💻 computer science

From Prompting to Verification: How Experience Shapes Vibe Coding Practices

Deze studie onder 162 gebruikers uit groepen zonder programmeervaardigheden, beginners en professionals onthult dat, hoewel ervaringsniveaus op vergelijkbare wijze de perceptie van de kwaliteit van door AI gegenereerde code beïnvloeden, ze aanzienlijk uiteenlopen in motivaties en verificatiepraktijken, waardoor een "perceptie-actie-kloof" ontstaat waarbij toegang tot softwarecreatie wordt gedemocratiseerd zonder een overeenkomstige verdeling van de expertise die nodig is om deze te evalueren.

Oorspronkelijke auteurs: Ahmed Fawzy, Amjed Tahir, Kelly Blincoe

Gepubliceerd 2026-05-26

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ahmed Fawzy, Amjed Tahir, Kelly Blincoe

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Idee: "Vibe Coding"

Stel je voor dat je een houten stoel wilt bouwen.

Traditionele Coding: Jij bent een timmerman. Je meet het hout op, zaagt de verbindingen, schuurt de randen en assembleert het zelf. Je weet precies hoe elke schroef past.
Vibe Coding: Jij bent een regisseur. Je vertelt een magische robot: "Bouw me een stevige stoel", en de robot bouwt er direct één. Je weet niet hoe de verbindingen zijn gezaagd, maar je gaat erop zitten. Als hij wiebelt, repareer je het hout niet; je zegt gewoon tegen de robot: "Maak het steviger", en hoopt dat het zichzelf repareert.

Dit paper onderzoekt mensen die deze "Vibe Coding"-methode gebruiken (AI gebruiken om code te schrijven via natuurlijke taal) en stelt de vraag: Maakt het uit of je een professionele timmerman bent, een beginner, of iemand die nog nooit een hamer heeft vastgehouden?

De Studie: Drie Groepen aan de Tafel

De onderzoekers ondervroegen 162 personen en verdeelden hen in drie groepen:

Niet-ontwikkelaars: Mensen zonder formele programmeeropleiding.
Novices: Mensen die een cursus hebben gevolgd of kleine projecten hebben gebouwd, maar nog geen professionals zijn.
Professionals: Ervaren software-engineers die dit als beroep doen.

Ze stelden deze groepen vier hoofdvragen:

Waarom doe je het? (Motivatie)
Hoe voelt het? (Ervaring)
Vertrouw je het resultaat? (Waargenomen Kwaliteit)
Wat doe je als het kapot gaat? (Kwaliteitsborging)

De Bevindingen: Wat is Hetzelfde, Wat is Anders?

1. Het "Gefoel" en "Vertrouwen" zijn Hetzelfde (Het Gedeelde Kader)

Verrassend genoeg voelden alle drie de groepen hetzelfde over de ervaring en de kwaliteit van het werk van de AI.

De Analogie: Stel je voor dat iedereen aan tafel een maaltijd eet die is bereid door een beroemde chef-kok. De niet-coders, de studenten en de professionals zijn het er allemaal over eens: "Dit eten is heerlijk en snel, maar soms heeft het een vreemde textuur, en je zou het niet serveren op een chique bruiloft."
Het Resultaat: Iedereen weet dat AI-code geweldig is voor snelle prototypes, maar misschien "onbetrouwbaar" of "buggy" is voor serieus werk. Ze voelen allemaal dezelfde mix van enthousiasme en voorzichtigheid. Ervaring verandert niet hoe ze de AI zien.

2. Het "Waarom" en "Hoe" zijn Anders (De Verschillende Aanpakken)

Hoewel ze de AI op dezelfde manier zien, gebruiken ze hem heel verschillend.

Niet-ontwikkelaars (De Gebruikers van de Toverstaf): Ze zijn voornamelijk gemotiveerd door toegang. Ze zeggen: "Ik had dit niet kunnen bouwen zonder de AI." Ze laten de AI bijna alles doen met zeer weinig input. Het is alsof je een leeg canvas aan de robot geeft en zegt: "Maak kunst."
Novices (De Leerlingen): Ze zijn gemotiveerd door leren. Ze gebruiken de AI om te experimenteren en te zien hoe dingen werken. Ze zijn als studenten die kijken hoe een meesterchef kookt, en proberen het recept te begrijpen.
Professionals (De Dirigenten): Ze gebruiken de AI voor werk. Ze zeggen niet zomaar "maak een stoel"; ze geven gedetailleerde instructies, context en beperkingen. Ze behandelen de AI als een junior-assistent die ze zorgvuldig moeten managen.

3. Het Grote Gat: Als Dingen Misgaan (Het "Waarneming-Actie Gat")

Dit is de belangrijkste bevinding. Zelfs al weet iedereen dat de AI fouten maakt, alleen de experts weten hoe ze die moeten oplossen.

De Analogie: Stel je voor dat de robot een stoel bouwt, maar één poot wiebelt.
- De Niet-ontwikkelaar: Zegt: "Oh nee, het wiebelt!" en vertelt de robot direct: "Maak de poot langer!" Ze blijven de robot vragen het te repareren totdat het stopt met wiebelen, zonder ooit zelf naar het hout te kijken.
- De Novice: Probeert het te repareren, maar raakt in de war. Ze geven misschien op of blijven de robot om hulp vragen.
- De Professional: Zegt: "Oh nee, het wiebelt!" Ze pakken een moersleutel, kijken naar de verbinding, vinden de losse schroef en draaien die zelf vast. Ze controleren het werk voordat ze gaan zitten.

De Conclusie van het Paper: Er is een "Waarneming-Actie Gat."

Waarneming: Iedereen weet dat de AI fouten kan maken.
Actie: Alleen ervaren mensen hebben de vaardigheden om de code te verifiëren en te debuggen wanneer deze fout is.

De "Gedeeltelijke Democratie"-Metafoor

De auteurs noemen dit "Gedeeltelijke Democratisering."

Gedemocratiseerd: De AI heeft de drempel verlaagd om software te maken. Iedereen kan nu een digitale "stoel" bouwen.
Niet Gedemocratiseerd: Het vermogen om de kwaliteit van die stoel te inspecteren en te garanderen, blijft nog steeds vergrendeld achter een deur waar alleen ervaren mensen de sleutel voor hebben.

We geven iedereen een toverstaf om te creëren, maar we hebben nog niet iedereen de handleiding gegeven om te weten of de creatie veilig is om te gebruiken.

Wat Wensen Mensen?

Toen ze werden gevraagd wat hen zou laten vertrouwen op de AI, wilden iedereen (van niet-coders tot professionals) hetzelfde:

Betrouwbaarheid: "Zorg gewoon dat het werkt."
Transparantie: "Vertel me waarom je het zo hebt gebouwd."
Veiligheid: "Geef me geen code die later misschien kapot gaat."

Samenvatting

Het paper betoogt dat AI-tools het voor iedereen makkelijk hebben gemaakt om software te creëren, maar ze hebben het niet makkelijk gemaakt voor iedereen om het te verifiëren.

Beginners vertrouwen op de AI om zijn eigen fouten te herstellen (opnieuw prompten).
Experts controleren het werk zelf (debuggen).
Iedereen weet dat de AI niet perfect is, maar alleen de experts weten hoe ze het moeten repareren wanneer het faalt.

Het risico is niet dat mensen niet weten dat de AI fouten maakt; het risico is dat veel mensen niet de vaardigheden hebben om die fouten te herstellen wanneer ze zich voordoen.

Technische Samenvatting: Van Prompting tot Verificatie: Hoe Ervaring Vibe Coding-Praktijken Vormgeeft

Probleemstelling
AI-gestuurde code-generatietools, aangedreven door Large Language Models (LLM's), hebben softwarecreatie uitgebreid van professionele ontwikkelaars naar niet-ontwikkelaars en beginners. Deze verschuiving heeft geleid tot "vibe coding", een praktijk waarbij gebruikers software genereren via prompts in natuurlijke taal, output voornamelijk evalueren door uitvoering, en itereren via opnieuw prompten in plaats van systematisch debuggen. Hoewel eerder onderzoek AI-ondersteunde programmering binnen specifieke groepen (doorgaans professionals of studenten) heeft onderzocht, of niet-experts geïsoleerd heeft bestudeerd, ontbreekt er een systematische vergelijking tussen ervaringsniveaus. Het blijft onduidelijk hoe motivaties, interactiestijlen, waargenomen codekwaliteit en kwaliteitsborging (QA)-praktijken verschillen tussen niet-ontwikkelaars, beginnende ontwikkelaars en professionele ontwikkelaars. Cruciaal is dat onbekend is of de wijdverbreide bewustwording van beperkingen van door AI gegenereerde code zich vertaalt naar effectieve corrigerende actie over alle ervaringsniveaus heen, of dat er een kloof bestaat tussen perceptie en gedrag.

Methodologie
De auteurs voerden een kwantitatief cross-sectioneel onderzoek uit onder 162 deelnemers, gelijkmatig verdeeld over drie ervaringsgroepen: niet-ontwikkelaars (geen formele opleiding maar wel gebruik van AI-tools), beginnende ontwikkelaars (beperkte ervaring via tutorials of cursussen) en professionele ontwikkelaars (formele of professionele programmeerervaring).

Instrument: De vragenlijst was gebaseerd op een eerder onderzoek naar grijze literatuur dat vier gedragsdimensies van vibe coding identificeerde: motivaties, ervaringen, waargenomen codekwaliteit en QA-praktijken. Deze dimensies werden geoperationaliseerd als Likert-schaal constructen (5-puntsschaal) en aangevuld met open vragen.
Datacollectie: Deelnemers werden gerekruteerd via Prolific. Datakwaliteit werd strikt gehandhaafd via filtering op voltooiing, cognitieve plausibiliteitscontroles op basis van tijd (uitsluiting van antwoorden onder de 4 minuten) en diagnose van antwoordpatronen (detectie van rechtlijnige antwoorden).
Analyse: Het onderzoek maakte gebruik van niet-parametrische statistische methoden die geschikt zijn voor ordinale Likert-gegevens. Verschillen tussen de drie onafhankelijke groepen werden beoordeeld met de Kruskal-Wallis $H$ -toets, met Benjamini-Hochberg-correctie voor meervoudige vergelijkingen en Dunn's post-hoc-toetsen voor paarsgewijze vergelijkingen. Effectgroottes werden berekend met epsilon-kwadraat ( $\varepsilon^2$ ). Daarnaast werd ordinale logistische regressie gebruikt om te bepalen of QA-verschillen werden gedreven door groepslidmaatschap of onderliggende gebruiksdimensies (bijvoorbeeld aantal uren zelfstandig coderen, duur van adoptie).

Belangrijkste Resultaten
Het onderzoek toont aan dat ervaring selectief vibe coding-praktijken vormgeeft, wat leidt tot een distincte "perceptie-actie-kloof".

Gedeelde Percepties (RQ2 & RQ3): Er waren geen statistisch significante verschillen tussen ervaringsniveaus wat betreft subjectieve ervaringen (bijvoorbeeld flow, frustratie, hallucinaties) of percepties van codekwaliteit. Alle groepen herkenden vergelijkbare sterke punten (snelle prototyping, schone structuur) en beperkingen (fragiliteit, verborgen bugs, ongeschiktheid voor productie). Dit wijst op een breed gedeeld algemeen bewustzijn van de risico's en voordelen van door AI gegenereerde code.
Verschillende Motivaties en Stijlen (RQ1 & Interactiestijl):
- Motivaties: Niet-ontwikkelaars werden het meest gemotiveerd door toegankelijkheid en empowerment (software bouwen die ze anders niet zouden kunnen maken). Beginners werden gedreven door leren en experimenten. Professionals waren meer doelgericht en gebruikten vibe coding vaak in werkgerelateerde contexten.
- Interactiestijlen: Niet-ontwikkelaars vertoonden een grotere afhankelijkheid van "AI-gestuurde generatie" (delegeren van codecreatie met minimale interventie). Professionals waren meer betrokken bij "interactieve dialoog" (iteratief prompten en verfijnen) en gaven "rijkere context".
Verschillende QA-Praktijken (RQ4): De meest significante afwijking deed zich voor in verificatiegedrag.
- Debuggen versus Opnieuw Prompten: Niet-ontwikkelaars vertrouwden aanzienlijk meer op het opnieuw prompten van de AI om fouten te herstellen dan op handmatig debuggen. Zij rapporteerden ook hogere niveaus van "QA-storing" (opgeven omdat ze de code niet konden begrijpen).
- Frequentie van Verificatie: Ongeveer 45% van de professionals gaf aan altijd door AI gegenereerde code te controleren voordat deze werd gebruikt, terwijl niet-ontwikkelaars de enige groep waren die aangaf "nooit" code te controleren.
- Regressiebevindingen: De regressieanalyse gaf aan dat deze QA-verschillen niet louter een functie waren van groepscategorie, maar werden gedreven door opgebouwde programmeerpraktijk en blootstelling aan tools (specifiek: aantal uren zelfstandig coderen zonder vibe coding).

Belangrijkste Bijdragen

Empirische Karakterisering van Vibe Coding: Het onderzoek biedt de eerste systematische kwantitatieve vergelijking van vibe coding-praktijken tussen niet-ontwikkelaars, beginners en professionals, en gaat verder dan anekdotisch bewijs of studies met één groep.
Identificatie van de Perceptie-Actie-Kloof: Het artikel identificeert een kritieke ontkoppeling waarbij algemene bewustwording van risico's van AI-code over alle ervaringsniveaus is verdeeld, maar het vermogen om die risico's te evalueren, te debuggen en te verifiëren afhankelijk blijft van ervaring.
Verfijning van "Partiële Democratisering": De auteurs betogen dat vibe coding softwarecreatie gedeeltelijk democratiseert door drempels voor productie te verlagen, zonder evenredig de expertise te verdelen die nodig is voor evaluatie. De drempels zijn verschoven van het schrijven van code naar het ontleden van problemen, het specificeren van intentie en het valideren van output.
Gebruiksgedreven Gedrag: Het onderzoek toont aan dat QA-gedrag beter wordt voorspeld door specifieke dimensies van ervaring (programmeerpraktijk en blootstelling aan tools) dan door brede categorische labels alleen.

Betekenis en Aanspraken
Het artikel stelt dat de risico's van vibe coding niet alleen afhangen van de mogelijkheden van AI-tools, maar significant van het vermogen van de gebruiker om te handelen op basis van hun bewustzijn van de beperkingen van die tools. De auteurs interpreteren hun bevindingen als bewijs van een perceptie-actie-kloof: terwijl gebruikers over het hele spectrum erkennen dat door AI gegenereerde code gebrekkig kan zijn, ontbreekt minder ervaren gebruikers de specifieke vaardigheid om die erkenning om te zetten in systematische verificatie.

Derhalve suggereren de auteurs dat:

Toolontwerp: AI-code-generatietools sterkere scaffolding moeten bieden voor minder ervaren gebruikers (bijvoorbeeld proactieve foutmeldingen, verduidelijkende ondersteuning, signalering van onzekerheid), terwijl ze voor experts onopvallend blijven.
Onderwijs: De evaluatie van door AI gegenereerde code moet worden behandeld als een aparte vaardigheid, gescheiden van prompting, en vereist instructie in testen, het identificeren van randgevallen en code-redenering.
Toekomstig Onderzoek: De "perceptie-actie-kloof" wordt gepresenteerd als een hypothese voor toekomstig gedragsonderzoek om te testen, aangezien de huidige bevindingen gebaseerd zijn op zelfgerapporteerde data in plaats van waargenomen gedrag.

Het artikel concludeert dat, naarmate vibe coding deelname aan softwarecreatie uitbreidt, het waarborgen dat het vermogen om geproduceerde code te evalueren gelijke tred houdt met het vermogen om deze te produceren, centraal staat voor veilige en effectieve adoptie.