AI-onderzoek: belangrijke papers en toptools voor onderzoekers (+ best practices)

Onderzoek naar kunstmatige intelligentie (AI) omvat twee gebieden: de gepubliceerde bevindingen van AI-onderzoekers en de praktische toepassing van AI als hulpmiddel bij onderzoek in uiteenlopende domeinen.

Het eerste deel van dit artikel is een tijdlijn van belangrijke mijlpalen in AI-onderzoek. Het bevat ook de belangrijkste recente papers en een overzicht van de instellingen die vooroplopen in het vakgebied.

Het tweede deel is een stapsgewijze handleiding om AI effectief als onderzoekstool te gebruiken, met een ranglijst van de beste tools en een eerlijk overzicht van de voor- en nadelen.

Een tijdlijn van belangrijke AI-onderzoekspapers en mijlpalen

Het is vrijwel onmogelijk om alle belangrijke AI-onderzoekspapers die tot nu toe zijn gepubliceerd in kaart te brengen. Het vakgebied is het afgelopen decennium in een ongekend tempo gegroeid. Volgens het AI Index-rapport uit 2026 van Stanford University verschenen er alleen al in 2024 wereldwijd 257.890 AI-publicaties.

Vergroten

Er zijn echter verschillende historische, fundamentele mijlpalen, naast een aantal zeer belangrijke recente publicaties.

Een beknopte tijdlijn: 12 fundamentele AI-onderzoekspapers

• 1943: McCulloch en Pitts publiceren “A Logical Calculus of the Ideas Immanent in Nervous Activity”, waarin ze het eerste wiskundige model presenteren van de werking van een zenuwstelsel. Het model behandelt neuronen als functies die invoer ontvangen en volgens logische regels uitvoer produceren.
• 1950: Alan Turing publiceert “Computing Machinery and Intelligence” in het tijdschrift Mind. Het artikel introduceert het imitatiespel (meestal de Turingtest genoemd) als manier om machine-intelligentie te definiëren.
• 1956: Het Dartmouth Summer Research Project, de “Dartmouth-workshop”, vestigt kunstmatige intelligentie formeel als onderzoeksgebied. Het oorspronkelijke voorstel uit 1955 werd in 2006 opnieuw gepubliceerd in AI Magazine.
• 1958: Frank Rosenblatt publiceert “The perceptron: a probabilistic model for information storage and organization in the brain”. Hij presenteert een fundamenteel leermodel gebaseerd op een “hypothetisch zenuwstelsel dat een perceptron wordt genoemd”.
• 1986: Rumelhart, Hinton en Williams publiceren “Learning representations by back-propagating errors” in Nature. Ze beschrijven een algoritmische methode genaamd backpropagation voor het trainen van meerlaagse neurale netwerken. De methode verfijnde de manier waarop parameters worden aangepast.
• 1997: Hochreiter en Schmidhuber publiceren “Long Short-Term Memory” in Neural Computation. Het artikel beschrijft een architectuur voor neurale netwerken waarmee het netwerk informatie over veel langere perioden kan vasthouden.
• 2009: Onderzoekers publiceren “ImageNet: A large-scale hierarchical image database”, waarmee ImageNet formeel wordt geïntroduceerd: een database met miljoenen gelabelde afbeeldingen voor het trainen en evalueren van AI-systemen.
• 2014: Ian Goodfellow en collega's publiceren “Generative Adversarial Nets”. Het artikel beschrijft een framework waarmee AI-systemen realistische content kunnen genereren, met name afbeeldingen.
• 2016: Onderzoekers van DeepMind publiceren “Mastering the game of Go with deep neural networks and tree search” in Nature. AlphaGo, het AI-systeem dat in het artikel wordt gepresenteerd, verslaat vervolgens Lee Sedol, een van de beste professionele Go-spelers.
• 2017: Onderzoekers van Google publiceren “Attention Is All You Need”, waarin de transformer-architectuur wordt beschreven die tegenwoordig ten grondslag ligt aan de meeste moderne grote taalmodellen.
• 2020: Onderzoekers van OpenAI publiceren “Language Models Are Few-Shot Learners”. Ze tonen aan dat het opschalen van taalmodellen (het vergroten van fundamentele componenten zonder de code te wijzigen) hun vermogen verbetert om uiteenlopende taken effectief uit te voeren.
• 2022: OpenAI lanceert ChatGPT op 30 november, waardoor conversationele generatieve AI op grote schaal in gebruik raakt.

Zes belangrijke recente ontwikkelingen in AI-onderzoek (2025–2026)

• 2025: Onderzoekers van DeepSeek publiceren “DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning”. Het artikel toont aan dat geavanceerde redeneervaardigheden kunnen ontstaan uit reinforcement learning (RL).
• 2025: Onderzoekers publiceren “s1: Simple Test-Time Scaling”. Het artikel laat zien dat het mogelijk is om redeneerprestaties te verbeteren met relatief bescheiden trainingsmiddelen.
• 2025: Onderzoekers van Google DeepMind publiceren “AlphaEvolve: A coding agent for scientific and algorithmic discovery”. AlphaEvolve is een door Gemini aangedreven systeem dat autonoom complexe algoritmen ontwikkelt en verbetert.
• 2025: Google DeepMind kondigt Genie 3 aan, een wereldmodel dat navigeerbare virtuele omgevingen kan genereren.
• 2026: Onderzoekers van Google DeepMind publiceren “Advancing regulatory variant effect prediction with AlphaGenome” in Nature. Het artikel introduceert AlphaGenome, een AI-model dat voorspelt hoe veranderingen in DNA-sequenties de werking van genen beïnvloeden, en dat naar verwachting belangrijke medische toepassingen zal hebben.
• 2026: Onderzoekers publiceren “Accelerating scientific discovery with Co-Scientist” in Nature. Het artikel presenteert een multi-agent AI-systeem dat wetenschappelijke hypothesen kan genereren en verfijnen om wetenschappers te helpen “nieuwe, originele kennis te ontdekken”.

Een overzicht van de belangrijkste AI-onderzoeksinstellingen

Onderzoeksresultaten zijn verspreid over een breed scala aan bedrijven en publieke organisaties. Gespecialiseerde onderzoeksinstituten, waarvan er veel verbonden zijn aan topuniversiteiten, zijn goed voor een groot deel van het nieuwe onderzoek. Toch spelen bedrijven en hun AI-labs een belangrijke rol.

Hoe wijdverbreid is AI als onderzoekstool?

Zowel gangbare AI-chatbots (Perplexity, ChatGPT, Claude enz.) als gespecialiseerde platforms die rond grote modellen zijn gebouwd, worden veel gebruikt in tal van onderzoeksintensieve disciplines.

Een grootschalig onderzoek van Microsoft naar 5,5 miljoen Copilot-sessies bracht een reeks onderzoeksgerelateerde taken aan het licht op het gebied van ontdekking, synthese en analyse.

Dit zijn de vier belangrijkste manieren waarop professionals AI gebruiken voor onderzoek:

• Informatie ophalen: Verkenning in een vroeg stadium (algemene vragen); relevant onderzoek vinden; hulp bij technische vragen.
• Analyse: Content samenvatten; gegevens bundelen, interpreteren en presenteren.
• Besluitvorming en strategie: AI gebruiken om opties te vergelijken (zoals software); ondersteunende informatie vinden om beslissingen te onderbouwen.
• Evaluatie en diagnose: Bewijs verzamelen over een systeem of programma waarvoor probleemoplossing nodig is.

Houd er rekening mee dat deze taken niet beperkt zijn tot de academische wereld. Journalisten, marktonderzoekers, advocaten, financieel analisten, zorgprofessionals en anderen zijn allemaal voorbeelden van professionals die regelmatig AI gebruiken voor onderzoek.

Voor- en nadelen van AI in onderzoek

Hoewel AI ongetwijfeld op grote schaal wordt ingezet als onderzoekstool, is er een serieus debat gaande over de voor- en nadelen ervan. Veel van de kritiek richt zich op het schijnbaar onoplosbare probleem van hallucinaties.

Omdat er bij onderzoek vaak veel op het spel staat, is het voor professionals van allerlei slag belangrijk om te begrijpen waar AI-onderzoekstools in uitblinken en waar ze tekortschieten.

Voordelen

• Repetitieve onderzoekstaken zoals het screenen van literatuur en het opschonen van gegevens kunnen gedeeltelijk of volledig worden geautomatiseerd.
• Niet-specialisten krijgen toegang tot technische informatie buiten hun eigen vakgebied.
• Onderzoekers kunnen onderzoekshypothesen in een vroeg stadium snel testen door AI-simulaties uit te voeren.
• AI is nuttig om aannames ter discussie te stellen en onderbouwde alternatieven aan te dragen, zelfs voor goed uitgewerkte standpunten.

Nadelen

• Hallucinaties blijven een groot probleem, en vangrails lossen dit niet volledig op.
• Nuances in informatie kunnen erg belangrijk zijn voor onderzoek op hoger niveau, en LLM's vereenvoudigen complexe onderwerpen vaak te veel.
• Het is aangetoond dat te veel vertrouwen op AI het kritisch denkvermogen en de vaardigheden voor zelfstandige analyse aantast.
• Hoewel AI informatie goed kan bundelen, is het niet uitputtend en kan het belangrijke informatiebronnen en onderzoeken missen.

Voorbeeld van AI als onderzoekstool met de functie Academic Search van Perplexity

Laten we eens kijken hoe een eenvoudig onderzoeksproces eruit kan zien. Perplexity is een populaire tool onder onderzoekers omdat het toegang biedt tot meerdere modellen van derden, elk met hun eigen sterke punten, naast uitgebreide tools voor web- en academisch onderzoek.

Vergroten

In dit voorbeeld vraag ik GPT 6.1-Sol om me te helpen met marktonderzoek voor een productlancering gericht op Gen Z. Het geeft me een samenvatting van recent onderzoek, samen met een link naar bronnen en een indicatie van de betrouwbaarheid.

Vergroten

Vervolgens vraag ik het om een grafiek te genereren van de marketingvoorkeuren van Gen Z op basis van gegevens die het van het web haalt. Ik heb ook de mogelijkheid om desgewenst mijn eigen gegevens te uploaden.

Vergroten

Deze resultaten moeten worden gecontroleerd en op feiten worden gecheckt. Dit eenvoudige voorbeeld laat echter zien hoe een proces dat gemakkelijk enkele uren had kunnen duren, kan worden teruggebracht tot een paar minuten.

Beste AI voor onderzoek: toptools voor onderzoekers

AI-onderzoekstools zijn grofweg in twee categorieën te verdelen: chatbots voor algemeen gebruik met onderzoeksfuncties en gespecialiseerde platforms die ondersteuning bieden bij academisch onderzoek.

De meeste professionals die niet-academisch onderzoek doen, zullen merken dat een AI-tool voor algemeen gebruik het beste bij hen past. Voor academici zijn er sterke overeenkomsten tussen de grote aanbieders. Welke tool je kiest, hangt waarschijnlijk af van de reikwijdte van de taak en je voorkeuren voor specifieke kleinere functies.

AI-tools voor algemeen gebruik

• Perplexity: Biedt toegang tot meerdere modellen van externe aanbieders en integraties met een breed scala aan externe diensten. Functies zijn onder meer academisch onderzoek, Diepgaand onderzoek, bronvermelding en data-analyse.
• ChatGPT, Claude en Gemini: Als toonaangevende mainstream AI-tools met professionele en zakelijke functies bieden ze allemaal een vergelijkbare set onderzoekstools. Functies zijn onder meer zoeken op het web, diepgaand onderzoek, documentanalyse, data-analyse en multimodale mogelijkheden. Ze bieden ook integraties met externe applicaties en diensten.

Gespecialiseerde onderzoekstools

• Semantic Scholar: Dit is een gratis academische zoekmachine, ontwikkeld door het Allen Institute for AI (Ai2). Deze lijkt sterk op Google Scholar, maar bevat meer AI-functies. Voor veel AI-tools is het de onderliggende bron van academische literatuur, maar zelf is het geen gespecialiseerde tool.
• Elicit en SciSpace: Deze tools ondersteunen de verkenningsfase van academisch onderzoek en worden geprezen om hun functies voor screening en synthese. Onderzoekers gebruiken ze om gestructureerde informatie te extraheren en bevindingen uit grote aantallen studies samen te vatten. SciSpace is beschikbaar als integratie in ChatGPT.
• ResearchRabbit en Connected Papers: Dit zijn allebei tools voor literatuuronderzoek die hoog aangeschreven staan om hun functies voor visuele mapping. Ze zijn ontworpen voor langlopende projecten en literatuurstudies, waarbij het vinden van vergelijkbaar onderzoek en het in kaart brengen van verbanden tussen papers voorop staan. Ze vereisen veel menselijke input en toezicht.
• Scite en Consensus: Tools als ResearchRabbit en Connected Papers zijn bedoeld voor het ontdekken van relevante literatuur en het opbouwen van een overzicht van een vakgebied. Scite en Consensus richten zich daarentegen op gerichte evaluatie: ze helpen gebruikers bepalen of een specifieke bewering wel of niet wordt ondersteund door het huidige bewijs. Vaak bevatten ze ook bredere functies voor literatuuronderzoek, maar die staan niet centraal.

Zo gebruik je AI als onderzoekstool: een framework in 7 stappen

Vergroten

De sleutel tot effectief gebruik van AI als onderzoekstool is om het te zien als aanvulling op en niet als vervanging van je bestaande processen. Het is ook belangrijk om rekening te houden met juridische beperkingen, vooral bij het uploaden van gevoelige gegevens.

1. Bereken de verwachte onderzoekstijd

Plan je onderzoeksproces met conventionele methoden. Ga daarna na waar AI taken op het gebied van verkenning, synthese en analyse zou kunnen overnemen.

Bereken hoeveel tijd het kost om prompts te schrijven en bevindingen te verifiëren. Bij omvangrijke literatuurstudies kan AI je gemakkelijk uren of dagen besparen. Maar bij kleinere, gerichte vragen biedt het weinig voordeel ten opzichte van handmatig zoeken.

2. Kies de juiste tools (gespecialiseerd of voor algemeen gebruik)

Bepaal of een gespecialiseerd onderzoeksplatform voordelen biedt ten opzichte van een assistent voor algemeen gebruik zoals Perplexity. Let op de afzonderlijke onderzoeksfuncties en de dekking binnen jouw vakgebied.

Kies je voor een gespecialiseerde tool, kies dan een tool die is ontworpen voor jouw specifieke taken. Tools als Elicit ondersteunen bijvoorbeeld gestructureerde literatuurstudies, terwijl Scite analyseert hoe academische papers worden geciteerd.

3. Controleer of de algemene voorwaarden van een tool het beoogde gebruik toestaan

Bij het doornemen van de algemene voorwaarden van een aanbieder zijn er twee dingen om op te letten. Ten eerste het gebruik van jouw gegevens en of die wel of niet volledig vertrouwelijk blijven. Ten tweede de voorwaarden rond het eigendom van de output.

Ga er niet van uit dat een betaald abonnement automatisch vertrouwelijkheid van gegevens of onbeperkte gebruiksrechten met zich meebrengt.

4. Controleer of er juridische beperkingen gelden voor je gegevens

Bevat je input gevoelige gegevens, auteursrechtelijk beschermde documenten, vertrouwelijke bedrijfsinformatie of ongepubliceerde bevindingen?

Het is belangrijk om na te gaan of je deze in een LLM mag invoeren. Er kunnen allerlei beperkingen gelden, van gegevensregelgeving in je rechtsgebied tot intern bedrijfsbeleid. Mogelijk moet je uitzoeken hoe en hoelang een bepaalde toolaanbieder gegevens opslaat. Het kan nodig zijn om een goedgekeurd zakelijk platform te gebruiken.

5. Volg best practices bij het schrijven van prompts

Het opstellen van goede onderzoeksprompts is een kunst op zich. Formuleer je onderzoeksvraag helder, geef relevante context en bepaal het outputformaat. Bij complexe onderzoekstaken moet je de vraag misschien opsplitsen in subprompts.

Vraag om duidelijke verwijzingen naar alle gebruikte bronnen, ook als ze niet in de output worden vermeld. Dit is belangrijk, omdat een door AI gegenereerd antwoord mogelijk niet voor alle gebruikte bronnen een bronvermelding bevat.

6. Controleer alle gegevens, technische beweringen en actuele informatie op feiten

Het is essentieel om beweringen te toetsen aan de oorspronkelijke bronnen. Dat kunnen onderzoekspapers, origineel onderzoek, officiële statistieken of technische documentatie zijn. Let vooral op numerieke gegevens, datums, citaten en tijdgevoelige informatie die verouderd kan zijn.

Ga er bij onderzoek niet van uit dat een bewering klopt omdat er een bron wordt vermeld, of zelfs dat die bron bestaat. Bij complex onderzoek controleer je in deze fase of de nuance van beweringen en samenvattingen juist is.

7. Vermeld dat je AI hebt gebruikt

Raadpleeg de regels voor het vermelden van AI-gebruik van je werkgever, academische instelling of relevante beroepsorganisatie. Daarin lees je in hoeverre je moet aangeven dat je AI hebt gebruikt.

Vakgebieden met strikte regelgeving en gedragscodes vereisen doorgaans een gedetailleerdere vermelding. Houd bij welke activiteiten je met hulp van AI hebt uitgevoerd (platforms houden meestal een audittrail bij).

Is het ethisch om AI te gebruiken voor onderzoek, en wat staat ons te wachten?

Ondersteuning bij onderzoek is een van de belangrijkste toepassingen van AI geworden, en het is niet moeilijk te zien waarom. AI kan grote hoeveelheden complexe informatie verwerken, tijdrovende repetitieve taken automatiseren en fungeren als sparringpartner voor ideeën en hypothesen in een vroeg stadium.

Toch zijn er nog altijd knelpunten. Met name het ethisch gebruik van AI in onderzoek is momenteel een van de meest actieve en omstreden discussies binnen academische instellingen.

Het aantal hallucinaties hangt samen met de complexiteit van het onderwerp, en veel vooraanstaande engineers beschouwen hallucinaties als een hardnekkig probleem dat niet volledig kan worden opgelost. Daarnaast is bekend dat AI-gebruik denkvaardigheden aantast, die van het grootste belang zijn voor professionals die complex onderzoek doen.

Organisaties kunnen AI-gebruik ook verbieden vanwege privacy en intellectueel eigendom, of uit bezorgdheid over gevoelige gegevens. En het vermelden van AI-gebruik blijft belangrijk, zodat reviewers en vakgenoten kunnen begrijpen hoe AI in het onderzoeksproces is ingezet.

AI zal steeds meer een normaal onderdeel worden van het dagelijks leven, zowel in de private als in de publieke sfeer. Het is dan ook zeer waarschijnlijk dat duidelijkere regels rond onderzoeksintegriteit en bronvermelding zich verder zullen ontwikkelen en genuanceerder zullen worden.