← Kennisbank/C37
c37Factchecking10 augustus 20263 min lezenMvG | Atthis AI redactie

Factcheck per claimtype: zo controleer je AI-blogs gericht

Niet elke bewering in een AI-blog vraagt dezelfde controle. Classificeer claims per type, weeg het risico en leg vast wie wat heeft geverifieerd. Zo werkt het.

Een onjuiste bewering in een AI-gegenereerd blog leest net zo vloeiend als de rest, dus een gewone leesronde haalt hem er zelden uit. Een factcheck-workflow die claims eerst classificeert en daarna per type controleert, zet redactietijd in waar het risico zit. Hieronder de kern: wat je markeert, hoe je per type verifieert en wie uiteindelijk vrijgeeft.

Factcheck per claimtype: zo controleer je AI-blogs gericht

Een onjuiste bewering in een AI-gegenereerd blog leest net zo vloeiend als de rest, dus een gewone leesronde haalt hem er zelden uit. Een factcheck-workflow die claims eerst classificeert en daarna per type controleert, zet redactietijd in waar het risico zit. Hieronder de kern: wat je markeert, hoe je per type verifieert en wie uiteindelijk vrijgeeft.

Het kort: 5 praktijk-takeaways

1. Classificeer voordat je controleert — Markeer elke verifieerbare bewering in het concept en label het type: statistisch, bron, juridisch, product, technisch of temporeel. Het type bepaalt de controlemethode. Vage formuleringen als ‘wint terrein’ zijn geen mening maar een te vage claim — herformuleer of onderbouw ze. Zo landt de controletijd waar het risico zit.

2. Cijfers: terug naar de primaire bron — Zoek bij percentages en onderzoeksresultaten de oorspronkelijke publicatie op, niet een blog die het cijfer citeert. Controleer titel, datum en of het cijfer in dezelfde context staat. Geen primaire bron of een zwakke bron? Herschrijf kwalitatief of schrap. Een blog zonder cijfer is sterker dan een met een onhoudbaar cijfer.

3. Juridisch en product: extra streng — Bij juridische claims controleer je artikel, doelgroep en uitzonderingen — en laat een jurist of compliance-officer goedkeuren, vastgelegd op naam. Productdetails behandel je als mogelijk verouderd: noem ze alleen met een gedateerde leveranciersbron en archiefkopie, of beschrijf categorieën en afwegingscriteria in plaats van specificaties.

4. Weeg risico, niet alles evenveel — Beoordeel per claim de kans op fout en de schade bij fout. Laag risico: steekproef. Middelrisico zoals cijfers en productdetails: volledige check door de redacteur. Hoog risico — juridisch, medisch, financieel — krijgt expertverificatie plus compliance en een tweede reviewer. Zo zet je beperkte reviewcapaciteit gericht in.

5. Registreer en plan hercontrole — Leg per artikel vast welke claims zijn gecontroleerd, tegen welke bron, door wie en wanneer, gekoppeld aan versiebeheer. Geef tijdgevoelige claims een herbeoordelingsdatum en laat gewijzigde passages de workflow opnieuw doorlopen. Beleg de vrijgave bij één eindverantwoordelijke met een naam, niet alleen een functie.

Waar AI dit goed kan — en waar niet

AI is goed in het signaleren, niet in het verifiëren. Een taalmodel kan een concept doorlopen en elke toetsbare bewering markeren, het claimtype labelen, relatieve tijdsaanduidingen (‘de nieuwste’, ‘sinds vorig jaar’) aanstrepen en ontbrekende bronvermeldingen aanwijzen. Dat is saai, repetitief werk waar mensen steken laten vallen — en het vraagt geen groot model. Een compact model, lokaal of in de EU gehost, doet dit prima, ook als concepten vertrouwelijke informatie bevatten.

De nuance zit in de verificatie zelf. Vraag je een model of een claim klopt, dan krijg je een antwoord uit hetzelfde soort systeem dat de fout mogelijk heeft veroorzaakt: vloeiend, zelfverzekerd en zonder toegang tot de werkelijke bron. Verzonnen rapporten van bestaande instituten of echte rapporten met een verzonnen conclusie herkent een model niet betrouwbaar. Retrieval helpt — een model dat alleen redeneert over documenten die jij aanlevert, zoals de wettekst of de leveranciersdocumentatie — maar ook dan controleert een mens of het citaat werkelijk in de bron staat en of de context klopt.

Praktisch: laat AI de markeer- en classificatiestap doen en de output in een claimregister zetten. Bronnen opzoeken, bronkwaliteit toetsen en de publicatiebeslissing nemen blijft menselijk werk — zeker bij juridische, medische en financiële claims.

Bron

Dit overzicht is gebaseerd op het volledige artikel van C37: Factcheck-workflow voor AI-blogs: stappen per claimtype

Het brand-artikel werkt de zes bronkwaliteitscriteria uit, geeft per claimtype de volledige controlestappen inclusief bekende foutpatronen, bevat een achtpuntschecklist en een aanpak om met één artikel en een kwartaalevaluatie te starten, met verwijzingen naar de gidsen van Articulate en Glean.

Het kort: 5 praktijk-takeaways

  1. 01 — Classificeer voordat je controleert

    Markeer elke verifieerbare bewering in het concept en label het type: statistisch, bron, juridisch, product, technisch of temporeel. Het type bepaalt de controlemethode. Vage formuleringen als ‘wint terrein’ zijn geen mening maar een te vage claim — herformuleer of onderbouw ze. Zo landt de controletijd waar het risico zit.

  2. 02 — Cijfers: terug naar de primaire bron

    Zoek bij percentages en onderzoeksresultaten de oorspronkelijke publicatie op, niet een blog die het cijfer citeert. Controleer titel, datum en of het cijfer in dezelfde context staat. Geen primaire bron of een zwakke bron? Herschrijf kwalitatief of schrap. Een blog zonder cijfer is sterker dan een met een onhoudbaar cijfer.

  3. 03 — Juridisch en product: extra streng

    Bij juridische claims controleer je artikel, doelgroep en uitzonderingen — en laat een jurist of compliance-officer goedkeuren, vastgelegd op naam. Productdetails behandel je als mogelijk verouderd: noem ze alleen met een gedateerde leveranciersbron en archiefkopie, of beschrijf categorieën en afwegingscriteria in plaats van specificaties.

  4. 04 — Weeg risico, niet alles evenveel

    Beoordeel per claim de kans op fout en de schade bij fout. Laag risico: steekproef. Middelrisico zoals cijfers en productdetails: volledige check door de redacteur. Hoog risico — juridisch, medisch, financieel — krijgt expertverificatie plus compliance en een tweede reviewer. Zo zet je beperkte reviewcapaciteit gericht in.

  5. 05 — Registreer en plan hercontrole

    Leg per artikel vast welke claims zijn gecontroleerd, tegen welke bron, door wie en wanneer, gekoppeld aan versiebeheer. Geef tijdgevoelige claims een herbeoordelingsdatum en laat gewijzigde passages de workflow opnieuw doorlopen. Beleg de vrijgave bij één eindverantwoordelijke met een naam, niet alleen een functie.

Waar AI dit goed kan — en waar niet

AI is goed in het signaleren, niet in het verifiëren. Een taalmodel kan een concept doorlopen en elke toetsbare bewering markeren, het claimtype labelen, relatieve tijdsaanduidingen (‘de nieuwste’, ‘sinds vorig jaar’) aanstrepen en ontbrekende bronvermeldingen aanwijzen. Dat is saai, repetitief werk waar mensen steken laten vallen — en het vraagt geen groot model. Een compact model, lokaal of in de EU gehost, doet dit prima, ook als concepten vertrouwelijke informatie bevatten.

De nuance zit in de verificatie zelf. Vraag je een model of een claim klopt, dan krijg je een antwoord uit hetzelfde soort systeem dat de fout mogelijk heeft veroorzaakt: vloeiend, zelfverzekerd en zonder toegang tot de werkelijke bron. Verzonnen rapporten van bestaande instituten of echte rapporten met een verzonnen conclusie herkent een model niet betrouwbaar. Retrieval helpt — een model dat alleen redeneert over documenten die jij aanlevert, zoals de wettekst of de leveranciersdocumentatie — maar ook dan controleert een mens of het citaat werkelijk in de bron staat en of de context klopt.

Praktisch: laat AI de markeer- en classificatiestap doen en de output in een claimregister zetten. Bronnen opzoeken, bronkwaliteit toetsen en de publicatiebeslissing nemen blijft menselijk werk — zeker bij juridische, medische en financiële claims.