Ny AI forudsiger dit næste svar ud fra dine tidligere samtaler

Forskere ved MIT har udviklet et LLM-baseret system, der lærer tilbagevendende mønstre fra ugers rigtige samtaler hos en person, for at forudsige deres sandsynlige næste samtaleadfærd.

Hvis AI virkelig kunne få adgang til dit liv, og virkelig fik lov til at lære dig at kende over en længere eller endda vedvarende periode, kunne den sandsynligvis lære at forudsige dine handlinger, beslutninger – og endda det næste, du sandsynligvis vil sige; alt baseret på, hvad den har assimileret fra tusindvis af timers analyse af dine interaktioner.

Vi, der er vant til at bruge store sprogmodeller (LLM’er) som ChatGPT og Claude, har længe bemærket denne tendens til ‘forudsigelse af behov’, tydeligt baseret på vores brugs‑historik; og, formodentlig, har vi budt den velkommen, da hukommelses‑bevarelse og kontekst nu er et kritisk friktionspunkt i udviklingen af et fungerende forhold til et AI‑system.

Men at give ad hoc og endda ‘live‑streamet’ information om dit liv og dine kommunikationer til et AI‑system drevet af et profit‑selskab er, det er rimeligt at sige, en potentiel privatlivs‑ og sikkerhedsrisiko; selvom tjenesten ville blive meget mere nyttig for dig, kan fristelsen for virksomheden til at dele dine data, kombineret med risikoen for en pinlig og offentlig online‑lækage eller exfiltration, gøre dette niveau af AI‑menneske‑integration til et uværdigt perspektiv.

Hvis vi kunne have fine ting…

Nå, jeg var nødt til at få den ‘offentlige serviceadvarsel’ af vejen, før jeg gik i gang med et interessant nyt papir fra MIT, som ser ud til at eksistere i en bedre verden, hvor data af denne art kan indkapsles i sikre og virkelig betroede kredse, så den sande kraft i analytisk AI kan vendes mod den egentlige fordel for individet.

Det nye arbejde foreslår et system, hvor, med brugerens tilladelse og med deres kontrol over de indsamlede data, en smartwatch som de bærer kontinuerligt optager deres samtaler for at udvinde adfærdsmønstre:

Fra det nye MIT‑papir, en illustration af den foreslåede adfærdsprediktions‑pipeline. Samtaler indsamlet over flere uger afslører et tilbagevendende adfærdsmønster, som derefter bruges til at forudsige brugerens sandsynlige næste adfærd og levere en smartwatch‑påmindelse, før den forventede handling indtræffer. Source

Papiret – med titlen Before You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMs – registrerer et eksperiment, hvor over 1.000 timers naturalistiske (dvs. opportunistiske, virkelige) samtaler fra 14 deltagere blev indsamlet via smartwatches, transskriberet, omdannet til strukturerede adfærdshistorier og leveret til Gemini 2.5 Pro, sammen med adfærdsspecifikke prompts og udtrukne adfærdsregler, for at forudsige hver brugers sandsynlige næste samtaleadfærd.

(Og nu kan det blive klart, hvorfor dette nye papir behøver noget kontekst omkring privatliv)

Den nye undersøgelse er i praksis et felteksperiment for (nogle af) forfatternes tidligere 2026 Mind Mapper publikation*, som udvider det tidligere arbejde ved at omsætte teorien til praksis og teste, om udvundne adfærdsmønstre virkelig kan forudsige en brugers næste samtaleadfærd i realtid, snarere end blot at beskrive tilbagevendende tendenser.

The four authors state:

‘Vores resultater viser, at situationsspecifikke adfærdsmønstre udvundet fra longitudinale samtaler kan meningsfuldt forbedre forudsigelser af brugernes verbale adfærdstendenser. En central styrke ved vores tilgang er at repræsentere disse som menneskelæselige kontekst‑betingede adfærdsmønstre med eksplicitte undtagelsesbetingelser, som brugerne kan inspicere og finjustere.

‘Deltagerne værdsatte denne gennemsigtighed, [flere værdsatte] muligheden for at læse, rette og sætte personlige mål for deres udledte mønstre.

‘Deltagerne reflekterede også over deres egne strategier for at ændre adfærd, og foreslog hvordan proaktive systemer kunne hjælpe ved at omdirigere opmærksomhed, tilbyde alternativer og frembringe omformuleringer knyttet til deres mål.

‘Dette peger mod en forudseende AI, der arbejder sammen med brugerne — forankrer interventioner i mønstre, de genkender, og strategier, de allerede finder effektive.’

Metode

Den førnævnte Mind Mapper er grundlaget for det nye system, der tilbyder en arbejdsproces designet til at lære tilbagevendende adfærdsregler fra ugers smartwatch‑optagede samtaler, snarere end at forsøge at forudsige fremtidig tale direkte, eller baseret på generiske eller tidligere datasæt. I Mind Mapper‑arbejdsprocessen blev alle optagede samtaler transskriberet, anonymiseret og behandlet gennem en flertrins GPT‑5‑pipeline**.

(Bemærk, at på grund af beskyttelserne omkring det ældre papir, kan vi ikke, som vi normalt ville, levere billeder fra det, da de lav‑opløsnings‑versioner, der er offentligt tilgængelige, er ulæselige)

Fra det nye papir, en illustration af adfærdsprediktions‑pipeline. Samtaler indsamlet over flere uger omdannes til kontekst‑afhængige adfærdsregler, som forfines med støttende og modstridende beviser, før de anvendes på nye samtaler for at forudsige brugerens mest sandsynlige næste samtalerespons.

Pipelinen genererer kandidat‑‘if‑then’ adfærdsregler (dvs. regler, der knytter samtalesituationer til sandsynlige svar); søger efter støttende og modstridende beviser; samler overlappende regler; kasserer svage hypoteser; og tildeler tillids‑ og sandsynlighedsvurderinger.

Forsøgsdeltagerne

Fjorten engelsktalende voksne bar smartwatchet under deres normale daglige liv i syv til ti dage. En stemme‑aktivitet‑detektor på enheden optog kun deltagerne, når den opfattede tale, og sendte 2‑3 minutters lydklip til en fjernserver til behandling.

Deltagerne modtog $100 og var forpligtet til at informere alle i nærheden om, at samtaler blev optaget, samt at indhente andres samtykke før hver sådan interaktion.

Transskription og verifikation

Lydklip blev behandlet ved hjælp af Deepgrams Nova‑3‑meeting‑model, som transskriberede samtaler og skelnede mellem talere. Efter dette blev SpeechBrain brugt som talerverifikationsmodel, der matchede deltagerens stemme mod et 20‑sekunders enrollement‑sample.

spaCy‑Named Entity Recognition (NER)‑modellen erstattede alle nævnte navne samt andre personligt identificerbare oplysninger med anonyme pladsholdere. Den originale lyd blev derefter slettet, og kun AES‑256‑GCM‑krypterede transskriptioner blev gemt lokalt på smartwatchet.

Efter indsamlingperioden kunne deltagerne gennemse hver af deres egne samtaletransskriptioner via en web‑grænseflade, slette alt, de ikke ønskede inkluderet i undersøgelsen, og rette talermærkater eller samtalekontekst hvor nødvendigt.

I gennemsnit blev kun 0,16 % af transskriptionerne fjernet, og 2,48 % af segmenterne blev markeret som misklassificeret, hvilket efterlod et datasæt på 15.066 ytringer fra de 14 deltagere – med 57 % tilskrevet bæreren og 43 % til andre talere. Den gennemsnitlige ytringslængde var 49 ord.

(Dog, selvom papiret ikke berører det, kan man antage, at deltagerne forblev relativt årvågne over for at blive involveret i meget personlige verbale udvekslinger, mens de bar uret.)

Transskriptionerne blev yderligere renset ved at fjerne meget korte udvekslinger samt almindelige talefejl som ‘err’ og ‘um’; og derefter ved at sammenflette fragmenterede sætninger til komplette ytringer. Dette reducerede det endelige datasæt til 9.901 ytringer.

For at evaluere tilgangen blev Gemini 2.5 Pro bedt om at forudsige hver deltagers næste samtalerespons ud fra samtalen indtil det tidspunkt. Dens præstation blev derefter sammenlignet på tværs af tre input: samtalehistorik alene; kondenserede samtalesammenfatninger; og de nye Mind Mapper‑adfærdsregler, så bidraget fra de indlærte mønstre kunne måles direkte.

GPT‑5 blev brugt som en automatiseret dommer til at vurdere forudsigelserne, med en separat menneskelig evaluering der bekræftede pålideligheden af dens bedømmelser.

Data og tests

Testresultaterne viser, at de baseline‑metoder, der blev testet, blev væsentligt overgået af forfatternes mønster‑baserede tilgang, med nøjagtigheden, der løbende forbedredes, efterhånden som samtaledata akkumuleredes:

Testresultater, der sammenligner tre forudsigelsesmetoder. Til venstre forbedres forudsigelsesnøjagtigheden støt, efterhånden som mere samtaledata bliver tilgængelig, men kun når systemet lærer adfærdsmønstre, mens baseline‑metoderne ændrer sig lidt. Til højre opnår den samme tilgang væsentligt højere scores på samtaler, hvor deltagerne identificerede en intention om at ændre.

Forfatterne hævder, at systemet var særligt effektivt til at forudsige adfærd, som deltagerne eksplicit ønskede at ændre.

En valideringsundersøgelse med 40 uafhængige menneskelige bedømmere bekræftede den automatiserede evaluering, hvor den mønster‑baserede metode blev rangeret højest i 43 % af testede scenarier, sammenlignet med 24 % for fuld kontekst; 18 % for zero‑shot; og 15 % for narrative sammenfatninger.

De menneskelige vurderinger stemte tæt overens med den model‑baserede scoring på tværs af kommunikativ intention, specificitet og funktionel kompleksitet, hvilket forfatterne mener bekræfter brugen af automatiserede dommere til samtaleadfærd.

To opfølgende studier testede, hvordan folk reagerede på deres udvundne mønstre, og om disse forudsigelser virkelig kunne hjælpe med at ændre vaner. Deltagerne gennemgik først deres regler for at markere adfærd, de ønskede at bryde, hvoraf flere vendte tilbage måneder senere for at diskutere de strategier, de havde prøvet, og hvilke typer af assistent‑’nudges’, der faktisk ville hjælpe i hverdagen.

Deltagerne markerede 114 vaner, de ønskede at bryde, fordelt på 912 samtalemomenter. Når de blev testet på disse udvekslinger, overgik den mønster‑baserede metode let standardtilgange med cirka 40 %; og forfatterne hævder, at systemet fungerer bedst, når det forudser indgroede vaner, som folk aktivt ønsker at ændre.

‘Samlet set giver vores fund bevis for, at person‑specifik verbal adfærd kan forudsiges ud fra longitudinale samtaledata.’

‘Dette åbner nye muligheder for potentielle fremtidige kontekst‑bevidste, forudseende, proaktive og personaliserede AI‑systemer’

Konklusion

Uden for stærkt statsligt regulerede anvendelser, primært inden for statslig sundheds‑ og psykiatrisk kontekst, og uden nogen åbenlys eller tavs tvang til at deltage (såsom nedsatte statslige forsikringspræmier, hvis de gør det)… er det svært at forestille sig en brug af denne tilgang, der ikke ville bringe deltagernes privatliv og personlige integritet i fare – især hvis den er knyttet til agent‑entiteter, der kunne korrelere optagede samtaledata med digitale eller andre typer data om individet.

MIT‑papiret maler en interessant og vag terapeutisk kontekst for tilgangen (for eksempel ved at levere kontekst‑bevidste påmindelser om kost); men et sådant arrangement synes mere tilbøjeligt til at tiltrække aggressiv interesse og investering fra annoncører, prøveløsladelses‑ og fængselsinstitutioner, forsikringsselskaber og en betragtelig mængde andre virksomheder eller statslige enheder, der gerne vil vide mere om, hvad der foregår i vores hoveder.

Hvis der nogensinde har været et overbevisende argument for indkapslet, fuldstændig bruger‑ejet lokal AI, er det i systemer som dette, som har så alvorlige implikationer ved et brud.

Det sagt, har historien om reklame‑ og overvågningsteknologi i de senere år tendens til forbruger‑ligegyldighed – kunne den mangel på bekymring virkelig strække sig til selv et system så invasivt og gennemgribende som dette?

* En meget mere tæt beskyttet publikation, uden høj‑opløsnings‑billeder offentligt tilgængelige, selvom teksten kan læses ved at hoppe gennem et par forhindringer.

** Ikke for at overdrive, men det ældre papir er betydeligt sværere at få adgang til, så vær vedholdende!

Først offentliggjort torsdag den 20. august 2026