Natuurlijk! Hier is een voorbeeld van een prompt-template voor AI-gestuurde data-annotatie en labeling binnen het domein Medische beeldvorming, inclusief variabelen en uitleg: --- **Prompt Template voor Data Annotatie in Medische Beeldvorming** **Doel:** Annoteren en labelen van medische beelden volgens de gegeven richtlijnen. **Variabelen:** - `Data_Type`: Type data om te annoteren (bijvoorbeeld: MRI, X-ray, CT-scan) - `Annotatierichtlijnen`: Richtlijnen voor annotatie (bijvoorbeeld: "Markeer alle verdachte tumoren", "Label afwijkingen als 'normaal' of 'abnormaal'") - `Voorbeelden_correct_gelabeld`: Voorbeelden van correct gelabelde data (bijvoorbeeld: "Geen afwijkingen zichtbaar" gelabeld als 'Normaal') --- **Voorbeeldprompt:** ``` Je bent een medische beeldvormings-annotator. Gebruik de onderstaande richtlijnen om het volgende type data te annoteren: Data Type: {Data_Type} Annotatierichtlijnen: {Annotatierichtlijnen} Bekijk de volgende afbeelding/data en label alle relevante afwijkingen volgens de richtlijnen. Als er geen afwijkingen zichtbaar zijn, label dan als 'Normaal'. Gebruik de voorbeelden ter referentie. Voorbeeld van correct gelabelde data: "{Voorbeelden_correct_gelabeld}" Nu, annotatieopdracht: [Hier wordt de data of afbeelding gepresenteerd] Beantwoord met: - Het gelabelde resultaat volgens de richtlijnen - Een korte uitleg waarom dit label passend is Einde. ``` --- **Voorbeeldgebruik van de prompt:** ``` Je bent een medische beeldvormings-annotator. Gebruik de onderstaande richtlijnen om het volgende type data te annoteren: Data Type: MRI Annotatierichtlijnen: Markeer alle verdachte tumoren en afwijkingen. Label ze als 'Tumor' of 'Abnormale afwijking'. Als er geen afwijkingen zichtbaar zijn, label dan als 'Normaal'. Bekijk de MRI-afbeelding en label relevante afwijkingen volgens de richtlijnen. Gebruik de voorbeelden ter referentie. Voorbeeld van correct gelabelde data: "Geen afwijkingen zichtbaar" gelabeld als 'Normaal' Nu, annotatieopdracht: [Afbeelding MRI wordt hier getoond] Beantwoord met: - Het gelabelde resultaat volgens de richtlijnen - Een korte uitleg waarom dit label passend is Einde. ``` --- ### Waarom verbetert deze aanpak de nauwkeurigheid en consistentie? 1. **Duidelijkheid en structuur:** Door vaste variabelen en richtlijnen te gebruiken, weten annotatoren precies wat er verwacht wordt, wat fouten vermindert. 2. **Contextbehoud:** Het geven van voorbeelden van correct gelabelde data helpt de AI en menselijke annotatoren om de juiste interpretatie van labels te begrijpen. 3. **Herhaalbaarheid:** Het template zorgt voor consistente prompts, waardoor de annotatie uniform blijft, ongeacht wie of wanneer de taak wordt uitgevoerd. 4. **Feedback en verbetering:** De korte uitleg bij elke annotatie helpt bij het leren en aanpassen van de AI-modellen, wat leidt tot verbeterde precisie. Heeft u nog verdere wensen of specifieke variabelen die u wilt toevoegen?

Zeker, hier is een prompt template ontworpen voor AI-gestuurde data-annotatie binnen medische beeldvorming, gevolgd door een uitgewerkt voorbeeld en uitleg. --- ### **Prompt Template voor AI-gestuurde Data-Annotatie (Medische Beeldvorming)** **Rol:** Je bent een gespecialiseerde AI-assistent voor data-annotatie in de medische sector. Je taak is om medische data nauwkeurig en consistent te labelen volgens strikte richtlijnen. **Taak:** Analyseer en label de onderstaande **[DATA_TYPE]** op basis van de volgende **[ANNOTATIERICHTLIJNEN]**. **Data om te annoteren (Input):** `{hier_de_te_analyseren_data}` **Annotatierichtlijnen:** {Specifieke_richtlijnen_voor_annotatie} **Voorbeelden van correct gelabelde data (Few-Shot Learning):** {Voorbeeld_1} {Voorbeeld_2} {Voorbeeld_3} **Output Formaat:** Geef enkel het exacte label terug, zonder extra uitleg, opmaak of punten. --- ### **Voorbeeldprompt met ingevuld Template** **Rol:** Je bent een gespecialiseerde AI-assistent voor data-annotatie in de medische sector. Je taak is om medische data nauwkeurig en consistent te labelen volgens strikte richtlijnen. **Taak:** Analyseer en label de onderstaande **Tekst** op basis van de volgende **Annotatierichtlijnen**. **Data om te annoteren (Input):** `"De nieuwe MRI-scanner werkt fantastisch snel en de beeldkwaliteit is uitstekend."` **Annotatierichtlijnen:** Label het sentiment in de klantfeedback over medische beeldvormingsapparatuur als: * **Positief:** Uitdrukkingen van tevredenheid, complimenten, of positieve emoties. * **Neutraal:** Feitelijke statements, vragen, of opmerkingen zonder emotionele lading. * **Negatief:** Uitdrukkingen van ontevredenheid, klachten, frustratie of negatieve emoties. **Voorbeelden van correct gelabelde data (Few-Shot Learning):** * "Ik ben erg tevreden met de service." → Positief * "Wanneer wordt de volgende onderhoudsbeurt gepland?" → Neutraal * "De beeldresolutie van de echo is ondermaats." → Negatief **Output Formaat:** Geef enkel het exacte label terug, zonder extra uitleg, opmaak of punten. --- **Verwachte output van de AI voor deze prompt:** Positief --- ### **Uitleg: Waarom dit template de nauwkeurigheid en consistentie verbetert** 1. **Duidelijke Roldefinitie:** Door de AI een specifieke rol ("gespecialiseerd in de medische sector") toe te kennen, wordt deze gefocust op de juiste context en het benodigde vakjargon, wat de nauwkeurigheid van de interpretatie verhoogt. 2. **Expliciete Taakomschrijving:** Het ondubbelzinnig omschrijven van de taak ("Analyseer en label...") elimineert verwarring over wat er van de AI verwacht wordt. 3. **Gestandaardiseerde Richtlijnen:** Het dedicated opnemen van een `{ANNOTATIERICHTLIJNEN}` variabele zorgt ervoor dat elke annotatiepoging gebruikmaakt van dezelfde, consistente set regels. Dit minimaliseert subjectiviteit en "label drift" (waar de interpretatie van de richtlijnen in de tijd kan veranderen). 4. **Few-Shot Learning (Voorbeelden):** Het tonen van voorbeelden is cruciaal. Het geeft de AI niet alleen de regels maar ook de *context* van hoe die regels moeten worden toegepast op echte data. Dit leidt tot een veel hogere consistentie bij het labelen van vergelijkbare, maar net iets andere zinnen. 5. **Strikt Output Formaat:** De instructie "Geef enkel het exacte label terug" is essentieel voor automatisering. Het voorkomt dat de AI extra, ongevraagde tekst genereert (hallucineert) die later door een script moet worden opgeschoond, wat fouten en inconsistentie in de dataset zou introduceren. **Conclusie:** Deze gestructureerde aanpak vervangt vage, eenmalige prompts door een herbruikbare, betrouwbare sjabloon. Het forceert consistentie door dezelfde context, regels en voorbeelden bij elke annotatie te提供eren, net zoals een menselijke annotator een gedetailleerd styleguide-handboek zou volgen. Dit resulteert rechtstreeks in een dataset van hogere kwaliteit voor het trainen of evalueren van gespecialiseerde medische AI-modellen.