Νέα AI προβλέπει την επόμενη ανταπόκρισή σας από τις προηγούμενες συνομιλίες σας

Οι ερευνητές του MIT έχουν αναπτύξει ένα σύστημα βασισμένο σε LLM που μαθαίνει επαναλαμβανόμενα μοτίβα από εβδομάδες πραγματικών συνομιλιών ενός ατόμου, για να προβλέψει την πιθανή επόμενη συμπεριφορά του στη συζήτηση.

Αν η AI μπορούσε πραγματικά να αποκτήσει πρόσβαση στη ζωή σας, και θα μπορούσε πραγματικά να επιτραπεί να σας γνωρίσει σε εκτεταμένη ή ακόμη και συνεχή χρονική περίοδο, πιθανότατα θα μπορούσε να μάθει να προβλέπει τις ενέργειές σας, τις αποφάσεις σας – και ακόμη το επόμενο πράγμα που πιθανότατα θα πείτε· όλα βασισμένα σε όσα έχει αφομοιώσει από χιλιάδες ώρες ανάλυσης των αλληλεπιδράσεών σας.

Αυτοί από εμάς που χρησιμοποιούμε Μεγάλα Γλωσσικά Μοντέλα (LLMs) όπως το ChatGPT και το Claude, έχουν ήδη παρατηρήσει αυτήν την τάση προς την «προβλεψιμότητα αναγκών», σαφώς βασισμένη στα ιστορικά χρήσης μας· και, προφανώς, την έχουν καλωσορίσει, καθώς η διατήρηση μνήμης και το πλαίσιο είναι πλέον ένα σημαντικό σημείο τριβής στην ανάπτυξη μιας λειτουργικής σχέσης με ένα σύστημα AI.

Ωστόσο, η παροχή ακατάστατης και ακόμη και «ζωντανά» πληροφοριών για τη ζωή και τις επικοινωνίες σας σε ένα σύστημα AI που λειτουργεί από κερδοσκοπική εταιρεία, είναι, λογικά, ένας πιθανός κίνδυνος ιδιωτικότητας και ασφάλειας. Ενώ η υπηρεσία θα γινόταν πολύ πιο χρήσιμη για εσάς, η έλξη για την εταιρεία να μοιραστεί τα δεδομένα σας, συνδυασμένη με τον κίνδυνο μιας ενοχλητικής και δημοσιευμένης διαδικτυακής διαρροής ή εξαγωγής δεδομένων, θα μπορούσε να κάνει αυτό το επίπεδο ενσωμάτωσης AI/άνθρωπος μια αλόγιστη προοπτική.

If We Could Have Nice Things…

Λοιπόν, έπρεπε πρώτα να βγάλω εκτός του δρόμου αυτήν την «προειδοποίηση δημόσιας υπηρεσίας» πριν ασχοληθώ με ένα ενδιαφέρον νέο άρθρο από το MIT που φαίνεται να υπάρχει σε έναν καλύτερο κόσμο, όπου τέτοια δεδομένα θα μπορούσαν να περιοριστούν σε ασφαλείς και πραγματικά αξιόπιστους κύκλους, ώστε η πραγματική δύναμη της αναλυτικής AI να μπορεί να αξιοποιηθεί προς το αληθινό όφελος του ατόμου.

Η νέα εργασία προτείνει ένα σύστημα όπου, με την άδεια του χρήστη και με τον έλεγχό του πάνω στα συλλεχθέντα δεδομένα, ένα έξυπνο ρολόι που φοράει καταγράφει συνεχώς τις συνομιλίες του προκειμένου να εξάγει μοτίβα συμπεριφοράς :

Από το νέο άρθρο του MIT, μια εικονογράφηση της προτεινόμενης διαδικασίας πρόβλεψης συμπεριφοράς. Οι συνομιλίες που συλλέχθηκαν σε πολλές εβδομάδες αποκαλύπτουν ένα επαναλαμβανόμενο μοτίβο συμπεριφοράς, το οποίο στη συνέχεια χρησιμοποιείται για να προβλέψει την πιθανή επόμενη συμπεριφορά του χρήστη και να στείλει μια υπενθύμιση στο smartwatch πριν συμβεί η αναμενόμενη ενέργεια. Πηγή

Το άρθρο – με τίτλο Before You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMs – καταγράφει ένα πείραμα όπου πάνω από 1.000 ώρες φυσικών (δηλαδή ευκαιριακών, πραγματικών) συνομιλιών από 14 συμμετέχοντες συλλέχθηκαν μέσω έξυπνων ρολογιών, μεταγράφηκαν, μετατράπηκαν σε δομημένα ιστορικά συμπεριφοράς, και τροφοδοτήθηκαν στο Gemini 2.5 Pro, μαζί με προτροπές ειδικές για τη συμπεριφορά και εξαγόμενους κανόνες συμπεριφοράς, ώστε να προβλεφθεί η πιθανή επόμενη συμπεριφορά συνομιλίας κάθε χρήστη.

(Και τώρα μπορεί να είναι σαφές γιατί αυτό το νέο άρθρο χρειάζεται κάποιο πλαίσιο γύρω από την ιδιωτικότητα)

Η νέα μελέτη αποτελεί ουσιαστικά ένα πεδία πείραμα για (κάποιο μέρος) της προηγούμενης δημοσίευσης των συγγραφέων του 2026 Mind Mapper, επεκτείνοντας εκείνη τη δουλειά θέτοντας τη θεωρία της στην πράξη, και δοκιμάζοντας αν τα εξαγόμενα μοτίβα συμπεριφοράς μπορούν πραγματικά να προβλέψουν την επόμενη συμπεριφορά συνομιλίας ενός χρήστη σε πραγματικό χρόνο, αντί να περιγράφουν απλώς επαναλαμβανόμενες τάσεις.

Οι συγγραφείς του Mind Mapper είναι η βάση για το νέο σύστημα, προσφέροντας μια ροή εργασίας σχεδιασμένη να μαθαίνει επαναλαμβανόμενους κανόνες συμπεριφοράς από εβδομάδες συνομιλιών που καταγράφονται από το smartwatch, αντί να προσπαθεί να προβλέψει άμεσα τη μελλοντική ομιλία, ή να βασίζεται σε γενικά ή προγενέστερα σύνολα δεδομένων. Στη ροή εργασίας του Mind Mapper, όλες οι καταγεγραμμένες συνομιλίες μεταγράφηκαν, ανωνυμοποιήθηκαν και επεξεργάστηκαν μέσω μιας πολυεπίπεδης GPT-5 pipeline**.

(Παρακαλούμε σημειώστε ότι λόγω των προστασιών του παλαιότερου άρθρου, δεν μπορούμε, όπως συνήθως, να παρέχουμε εικόνες από αυτό, καθώς οι χαμηλής ανάλυσης εκδόσεις που είναι διαθέσιμες δημόσια είναι δυσανάγνωστες)

Από το νέο άρθρο, μια εικονογράφηση της διαδικασίας πρόβλεψης συμπεριφοράς. Οι συνομιλίες που συλλέχθηκαν σε πολλές εβδομάδες μετατρέπονται σε κανόνες συμπεριφοράς εξαρτημένους από το πλαίσιο, οι οποίοι βελτιώνονται με αποδεικτικά στοιχεία που υποστηρίζουν και αντιτίθενται, προτού εφαρμοστούν σε νέες συνομιλίες για να προβλέψουν την πιο πιθανή επόμενη απάντηση του χρήστη.

Η διαδικασία δημιουργεί υποψήφιους αν-τότε κανόνες συμπεριφοράς (δηλαδή κανόνες που συνδέουν καταστάσεις συνομιλίας με πιθανές απαντήσεις); αναζητά αποδεικτικά στοιχεία που υποστηρίζουν και αντιτίθενται· συγχωνεύει επικαλυπτόμενους κανόνες· απορρίπτει αδύνατες υποθέσεις· και εκχωρεί εκτιμήσεις εμπιστοσύνης και πιθανότητας.

The Subjects

Δεκατέσσερις ενήλικες αγγλόφωνοι φορούσαν το smartwatch στην καθημερινή τους ζωή για επτά έως δέκα ημέρες. Ένας ενσωματωμένος ανιχνευτής φωνητικής δραστηριότητας κατέγραφε τα υποκείμενα μόνο όταν ανιχνεύει ομιλία, στέλνοντας αποσπάσματα ήχου 2-3 λεπτών σε απομακρυσμένο διακομιστή για επεξεργασία.

Οι συμμετέχοντες έλαβαν 100 $, και έπρεπε να ενημερώνουν όποιον βρισκόταν κοντά τους ότι οι συνομιλίες καταγράφηκαν, καθώς και να λαμβάνουν τη συγκατάθεση των άλλων ατόμων πριν από κάθε τέτοια αλληλεπίδραση.

Transcription and Vetting

Τα αποσπάσματα ήχου επεξεργάστηκαν με το μοντέλο Nova-3-meeting της Deepgram, το οποίο μετέτρεψε τις συνομιλίες σε κείμενο και διάκρινε τους ομιλητές. Μετά από αυτό, το SpeechBrain χρησιμοποιήθηκε ως μοντέλο επαλήθευσης ομιλητή, ταιριάζοντας τη φωνή του συμμετέχοντα με ένα δείγμα εγγραφής 20 δευτερολέπτων.

Το μοντέλο spaCy Αναγνώριση Ονομαστικών Οντοτήτων (NER) αντικατέστησε τυχόν αναφερόμενα ονόματα, καθώς και άλλες προσωπικές πληροφορίες, με ανώνυμα σύμβολα. Ο αρχικός ήχος διαγράφηκε, και μόνο τα κείμενα που κρυπτογραφήθηκαν με AES-256-GCM αποθηκεύτηκαν τοπικά στο smartwatch.

Μετά την περίοδο συλλογής, οι συμμετέχοντες μπορούσαν να εξετάσουν κάθε δικό τους αντίγραφο συνομιλιών μέσω μιας διαδικτυακής διεπαφής, διαγράφοντας ό,τι δεν ήθελαν να συμπεριληφθεί στην έρευνα, και διορθώνοντας ετικέτες ομιλητών ή το πλαίσιο της συνομιλίας όπου ήταν απαραίτητο.

Κατά μέσο όρο, μόνο το 0,16 % των αντιγράφων διαγράφηκε, και το 2,48 % των τμημάτων επισημάνθηκε ως λανθασμένα ταξινομημένα, αφήνοντας ένα σύνολο δεδομένων 15.066 προτάσεων από τους 14 συμμετέχοντες – με 57 % να αποδίδεται στον φορέα και 43 % σε άλλους ομιλητές. Το μέσο μήκος πρότασης ήταν 49 λέξεις.

(Ωστόσο, αν και το άρθρο δεν το θίγει, μπορεί να υποτεθεί ότι οι συμμετέχοντες παρέμειναν σχετικά επιφυλακτικοί ώστε να μην εμπλακούν σε πολύ προσωπικές λεκτικές ανταλλαγές ενώ φορούσαν το ρολόι.)

Τα αντίγραφα καθαρίστηκαν περαιτέρω αφαιρώντας πολύ σύντομες ανταλλαγές, καθώς και κοινές αμηχανίες ομιλίας όπως ‘err’ και ‘um’, και στη συνέχεια συγχωνεύοντας θραύσματα προτάσεων σε ολοκληρωμένες προτάσεις. Αυτό μείωσε το τελικό σύνολο δεδομένων σε 9.901 προτάσεις.

Για την αξιολόγηση της προσέγγισης, ζητήθηκε από το Gemini 2.5 Pro να προβλέψει την επόμενη απάντηση κάθε συμμετέχοντα από τη συνομιλία μέχρι εκείνο το σημείο. Η απόδοσή του συγκρίθηκε στη συνέχεια σε τρεις εισροές : μόνο το ιστορικό συνομιλιών· περιληπτικές συνοψίσεις συνομιλιών· και οι νέοι κανόνες συμπεριφοράς του Mind Mapper, επιτρέποντας τη μέτρηση της συνεισφοράς των εκπαιδευμένων μοτίβων άμεσα.

Το GPT-5 χρησιμοποιήθηκε ως αυτοματοποιημένος κριτής για την αξιολόγηση των προβλέψεων, με μια ξεχωριστή ανθρώπινη αξιολόγηση να επιβεβαιώνει την αξιοπιστία των εκτιμήσεων του.

Data and Tests

Τα αποτελέσματα των δοκιμών δείχνουν ότι οι βασικές μεθόδους που δοκιμάστηκαν υπερέβησαν σημαντικά από την προσέγγιση με μοτίβα των συγγραφέων, με την ακρίβεια να βελτιώνεται συνεχώς καθώς συσσωρεύονται τα δεδομένα των συνομιλιών :

Αποτελέσματα δοκιμών που συγκρίνουν τρεις προσεγγίσεις πρόβλεψης. Αριστερά, η ακρίβεια πρόβλεψης βελτιώνεται σταθερά καθώς διατίθενται περισσότερα δεδομένα συνομιλιών, μόνο όταν το σύστημα που χρησιμοποιείται μαθαίνει μοτίβα συμπεριφοράς, ενώ οι βασικές προσεγγίσεις αλλάζουν ελάχιστα. Δεξιά, η ίδια προσέγγιση επιτυγχάνει σημαντικά υψηλότερες βαθμολογίες σε συνομιλίες που οι συμμετέχοντες ανέφεραν ως προθέσεις αλλαγής.

Οι συγγραφείς υποστηρίζουν ότι το σύστημα ήταν ιδιαίτερα αποτελεσματικό στην πρόβλεψη συμπεριφορών που οι συμμετέχοντες ήθελαν ρητά να αλλάξουν.

Μια μελέτη επικύρωσης, με 40 ανεξάρτητους ανθρώπινους κριτές, επιβεβαίωσε την αυτοματοποιημένη αξιολόγηση, κατατάσσοντας τη μέθοδο βασισμένη σε μοτίβα στην κορυφή το 43 % των δοκιμασμένων σεναρίων, σε σύγκριση με 24 % για το πλήρες πλαίσιο· 18 % για μηδενική εκπαίδευση· και 15 % για αφηγηματικές περιλήψεις.

Οι ανθρώπινες αξιολογήσεις ευθυγράμμισαν στενά με τις βαθμολογίες βασισμένες στο μοντέλο στα επικοινωνιακά κίνητρα, εξειδίκευση, και λειτουργική πολυπλοκότητα, κάτι που οι συγγραφείς θεωρούν ότι επικυρώνει τη χρήση αυτοματοποιημένων κριτών για τη συμπεριφορά συνομιλίας.

Δύο επακόλουθες μελέτες έλεγξαν πώς αντιδρούσαν οι άνθρωποι στα εξαγόμενα μοτίβα τους, και αν αυτές οι προβλέψεις θα μπορούσαν πραγματικά να βοηθήσουν στην αλλαγή συνηθειών. Οι συμμετέχοντες πρώτα επανεξέτασαν τους κανόνες τους για να επισημάνουν συμπεριφορές που ήθελαν να καταρρίψουν, με μερικούς να επιστρέφουν μετά από μήνες για να συζητήσουν τις στρατηγικές που είχαν δοκιμάσει, και τι είδους «υποδείξεις» του βοηθού θα ήταν πραγματικά χρήσιμες στην καθημερινή ζωή.

Οι συμμετέχοντες σημείωσαν 114 συνήθειες που ήθελαν να καταρρίψουν, καλύπτοντας 912 στιγμές συνομιλίας. Όταν δοκιμάστηκε σε αυτές τις ανταλλαγές, η μέθοδος βασισμένη σε μοτίβα ξεπέρασε εύκολα τις τυπικές προσεγγίσεις κατά περίπου 40 %; και οι συγγραφείς υποστηρίζουν ότι το σύστημα λειτουργεί καλύτερα όταν προβλέπει εδραιωμένες συνήθειες που οι άνθρωποι επιδιώκουν ενεργά να αλλάξουν.

Συνολικά, τα ευρήματά μας παρέχουν αποδείξεις ότι η λεκτική συμπεριφορά συγκεκριμένου ατόμου μπορεί να προβλεφθεί από διαχρονικά δεδομένα συνομιλιών.

Αυτό ανοίγει νέες δυνατότητες για μελλοντικά συστήματα AI που είναι ευαίσθητα στο πλαίσιο, προγνωστικά, προδραστικά και εξατομικευμένα.

Conclusion

Εκτός από τις έντονα κυβερνητικά ρυθμιζόμενες εφαρμογές, κυρίως σε τομείς όπως η δημόσια υγεία και ψυχιατρικά σενάρια, και χωρίς κάθε άμεση ή σιωπηρή καταναγκαστική συμμετοχή των ανθρώπων (όπως μειωμένα κρατικά ασφάλιστρα, εφόσον τα έχουν), είναι δύσκολο να φανταστεί κανείς μια χρήση αυτής της προσέγγισης που να δεν θέτει σε κίνδυνο την ιδιωτικότητα και την προσωπική ακεραιότητα των συμμετεχόντων – ειδικά εάν συνδυαστεί/συζευχθεί με οντότητες που θα μπορούσαν να συσχετίσουν τα καταγεγραμμένα δεδομένα συνομιλιών με ψηφιακά ή άλλα είδη δεδομένων που αφορούν το άτομο.

Το άρθρο του MIT παρουσιάζει ένα ενδιαφέρον και ασαφώς θεραπευτικό πλαίσιο για την προσέγγιση (για παράδειγμα, παρέχοντας υπενθυμίσεις ευαίσθητες στο πλαίσιο σχετικά με τη διατροφή); αλλά ένα τέτοιο σχήμα φαίνεται πιο πιθανό να προσελκύσει το επιθετικό ενδιαφέρον και τις επενδύσεις διαφημιστών, φορέων αποφυλάκισης και φυλακών, ασφαλιστικών εταιρειών, και ενός σημαντικού αριθμού άλλων εταιρικών ή κρατικών οντοτήτων που θα ήθελαν να γνωρίζουν περισσότερα για το τι υπάρχει στο μυαλό μας.

Αν υπήρχε ποτέ ένα ισχυρό επιχείρημα για περιορισμένη, εντελώς ιδιοκτησία του χρήστη τοπική AI, είναι σε συστήματα όπως αυτό, που έχουν τόσο σοβαρές επιπτώσεις στην παραβίαση.

Παρόλα αυτά, η ιστορία της διαφήμισης και της τεχνολογίας παρακολούθησης τα τελευταία χρόνια έχει τείνει προς την αδιαφορία των καταναλωτών – θα μπορούσε αυτή η έλλειψη ανησυχίας να επεκταθεί ακόμη και σε ένα σύστημα τόσο επεμβατικό και διαδεδομένο όσο αυτό;

* Μια πολύ πιο προστατευμένη δημοσίευση, χωρίς διαθέσιμες δημόσια εικόνες υψηλής ανάλυσης, αν και το κείμενο μπορεί να διαβαστεί περνώντας από μερικά εμπόδια.

** Χωρίς υπερβολική έμφαση, αλλά το παλαιότερο άρθρο είναι πολύ πιο δύσκολο στην πρόσβαση, οπότε παρακαλούμε να είστε επίμονοι!

Πρώτη δημοσίευση Πέμπτη, 20 Αυγούστου 2026