Wanneer “goed onderbouwd” ook echt integer is

Je werkt als Offloader of Power User aan een interne notitie en laat Copilot een onderbouwing schrijven: “Vat het bewijs samen dat maatregel X effectief is.” De output komt terug met een strak narratief, termen als “onderzoek toont aan” en een klinkende conclusie. In een paar minuten lijkt je stuk ineens af—maar precies daar zit de spanning voor DNB-werk: is dit bewijs, of bewijs-achtig taalgebruik?

In een context waar zorgvuldigheid, uitlegbaarheid en integriteit bepalend zijn, is “snelle synthese” alleen waardevol als je kunt verantwoorden waar claims op steunen, wat de kwaliteit van het bewijs is, en welke onzekerheid je accepteert. Evidence literacy is dus geen academische luxe; het is een praktische bekwaamheid om AI-outputs veilig te gebruiken zonder dat je onbedoeld schijnzekerheid opschaalt.

Deze les maakt evidence literacy concreet met een DNB-integriteitsbril: je leert bewijs herkennen, wegen, begrenzen en transparant maken—zodat Copilot helpt versnellen, zonder dat het de kwaliteit van besluitvorming ondermijnt.

Evidence literacy: wat het is (en wat het níet is)

Evidence literacy is het vermogen om uitspraken om te zetten in toetsbare claims, en vervolgens bewust te bepalen welk type bewijs nodig is, hoe sterk dat bewijs is, en wat je nog niet weet. Het gaat niet alleen om “bronnen zoeken”, maar om het lezen en schrijven van onderbouwing met discipline: definities scherp, causaliteit proportioneel, aannames gelabeld, en onzekerheid zichtbaar.

Evidence literacy sluit direct aan op het kwaliteitskader uit de vorige les:

  • Herleidbaarheid: welke claim komt uit welke input, bron, definitie of aanname?

  • Verifieerbaarheid: kun je de claim controleren met een bron of methode, of is het alleen “bron-achtig”?

  • Contextfit: past het bewijs bij DNB-definities, scope, normen en constraints?

  • Onzekerheidsdiscipline: benoemt de tekst beperkingen en alternatieven, of poetst hij die weg?

Een bruikbare analogie: zie Copilot als een samenvattings- en hypothesemachine, niet als een bewijsleverancier. AI kan de vorm van een onderbouwing uitstekend genereren (structuur, argumentlijn, taal), maar de geldigheid van bewijs vereist óf traceerbare bronnen, óf een traceerbare methode, óf expliciet gemarkeerde onzekerheid. Evidence literacy is de vaardigheid om dat onderscheid snel en consequent te maken, ook onder tijdsdruk.

Drie vragen die elk “bewijs” in AI-tekst moet overleven

1) “Wat is hier precies de claim?” (van verhaal naar auditbare bewering)

AI-teksten zijn vaak overtuigend omdat ze een vloeiend narratief bouwen: probleem, oorzaak, oplossing, effect. Evidence literacy begint met de omkering: je knipt het narratief terug naar losse, toetsbare claims. Dat voorkomt dat je onbewust een “reasoning-illusie” overneemt: een logische vorm zonder controleerbare inhoud.

Maak claims expliciet door zinnen te herformuleren naar één van deze vormen:

  • Feitclaim: “X is gebeurd / bestaat / is gemeten.”

  • Causale claim: “X leidt tot Y” (sterk) of “X kan bijdragen aan Y” (zwakker, vaak passender).

  • Vergelijkingsclaim: “X werkt beter dan Y.”

  • Normatieve claim: “We zouden X moeten doen” (waarde- of beleidskeuze, geen evidence op zichzelf).

Dit is ook waar veel misvattingen zitten. Een typische: “Als Copilot het helder formuleert, zal het wel een ‘echte’ conclusie zijn.” Helderheid is geen bewijs; het verhoogt vooral de kans dat anderen het zonder weerstand lezen. Door claims te isoleren, kun je per claim bepalen: is dit geverifieerd, te verifiëren, of nu nog een hypothese? Daarmee blijft snelheid mogelijk, maar voorkom je dat één gladde alinea te veel gewicht krijgt in besluitvorming.

2) “Welk soort bewijs zou dit überhaupt kunnen dragen?” (fit tussen claim en bewijs)

Niet elk bewijs is geschikt voor elke claim. Evidence literacy betekent dat je het type claim koppelt aan een passende bewijsroute. AI-tekst verwart dit vaak: een algemene observatie wordt opgewerkt tot causaliteit, of een “best practice” wordt behandeld alsof het een harde effectmeting is.

Denk in een paar praktische niveaus van bewijssterkte:

  • Voor feitclaims heb je data, registraties, definities, of betrouwbare documentatie nodig.

  • Voor causale claims heb je mechanisme + onderbouwing nodig (bijv. evaluaties, analyses, of ten minste plausibele verklaring mét beperkingen).

  • Voor vergelijkingen heb je vergelijkbare meetlatten: dezelfde definities, periode, populatie, context.

  • Voor aanbevelingen heb je niet alleen “wat werkt”, maar ook contextfit: randvoorwaarden, risico’s, uitvoerbaarheid, governance.

Een veelvoorkomende valkuil uit de eerdere lessen is over-precisie: impact/kans “hoog”, “significant”, “bewezen effectief” zonder meetkader. Evidence literacy dwingt dan één simpele vraag af: “Significant ten opzichte van wat—welke benchmark, welke definitie, welke dataset?” Als dat ontbreekt, is het geen harde conclusie maar een nog te onderbouwen inschatting. Je hoeft het niet te verwerpen; je moet het correct labelen en de besluitimpact begrenzen.

3) “Wat is de integriteitsversie van deze zin?” (transparantie boven retoriek)

DNB-integriteit in AI-onderbouwing betekent: je schrijft zó dat een kritische lezer kan zien waar je zeker van bent, waar je leunt op aannames, en waar je nog moet verifiëren. AI genereert vaak autoritaire taal (“het is duidelijk dat…”, “onderzoek toont aan…”) die discussie afsluit. Integriteits-taal opent juist de controleerbaarheid.

Concreet: je vervangt schijnzekerheid door transparante kwalificaties die nog steeds besluitwaardig kunnen zijn:

  • “Onderzoek toont aan …” → “Er zijn aanwijzingen in [bron/type] dat …; toepasbaarheid hangt af van …”

  • “Leidt tot …” → “Kan bijdragen aan …; alternatieve verklaring is …”

  • “Best practice …” → “Veelgebruikte aanpak; effectiviteit is contextafhankelijk en vraagt toetsing op …”

Hier zit een typische misconceptie: “Onzekerheid tonen maakt de boodschap zwak.” In professionele governance werkt het omgekeerd: goed geplaatste onzekerheid verhoogt betrouwbaarheid en maakt besluiten uitlegbaar. Je behoudt handelingskracht door onzekerheid te koppelen aan condities: “Als X klopt, dan A; als Y waarschijnlijker is, dan B.” Dit is onzekerheidsdiscipline als integriteitspraktijk: je voorkomt dat AI-tekst stelligheid simuleert waar die niet verdiend is.

Van bron-achtig naar bronvast: waar AI-teksten het vaak mis laten gaan

AI-outputs hebben terugkerende patronen die evidence literacy direct raken. Hieronder zie je de belangrijkste verschillen tussen “klinkt onderbouwd” en “is onderbouwd”—en wat je dan praktisch doet.

Dimensie Bron-achtig (risico) Bronvast (integer) Snelle correctie
Claimtaal Stellig en afgerond: “bewezen”, “significant”, “leidt tot”. Proportioneel: “wijst erop”, “kan bijdragen”, met voorwaarden. Verlaag stelligheid en voeg “mits/tenzij” toe waar context nodig is.
Herkomst “Onderzoek toont aan” zonder traceerbare bron; herhaling over meerdere prompts lijkt ‘bevestiging’. Traceerbare bron of methode; duidelijk wat uit input vs. AI-aanvulling komt. Label per claim: input / bron / aanname / hypothese.
Meetlat Kwalificaties zonder benchmark: “hoog risico”, “lage impact”. Definities en benchmark expliciet: welk kader, welke drempel, welke periode. Vraag of voeg toe: definitie + meetkader + scope.
Contextfit Generieke best practices los van governance/privacy/IT-constraints. Toepassing binnen DNB-constraints en randvoorwaarden expliciet. Voeg toe: “geldt voor…”, “afhankelijk van…”, “vereist…”.
Onzekerheid Alternatieven ontbreken; causaliteit klinkt ‘netjes’. Beperkingen en alternatieven zichtbaar, zonder vaag te worden. Voeg minimaal één alternatief mechanisme + verificatieplan toe.

Een belangrijk punt: evidence literacy vraagt niet dat je overal een literatuurreview doet. Het vraagt dat je per claim bewust kiest: óf je verifieert nu (bron/methode), óf je labelt als hypothese en verlaagt de besluitclaim. Dat is precies de integriteitswinst: je voorkomt dat snelheid automatisch stelligheid wordt.

Een korte “evidence chain” die je in minuten kunt volgen

In DNB-werk wil je vaak kunnen laten zien hoe je van informatie naar conclusie bent gegaan. Denk daarom in een mini-keten die je op één alinea kunt toepassen:

  1. Claim: wat beweer je precies?
  2. Evidence: welke bron/methode ondersteunt dit?
  3. Context: onder welke definities en randvoorwaarden geldt het?
  4. Uncertainty: wat zijn beperkingen en alternatieven?
  5. Decision relevance: wat mag je hier wél/niet op besluiten?

[[flowchart-placeholder]]

Let op hoe dit rechtstreeks de valstrikken neutraliseert: je dwingt herleidbaarheid af (claim → herkomst), je borgt verifieerbaarheid (evidence), je checkt contextfit (definities/constraints), en je beschermt tegen gladde causaliteit (uncertainty). Vooral voor rollen als AI Refiner en AI-Assisted Editor is dit essentieel: zij maken tekst “af”, dus zij moeten ook zichtbaar maken wat nog niet af is in bewijs.

Toegepaste voorbeelden in Copilot-workflows (met archetype-lens)

Voorbeeld 1: Offloader + AI-Assisted Editor bij een risicoparagraaf

Je delegeert: “Copilot, schrijf een risicoparagraaf met top 5 risico’s en mitigaties voor proceswijziging X.” De output bevat kansen/impact (“hoog/middel”), en maatregelen als “introduceer extra controles” en “versterk monitoring”. Het leest goed en voelt besluitrijp, maar evidence literacy zet je in een korte walkthrough voordat het stuk ‘mee kan’.

Eerst isoleer je per risico de kernclaim en knip je retoriek weg: wat is feit, wat is inschatting? “Hoog risico” wordt dan een vergelijkingsclaim die een meetlat nodig heeft. Als die meetlat niet in je input stond, maak je de zin integer door te herformuleren: “Indicatief verhoogd risico volgens [intern kader/definitie]; definitieve classificatie volgt na toetsing op [criteria].” Zo voorkom je over-precisie en bewaak je verifieerbaarheid.

Daarna toets je contextfit en onzekerheidsdiscipline op mitigaties. “Aanvullende controles” is te generiek: je voegt voorwaarden toe (waar in het proces, rolhouder, afhankelijkheden zoals IT-capaciteit of governance). Als Copilot causaliteit suggereert (“dit leidt tot lagere foutenlast”), maak je dat proportioneel (“kan fouten reduceren, afhankelijk van implementatie en naleving”) en noteer je wat je nodig hebt om het te staven (interne data, pilots, auditbevindingen). Resultaat: je behoudt Offloader-snelheid en Editor-kwaliteit, terwijl de onderbouwing zichtbaar integer blijft.

Voorbeeld 2: AI Trusteer + Critical Verifier bij beleidsopties en “wat werkt”

Je vraagt als AI Trusteer: “Genereer zes beleidsopties om naleving te verbeteren, met pro/contra en verwachte effectiviteit.” De output is breed en overtuigend, maar gebruikt bron-achtige taal: “bewezen effectief”, “sluit aan bij internationale best practices”, “leidt tot hogere naleving”. Als Critical Verifier ga je niet in debat met de AI op taalniveau (“klopt dit?”), maar je schakelt naar evidence literacy: claim → bewijssoort → verificatiepad.

Je pakt één optie en splitst de sterkste zinnen uit (die het besluit sturen). “Bewezen effectief” vraagt meteen: bewezen waar, met welke maatstaf, in welke context? Zonder traceerbare bron degradeer je de claim tot hypothese en herpositioneer je de optie: “veelgebruikte maatregel; effectiviteit in onze context te toetsen op [KPI/definitie].” Vervolgens breng je onzekerheidsdiscipline aan door minstens één alternatief mechanisme te noemen: misschien komt naleving niet door de maatregel zelf, maar door gelijktijdige communicatie, toezichtintensiteit of selectie-effecten.

Tot slot maak je besluitrelevantie scherp: welke opties zijn geschikt als verkenning (divergent denken), en welke zijn al dicht genoeg bij bewijs om als onderbouwde voorkeursrichting te dienen? Dit voorkomt dat AI Trusteer per ongeluk opties rangschikt op retorische kracht. Je krijgt nog steeds snelheid en diversiteit, maar je bewaakt integriteit door elke “sterke claim” expliciet te koppelen aan bron, methode of onzekerheidslabel.

A simple system to reuse

  • Evidence literacy = claims kunnen ontleden, bewijs kunnen wegen en onzekerheid kunnen disciplineren, zodat AI-outputs niet alleen mooi maar ook verantwoord zijn.

  • AI levert vaak bron-achtige taal, over-precisie en gladde causaliteit; integriteitswerk is dat je dit omzet naar traceerbare, verifieerbare en context-passende beweringen.

  • De praktische routine is een korte evidence chain: claim → evidence → context → uncertainty → decision relevance, toepasbaar binnen minuten.

Als je dit consequent doet, blijft Copilot een versneller in elk archetype—maar jij blijft eigenaar van de onderbouwing. Dat is precies de combinatie die kritisch denken in het AI-tijdperk professioneel maakt: snel waar het kan, streng waar het moet, en altijd uitlegbaar.

Last modified: Wednesday, 1 July 2026, 1:39 PM