--- title: "Generated Knowledge Prompting (NL)" source: "https://systems-analysis.info/int/Generated_Knowledge_Prompting_(NL)" wiki: "systems-analysis.info/int" article: "Generated_Knowledge_Prompting_(NL)" language: "nl" categories: - "Category:Dutch" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 2591 wiki_created_at: 2026-09-06T23:06:35Z wiki_modified_at: 2026-09-06T23:06:35Z downloaded_at: 2026-09-07T22:52:18Z --- # Generated Knowledge Prompting (NL) **Generated Knowledge Prompting** (**GKP**, **prompting met kennigeneratie**) — is een methode van prompt-engineering, ontwikkeld om het vermogen van grote taalmodellen (LLM) te verbeteren bij het oplossen van taken die redeneren en gebruik van feitelijke kennis vereisen[\[1\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(NL)#cite_note-liu2022acl-1). Het centrale idee van GKP is om het model de taak in twee fasen te laten uitvoeren: eerst een verzameling relevante feiten over het onderwerp van de vraag genereren, en vervolgens, op basis van deze kennis, het definitieve antwoord formuleren[\[2\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(NL)#cite_note-liu2021arxiv-2). Deze aanpak stelt LLM's in staat hun interne, *geparametriseerde* kennis te activeren en te gebruiken — kennis die impliciet gecodeerd is in miljarden parameters, maar bij standaardverzoeken vaak niet toegankelijk is. GKP pakt het probleem aan waarbij modellen «niet weten wat ze weten», en helpt hen verspreide feiten te verbinden om een correct besluit te trekken[\[2\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(NL)#cite_note-liu2021arxiv-2). ## Geschiedenis en oorsprong De methode **Generated Knowledge Prompting** werd voor het eerst gepresenteerd in het wetenschappelijke artikel «*Generated Knowledge Prompting for Commonsense Reasoning*», opgesteld door een groep onderzoekers onder leiding van **Jiacheng Liu**. De eerste versie van het werk werd op 15 oktober 2021 gepubliceerd in het preprintarchief *arXiv*, en de definitieve versie werd gepresenteerd op de prestigieuze conferentie *Association for Computational Linguistics* (ACL) in 2022[\[1\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(NL)#cite_note-liu2022acl-1). GKP werd een van de eerste en meest significante methoden die een paradigmaverschuiving in de interactie met LLM's voorstelden: de nadruk verschoof van eenmalige antwoordgeneratie naar een tweefasig cognitief proces. ## Tweefasig werkingsmechanisme Het mechanisme van GKP verdeelt een complexe taak in twee eenvoudigere deelprocessen: het ophalen van relevante informatie en het vervolgens gebruiken daarvan voor een conclusie. ### Fase 1: Kennigeneratie (Knowledge Generation) In de eerste fase wordt een taalmodel («kennigenerator») gebruikt om meerdere (M) kennisfragmenten te genereren die relevant zijn voor de oorspronkelijke vraag. Dit proces wordt geïnitieerd met behulp van de techniek van few-shot prompting, waarbij het model enkele voorbeelden krijgt aangeboden voor «in-context»-leren. De prompt voor kennigeneratie heeft een strikt bepaalde structuur: 1. **Instructie**: Een algemene aanwijzing, bijvoorbeeld: «Genereer enkele feiten over het onderwerp». 2. **Demonstratievoorbeelden**: Enkele door mensen geschreven «vraag-kennis»-paren. Deze voorbeelden spelen een cruciale rol, omdat ze het model leren welk type informatie als nuttig wordt beschouwd. Daarbij mag de gegenereerde kennis het antwoord zelf niet direct bevatten. 3. **Nieuwe vraag**: Het oorspronkelijke verzoek van de gebruiker, waarvoor kennis moet worden gegenereerd. Voor één vraag worden *M* varianten van kennis gegenereerd (in het originele werk M=20), om een gevarieerde verzameling feiten voor de tweede fase te verkrijgen[\[1\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(NL)#cite_note-liu2022acl-1). ### Fase 2: Kennisintegratie en antwoordvorming (Knowledge Integration) In de tweede fase wordt een ander taalmodel («inferentiemodel») gebruikt, dat zowel in de *zero-shot*-modus kan werken als verder getraind kan zijn op een specifieke taak. Het integratieproces verloopt als volgt: 1. **Aanvulling van het verzoek**: De oorspronkelijke vraag (*q*) wordt achtereenvolgens gecombineerd met elk van de *M* gegenereerde kennisfragmenten (*km*). Hierdoor ontstaan *M+1* aangevulde verzoeken (inclusief de oorspronkelijke vraag zonder kennis). 2. **Beoordeling en antwoordselectie**: Het inferentiemodel beoordeelt de conditionele waarschijnlijkheid van elk mogelijk antwoord (*a*) voor elk aangevuld verzoek. Het definitieve antwoord is de variant die de hoogste waarschijnlijkheidsscore heeft gekregen voor ten minste één van de verzoeken. Dit tweefasige mechanisme introduceert een soort metacognitief proces: «*Voordat je antwoordt, denk na en formuleer wat je over dit onderwerp weet*». ## Effectiviteit en testresultaten De effectiviteit van GKP werd getest op een reeks academische benchmarks voor de evaluatie van gezond-verstandredeneren. De methode toonde een significante verbetering van de prestaties in vergelijking met basismethoden. | Naam van de benchmark | Taak | Nauwkeurigheid basismodel (%) | Nauwkeurigheid met GKP (%) | Verbetering (%) | |-----------------------|----------------------------------|-------------------------------|----------------------------|-----------------| | **NumerSense** | Numeriek gezond verstand | 64.05 | 72.47 | +8.42 | | **CommonsenseQA** | Algemeen gezond verstand | 39.89 | 47.26 | +7.37 | | **CommonsenseQA 2.0** | Algemeen gezond verstand | 70.20 | 73.03 | +2.83 | | **QASC** | Wetenschappelijk gezond verstand | 76.74 | 80.33 | +3.59 | Overzicht van GKP-resultaten op de belangrijkste benchmarks (gegevens uit Liu et al., 2022)[\[1\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(NL)#cite_note-liu2022acl-1) De grootste verbetering wordt waargenomen in de *zero-shot*-modus, wat aantoont dat GKP in staat is de interne kennis van het model effectief te activeren zonder aanvullende fine-tuning. ## Vergelijkende analyse met andere technieken ### GKP vs. Chain-of-Thought (CoT) Het belangrijkste verschil tussen GKP en Chain-of-Thought (CoT) ligt in het type gegenereerde informatie: - **GKP** genereert **declaratieve kennis** — feiten, definities, uitspraken over de wereld (*«wat»*). Het verschaft het model aanvullende context. - **CoT** genereert **procedurele kennis** — logische stappen, berekeningen, een reeks redeneringen (*«hoe»*). Het verschaft het model een redeneerpad. GKP biedt dus een feitelijke basis, terwijl CoT de logische structuur van de conclusie biedt[\[3\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(NL)#cite_note-wei2022cot-3). ### GKP vs. Retrieval-Augmented Generation (RAG) In tegenstelling tot GKP maakt de methode Retrieval-Augmented Generation (RAG) gebruik van externe, niet-parametrische kennisbronnen. - **GKP** maakt gebruik van **interne kennis** die het model tijdens de training heeft opgedaan. Het dwingt het model om «*te herinneren*» wat het al weet. - **RAG** maakt gebruik van **externe kennis** uit databases, documenten of het internet. Het dwingt het model om «*te zoeken*» naar informatie in de externe wereld. De keuze tussen GKP en RAG hangt af van de taak: GKP is effectief als de vereiste kennis algemeen bekend is en goed vertegenwoordigd is in de trainingsgegevens, terwijl RAG onmisbaar is voor sterk gespecialiseerde, actuele of propriëtaire gegevens. ## Beperkingen en risico's - **Het «hallucinatie»-probleem**: Het grootste risico van GKP is de mogelijkheid dat onjuiste feiten worden gegenereerd. Als het model in de eerste fase een valse bewering genereert, wordt deze in de tweede fase als waar beschouwd, wat leidt tot een zelfverzekerd maar volledig onjuist antwoord. - **Rekenkundige kosten**: De methode vereist meerdere aanroepen van de LLM (M+1 aanroepen per verzoek), wat de responstijd (*latency*) en de gebruikskosten aanzienlijk verhoogt in vergelijking met standaard prompting. - **Complexiteit van promptontwikkeling**: De effectiviteit van GKP is sterk afhankelijk van de kwaliteit van de *few-shot*-voorbeelden, waarvan het opstellen een niet-triviale en arbeidsintensieve taak is. ## Evolutie en hybride benaderingen De ideeën die aan GKP ten grondslag liggen, hebben als katalysator gediend voor de ontwikkeling van meer geavanceerde en robuuste prompting-technieken, zoals: - **Hint-before-Solving (HSP)**: Een directe ideeënopvolger van GKP, die het tweefasige principe («eerst kennis, dan handelen») toepast niet op een eenvoudig antwoord, maar op het complexere redeneerproces in CoT[\[4\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(NL)#cite_note-hsp2024-4). - **Verify-and-Edit (VE)**: Een hybride framework dat een antwoord biedt op het «hallucinatie»-probleem in GKP en CoT. VE genereert eerst een redeneerreeks (zoals CoT), controleert vervolgens automatisch de belangrijkste feiten via externe zoekopdrachten (zoals RAG) en bewerkt de redeneringen vóór het genereren van het definitieve antwoord[\[5\]](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(NL)#cite_note-zhao2023ve-5). ## Verwijzingen - Generated Knowledge Prompting in de Prompt Engineering Guide ## Literatuur - Liu, J. et al. (2021). *Generated Knowledge Prompting for Commonsense Reasoning*. arXiv:2110.08387 - Liu, J. et al. (2022). *Generated Knowledge Prompting for Commonsense Reasoning*. In \*Proc. ACL 2022\*. ACL:2022 - Wei, J. et al. (2022). *Chain-of-Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903 - Wang, X. et al. (2022). *Self-Consistency Improves Chain-of-Thought Reasoning in Language Models*. arXiv:2203.11171 - Fu, J. et al. (2024). *Hint-before-Solving Prompting: Guiding LLMs to Effectively Utilize Encoded Knowledge*. arXiv:2402.14310 - Zhao, R. et al. (2023). *Verify-and-Edit: A Knowledge-Enhanced Chain-of-Thought Framework*. arXiv:2305.03268 - Lin, B. et al. (2020). *NumerSense: Probing Numerical Commonsense Knowledge of Pre-trained Language Models*. Dataset page - Talmor, A. et al. (2019). *CommonsenseQA: A Question-Answering Challenge Targeting Commonsense Knowledge*. ACL paper - Khot, T. et al. (2019). *QASC: A Dataset for Question Answering via Sentence Composition*. arXiv:1910.11473 - Mu, J. et al. (2023). *Learning to Compress Prompts with Gist Tokens*. arXiv:2304.08467 ## Noten 1. ↑ [1.0](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(NL)#cite_ref-liu2022acl_1-0) [1.1](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(NL)#cite_ref-liu2022acl_1-1) [1.2](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(NL)#cite_ref-liu2022acl_1-2) [1.3](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(NL)#cite_ref-liu2022acl_1-3) Liu, J., Liu, A., Lu, X., et al. (2022). «Generated Knowledge Prompting for Commonsense Reasoning». *Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics*. [1] 2. ↑ [2.0](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(NL)#cite_ref-liu2021arxiv_2-0) [2.1](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(NL)#cite_ref-liu2021arxiv_2-1) Liu, J., Liu, A., Lu, X., et al. (2021). «Generated Knowledge Prompting for Commonsense Reasoning». *arXiv preprint arXiv:2110.08387*. [2] 3. [↑](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(NL)#cite_ref-wei2022cot_3-0) Wei, J., Wang, X., Schuurmans, D., et al. (2022). «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models». *arXiv preprint arXiv:2201.11903*. [3] 4. [↑](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(NL)#cite_ref-hsp2024_4-0) Katz, O., Maman, Y., et al. (2024). «Hint-before-Solving Prompting: Guiding LLMs to Effectively Utilize Scaffolding». *arXiv preprint arXiv:2402.14310*. [4] 5. [↑](https://systems-analysis.info/int/Generated_Knowledge_Prompting_(NL)#cite_ref-zhao2023ve_5-0) Zhao, R., Zhang, J., et al. (2023). «Verify-and-Edit: A Knowledge-Enhanced Chain-of-Thought Framework». *arXiv preprint arXiv:2305.03268*. [5]