Wetenschappelijke open-accessartikelen begrijpelijk maken voor Nederlandstalige niet-academische doelgroepen met behulp van open en betrouwbare generatieve AI.
Deze repository documenteert Wetenschap in begrijpelijke taal, een samenwerking tussen:
- KB Nationale Bibliotheek
- Vrije Universiteit Amsterdam – Universiteitsbibliotheek
- VU AI & Behaviour-groep
- VU Open Science
- VU Onderzoeksoverleg (VUOO)
- Nebula – VU AI-infrastructuur
- Parlement & Wetenschap
- SKILS – praktijk voor psychologie & coaching
- SURF – AI-hub & Research Cloud
Het project onderzoekt hoe large language models (LLM’s) betrouwbare en begrijpelijke publieksvriendelijke samenvattingen van wetenschappelijke artikelen in het Nederlands kunnen genereren, afgestemd op echte gebruikers zoals GZ-psychologen en beleidsadviseurs in het Nederlandse parlement.
<iframe src="https://drive.google.com/file/d/1cYRSYvuja-uEgv7F1EDdOhzTV2OcAu2b/preview" width="100%" height="480" allow="autoplay" style="border:0;"></iframe>
Deze video wordt breed toegankelijk gemaakt zodra het bijbehorende voorstel is geaccepteerd bij BNAIC 2026 (Belgisch-Nederlandse AI Conferentie).
- Demo-video
- Motivatie
- Projectdoelen
- Wat we bouwen
- Resultaten
- Aanbevelingen
- Onderzoekskader
- Projectorganisatie
- Tijdlijn & status
- Gerelateerde repositories & projecten
- Citeren
- Contact
- Licentie
Open science heeft ervoor gezorgd dat steeds meer onderzoeksartikelen vrij toegankelijk zijn, maar daarmee nog niet begrijpelijk.
- Ongeveer 40% van open-accessartikelen wordt gelezen door niet-academische doelgroepen (docenten, zorgprofessionals, beleidsmakers, burgers).
Zie Open for All: Exploring the reach of open access content to non-academic audiences (Wirsching et al., 2020).
https://doi.org/10.5281/zenodo.4143313 - Deze lezers hebben vaak moeite met jargon, complexe zinnen en abstract taalgebruik.
- Tegelijkertijd verspreidt desinformatie zich makkelijk online omdat het vaak wordt geschreven in eenvoudige, aansprekende taal.
Onderzoekers worden ondertussen steeds vaker gevraagd om:
- maatschappelijke impact aantoonbaar te maken,
- wetenschapscommunicatie en public engagement te doen,
- en onderzoeksresultaten toegankelijk te maken voor een breed publiek.
Maar goede publieksvriendelijke samenvattingen schrijven is tijdrovend en vraagt specifieke vaardigheden.
Generatieve AI biedt een kans — maar huidige tools zijn niet transparant, niet altijd betrouwbaar, en vaak afhankelijk van Big Tech. We hebben open, toetsbare en publieke alternatieven nodig.
Het project ontwikkelt en valideert een AI-gebaseerde methode die:
- Nederlandse publieksvriendelijke samenvattingen genereert van wetenschappelijke artikelen, afgestemd op:
- GZ-psychologen en zorgprofessionals,
- beleidsmedewerkers in parlement en ministeries,
- andere niet-academische professionals.
- Waar mogelijk gebruikmaakt van open en/of publiek beheerde LLM’s (zoals WiLLMa – GPT-NL, via SURF AI-hub).
- Volledig transparant en reproduceerbaar is:
- open prompts,
- open code,
- gedocumenteerde pijplijn en evaluatiemethodiek.
- Sterk leunt op de brontekst:
- zo min mogelijk hallucinaties,
- behoud van nuance.
- Schaalbaar is voor bibliotheken en contentplatforms.
Zo willen we de kloof tussen open access en echte toegankelijkheid verkleinen en de rol van bibliotheken als betrouwbare intermediairs versterken.
De pijplijn genereert eerst meerdere kandidaat-samenvattingen uit hetzelfde artikel en kiest daarna de beste voor vertaling naar het Nederlands.
Samenvatting (linksboven), leesbaarheidsevaluatie (rechtsonder), feitelijkheidsevaluatie (linksonder) en vertaling (rechtsboven).
- Prompt engineering & persona’s
Doelgroepgerichte prompts (bv. “Leg dit uit aan een Nederlandse GZ-psycholoog”, “Leg dit uit aan een beleidsadviseur”).
Zie de daadwerkelijke prompts per doelgroep: https://github.com/ubvu/wibt-tool/tree/main/prompts - Meerdere open LLM’s
gpt-oss-120b en Gemma3-12b voor samenvatting en evaluatie, TranslateGemma-12b als basis voor de vertaling. Deze modellen zijn beschikbaar gesteld via Nebula, het LLM-platform van de VU, en de AI-Hub van SURF. - LLM-as-a-judge voor leesbaarheid
Eén evaluatie-agent scoort elke samenvatting op zinsbouw, taal/jargon, informatiedichtheid en structuur. - Advocate/Skeptic/Adjudicator voor feitelijkheid
Twee agents beargumenteren per zin vóór en tegen of die uit het bronartikel volgt; een derde agent (de Adjudicator) beslist. - Evaluatie met echte gebruikers
- feitelijke juistheid door de oorspronkelijke auteurs en onafhankelijke domeinexperts,
- leesbaarheid & bruikbaarheid door GZ-psychologen en informatiespecialisten van de Tweede Kamer.
We bouwden een onderzoeksprototype waarmee gebruikers:
- Een wetenschappelijk artikel kunnen uploaden (PDF).
- Een doelgroep kunnen kiezen (algemeen, GZ-psycholoog, of informatiespecialist Tweede Kamer).
- Een samenvatting kunnen genereren:
- een gestructureerde Engelse samenvatting,
- een toegankelijke Nederlandse publieksvriendelijke samenvatting,
- kwaliteitsindicatoren (leesbaarheid, feitelijkheid, enz.).
- Verschillende modellen, endpoints en temperature-instellingen kunnen vergelijken.
De tool is beschikbaar in het Nederlands en Engels, gebouwd in Python en Marimo, en draait op modellen in verschillende omgevingen waaronder VU Nebula AI-infrastructuur, SURF AI-hub en custom OpenAI-endpoints.
De code, prompts en documentatie staan open op wibt-tool.
Het project levert de volgende open resources:
-
[D1] Technisch rapport
Documentatie van pijplijn, prompts, experimenten en resultaten.
Publicatie: UKB Zenodo Community – https://zenodo.org/communities/ukb/ -
[D2] Open GitHub-repositories met code, prompts & benchmarkdata
- https://github.com/ubvu/wibt-tool — de pijplijn zelf: agents, prompts per doelgroep, CLI en Marimo-GUI.
- Voorbeelden / voorgangers:
- De repository (https://github.com/ubvu/wibt) fungeert als publieke documentatie en landing page.
-
[D3] Demonstratieplatform (prototype)
Python- en Marimo-gebaseerd, voor workshops en evaluaties. -
[D4] Open-accesspublicatie
Te publiceren via de VU Journal Browser. -
[D5] Communicatiematerialen
Gericht op:- bibliotheken (UKB, SHB),
- open access platforms (bv. openjournals.nl),
- uitgevers (bv. Elsevier),
- discovery platforms (WorldCat, OpenAIRE),
- citizen science en kennisplatforms (openresearch.amsterdam, Kenniscloud),
- netwerken als NEWS – Wetenschap & Samenleving.
We testten de pijplijn op 59 wetenschappelijke artikelen. Veertien mensen uit de doelgroepen beoordeelden in totaal 100 samenvattingen op leesbaarheid; vijf onafhankelijke experts en dertien oorspronkelijke auteurs beoordeelden samen 49 samenvattingen op feitelijke juistheid. (De onderliggende publicatie is nog in voorbereiding — onderstaande cijfers komen uit het huidige concept en kunnen nog licht wijzigen.)
Leesbaarheid. Op een schaal van 1 tot 5 scoorden zinsbouw, structuur en begrijpelijkheid een mediaan van 4,0. Taalgebruik/jargon en informatiedichtheid haalden vrijwel precies hun optimale score van 3,0 — niet te simpel, niet te complex. De algemene leesbaarheidsscore bleef met een mediaan van 3,0 wat achter: deelnemers gaven vaak aan dat losse zinnen te lang of te ingewikkeld waren om in één keer te volgen, deels door de vertaalstap naar het Nederlands. Mensen die dezelfde samenvatting beoordeelden, waren het onderling regelmatig oneens over hoe leesbaar die was — leesbaarheid is dus deels subjectief. GZ-psychologen beoordeelden een deel van de metrieken hoger dan informatiespecialisten van de Tweede Kamer.
Feitelijkheid. Beide feitelijkheidsmetrieken scoorden een mediaan van 4,0: hoe volledig een samenvatting was ten opzichte van het bronartikel, en hoe betrouwbaar (geen verzonnen informatie). Oorspronkelijke auteurs en onafhankelijke experts beoordeelden de feitelijke juistheid vergelijkbaar — externe experts lijken de samenvattingen dus net zo goed te kunnen controleren als de auteurs zelf.
Taalmodel als beoordelaar. We lieten ook een taalmodel de samenvattingen zelf beoordelen (LLM-as-judge). Die oordelen weken op vrijwel alle metrieken systematisch af van het oordeel van mensen, en rangschikten de samenvattingen alleen bij volledigheid op vergelijkbare wijze als mensen. Voor feitelijke betrouwbaarheid blijft een menselijke check dus nodig.
- Houd een mens in de loop. Taalmodellen blijven foutgevoelig. Een auteur of vakexpert checkt de inhoud voordat een samenvatting wordt gepubliceerd of gebruikt.
- Label AI-gegenereerde tekst. Elke samenvatting krijgt een duidelijk zichtbaar "AI-gegenereerd"-label. Dat is ook wat de EU AI Act (artikel 50) sinds augustus 2026 vraagt van gepubliceerde AI-content.
- Reken het energieverbruik mee. De pijplijn gebruikt per samenvatting best wat rekenkracht; bij opschaling naar veel artikelen is dat een reëel aandachtspunt.
- Werk aan de vertaalstap. Een deel van de leesbaarheidsklachten ontstond bij het vertalen naar het Nederlands. Vervolgonderzoek kijkt naar Nederlandse taalmodellen (zoals GPT-NL/WiLLMa) om onnatuurlijke zinnen te voorkomen.
- Zoek een betere maat voor leesbaarheid. Omdat mensen het onderling oneens zijn, is objectiever meten van leesbaarheid een concrete vervolgstap.
- Dit is een methode, geen kant-en-klare dienst. Organisaties die de aanpak willen overnemen, bouwen zelf verder op de open code en prompts — er is geen productieklare "plug-and-play"-oplossing.
Belangrijke bevindingen uit de literatuur:
-
Leesbaarheid
Verschillende studies laten zien dat LLM's vaak leesbaardere samenvattingen produceren dan onderzoekers zelf. -
Factuality & bias
Modellen hallucineren of generaliseren soms te veel.
Voorzichtigheid is nodig bij subtiele of onzekere bevindingen. -
Mens + AI werkt het beste
LLM’s geven een goede eerste versie;
experts corrigeren nuances en fouten. -
Methodieken
Multi-agent workflows en geavanceerde evaluatiemethoden hebben veel invloed op de kwaliteit.
De volledige presentatie:
State of the Art in LLM-Generated Lay Summaries of Scientific Articles.
- Astrid van Wesenbeeck – Projectcoördinatie / Chief Open Science, KB
- Maurice Vanderfeesten – Bibliotheekliaison / Innovatiemanager, VU UB
- Michel Klein – Methodologie & begeleiding, VU AI & Behaviour
- Githa Wijbenga – Research assistant. Verantwoordelijkheden: literatuurstudie, interviews, respondentencontact, prompt- en agentic engineering, data-analyse, rapportage
- Geoffrey Frankhuizen – Research assistant. Verantwoordelijkheden: software engineering, multi-agent orchestration, prompt engineering, data engineering, rapportage
- Heleen van Manen – Programmaleider PICA - Wetenschap en publiek, KB
- Beleidsmedewerkers Tweede Kamer
Contact: Hugo van Bergen, Parlement & Wetenschap - GZ-psychologen & zorgprofessionals
Contact: Ulrika Léons, SKILS - Wetenschappelijke informatie Specialisten
Contact: Pam Kaspers, VU Universiteitsbibliotheek
We werken met:
- een stuurgroep (infrastructuur, afstemming, strategie),
- een adviesgroep (publieke waarden, maatschappelijke impact).
Uitkomsten worden gedeeld met o.a.: NEWS (netwerk wetenschap en samenleving), SURF, Waag Future Lab, VU Impact Board.
De pijplijn is gebouwd en getest. De evaluatie is afgerond: 100 leesbaarheidsbeoordelingen en 49 feitelijkheidsbeoordelingen door de doelgroepen zelf (zie Resultaten), plus een demo die inmiddels op meerdere plekken is getoond.
Het technisch rapport en de wetenschappelijke publicatie zijn in voorbereiding. Een preprint volgt naar verwachting in het najaar van 2026 — zodra die er is, linken we hem hier en in de citatie hieronder.
Statusupdates komen beschikbaar via
https://github.com/ubvu/wibt/projects (wanneer geactiveerd).
-
🛠️ De pijplijn (code, prompts, CLI & demo)
https://github.com/ubvu/wibt-tool -
🔬 Onderzoeksprototype & platform
https://github.com/ubvu/ResearchMadeReadable -
🧠 Prompt templates voor publieksvriendelijke samenvattingen
https://github.com/ubvu/Layman_Summaries -
🇳🇱 GPT-NL / WiLLMa
https://www.gpt-nl.nl/
SURF demoportal: https://aichat.surf.nl SURF AI-Hub backend: https://aihub.surf.nl -
📊 Open-access-leesgedrag
Open for All (Wirsching et al., 2020): https://doi.org/10.5281/zenodo.4143313
Deze GitHub Pages-site:
https://ubvu.github.io/wibt/
vormt de centrale projectpagina.
Aanbevolen voorlopige citatie:
Vanderfeesten, M., van Wesenbeeck, A., Klein, M., et al. (2025). Wetenschap in begrijpelijke taal: LLM-gebaseerde publieksvriendelijke samenvattingen van wetenschappelijke artikelen. Projectdocumentatie. Verkregen van https://ubvu.github.io/wibt/
Het technisch rapport en de wetenschappelijke publicatie zijn nog niet gepubliceerd; een preprint volgt naar verwachting in het najaar van 2026. Gebruik die versie voor citatie zodra deze beschikbaar is.
- Astrid van Wesenbeeck – KB
astrid.vanwesenbeeck@kb.nl - Maurice Vanderfeesten – VU UB
maurice.vanderfeesten@vu.nl - Michel Klein – VU AI & Behaviour
michel.klein@vu.nl
Of maak een Issue aan in de repository:
https://github.com/ubvu/wibt/issues
De code uit aanverwante repositories is open source (MIT of Apache 2.0).
De inhoud van deze README en projectdocumentatie valt onder
CC BY 4.0, tenzij anders vermeld.
Zie het LICENSE-bestand in deze repository.