AI-Cares

In het VLAIO-TETRA-project AI CARES ontwikkelen Arteveldehogeschool, Thomas More-hogeschool en Universiteit Gent chatbotprototypes die getraind zijn op specifieke kennisbronnen uit welzijn en geestelijke gezondheidszorg. In verschillende proeftuinen testen we uiteenlopende technieken en verkennen we, samen met organisaties uit het werkveld, hoe AI-chatbots betere gesprekken kunnen voeren over psychosociale thema’s.

Daarbij experimenteren we onder meer met system prompting, RAG, structured decoding en LoRA-finetuning. Bij system prompting geven we de chatbot vooraf duidelijke instructies over zijn rol, toon, grenzen en werkwijze. Bij RAG laten we de chatbot relevante informatie ophalen uit geselecteerde kennisbronnen, zodat het antwoord beter aansluit bij betrouwbare inhoud. Met structured decoding leggen we vooraf vast volgens welke structuur het taalmodel informatie moet genereren. Bij LoRA-finetuning passen we het onderliggende taalmodel gericht aan met voorbeelddata, zonder het volledige model opnieuw te trainen.

Via de WatWat-chatbot onderzoeken we samen met De Ambrassade hoe een chatbot informatie beter kan afstemmen op de vraag en situatie van de informatiezoeker, zonder aan inhoudelijke kwaliteit in te boeten. De Triple-chatbot laat zien welk effect verschillende ethische kaders en begrenzingen kunnen hebben op de manier waarop een chatbot reageert bij gevoelige psychosociale thema’s. De OHUP Training Chatbot, ontwikkeld samen met SAM vzw, maakt het mogelijk om chathulpgesprekken te oefenen via rolspel met een AI-chatbot. De chatbot gebruikt opleidingsmateriaal als kennisbasis. Tijdens het oefenen kan de gebruiker AI-tekstsuggesties vragen en gericht feedback krijgen. Eigen kennisbestanden kunnen worden toegevoegd, system prompts kunnen worden aangepast en nieuwe oefenscenario’s kunnen worden aangemaakt. De JAC Intake Chatbot, ontwikkeld samen met JAC Oost-Vlaanderen, helpt jongeren om voor de start van een contact hun hulpvraag te verhelderen. De chatbot verzamelt samen met de jongere relevante informatie over de hulpvraag en de context en structureert deze vervolgens voor de medewerker. Zo krijgt de medewerker sneller zicht op de situatie en blijft er tijdens het gesprek meer tijd over voor verdieping, verbinding en ondersteuning. De CLB Finetuned-chatbot laat toe te vergelijken of het aanpassen van het onderliggende taalmodel zelf — door het bij te trainen op basis van 14.000 voorbeeldgesprekken van CLB Online — ook leidt tot betere chatgesprekken.

Ga zelf aan de slag met de verschillende prototypes en trek je eigen conclusies. Laat ons gerust weten wat je ervan vindt.