
Van een vraag naar Henk
Het proces van Project Inception: hoe de zorg “wat valt er weg als Inge stopt?” via onderzoek, interviews, concepten en feedback een werkende robot-assistent in de makerspace werd.
Projectvideo komt hier
[PROJECTVIDEO: IN MAKING] Zet het bestand als video/proces.mp4 in deze map en de video verschijnt vanzelf op deze plek. Thumbnail: video/proces.jpg. Ondertitels: video/proces.vtt.
Het begon met zes vragen
Het project is gestart vanuit de 5 W’s + H. Die vragen werden ontwerpvragen. Daarna koos ik per vraag een onderzoeksmethode. Klik door de keten.
1 · De 5 W’s + H
kick-off2 · Van vraag naar methode
klik een vraagElke vraag uit de 5 W’s + H kreeg een eigen ontwerpvraag (Ontwerp, People, Place). Kies er één en zie welke methode hem beantwoordt.
Mijn vragen
Methodes die ik gebruikte
Kies links een vraag.
3 · De onderzoeksmatrix
waar zit mijn onderzoek?Alle methodes die nieuwe data bij mensen ophalen staan op twee assen: wat mensen doen tegenover wat ze zeggen, en waarom tegenover hoeveel. Zo zie je meteen wat ik wel en nog niet onderzocht heb.
Dan zie je wat die opleverde voor het ontwerp.
Analyse- en synthesemethodes (persona, empathy map, scenario, task analysis, ethical check) staan bewust buiten de matrix: ze halen geen nieuwe data op, ze verwerken wat er al is.
4 · Inspiratieonderzoek
3 vragen × 5 bronnenWie heeft hier iets te zeggen?
Dezelfde groepen, twee manieren van kijken. De cirkel laat zien wie dichtbij de makerspace staat. De matrix laat zien wie macht en belang heeft. Wissel met de knop.
Praten met Ronald en Inge
Twee semigestructureerde expertinterviews in de makerspace, op papier bijgehouden en later geclusterd. Eerst wat zij vertelden, dan wat ik eruit haalde.
Clusteren: zes thema’s
affinity diagramNa twee interviews legde ik alle losse stickies per persoon naast elkaar en groepeerde op thema, om te zien waar Inge en Ronald elkaar bevestigen of tegenspreken. Klik een thema open voor het inzicht.
Eerlijk over het proces
- In de intro bij Inge zei ik dat de AI “haar plek kon overnemen” en legde ik mijn idee vooraf uit. Dat stuurt haar antwoorden; ik benoem het onder validiteit.
- Inge gaf zelf als feedback dat ik te veel uitleg rond mijn vragen. Bij het volgende gesprek: vraag stellen, stil zijn, doorvragen op wat de ander zegt.
- Als steward ben ik insider en dus niet neutraal. Daarom triangulatie: Inge naast Ronald naast mijn eigen ervaring. Inge wilde het transcript eerst zien voor ik het gebruikte.
Persona Anna, en wat de assistent voor háár oplost
stakeholder personaUit de interviews bouwde ik een persona van de medewerker. De assistent is niet alleen voor studenten: elke pijn van Anna moest een antwoord krijgen of bewust bij de mens blijven.
Anna
Captain van de makerspace en docent bij CMD. Maker met een achtergrond in print en vormgeving, kent de machines goed.
Je betaalt hier met kennis.Samengesteld uit de interviews met Ronald en Inge. Gezicht is AI-gegenereerd, geen echt persoon.
Wat Anna wil
Haar pijnpunten · klik voor wat Henk ermee doet
Drie concepten op tafel
Op 7 oktober maakte ik drie conceptborden en testte ze twee dagen later met Koen, oud-steward van de makerspace. Daarna kwam de feedback van Levien en een toets aan mijn guiding principles.
Wat Koen toevoegde
interview 9 oktDe toets: welk concept gaat door?
concept × guiding principleNiet elke gebruiker is dezelfde gebruiker
Na de experts sprak ik klasgenoten en CMD’ers, en deed ik een autoetnografisch interview met mezelf als steward. Daaruit kwamen drie soorten gebruikers, op een as van kent de ruimte tot kent de cultuur.
Het Maker Manifesto
Ronald noemde het manifest van de makerspace. Levien gaf me op 9 oktober vier lenzen om het te begrijpen. Het is meer dan een poster: het bepaalt wie de AI is, en van wie hij is.
Hetzelfde idee, twee keuzes
enclosure vs commonsHoeveel mag de assistent zelf?
Autonoom betekent niet alles of niets. Naar Sheridan en Verplank (1978) koos ik per taak hoeveel de AI mag: alleen melden, voorstellen of zelf doen. En wat hij nooit mag, blijft bij de mens. Schuif aan de regelaar.
Zes principes die alles sturen
Een inzicht is pas sterk als het uit meerdere bronnen komt. Daarom legde ik elk inzicht naast Inge, Ronald, Koen, mezelf, de inspiratie en de literatuur. Wat sterk bleek, werd een guiding principle. Klik een cirkel, of bekijk hoe versie 1 versie 2 werd.
Versie 1 kwam alleen uit de interviews. Na mijn eigen interview als student (11 okt) en het onderzoek naar het Maker Manifesto veranderde de lijst: één principe verhuisde van “gedeelde kennis” naar “lokaal”, en de kern kreeg Make, Learn, Share als houding.
Triangulatie: welk inzicht is sterk?
I Inge · R Ronald · K Koen · D Dani · Insp · LitBlinde vlek: buiten Dani is nog geen enkele student gesproken. A, B, C en G moeten nog bij andere studenten getoetst worden. Dat deed ik daarna met de gebruikersinterviews en de tests.
Het verhaal, en wat er echt gebeurde
Eerst vertelde ik mijn ontwerp als een verhaal (Story Spine). Dan nam ik één moment eruit en legde mijn verwachting naast de test van 12 oktober (Cue tot Response).
Story Spine
Kenn AdamsDe laatste regel (“en sindsdien…”) stond bij mij nog open. Dat is eerlijk: ik wist nog niet hoe het eindigt.
Cue tot Response
Norman, 2013Eén moment uit het verhaal: “Tot op een dag kwam er een AI-assistent in de makerspace om de vragen van studenten te beantwoorden.” Links wat ik had beloofd, rechts wat er gebeurde tijdens de prototypetest op 12 oktober met twee studenten.
Waar het breekt, en wat ik eraan deed
Een klein scenario
expo · 2 minutenHet scenario voegt niet veel toe aan het ontwerp, maar het maakt het meteen voorstelbaar. Henk helpt Noor, een student die vastloopt bij de riso. Scroll opzij.
Nu gaat het werken.
Tot hier ging het over denken. Vanaf hier is het bouwen en testen: van een chatvenster op een laptop naar een robot die praat, luistert en weet wanneer hij iets niet weet.
Prototype 1 · 11 oktober
een lokaal brein op mijn MacEen eigen AI-assistent voor de makerspace die helemaal op mijn Mac draait, zonder internet. Zo blijft de kennis van de HU ook echt in de HU.
Ollama is de motor
Draait AI-modellen lokaal. Mijn model makerspace-snel is gebaseerd op Gemma 3, klein genoeg voor mijn Intel Mac.
De Modelfile is het recept
Welk model, hoe creatief, hoe lang de antwoorden mogen zijn, en wie hij is.
AnythingLLM is het chatvenster
Hier praat ik met de AI, gekoppeld aan mijn kennisbestanden.
De system prompt is zijn karakter
Daar staan mijn guiding principles in, als regels: eerlijk zeggen dat hij een machine is, kort antwoorden, doorverwijzen naar Ronald en Inge, géén feedback op ontwerpen, de cultuur doorgeven.
De kennisbestanden zijn wat hij weet
Lasersnijder, Risolab, doosjes maken, de ongeschreven regels. Bij elke vraag zoekt hij eerst het juiste stukje (RAG).
>>> wat kan ik hier doen?
Hier kun je lasersnijden, risoprinten of doosjes maken. Vergeet niet om na je werk je tafel op te ruimen. Wat aan het maken bent?
total duration: 12.4s
eval rate: 11.86 tokens/s
>>> moet ik hier betalen?
Je betaalt met kennis hier, en met de materialen die je gebruikt. Ronald kan je hier meer over vertellen.
Eerste test · 12 oktober
2 studenten, chatvensterMet twee studenten en een laptop met chatvenster. Het was traag, bij student 2 kwam eerst een error, en hij gebruikte jargon (“kapitein”) dat een eerstejaars niet kent. Lees het hele verhaal onder Cue tot Response. Dit test-moment gaf de belangrijkste lessen voor de robot.
De robot bij de riso (HvA makerspace)
Onze eigen makerspace was dicht in de herfstvakantie. Levien gaf de tip om te testen op een vergelijkbare plek: de makerspace van de HvA, met dezelfde logica (zelf maken, machines met hulp, medewerkers als aanspreekpunt). Eén machine: de riso.
Kritische punten: de wachttijd van 15 tot 30 seconden heeft waarschijnlijk de grootste invloed op hoe comfortabel het voelt · kleine groep, dus gedrag en citaten wegen zwaarder dan aantallen · door gezichtsherkenning en geheugen uit te zetten test ik de kern (knop, vraag, kort antwoord), in lijn met Saskia’s “maak het klein”.
Prototype 2 · 19–20 oktober
Henk op de ZBOS-robotEen werkende robot: knop, vraag, kort gesproken antwoord met kennis uit de makerspace. Gebouwd in kleine stappen, elke stap getest op de echte robot. Klik door de keten.
In acht stappen gebouwd
elke stap getest op de robotOntwerpkeuzes
Wat ik leerde
over robot en modelBeeld
hier mis ik materiaalTest in het Makers Lab van de HvA · 20 oktober
Amsterdam · veldtest met het werkende prototypeHenk stond in het Makers Lab; studenten en docenten probeerden hem uit en ik sprak ze kort na afloop. Reacties schreef ik direct op stickers. Dit is een kleine veldtest, dus citaten wegen zwaarder dan aantallen.
Leer Henk iets nieuws
Dit is de echte kennisbank waar captains kennis toevoegen aan Henk. Weet jij iets over een machine of een regel in de makerspace? Schrijf het op, dan weet Henk het ook. Alleen voor captains.
Interactief Probeer het zelf in het scherm hieronder: kies een onderwerp, schrijf een tekst en kijk hoe Henk hem oppakt.
Nieuwe kennis
01Schrijf het zoals je het aan een eerstejaars uitlegt. Kort, één ding per tekst. Het komt in de map van het onderwerp dat je kiest.
Wat Henk al weet
Alles blijft op deze Mac, binnen de HU. Elke tekst wordt een .md bestand in de map kennis. Wil je iets aanpassen of weghalen? Doe dat in die map. Weet Henk iets niet, dan zegt hij dat en verwijst hij naar [CAPTAIN].
Voor en na de assistent
Noor wil een zine risoprinten. Dezelfde student, dezelfde makerspace, vijf momenten: eerst zonder Henk, dan met Henk. Sleep de schuif of speel de animatie en kijk hoe haar gevoelsscore (1 tot 5) verschuift.
Noor, 20
Tweedejaars student creatieve opleiding. Komt naar de makerspace voor projecten met deadline. “Ik wil het gewoon even snel vragen, maar iedereen is zo druk.”
Doelen
- Snel verder met haar project
- Het zelf leren, niet alles laten doen
- Niet dom overkomen
Frustraties
- Medewerker is bezet, ze moet wachten
- Kent de regels en cultuur niet
- Leest geen handleidingen of A4’tjes
Gedrag
- Probeert eerst zelf, dan YouTube of TikTok
- Vraagt liever een medestudent dan een docent
- Denkt visueel: wil het zien
Over AI
- Gebruikt ChatGPT voor kleine vragen
- Vertrouwt een robot met korte, simpele dingen
- Feedback op haar ontwerp wil ze van een mens
Gebaseerd op: interviews studenten (12 okt), interview Inge, autoetnografisch interview, test (16 okt) en de test in het Makers Lab van de HvA (20 okt).
Welk gezicht past bij een makerspace?
Vorm en gezicht kwamen steeds terug in de feedback: schattig, simpel, “duidelijk een ding en geen persoon”. Henk laat op zijn scherm altijd zien wat hij doet, met een vorm, een kleur en een woord. Probeer de vijf standen.
Wat zoek je?
Alle feedback, en wat ik ermee deed
De gele blokken door de pagina laten zien waar feedback iets veranderde. Hier staat alles op één rij. Klik een rij voor de sprong naar de plek.