Op deze pagina lees je meer over kwetsbaarheden in opdrachtvereisten (in relatie tot GenAI) die vaak kunnen worden opgelost. Je vindt ook informatie over oplossingen en gedetailleerde voorbeelden. Er is uitleg bij vier specifieke kwetsbaarheden die ieder op een aparte pagina zijn uitgewerkt.

Door op de links te klikken kan je de andere pagina’s bekijken of terug gaan naar de pagina over schriftelijke opdracht zonder supervisie.

De opdracht vereist geen vakspecifieke kennis
De opdracht vereist geen vaardigheden op een hoger niveau
De opdracht vereist niet dat studenten zich bezighouden met vakspecifieke literatuur
De opdracht vereist geen visualisaties

In vergelijking met mensen zijn de huidige GenAI-tools niet erg goed in bepaalde vaardigheden op een hoger niveau, zoals contextueel denken, temporeel en psychologisch redeneren of interpreteren. Je kunt dit in je voordeel gebruiken bij het ontwerpen van toetsing, bijvoorbeeld door het opnemen van vragen die leerlingen aansporen om hun begrip van de stof op een authentieke en zinvolle manier te tonen door middel van (kritische) reflectie, analyse, interpretatie, integratie, evaluatie of synthese.

Hoe kun je reflectie en creativiteit bij toetsing bevorderen?

Laat leerlingen verbanden leggen tussen verschillende ideeën of concepten;
Vraag leerlingen om een argument of perspectief te evalueren;
Vraag leerlingen om kritisch te reflecteren op een specifiek academisch artikel met behulp van een specifieke context;
Laat studenten kennis toepassen in een nieuwe situatie of context, of op aspecten van de cursus, zoals aangetoond in een bepaalde les;

Er zijn bepaalde taken die GenAI (heel) goed uitvoert en andere waar het moeite mee heeft. Als vuistregel kunnen we zeggen dat hoe eenvoudiger de taak (bijvoorbeeld samenvatten, beschrijven, uitleggen), hoe beter de gegenereerde output. Vraag leerlingen in plaats daarvan om te analyseren, integreren, toepassen en/of praktijkvoorbeelden te geven. Houd er wel rekening mee dat GenAI zich momenteel snel ontwikkelt en in de (nabije) toekomst waarschijnlijk beter zal worden in denken op een hoger niveau.

Voorbeeld: samenvattingstaak

Opdrachtinstructies

Schrijf een korte samenvatting (250 woorden) van de rol van Cambridge Analytica bij de Amerikaanse verkiezingen van 2016.

Analyse

Zoals we in de output kunnen zien, doet ChatGPT het redelijk goed bij deze opdracht. Dit kan worden verwacht omdat het Cambridge Analytica-schandaal goed vertegenwoordigd zou zijn in de trainingsdata voor ChatGPT en de opdracht “schrijf een korte samenvatting” relatief eenvoudig is.

Student

Schrijf een korte samenvatting (250 woorden) over de rol van Cambridge Analytica bij de Amerikaanse verkiezingen van 2016.

ChatGPT

Cambridge Analytica, een Brits politiek consultancybureau, speelde een zeer controversiële rol in de Amerikaanse presidentsverkiezingen van 2016. Het bedrijf maakte gebruik van geavanceerde datamining- en analysetechnieken om gedetailleerde psychologische profielen op te stellen van Amerikaanse kiezers. Cambridge Analytica gebruikte haar enorme database – die naar verluidt persoonlijke gegevens bevatte van 87 miljoen Facebook-gebruikers die zonder hun toestemming waren verkregen – om zeer gepersonaliseerde politieke advertenties te microtargeten.

Het bedrijf werd ingehuurd door de verkiezingscampagne van Donald Trump en gebruikte zijn capaciteiten om het gedrag van kiezers ten gunste van Trump te beïnvloeden. De geavanceerdheid van deze datagestuurde campagne leidde tot grote bezorgdheid over privacy, toestemming en het potentieel voor manipulatie binnen het democratische proces. Critici beweerden dat het bedrijf de digitale voetafdruk van miljoenen nietsvermoedende Facebook-gebruikers exploiteerde en gebruikmaakte van hun likes, shares en andere activiteiten om de verkiezingen te beïnvloeden.

Hoewel het moeilijk is om de directe invloed van Cambridge Analytica op de verkiezingsuitslag in cijfers uit te drukken, hebben de onthullingen over de praktijken van Cambridge Analytica een wereldwijd gesprek op gang gebracht over gegevensprivacy en de rol van sociale media in politieke campagnes. Het schandaal leidde tot veel verzet tegen Facebook en uiteindelijk tot de ontbinding van Cambridge Analytica in 2018.

Voorbeeld: een introductie schrijven

Als we ChatGPT vragen om een hele inleiding te schrijven voor een onderzoekspaper over hetzelfde onderwerp, heeft het moeite om een voldoende resultaat te genereren.

Oprachtinstructies

Schrijf een inleiding voor een academische paper waarin je de rol van microtargeting op sociale media bij Amerikaanse verkiezingen onderzoekt.

Analyse

Ondanks dat de intro goed is geschreven, voldoet het niet aan de verwachtingen voor een onderzoekspaper omdat het te algemeen is, geen specifieke invalshoek introduceert en een empirische analyse ‘verzint’.

De belangrijkste reden voor de kwaliteitsdiscrepantie in beide taken is dat het schrijven van een inleiding complexe redeneringen vereist (Welke concepten zijn belangrijk? Hoe worden ze gedefinieerd? Wat is een potentieel interessant en te weinig onderzocht onderzoeksvraag? Welke analytische lens is het meest zinvol om het onderwerp mee te onderzoeken?)

Student

Schrijf een inleiding voor een academisch artikel over de rol van microtargeting op sociale media bij Amerikaanse verkiezingen.

ChatGPT

Verkiezingen en hun resultaten zijn fundamenteel verbonden met de informatiestroom, en nergens is die stroom doordringender of invloedrijker dan op sociale mediaplatforms. In de afgelopen jaren heeft de granulariteit van beschikbare data over individuen geleid tot de opkomst van microtargeting als een primaire strategie in politieke campagnes, met name in de Verenigde Staten. Microtargeting maakt gebruik van persoonlijke gegevens om politieke boodschappen af te stemmen op kleine, specifieke groepen of zelfs individuele kiezers. De implicaties van deze tactiek voor democratische processen zijn echter nog onvoldoende onderzocht.

Dit artikel onderzoekt de rol en impact van microtargeting op sociale media bij Amerikaanse verkiezingen. Door middel van een veelzijdige lens onderzoeken we de evolutie van microtargeting, de databronnen die het mogelijk maken en de toepassing ervan in de politieke arena. Aan de hand van gegevens uit verschillende recente verkiezingscycli onderzoeken we hoe deze technieken het stemgedrag en het bredere politieke discours hebben beïnvloed. Bovendien onderzoekt dit onderzoek de ethische en democratische implicaties van deze steeds verfijndere methode om kiezers te overtuigen. Temidden van de groeiende bezorgdheid over dataprivacy, desinformatie en de potentiële manipulatie van het publieke sentiment, roept ons onderzoek belangrijke vragen op: In hoeverre maakt microtargeting kiezers mondiger of mondiger? Draagt het bij aan politieke polarisatie en echokamers?

Door deze nieuwe grens van digitale politiek in kaart te brengen, biedt deze paper inzichten aan academici, beleidsmakers, belanghebbenden bij verkiezingen en burgers. Door dit te doen, willen we een breder begrip en discussie over de toekomst van politieke betrokkenheid in het digitale tijdperk bevorderen. Onze bevindingen onderstrepen de dringende behoefte aan regelgevend onderzoek en mogelijke hervormingen om de eerlijkheid en integriteit van toekomstige verkiezingen in het tijdperk van microtargeting te waarborgen.