Naar inhoud
BetaAI Begrippen

AI-begrippen in gewone taal. Zoek een begrip, blader op letter of filter op onderwerp.

Zero-shot prompting

Engels: Zero-Shot Prompting

In het kort

Zero-shot prompting is een methode waarbij een prompt geen voorbeeld van het gewenste antwoord bevat. Het taalmodel (de techniek achter chatbots) leest de opdracht en het meegegeven materiaal en vormt het antwoord uit kennis die het al tijdens de training heeft opgedaan, zonder een uitgewerkt voorbeeld te volgen. Een medewerker kan een artikel laten samenvatten met alleen de opdracht en de tekst, zonder een eerder gemaakte samenvatting als voorbeeld toe te voegen.

Waarom is dit belangrijk?

Een nieuwe taak kan zo meteen van start gaan, omdat er vooraf geen kant-en-klare voorbeeldoplossing hoeft te liggen. In het onderwijs onderzoeken teams zero-shot prompting om steunende reacties van leraren tijdens rekenlessen te laten maken. Docenten en leerlingen krijgen daardoor sneller bruikbare tekst in de klas, maar die blijft vaak bij losse onderwerpen en vraagt menselijke controle tegen mogelijke fouten.

Zo werkt het in de praktijk

IBM laat in watsonx.ai het model granite-3-8b-instruct IT-meldingen indelen naar urgentie, zonder voorbeeldantwoorden. Aan de Politecnico di Torino halen onderzoekers met zero-shot prompting eisen uit de AI-verordening en de AVG. Zij vergelijken die losse opdracht met een aanpak waarin meerdere rollen na elkaar werken.

In een studie over zorgteksten vergelijken onderzoekers zero-shot prompting met bijtrainen. Zij kijken naar het indelen van kankerpathologierapporten. Een bijgetraind model deed dat beter dan een groot taalmodel zonder taakvoorbeelden.

Zero-shot prompting hoort bij prompt engineering: het ontwerpen van een opdracht voor een taalmodel. IBM beschrijft dat instruction tuning, een nabewerking met voorbeeldopdrachten, de antwoorden op nieuwe taken verbetert. Ook RLHF helpt daarbij: mensen rangschikken antwoorden en het model leert die voorkeur.

Gecontroleerd op 23 oktober 2026