Je speelt een centrale rol in de ontwikkeling van Large Language Model (LLM) componenten die onderwijsprofessionals ondersteunen bij het creëren, onderhouden en verbeteren van Ontwikkelingsperspectiefplannen (OPP's). Het project heeft niet als doel om complete OPP's te automatiseren, maar onderzoekt hoe LLM's onderwijsprofessionals het beste kunnen ondersteunen bij specifieke, goed gedefinieerde deeltaken binnen de OPP-workflow.
Dit omvat het genereren van concepten voor het Integratief Beeld, het ondersteunen bij de formulering van het Onderwijsperspectief en het geven van gerichte feedback op de kwaliteit van bestaande OPP-tekst. Een belangrijke uitdaging is het bepalen hoe informatie uit verschillende OPP-secties kan worden gerepresenteerd voor een LLM, zodat de gegenereerde output coherent, concreet, bruikbaar en consistent is.
Je ontwikkelt en evalueert promptingstrategieën, gestructureerde invoerrepresentaties en, indien nuttig, fine-tuned modellen. Je werkt ook aan LLM-gebaseerde kwaliteitsfeedback, waarbij criteria zoals concreetheid, bruikbaarheid en coherentie worden gebruikt om zwakke punten in OPP-tekst te identificeren en suggesties voor verbetering te geven.
Een ander belangrijk onderdeel betreft de interactie tussen de AI-component en de onderwijsprofessional, waarbij de AI het professionele oordeel moet ondersteunen in plaats van vervangen. Samen met een softwareontwikkelingspartner help je bij het ontwerpen van de integratie van deze AI-componenten in een bestaand studenteninformatiesysteem. Het onderzoek wordt iteratief en in nauwe samenwerking met onderwijsprofessionals uitgevoerd.
Wat je doet
- Selecteren en benchmarken van state-of-the-art open-source en commerciële LLM's voor Nederlandstalige OPP-gerelateerde taken
- Ontwikkelen en evalueren van LLM-componenten voor het genereren van specifieke OPP-secties, met initiële focus op het Integratief Beeld en het Onderwijsperspectief
- Ontwikkelen van promptingstrategieën en gestructureerde invoerrepresentaties die informatie uit relevante OPP-secties combineren
- Onderzoeken wanneer prompt engineering voldoende is en wanneer technieken zoals fine-tuning of retrieval-augmented generation meerwaarde bieden
- Ontwikkelen van rubric-gebaseerde LLM-methoden voor het detecteren van kwaliteitsproblemen in bestaande OPP-tekst en het genereren van beknopte, geprioriteerde verbeteringssuggesties
- Ontwikkelen van methoden voor het identificeren van generieke of basis ondersteuning die herhaaldelijk voorkomt in OPP's en dit onderscheiden van student-specifieke ondersteuningsbehoeften
- Ontwerpen en evalueren van mens-AI interactiepatronen voor AI-ondersteund OPP-schrijven en -revisie
- Onderzoeken hoe gegenereerde tekst en feedback het beste kunnen worden gepresenteerd, zodat onderwijsprofessionals controle behouden over de uiteindelijke inhoud
- Samenwerken met softwareontwikkelaars die de technische architectuur en API-gebaseerde integratie van LLM-componenten in een studenteninformatiesysteem zullen ontwikkelen
- Definiëren welke OPP-data-elementen moeten worden overgedragen aan een LLM-component en hoe gegenereerde output moet worden teruggestuurd en opgenomen in de bestaande workflow
- Evalueren van LLM-output met behulp van de OPP-kwaliteitsrubriek en door evaluatie met onderwijsprofessionals
- Uitvoeren van co-design en gebruikerstudies met docenten, gedragswetenschappers, ondersteuningscoördinatoren en andere onderwijsprofessionals
- Analyseren van de kwaliteit, betrouwbaarheid en beperkingen van gegenereerde OPP-tekst en AI-feedback
- Bijdragen aan open-source implementaties van herbruikbare OPP-specifieke LLM-componenten en evaluatietools
- Publiceren van resultaten in peer-reviewed AI, NLP, Human-AI Interaction en/of Educational Technology publicaties
- Begeleiden van MSc-studenten die werken aan gerelateerde onderzoeksonderwerpen
- Nauw samenwerken met projectpartners uit onderwijs, onderzoek en softwareontwikkeling
Wat ze vragen
- PhD in Kunstmatige Intelligentie, Computerwetenschappen, Computationele Linguïstiek, Natural Language Processing, Mens-AI Interactie, Data Science of een nauw verwant vakgebied
- Vermogen om te werken in een multidisciplinair consortium met onderzoekers, softwareontwikkelaars en onderwijsprofessionals
- Uitstekende communicatieve vaardigheden in het Engels; beheersing van het Nederlands, of de bereidheid en het vermogen om voldoende Nederlandse taalvaardigheid te ontwikkelen om te werken met Nederlandstalig onderwijsmateriaal en gebruikers, heeft sterk de voorkeur
- Affiniteit met onderwijs, speciaal onderwijs of onderwijstechnologie is zeer wenselijk
- Aantoonbare praktische ervaring met Large Language Models en moderne NLP-methoden
- Goede programmeervaardigheden, bij voorkeur in Python, en ervaring met relevante ML/NLP-frameworks zoals PyTorch en Hugging Face Transformers
- Ervaring met prompt engineering en systematische evaluatie van generatieve AI-systemen
- Vermogen om empirische vergelijkingen te ontwerpen en uit te voeren tussen verschillende modellen, promptingstrategieën en systeemconfiguraties
- Ervaring met kwalitatieve en/of kwantitatieve evaluatie van gegenereerde tekst
- Interesse in Mens-AI Interactie en in het ontwerpen van AI-systemen die professionele besluitvorming ondersteunen in plaats van vervangen
- Ervaring met Retrieval-Augmented Generation, model fine-tuning, gestructureerde generatie, LLM-evaluatiekaders of mensgerichte AI is een voordeel
- Ervaring met co-design, gebruikerstudies of iteratieve prototyping met domeinprofessionals is een voordeel
- Analytische en wetenschappelijke schrijfvaardigheden
Praktisch
- Salaris tussen € 3.706,00 en € 5.760,00 bruto per maand op fulltime basis (schaal 10)
- 232 vakantie-uren per jaar bij een fulltime dienstverband
- 8% vakantietoeslag en 8,3% eindejaarsuitkering
- Solide pensioenregeling (ABP)
- Bijdrage in reiskosten
- Mogelijkheid tot hybride werken
Hoe solliciteren?
Bekijk de volledige opdrachttekst en sollicitatie-informatie zodra je sollicitatie op maat klaarstaat.
Bestel een sollicitatie op maat om de volledige opdracht en sollicitatie-informatie te bekijken.
Meer context, minder losse zoekuren.
Je krijgt net genoeg context om te beoordelen of deze opdracht interessant is. De volledige briefing, klantdetails en vervolgstappen blijven beschikbaar in de app.