Turnitin AI-detector: een gids voor studenten en docenten voor 2026

Een student loopt het schrijfcentrum binnen met een geopend screenshot op hun laptop. Het paper is af, de bronvermeldingen staan erin en het betoog is van henzelf. Maar naast de inleverregistratie staat een AI-score. Ze stellen dezelfde vraag die ik ook van docenten hoor: “Wat betekent dit?”

Dat moment voelt groter aan dan een getal. Studenten maken zich zorgen dat een machine hen al heeft veroordeeld. Docenten maken zich zorgen dat ze misbruik over het hoofd zien, of erger nog, een student ten onrechte beschuldigen. Beide reacties zijn begrijpelijk. De Turnitin AI-detector bevindt zich precies op het kruispunt van academische integriteit, schrijfbeoordeling en veel onzekerheid.

Wat het meest helpt, is vaart minderen en de score zorgvuldig interpreteren. Een AI-indicator is niet hetzelfde als bewijs. Het is een signaal dat wordt gegenereerd door software die op zoek gaat naar patronen in taal. Dat kan nuttig zijn. Het kan ook verkeerd worden begrepen, vooral wanneer mensen een percentage lezen als een oordeel in plaats van een aanleiding voor nader onderzoek.

In de praktijk is de gezondste reactie dezelfde die ik aanbeveel bij veel schrijfvraagstukken. Houd het gesprek gebaseerd op bewijs. Bekijk het concept, de opdracht, de schrijfgeschiedenis van de student en de gemarkeerde passages. Vraag jezelf af wat de tool je kan vertellen, en wat niet.

Praktische regel: Als een AI-score paniek veroorzaakt, wacht dan even voordat je reageert. De score is het begin van een beoordeling, niet het einde ervan.

Inleiding: wat te doen wanneer je een AI-score ziet

Als je een student bent, is je eerste instinct misschien om jezelf te verdedigen voordat iemand een vraag stelt. Als je docent bent, is je eerste instinct misschien om meteen een onderzoek te starten. Beide zijn begrijpelijk, maar geen van beide werkt goed als het getal zelf niet correct is geïnterpreteerd.

Een betere eerste stap is om drie verschillende dingen te scheiden die vaak door elkaar worden gehaald:

• De inzending zelf: Wat het paper zegt, hoe het klinkt, en of het overeenkomt met de opdracht.
• Het detectorresultaat: Een door software gegenereerde schatting op basis van schrijfpatronen.
• Het academische oordeel: Een menselijke beslissing die context, proces en gesprek zou moeten omvatten.

Dat onderscheid is belangrijk, omdat de Turnitin AI-detector vaak wordt behandeld alsof hij werkt als een plagiaatchecker. Dat is niet zo. Plagiaattools vergelijken tekst met bestaande bronnen. AI-detectors zoeken naar stilistische signalen die lijken op door machines gegenereerde tekst. Dat zijn verschillende taken, met verschillende beperkingen.

Studenten worden ook op het verkeerde been gezet door de emotionele lading van percentages. Een score op een scherm kan definitief aanvoelen. Dat is het niet. Docenten kunnen ook struikelen, vooral onder tijdsdruk, omdat software objectief lijkt. Maar objectiviteit en zekerheid zijn niet hetzelfde.

Hier is de rustige, werkbare aanpak die ik beide groepen aanraad:

1. Lees de opdracht opnieuw. Sommige cursussen staan beperkt AI-gebruik toe, andere niet, en weer andere staan het alleen toe voor brainstormen of redigeren.
2. Bekijk het schrijfproces. Notities, concepten, outlines, versiegeschiedenis en onderzoekslogboeken verduidelijken vaak wat er is gebeurd.
3. Gebruik de score als één gegevenspunt. Het kan een vraag oproepen. Het zou die vraag niet op zichzelf moeten beantwoorden.

Die aanpak beschermt academische normen en eerlijkheid tegenover studenten tegelijkertijd.

Wat is de Turnitin AI-detector

Een student kan een paper inleveren dat hij zelf heeft geschreven, een AI-percentage ontvangen, en onmiddellijk aannemen dat de software iets verborgens heeft betrapt. Die reactie is begrijpelijk. Het label klinkt definitiever dan de tool in werkelijkheid is.

De Turnitin AI-detector is een functie binnen Turnitin die inschat of delen van ingeleverde tekst lijken op door AI gegenereerde tekst. De tool identificeert geen specifieke chatbot, reconstrueert niet het schrijfproces van een student, en bewijst niet wie elke zin heeft geschreven. Hij werkt alleen met het uiteindelijke concept, en dat is waarom de kloof tussen het schrijfproces en de afgeronde tekst zo belangrijk is.

Die kloof zorgt in de praktijk voor een van de grootste problemen. Een detector kan alleen beoordelen wat zichtbaar is in de ingeleverde tekst. Hij kan geen brainstormnotities, valse starts, herzieningsgeschiedenis of de momenten zien waarop een student een alinea herformuleerde na feedback. Met andere woorden: het proces is voor het systeem vaak onzichtbaar, zelfs wanneer dat proces precies is wat een docent zou willen onderzoeken.

Wat het wel is, en wat het niet is

De duidelijkste manier om de tool te definiëren, is door zijn functie te scheiden van Turnitins oudere overeenkomstfuncties.

Tool	Hoofdvraag
Plagiaatchecker	Is deze tekst gekopieerd van een identificeerbare bron?
AI-detector	Lijkt dit schrijfpatroon op door AI gegenereerde tekst?

Dat onderscheid helpt de valse-positievenparadox te verklaren. Hoe meer een detector leunt op brede statistische patronen, hoe groter het risico dat hij eerlijke tekst markeert die toevallig zeer voorspelbaar, gepolijst of uniform overkomt. Een paper kan volledig origineel zijn en toch bezorgdheid oproepen, omdat originaliteit en AI-gelijkenis verschillende beoordelingen zijn.

Voor docenten betekent dit dat de score dichter bij een screeningssignaal staat dan bij een oordeel. Voor studenten betekent het dat een AI-percentage niet hetzelfde is als bewijs van wangedrag.

Waar het past in de academische workflow

In veel cursussen zien docenten de indicator nadat een paper via Turnitin is geüpload, naast andere inleverdetails. Onder tijdsdruk is het verleidelijk om dat getal als een snelkoppeling te behandelen. Het beter gebruik ervan is beperkter en zorgvuldiger.

Een AI-score kan een docent helpen beslissen of een paper nader moet worden bekeken, of het moet worden vergeleken met eerder werk van dezelfde student, of dat er om concepten en notities moet worden gevraagd. Dat is een gebruik voor kwaliteitscontrole, geen disciplinaire conclusie. Het verschil is belangrijk, omdat kleine bewerkingen, grondig proeflezen of een van nature gelijkmatige schrijfstijl ervoor kunnen zorgen dat het eindproduct er anders uitziet dan het rommelige menselijke proces dat eraan voorafging.

Studenten maken zich vaak zorgen over wat deze systemen afleiden uit gepolijste tekst of geüploade documenten in het algemeen. Lezen over hoe AI-modellen jouw gegevens zien kan helpen verklaren waarom geautomatiseerde beoordelingstools zoveel onrust veroorzaken, zelfs bij studenten die hun werk op legitieme wijze hebben voltooid.

Hoe de detector door AI geschreven tekst identificeert

De makkelijkste manier om de Turnitin AI-detector te begrijpen, is door hem te zien als iets dat op zoek gaat naar linguïstische vingerafdrukken. Hij kijkt niet toe terwijl een student schrijft. Hij onderzoekt geen intentie. Hij leest de uiteindelijke tekst en gaat na of de tekst patronen bevat die vaak worden geassocieerd met AI-systemen.

De patronen waarnaar hij zoekt

In gewone taal: detectors richten zich vaak op voorspelbaarheid en variatie.

• Voorspelbare formulering: Door AI geschreven tekst kiest vaak voor gangbare, verwachte woordvolgordes.
• Gelijkmatig ritme: Zinnen kunnen een uniformere lengte en structuur hebben dan veel menselijke concepten.
• Consistente gepolijstheid: De tekst kan overal even vloeiend klinken, zelfs wanneer een student normaal gesproken zou variëren in toon of complexiteit.
• Stylometrische signalen: Woordkeuze, samenhang en zinsbouw kunnen zich clusteren op manieren die lijken op machinaal gegenereerde tekst.

Dat betekent niet dat gepolijst schrijven verdacht is. Sterke studenten schrijven vaak nette, consistente tekst. Het probleem is dat de detector patroonprofielen vergelijkt, en niet de intentie of het proces van de schrijver leest.

De software ziet de afgeronde pagina. Ze ziet niet de outline die 's nachts laat is gemaakt, het rommelige eerste concept, of de herzieningskeuzes die eraan ten grondslag lagen.

De operationele regels die ertoe doen

Het model van Turnitin heeft ook een aantal werkingsprincipes die mensen moeten kennen voordat ze een resultaat interpreteren. Volgens de architectuur van Turnitins AI-schrijfdetectiemodel en testprotocol, gehost door de University at Buffalo, heeft de detector minimaal 300 woorden lopende tekst in een langvormig format nodig om een rapport te genereren, en toont hij alleen een AI-indicatorpercentage als meer dan 20% van de gekwalificeerde inhoud wordt ingeschat als waarschijnlijk door AI gegenereerd.

Deze twee details verhelderen veel verwarring. Korte discussieposts, opdrachten met veel opsommingstekens, labfragmenten of tekst met beperkte lopende tekst leveren mogelijk helemaal geen zinvolle resultaten op. En zelfs wanneer het systeem kleinere hoeveelheden detecteert, verschijnt het gerapporteerde percentage pas zodra de gekwalificeerde inhoud die rapportagedrempel overschrijdt.

Waarom dit ertoe doet in klaslokalen

Dit is een van de redenen waarom hybride tekst moeilijk te doorgronden is met detectiesoftware. Een student kan een deel van een essay zelfstandig opstellen, een ander deel grondig herzien en bij een derde deel hulp krijgen. De detector moet dan een patroon afleiden uit het eindproduct, niet uit de workflow erachter.

Die uitdaging beperkt zich niet tot academische omgevingen. Ook in zakelijke leeromgevingen en contentproductie wordt afgewogen hoe met AI opgestelde concepten moeten worden beoordeeld en gedocumenteerd. Als je zowel in onderwijs- als trainingsomgevingen werkt, biedt deze vergelijking van AI-tools voor bedrijfstrainingen nuttige context over hoe AI-schrijfsystemen ook hun intrede doen in professionele leeromgevingen.

Nauwkeurigheidsclaims versus prestaties in de praktijk

Een student levert een paper in dat hij zelf heeft geschreven, krijgt een AI-score, en plotseling luidt de vraag niet meer “Hoe sterk is dit betoog?” maar “Kan ik bewijzen hoe ik het heb geschreven?” Die verschuiving is waar nauwkeurigheidsclaims echte gevolgen in de klas ontmoeten.

Turnitins publieke cijfers klinken geruststellend. Berichtgeving samengevat door BestColleges stelt dat Turnitin zijn detector omschrijft als 98% nauwkeurig, met een percentage valse positieven van minder dan 1%, en merkt op dat het systeem meer dan 200 miljoen papers had verwerkt, waarbij ongeveer 11% minstens 20% AI-tekst vertoonde en 3% meer dan 80% door AI gegenereerde inhoud vertoonde, volgens BestColleges' analyse van Turnitins detector.

Die cijfers helpen het vertrouwen van instellingen te verklaren. Ze beantwoorden niet de moeilijkere vraag waar docenten en studenten mee te maken hebben. Hoe goed presteert de tool bij gewone opdrachten die zijn geschreven via rommelige, menselijke schrijfprocessen?

Wat onafhankelijk testen suggereert

Onafhankelijke academische evaluaties laten een minder eenduidig beeld zien dan de opvallende nauwkeurigheidsclaims suggereren. In een veelgeciteerde beoordeling die eerder in dit artikel wordt besproken, presteerde Turnitin beter op duidelijk menselijke tekst dan op gemengde teksten die menselijke en door AI gegenereerde passages combineerden. Dat onderscheid is belangrijk, omdat veel echte inzendingen hybride zijn na hulp bij brainstormen, herziening op zinsniveau, vertaalondersteuning of gedeeltelijke hulp bij het opstellen.

Een andere externe beoordeling wijst erop dat Turnitins eigen whitepaper een percentage valse positieven van 0,51% rapporteert, oftewel ongeveer 1 op de 200 documenten, en dat het testen van onbewerkte antwoorden van GPT-4 en Claude in academische stijlen vaak uitkwam in het detectiebereik van 90% tot 95%, in plaats van een uniforme 98%+ onder alle omstandigheden, volgens Pangrams bespreking van valse positieven bij AI-detectors.

Dat verschil klinkt misschien klein op papier. Het is niet klein voor de student wiens essay de uitzondering wordt.

De valse-positievenparadox

Dit is het kernprobleem op het gebied van eerlijkheid. Een laag foutpercentage op grote schaal kan nog steeds een aanzienlijk aantal onterecht gemarkeerde papers opleveren, vooral bij grote universiteiten die elk semester duizenden inzendingen verwerken.

Het resultaat is wat ik de valse-positievenparadox noem. Een statistiek die bescheiden oogt in een productsamenvatting kan overweldigend aanvoelen op het niveau van een individueel geval. Als jouw paper wordt gemarkeerd, biedt het systeembrede gemiddelde maar weinig troost.

Een AI-score meet ook gelijkenis, niet de geschiedenis van het auteurschap. De detector ziet een afgeronde tekst, net als een lezer die pas binnenkomt nadat het schrijven al is voltooid en moet afleiden wat er is gebeurd op basis van alleen het eindconcept. Hij kan brainstormnotities, verworpen alinea's, spraakmemo's, begeleidingssessies of late-avondherzieningen niet direct waarnemen. Die ontbrekende context is het probleem van onzichtbaarheid van het proces, en het is een van de redenen waarom gepolijste menselijke tekst soms als verdacht kan worden gelezen.

Waarom prestaties in de klas moeilijker te beoordelen zijn

Gecontroleerd testen en gebruik in de klas zijn niet hetzelfde. Labmatige evaluaties werken meestal met nettere categorieën. Echte studententeksten zijn veel minder ordelijk.

Een paper kan zwaar herziene secties bevatten, formulematige vakspecifieke formuleringen, geciteerd materiaal, vertaalde ideeën, of redactionele hulp uit verschillende bronnen. Sterke meertalige schrijvers kunnen ook tekst produceren die van alinea tot alinea ongewoon uniform overkomt. Datzelfde geldt voor studenten die zorgvuldig herzien met een tutor van het schrijfcentrum. Niets daarvan bewijst misbruik.

Dit is waarom een detectorscore zou moeten functioneren als een rookmelder, niet als een vonnis. Een rookmelder kan je alarmeren om de kamer beter te inspecteren. Hij kan je niet vertellen of er daadwerkelijk brand is, aangebrand brood, of stoom uit de douche.

Sommige instellingen hebben juist om deze reden voorzichtig gereageerd. Rapporten die in eerdere onderzoekssamenvattingen worden besproken, merken op dat campusleiders zorgen hebben geuit over transparantie, ongelijkmatige prestaties bij hybride tekst, en het risico van het overinterpreteren van een probabilistische tool in disciplinaire contexten.

Om die reden is onafhankelijke controle belangrijk. Een vergelijkende beoordeling van de nauwkeurigheid van AI-detectors bij meerdere tools kan docenten en studenten helpen zien of één score een uitschieter is of deel uitmaakt van een breder patroon. Verificatie neemt onzekerheid niet weg, maar het verkleint wel de kans dat één ondoorzichtig resultaat het hele verhaal wordt.

Je Turnitin AI-score correct interpreteren

Het meest voorkomende misverstand is ook het meest ingrijpende. Als een paper 23% aangeeft, lezen veel mensen dat als “er is 23% kans dat dit hele paper door AI is geschreven.” Dat is niet wat de score betekent.

Een betere interpretatie is dat een deel van de tekst door het model van het systeem is gemarkeerd als lijkend op door AI gegenereerde tekst. Het gaat om gemarkeerde tekst, niet om schuld, motief of zekerheid.

De drempel die veel mensen missen

Turnitin geeft expliciet aan dat het AI-schrijfdetectiemodel tekst als door AI gegenereerd markeert wanneer het percentage tussen 20% en 100% ligt, en erkent een hoger percentage valse positieven tussen 0% en 19%. Instellingen wordt geadviseerd geen nadruk te leggen op scores van 1% tot 19% bij academische beoordelingen, zoals opgemerkt in dit PMC-artikel over Turnitins rapportagedrempel.

Dat ene punt verheldert een verrassende hoeveelheid verwarring. Scores onder de drempel zijn geen sterk bewijs van misbruik. Ze worden operationeel als niet-doorslaggevend behandeld, omdat de tool zelf in dat bereik foutgevoeliger is.

Hier is een eenvoudige manier om het te begrijpen:

Scorebereik	Hoe ermee om te gaan
1% tot 19%	Niet doorslaggevend. Op zich geen goede basis voor een beschuldiging.
20% en hoger	Een aanleiding voor nader onderzoek, geen automatisch bewijs.

Een korte doorloop kan helpen om het rapport minder abstract te maken.

Wat studenten moeten doen

Als je werk wordt gemarkeerd, blijf dan georganiseerd en concreet.

1. Bewaar je schrijfspoor. Bewaar outlines, onderzoeksnotities, versiegeschiedenis en eerdere concepten.
2. Bekijk de gemarkeerde passages. Ga na of die secties samenvattingen, algemene overgangen of zwaar bewerkte tekst zijn.
3. Bereid je voor om je proces uit te leggen. Een kalme uitleg van hoe het paper tot stand kwam, is vaak overtuigender dan een algemene ontkenning.

Breng bewijs van je schrijfproces mee, niet alleen een verklaring van onschuld.

Als je bezorgd bent dat een detector je verkeerd zal lezen, helpt het ook om de patronen achter valse alarmen te begrijpen. Deze gids over valse positieven bij AI-detectie geeft studenten en docenten een praktisch kader om betwiste resultaten te bespreken.

Wat docenten moeten doen

Voor docenten is de juiste vraag niet “Welke score bewijst wangedrag?” De juiste vraag is “Welke combinatie van bewijs rechtvaardigt een eerlijk academisch gesprek?”

Nuttige controles zijn onder andere:

• Vergelijk met eerder werk: Verschilt de stem sterk van eerdere inzendingen?
• Kijk naar de aansluiting bij de opdracht: Was de taak formulematig genoeg om op natuurlijke wijze voorspelbare taal op te leveren?
• Vraag om procesbewijs: Notities, concepten en herzieningsgeschiedenis onthullen vaak meer dan de score.
• Gebruik de score bescheiden: Laat het beoordeling in gang zetten, niet vervangen.

Die aanpak respecteert zowel academische integriteit als een zorgvuldige procedure.

Strategieën voor schrijfkwaliteit en verificatie

Een student kan elke zin zelf schrijven, zorgvuldig herzien, en zich toch zorgen maken dat een detector het uiteindelijke concept verkeerd zal lezen. Die angst is begrijpelijk. Het uiteindelijke paper kan het daadwerkelijke werk dat eraan ten grondslag lag, verhullen.

Die kloof is het probleem van onzichtbaarheid van het proces. Een detector beoordeelt de tekst die is ingeleverd. Hij kan de valse starts in een notitie-app niet zien, de kanttekeningen op een geprint concept, de alinea die drie keer is herschreven, of het gesprek met een tutor dat de stelling verduidelijkte. Zoals de HumTech-afdeling van UCLA opmerkt in haar beoordeling van AI-detectietools, beginnen de grenzen van detectie precies hier, bij het feit dat software output beoordeelt in plaats van het leerproces erachter, zoals beschreven in UCLA HumTechs artikel over de onvolkomenheid van AI-detectietools.

Dat onderscheid helpt de valse-positievenparadox te verklaren. Hoe schoner en voorspelbaarder een passage wordt na grondige bewerking, hoe meer deze kan lijken op de gepolijste patronen waarop detectors zijn getraind om te letten. Met andere woorden: verantwoordelijk herzien kan menselijk werk soms verdacht doen lijken. Een eerlijk beoordelingsproces moet ruimte laten voor die mogelijkheid.

Schrijfgewoontes die een eerlijke beoordeling ondersteunen

Studenten willen meestal concrete stappen. Het goede nieuws is dat dezelfde gewoontes die een paper verbeteren, het ook makkelijker maken om auteurschap aan te tonen.

• Schrijf in zichtbare fasen: Werk van outline naar concept naar herziening, en bewaar die versies.
• Bewaar je onderzoeksspoor: Houd notities, artikellinks, gemarkeerde bronnen en informele samenvattingen bij.
• Herzie voor specificiteit: Vervang brede, generieke zinnen door je eigen bewering, je eigen voorbeeld en je eigen uitleg.
• Laat sporen van besluitvorming achter: Reacties, bijgehouden wijzigingen en kanttekeningen kunnen laten zien hoe je ideeën zich ontwikkelden.
• Lees het paper hardop: Dit onthult vaak waar de taal vlak, te algemeen, of ongelijk aan je normale stem klinkt.

Studenten die praktische hulp willen bij helderdere tekst en een sterkere academische stem, kunnen deze gids raadplegen over hoe je academisch schrijven kunt verbeteren.

Verificatie als kwaliteitscontrole

Onafhankelijke verificatie is een verstandige volgende stap, vooral wanneer een inzending met hoge inzet verkeerd gelezen zou kunnen worden. In het onderwijs doen we dit voortdurend. We beoordelen een lastig paper niet door slechts naar één zin te kijken. We toetsen beweringen aan bewijs. AI-detectie verdient dezelfde voorzichtigheid.

Het gebruik van meer dan één beoordelingsmethode helpt, omdat detectors het onderling oneens kunnen zijn, en kleine bewerkingen resultaten kunnen veranderen op manieren die niet netjes overeenkomen met auteurschap. Een tweede tool biedt geen zekerheid, maar kan wel laten zien of één score een uitschieter is, of een bepaalde alinea zorgen baart, of dat het concept meer concrete menselijke details nodig heeft.

Voor schrijvers die een concept willen controleren voor het inleveren, kan Humantext.pro dienen als een verificatiestap voor het beoordelen van AI-waarschijnlijkheidssignalen en het vergelijken van resultaten tussen detectors. Op deze manier gebruikt, is verificatie kwaliteitsborging. Het is een manier om mogelijke verkeerde interpretaties te ondervangen voordat ze beschuldigingen worden.

Kwaliteitscontrole: Vraag jezelf af: “Laat dit concept mijn daadwerkelijke denkproces, keuzes en bewijs duidelijk genoeg zien, zodat ik zou kunnen uitleggen hoe het geschreven is?”

Dat is een sterkere vraag dan proberen te voorspellen wat een detector zal prefereren. Het leidt tot beter schrijfwerk, en het geeft docenten een eerlijkere basis voor hun oordeel.

Conclusie: de weg vooruit voor academische integriteit

De Turnitin AI-detector kan nuttig zijn. Hij kan ook op manieren verkeerd worden begrepen die onnodige schade veroorzaken. Die spanning is de reden waarom zowel studenten als docenten een zorgvuldigere woordenschat nodig hebben voor deze tools.

De belangrijkste omslag is eenvoudig. Behandel de detector als een indicator, niet als een scheidsrechter. De score weerspiegelt patroonherkenning in tekst. Hij stelt geen intentie, geen auteurschap met zekerheid, en geen wangedrag op zichzelf vast. Zodra dat principe duidelijk is, verdwijnt veel nutteloze paniek.

Voor studenten is de weg vooruit om je proces te beschermen. Bewaar concepten, notities en herzieningsgeschiedenis. Schrijf specifiek. Bewaar bewijs van je denkproces. Als een score vragen oproept, beantwoord ze dan met je werk, niet alleen met je zorgen.

Voor docenten is de weg vooruit gedisciplineerde terughoudendheid. Gebruik AI-scores om papers te identificeren die nadere beoordeling verdienen. Vertrouw vervolgens op dezelfde zaken waarop goede docenten altijd al hebben vertrouwd: context, opdrachtontwerp, eerdere schrijfvoorbeelden en een rechtstreeks gesprek met de student.

Academische integriteit zal niet alleen door software worden opgelost. Ze zal in stand worden gehouden door transparante verwachtingen, beter onderwijs in schrijfvaardigheid en eerlijke beoordelingspraktijken. Dat gaat langzamer dan vertrouwen op een percentage op een dashboard, maar het is ook verantwoordelijker, en veel leerzamer.

---

Als je een concept wilt verifiëren voor het inleveren, biedt Humantext.pro AI-detectie- en kruiscontroletools die je kunnen helpen beoordelen hoe tekst mogelijk wordt geïnterpreteerd door verschillende detectors. Verantwoord gebruikt, kan dat soort verificatie schrijfkwaliteit, duidelijkere herziening en eerlijkere gesprekken over auteurschap ondersteunen.