpload, is per constructie ongeverifieerd.
Prompt: bronnenaudit
Geef voor elke bronvermelding in deze lijst aan: of je hem kunt bevestigen vanuit een bron in dit gesprek, of dat hij afkomstig is uit je trainingsdata en dus ongeverifieerd is. Raad niet. Markeer elke ongeverifieerde vermelding duidelijk. Ik controleer ze zelf handmatig.
Die prompt maakt het model niet betrouwbaar. Het maakt expliciet welke beweringen verankerd zijn aan iets dat jij hebt aangeleverd, en dat is precies het onderscheid dat je nodig hebt om te weten wat je moet controleren.
Wat dit niet vervangt
Het vervangt geen systematisch reviewprotocol. Als je werk PRISMA vereist, blijven de zoekstrategie, screening en inclusiebeslissingen iets dat jij moet documenteren en verdedigen. AI kan je helpen het protocol op te stellen en de extractie uit opgenomen studies te versnellen; het kan niet de zoekactie zelf zijn.
Het vervangt je referentiebeheerprogramma niet. Houd Zotero, Mendeley of EndNote aan als het overzicht van wat je daadwerkelijk hebt gelezen. De chat is werkgeheugen, geen archief.
Het vervangt geen statistische analyse. Een model kan een methode uitleggen, de R- of Python-code ervoor schrijven, en een sanity check doen op je interpretatie, maar je analyse in een chatvenster uitvoeren en op de rekenkunde vertrouwen is niet verdedigbaar. Genereer de code, voer hem uit in je eigen omgeving, en controleer de output.
En het vervangt geen openheid van zaken. Tijdschriften en instellingen eisen steeds vaker een verklaring over hoe AI-tools zijn gebruikt. Noteer gaandeweg wat je in elke fase hebt gebruikt, want dit achteraf reconstrueren bij inzending is onprettig.
- Upload de artikelen in plaats van het model te vragen wat het zich ervan herinnert
- Bouw een bewijzentabel met één rij per artikel voordat je om synthese vraagt
- Vereis een location_in_paper-veld bij elk geëxtraheerd cijfer, zodat verificatie gericht kan gebeuren
- Instrueer het model om voorzichtige formuleringen te behouden en associatie nooit naar causaliteit te upgraden
- Herleid elke DOI en open elke bron voordat die in je literatuurlijst terechtkomt
- Vraag het model aan te geven welke beweringen verankerd zijn aan geüploade tekst en welke uit het geheugen komen
- Houd een doorlopende notitie bij van hoe AI in elke fase is gebruikt, voor je openheidsverklaring
Veelgestelde vragen
Kan Whizi zeer lange artikelen aan?
Ja. Gemini in Whizi vermeldt een contextvenster van 1M tokens, wat in de praktijk betekent dat een lang proefschrift, een volledige regelgevende indiening, of een set van 15 tot 30 artikelen in één gesprek kan passen en als geheel bevraagd kan worden. Dat is anders dan een document stuk voor stuk samenvatten, want vragen over meerdere documenten heen, zoals "waar verschillen deze van mening", werken alleen als alles tegelijk aanwezig is.
Vermeldt Whizi bronnen?
Als je een met het web verbonden model gebruikt, geeft het links terug, en als je documenten uploadt, kan het aanwijzen waar in je bron een bewering vandaan komt. Geen van beide is een vervanging voor verificatie. Herleid elke DOI, open elke link, en bevestig dat het geciteerde werk de bewering ondersteunt die eraan gekoppeld is. Verzonnen en verkeerd toegeschreven bronvermeldingen zijn het ernstigste faalmodel van AI-ondersteund onderzoek, en de enige betrouwbare verdediging is de bron zelf openen.
Waarom niet gewoon één model voor alles gebruiken?
Omdat de drie fasen tegengesteld gedrag vragen. Een groot corpus lezen vereist een enorm contextvenster. Extractie vereist strikte, saaie naleving van een schema. Schrijven vereist zorgvuldig proza dat academische voorzichtigheid bewaart. Als je alle drie binnen één werkruimte uitvoert, wordt het corpus eenmaal geüpload en blijft de context behouden bij het wisselen, in plaats van dat je het opnieuw moet uitleggen aan drie afzonderlijke producten.
Is het acceptabel om AI te gebruiken in academisch werk?
Het beleid verschilt per tijdschrift, financier en instelling, en verandert snel, dus controleer de specifieke vereisten die voor jou gelden. Het brede patroon is dat het gebruik van AI voor extractie, conceptschrijven en redigeren over het algemeen acceptabel is met openheid, terwijl een model als auteur vermelden dat niet is, en jij blijft volledig verantwoordelijk voor elke bewering en citatie in het uiteindelijke werk. Noteer gaandeweg wat je hebt gebruikt.
Kan ik ongepubliceerde of vertrouwelijke data uploaden?
Whizi traint niet op je gesprekken en het beleid van elke provider is te bekijken voordat je dat model inschakelt, maar je ethische goedkeuring en eventuele data-uitwisselingsovereenkomst zijn de bindende beperkingen. Data van menselijke proefpersonen moet vrijwel altijd buiten beschouwing blijven, tenzij je goedkeuring verwerking door derden expliciet dekt. Geanonimiseerde fragmenten en je eigen concepten zijn de normale veilige gevallen.