Vervolgonderzoek: Thesauruskoppeling Oral History

20.07.2026

Vervolgonderzoek: Thesauruskoppeling Oral History

WO2Net zoekt steeds naar manieren om verhalen over de Tweede Wereldoorlog toegankelijk te maken voor een breed publiek. Oral-history interviews zijn daarvoor een waardevolle bron, maar ze duren vaak uren. Om ze bruikbaarder te maken koppelt WO2Net losse fragmenten uit die interviews aan concepten uit de WO2-Thesaurus. Hoe beter die koppeling, hoe makkelijker een bezoeker een passend getuigenverhaal vindt. VU-student Feruza Bakhtiyorova onderzocht voor haar bachelorscriptie een nieuwe manier om die concepten op te halen.

Te brede concepten

Het koppelen gebeurt automatisch, met een taalmodel (LLM). Uit eerder onderzoek bleek dat de labels die zo’n model voorstelt vaak te breed zijn. Een fragment dat duidelijk over de Hongerwinter gaat, kreeg bijvoorbeeld alleen het label Honger waar weinig gebruikers in geinteresseerd zijn. De vraag was dus: hoe krijgen we het model zover dat het ook het specifiekere Hongerwinter teruggeeft?

Een bachelorscriptie als vervolgstap

Bakhtiyorova borduurt hiermee voort op haar eerdere minorproject. In haar bachelorscriptie voor de studie Artificial Intelligence aan de Vrije Universiteit Amsterdam (begeleiding VU: Victor de Boer) pakte ze het vraagstuk verder op, opnieuw samen met WO2Net. Voor dezelfde vijf interviewfragmenten vergeleek ze de output van drie manieren van koppelen:

Baseline: de concepten uit het basiswerk van WO2Net uit 2025.
Refined prompting: de concepten uit het genoemde minor project, waarbij de prompts verder zijn aangescherpt.
Knowledge-Graph Retrieval-Augmented Generation (KG-RAG): hierbij worden mogelijk relevante begrippen eerst opgezocht in de WO2-Thesaurus, waarna het model uit die bredere lijst kiest welke er echt bij het fragment passen.

Evaluatie van de output

De uitkomsten van de drie methoden kwamen samen in één vragenlijst. Vijf WO2Net-experts beoordeelden elk voorgesteld begrip zonder te weten welke methode het had aangedragen. Ze keken naar twee dingen: of het concept echt bij het fragment past (correctheid), en of het op het juiste detailniveau zit (specificiteit).

De belangrijkste bevindingen

KG-RAG blinkt uit in specificiteit: Met een specificiteit van 79% (tegenover 74% voor de verfijnde prompt en 66% voor de baseline) levert KG-RAG de meest specifieke resultaten op. De methode haalt ontbrekende, diepere begrippen naar boven, zoals Reichenbach, Birkenau, Kristallnacht en Bergen-Belsen.

Meer ruis en uitdagingen met context: Een bredere zoekactie brengt ook meer ruis en minder relevante concepten met zich mee, waardoor de verfijnde prompt op correctheid iets beter scoorde. Daarnaast bevat een los fragment niet altijd genoeg context om een juiste koppeling te maken.

Vervolgstappen: KG-RAG is bruikbaar, maar WO2Net moet de correctheid verder verhogen om de resultaten geschikt te maken voor platforms als Oorlogsbronnen.nl en Onsland.nl. De verwachting is dat grotere context-windows in nieuwe LLM’s — die grotere interviewfragmenten in één keer verwerken — deze koppelingen nog beter zullen maken.