Uusi tekoäly ennustaa seuraavan vastauksesi menneistä keskusteluistasi

MIT:n tutkijat ovat kehittäneet LLM-pohjaisen järjestelmän, joka oppii toistuvia malleja viikkojen ajan henkilön todellisista keskusteluista ennustaakseen todennäköisen seuraavan keskustelukäyttäytymisen.

Jos tekoäly voisi todellakin saada pääsyn elämääsi, ja jos sille todellakin sallittaisiin tutustua sinuun pitkän tai jopa jatkuvan ajan, se voisi todennäköisesti oppia ennustamaan toimiasi, päätöksiäsi – ja jopa seuraavaa asiaa, jonka todennäköisesti sanot; kaikki sen perusteella, mitä se on omaksunut tuhansien tuntien analysoinnista vuorovaikutuksistasi.

Me, jotka olemme tottuneet käyttämään suuria kielimalleja (LLM:eja) kuten ChatGPT:tä ja Claudea, olemme jo pitkään huomanneet tämän taipumuksen ‘tarpeiden ennakointiin’, joka on selvästi perustunut käyttöhistorioihimme; ja oletettavasti olemme ottaneet sen vastaan, koska muistin säilyvyys ja konteksti ovat nyt kriittinen kitkapiste tekoälyjärjestelmän kanssa toimivan suhteen kehittämisessä.

Kuitenkin antamalla ad hoc ja jopa ‘live-streamattua’ tietoa elämästäsi ja viestinnästäsi tekoälyjärjestelmälle, jota operoi voittoa tavoittelevan yrityksen, on, voidaan sanoa, potentiaalinen yksityisyys- ja turvallisuusriski; vaikka palvelu olisi sinulle paljon hyödyllisempi, yrityksen houkutus jakaa tietojasi, yhdistettynä häpeällisen ja julkistetun verkkovuodon tai tietojen vuotamisen riski, saattaa tehdä tästä AI/ihmis-integraatiosta epäviisaan vaihtoehdon.

Jos voisimme saada mukavia asioita…

No, minun täytyi saada tuo ‘julkinen varoitus’ pois tieltä ennen kuin käsittelin mielenkiintoista uutta MIT:n paperia, joka näyttää olevan olemassa paremmassa maailmassa, jossa tällaista dataa voitaisiin suojata turvallisiin ja aidosti luotettaviin piireihin, jotta analyyttisen tekoälyn todellinen voima voitaisiin kohdistaa yksilön aitoon hyötyyn.

Uusi tutkimus ehdottaa järjestelmää, jossa käyttäjän suostumuksella ja hänen hallitessaan kerättyä dataa, heidän käyttämänsä älykello tallentaa jatkuvasti heidän keskustelunsa käyttäytymismallien kaivamiseksi:

Uudesta MIT:n paperista, kuvaus ehdotetusta käyttäytymisen ennusteputkesta. Useiden viikkojen aikana kerätyt keskustelut paljastavat toistuvan käyttäytymismallin, jota käytetään ennustamaan käyttäjän todennäköistä seuraavaa käyttäytymistä ja lähettämään älykellon muistutus ennen ennakoitua toimintaa. Source

Paperi – nimeltään Before You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMs – kuvaa kokeilun, jossa yli 1 000 tunnin luonnollisia (ts. opportunistisia, todellisessa maailmassa tapahtuvia) keskusteluja 14 osallistujalta kerättiin älykellojen avulla, transkriptoitiin, muunnettiin rakenteellisiksi käyttäytymishistoriaksi, ja syötettiin Gemini 2.5 Pro:lle yhdessä käyttäytymiseen liittyvien kehotteiden ja poimittujen käyttäytymissääntöjen kanssa, ennustamaan kunkin käyttäjän todennäköinen seuraava keskustelukäyttäytyminen.

(Ja nyt voi olla selvää, miksi tämä uusi paperi tarvitsee jonkinlaista kontekstia yksityisyydestä)

Uusi tutkimus on käytännössä kenttäkoe (joidenkin) tekijöiden aiemmalle 2026 Mind Mapper-julkaisulle*, laajentaen sitä asettamalla teoria käytäntöön ja testaamalla, voiko poimittuja käyttäytymismalleja todella ennustaa käyttäjän seuraavaa keskustelukäyttäytymistä reaaliajassa, sen sijaan että vain kuvailtaisiin toistuvia taipumuksia.

‘Tuloksemme osoittavat, että pitkittäiskeskusteluista poimitut tilannesidonnaiset käyttäytymismallit voivat merkittävästi parantaa käyttäjien verbaalisten käyttäytymistendenssien ennustamista. Keskeinen vahvuus lähestymistavassamme on näiden esittäminen ihmisen luettavina kontekstisidonnaisina käyttäytymismalleina, joissa on selkeät poikkeusehdot, joita käyttäjät voivat tarkastella ja hienosäätää.’

‘Osallistujat arvostivat tätä läpinäkyvyyttä, [useat kiittivät] mahdollisuutta lukea, korjata ja asettaa henkilökohtaisia tavoitteita heille johdetuille malleille.’

‘Osallistujat pohtivat myös omia strategioitaan käyttäytymisen muuttamiseksi, ehdottaen, miten proaktiiviset järjestelmät voisivat auttaa ohjaamalla huomion uudelleen, tarjoamalla vaihtoehtoja ja esittelemällä uudelleenkäsittelyjä, jotka liittyvät heidän tavoitteisiinsa.’

‘Tämä viittaa ennakoivaan tekoälyyn, joka toimii käyttäjien kanssa — perustaa toimenpiteet malleihin, jotka he tunnistavat, ja strategioihin, jotka he jo pitävät tehokkaina.’

Menetelmä

Edellä mainittu Mind Mapper on uuden järjestelmän perusta, tarjoten työnkulun, jonka tarkoituksena on oppia toistuvia käyttäytymissääntöjä viikkojen älykellolla tallennetuista keskusteluista, sen sijaan että yritettäisiin suoraan ennustaa tulevaa puhetta tai perustua geneerisiin tai aiempiin aineistoihin. Mind Mapper -työnkulussa kaikki tallennetut keskustelut transkriptoitiin, anonymisoitiin ja käsiteltiin monivaiheisen GPT-5-putken** kautta.

(Huomaa, että vanhemman paperin suojausten vuoksi emme voi, kuten tavallisesti, tarjota siitä kuvia, koska julkisesti saatavilla olevat matalaresoluutioiset versiot ovat lukukelvottomia)

Uudesta paperista, kuvaus käyttäytymisen ennusteputkesta. Useiden viikkojen aikana kerätyt keskustelut muunnetaan kontekstiriippuvaisiksi käyttäytymissäännöiksi, joita tarkennetaan tukevan ja ristiriitaisen evidenssin avulla, ennen kuin niitä sovelletaan uusiin keskusteluihin käyttäjän todennäköisimmän seuraavan keskusteluvastauksen ennustamiseksi.

Putki tuottaa ehdokkaat ‘if-then’-käyttäytymissäännöt (eli säännöt, jotka yhdistävät keskustelutilanteet todennäköisiin vastauksiin); etsii tukevia ja ristiriitaisia todisteita; yhdistää päällekkäiset säännöt; hylkää heikot hypoteesit; ja antaa luottamus- ja todennäköisyysarviot.

Osallistujat

Neljätoista englanninkielistä aikuista käyttivät älykelloa normaalissa arjessaan seitsemän‑kymmenen päivän ajan. Laitteessa oleva puheaktiivisuuden tunnistin tallensi osallistujat vain, kun se havaitsi puhetta, ja lähetti 2–3 minuutin äänileikkeet etäpalvelimelle käsiteltäväksi.

Osallistujille maksettiin 100 USD, ja heidän tuli ilmoittaa kaikille lähellä oleville, että keskustelut tallennetaan, sekä hankkia muiden ihmisten suostumus ennen kutakin tällaista vuorovaikutusta.

Transkriptio ja tarkastus

Äänileikkeet käsiteltiin Deepgramin Nova-3-meeting -mallilla, joka transkriptoi keskustelut ja erotti puhujat toisistaan. Tämän jälkeen SpeechBrain otettiin käyttöön puheentunnistusmallina, vertaamalla osallistujan ääntä 20 sekunnin rekisteröintinäytteeseen.

spaCy Named Entity Recognition (NER) -malli korvasi kaikki mainitut nimet sekä muut henkilökohtaisia tunnistetietoja anonyymeilla paikkamerkeillä. Alkuperäinen ääni poistettiin, ja vain AES‑256‑GCM‑salatut transkriptiot tallennettiin paikallisesti älykelloon.

Keräysjakson jälkeen osallistujat pystyivät tarkastelemaan omia keskustelutranskriptioitaan verkkokäyttöliittymän kautta, poistamaan kaiken, mitä he eivät halunneet sisällyttää tutkimukseen, sekä korjaamaan puhujatunnisteita tai keskustelukontekstia tarpeen mukaan.

Keskimäärin vain 0,16 % transkripteistä poistettiin, ja 2,48 % segmenteistä merkittiin virheellisesti luokitelluiksi, jättäen tietoaineiston, jossa on 15 066 lausetta 14 osallistujalta – 57 % puhujan omistamana ja 43 % muiden puhujien.

(Kuitenkin, vaikka paperi ei käsittele tätä, voidaan olettaa, että osallistujat pysyivät melko valppaina välttääkseen hyvin henkilökohtaiset puheenvaihdot kelloa käyttäessään.)

Transkripteja puhdistettiin edelleen poistamalla erittäin lyhyet vaihtelut sekä yleiset puheen epätäydellisyykset, kuten ‘err’ ja ‘um’; ja yhdistämällä fragmentoidut lauseet kokonaisiksi lausunnoiksi. Tämä pienensi lopullisen tietoaineiston 9 901 lausetta.

Lähestymistavan arvioimiseksi Gemini 2.5 Pro pyydettiin ennustamaan kunkin osallistujan seuraava keskusteluvastaus keskustelun siihen asti kerätyn tiedon perusteella. Sen suorituskykyä verrattiin kolmeen syötteeseen: pelkkä keskusteluhistoria; tiivistetyt keskusteluyhteenvetot; ja uudet Mind Mapper -käyttäytymissäännöt, mikä mahdollisti opittujen mallien suoran vaikutuksen mittaamisen.

GPT‑5:ä käytettiin automatisoituna tuomarina ennusteiden pisteytykseen, ja erillinen ihmisen arviointi vahvisti sen arvioiden luotettavuuden.

Data ja testit

Testitulokset osoittavat, että testatut perusmenetelmät alennettiin merkittävästi tekijöiden mallipohjaisella lähestymistavalla, ja tarkkuus parani jatkuvasti keskusteludatan kertymisen myötä:

Testitulokset vertaavat kolmea ennustusmenetelmää. Vasemmalla ennustetarkkuus paranee tasaisesti, kun enemmän keskusteludataa on saatavilla, vain kun järjestelmä oppii käyttäytymismalleja, kun taas perusmenetelmät muuttuvat vähän. Oikealla sama lähestymistapa saavuttaa huomattavasti korkeammat pisteet osallistujien tunnistamissa aikomuksissa muutokseen tähtäävissä keskusteluissa.

Tekijät väittävät, että järjestelmä oli erityisen tehokas ennustamaan käyttäytymisiä, joita osallistujat nimenomaisesti halusivat muuttaa.

Vahvistusstudiossa, jossa oli 40 itsenäistä ihmisarvioijaa, vahvistettiin automatisoitu arviointi, ja mallipohjainen menetelmä sijoittui parhaiten 43 % testatuista tilanteista, verrattuna 24 % täyden kontekstin, 18 % nollakohdan ja 15 % narratiivisten yhteenvetojen tuloksiin.

Ihmisen arviot vastasivat tarkasti mallipohjaista pisteytystä viestintäintention, spesifisyyden ja toiminnallisen monimutkaisuuden suhteen, minkä tekijät väittävät vahvistavan automatisoitujen tuomareiden käyttöä keskustelukäyttäytymisen arvioinnissa.

Kaksi jatkostutkimusta testasivat, miten ihmiset reagoivat poimittuihin malleihinsa, ja voisivatko nämä ennusteet aidosti auttaa tapojen muuttamisessa. Osallistujat tarkastelivat ensin sääntöjään merkittääkseen käyttäytymisiä, joita he halusivat lopettaa, ja useat palasivat kuukausia myöhemmin keskustelemaan kokeilemistaan strategioista ja siitä, millaiset avustajan ‘herätykset’ todella auttaisivat arjessa.

Osallistujat merkitsivät 114 tapaa, joita he halusivat lopettaa, kattaen 912 keskustelutilannetta. Kun näillä vaihteluilla testattiin, mallipohjainen menetelmä ylitti helposti perinteiset lähestymistavat noin 40 %:lla; ja tekijät väittävät, että järjestelmä toimii parhaiten ennakoitaessa juurtuneita tapoja, joita ihmiset aktiivisesti haluavat muuttaa.

‘Kaiken kaikkiaan löydöksemme tarjoavat todisteita siitä, että henkilökohtaista verbaalista käyttäytymistä voidaan ennustaa pitkittäiskeskusteludatasta.’

‘Tämä avaa uusia mahdollisuuksia mahdollisille tulevaisuuden kontekstitietoisille, ennakoiville, proaktiivisille ja personoiduille tekoälyjärjestelmille’

Päätelmä

Paitsi erittäin hallituksen säätelemissä sovelluksissa, erityisesti valtion terveydenhuollon ja psykiatrisissa skenaarioissa, ja ilman kaikenlaista avointa tai hiljaista pakottamista ihmisille osallistua (kuten alennetut valtion vakuutusmaksut, jos he tekevät niin)… on vaikea kuvitella tällaista lähestymistapaa, joka ei vaarantaisi osallistujien yksityisyyttä ja henkilökohtaista pyhyyttä – erityisesti jos se kytkeytyy agenttipohjaisiin tahoihin, jotka voisivat yhdistää tallennetut keskusteludatat digitaaliseen tai muuhun yksilöön liittyvään dataan.

MIT:n paperi maalaa mielenkiintoisen ja hieman terapeuttisen kontekstin lähestymistavalle (esimerkiksi tarjoamalla kontekstitietoisia muistutuksia ruokavaliosta); mutta tällainen malli näyttää todennäköisemmin houkuttelevan mainostajien, ehdonalais- ja vankilainstituutioiden, vakuutusyhtiöiden ja monien muiden yritys- tai valtiollisten tahojen aggressiivista kiinnostusta, jotka haluavat tietää enemmän siitä, mitä mielessämme on.

Jos koskaan olisi ollut vakuuttava perustelu eristetylle, täysin käyttäjän omistamalle paikalliselle tekoälylle, se on tällaisissa järjestelmissä, joilla on näin vakavat vaikutukset tietomurtoon.

Siitä huolimatta mainonnan ja valvontateknologian historia viime vuosina on kääntynyt kuluttajien välinpitämättömyyteen – voisiko tämä välinpitämättömyys todella ulottua jopa näin tunkeilevaan ja laajalle levinneeseen järjestelmään?

* Paljon tiukemmin suojattu julkaisu, jossa ei ole julkisesti saatavilla korkearesoluutioisia kuvia, vaikka teksti on luettavissa kiertämällä muutama este.

** En halua liioitella, mutta vanhempi paperi on huomattavasti vaikeampi saada käsiinsä, joten ole sinnikäs!

Ensimmäisen kerran julkaistu torstaina 20. elokuuta 2026