Nieuwe AI voorspelt je volgende reactie op basis van je eerdere gesprekken

Onderzoekers van MIT hebben een op LLM gebaseerd systeem ontwikkeld dat terugkerende patronen leert uit wekenlange echte gesprekken van een persoon, om hun waarschijnlijke volgende gespreksgedrag te voorspellen.

Als AI echt toegang zou krijgen tot je leven, en echt de toestemming zou krijgen om je gedurende een langere of zelfs voortdurende periode te leren kennen, zou het waarschijnlijk je handelingen, beslissingen – en zelfs het volgende dat je waarschijnlijk zult zeggen – kunnen voorspellen; allemaal gebaseerd op wat het heeft geabsorbeerd uit duizenden uren analyse van je interacties.

Degenen onder ons die gewend zijn Large Language Models (LLM’s) zoals ChatGPT en Claude te gebruiken, hebben deze neiging tot ‘anticipatie van behoeften’ al lang opgemerkt, duidelijk gebaseerd op onze gebruiksgeschiedenis; en hebben dit vermoedelijk verwelkomd, aangezien geheugenbehoud en context nu een kritiek frictiepunt vormen bij het opbouwen van een werkrelatie met een AI‑systeem.

Het echter ad‑hoc en zelfs ‘live‑gestreamde’ informatie over je leven en communicatie geven aan een AI‑systeem dat wordt geëxploiteerd door een commerciële onderneming, is, redelijk gezegd, een potentieel privacy‑ en beveiligingsrisico; hoewel de dienst daardoor veel nuttiger voor je zou worden, kan de verleiding voor het bedrijf om je gegevens te delen, gecombineerd met het risico op een gênante en gepubliceerde online lek of exfiltratie, deze mate van AI‑mensintegratie een onverstandige optie maken.

Als we mooie dingen konden hebben…

Nou, ik moest die ‘publieke service‑waarschuwing’ eerst even kwijt voordat ik me kon verdiepen in een interessant nieuw paper van MIT dat lijkt te bestaan in een betere wereld, waar data van dit type veilig kan worden afgeschermd in betrouwbare kring, zodat de ware kracht van analytische AI ten goede kan komen aan het individu.

Het nieuwe onderzoek stelt een systeem voor waarbij, met toestemming van de gebruiker en met controle over de verkregen data, een smartwatch die ze dragen voortdurend hun gesprekken opneemt om gedrags‑patronen te extraheren:

Uit het nieuwe MIT‑paper, een illustratie van de voorgestelde gedragsvoorspellings‑pipeline. Gesprekken die over meerdere weken zijn verzameld, onthullen een terugkerend gedrags‑patroon, dat vervolgens wordt gebruikt om het waarschijnlijke volgende gedrag van de gebruiker te voorspellen en een smartwatch‑herinnering te leveren voordat de verwachte handeling plaatsvindt. Bron

Het paper – getiteld Before You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMs – beschrijft een experiment waarbij meer dan 1.000 uur natuurlijke (d.w.z. opportunistische, real‑world) gesprekken van 14 deelnemers werden verzameld via smartwatches, getranscribeerd, omgezet in gestructureerde gedrags‑geschiedenissen, en aangeleverd aan Gemini 2.5 Pro, samen met gedragsspecifieke prompts en geëxtraheerde gedragsregels, om het waarschijnlijke volgende gespreksgedrag van elke gebruiker te voorspellen.

(En nu wordt misschien duidelijk waarom dit nieuwe paper wat privacy‑context nodig heeft)

De nieuwe studie is in feite een veldexperiment voor (een deel van) de eerdere 2026 Mind Mapper-publicatie*, waarin die eerdere theorie in de praktijk wordt gebracht en wordt getest of verkregen gedrags‑patronen daadwerkelijk het volgende gespreksgedrag van een gebruiker in realtime kunnen voorspellen, in plaats van alleen terugkerende tendensen te beschrijven.

‘Onze resultaten tonen aan dat situatie‑specifieke gedrags‑patronen, geëxtraheerd uit longitudinale gesprekken, de voorspellingen van verbale gedrags‑tendensen van gebruikers aanzienlijk kunnen verbeteren. Een belangrijk sterktepunt van onze aanpak is het weergeven van deze patronen als menselijk leesbare, context‑geconditioneerde gedrags‑patronen met expliciete uitzonderingscondities die gebruikers kunnen inspecteren en verfijnen.’

‘Deelnemers waardeerden deze transparantie, [een aantal waardeerde] de mogelijkheid om hun afgeleide patronen te lezen, te corrigeren en persoonlijke doelen voor die patronen te stellen.’

‘Deelnemers reflecteerden ook op hun eigen strategieën om gedrag te veranderen, en suggereerden hoe proactieve systemen kunnen helpen door aandacht te herleiden, alternatieven te bieden en herformuleringen die met hun doelen verbonden zijn, onder de aandacht te brengen.’

‘Dit wijst op anticiperende AI die samenwerkt met gebruikers — interventies verankerd in patronen die zij herkennen en strategieën die zij al effectief vinden.’

Methode

De eerder genoemde Mind Mapper vormt de basis voor het nieuwe systeem en biedt een workflow die is ontworpen om terugkerende gedragsregels te leren uit wekenlange door een smartwatch opgenomen gesprekken, in plaats van direct toekomstige spraak te voorspellen of te baseren op generieke of eerdere datasets. In de Mind Mapper‑workflow werden alle opgenomen gesprekken getranscribeerd, geanonimiseerd en verwerkt via een meerfasen GPT‑5‑pipeline**.

(Houd er rekening mee dat vanwege de beschermingen op het oudere paper we geen afbeeldingen kunnen leveren, aangezien de laag‑resolutieversies die publiek beschikbaar zijn onleesbaar zijn)

Uit het nieuwe paper, een illustratie van de gedragsvoorspellings‑pipeline. Gesprekken die over meerdere weken zijn verzameld, worden omgezet in context‑afhankelijke gedragsregels, die worden verfijnd met ondersteunend en tegenstrijdig bewijs, voordat ze worden toegepast op nieuwe gesprekken om de meest waarschijnlijke volgende gesprekreactie van de gebruiker te voorspellen.

De pipeline genereert kandidaat ‘if‑then’ gedragsregels (d.w.z. regels die gesprekssituaties koppelen aan waarschijnlijke reacties); zoekt naar ondersteunend en tegenstrijdig bewijs; voegt overlappende regels samen; verwijdert zwakke hypothesen; en kent vertrouwens- en waarschijnlijkheidsinschattingen toe.

De proefpersonen

Veertien Engelssprekende volwassenen droegen de smartwatch gedurende hun normale dagelijkse leven gedurende zeven tot tien dagen. Een on‑device stemactiviteitsdetector nam de proefpersonen alleen op wanneer spraak werd waargenomen, en stuurde 2‑3 minuten durende audioclips naar een externe server voor verwerking.

Deelnemers ontvingen $100 en moesten iedereen in de buurt informeren dat gesprekken werden opgenomen, en de toestemming van anderen verkrijgen vóór elke dergelijke interactie.

Transcriptie en verificatie

Audioclips werden verwerkt met Deepgram’s Nova‑3‑meeting model, dat gesprekken transcribeerde en sprekers onderscheidde. Daarna werd SpeechBrain gebruikt als sprekers‑verificatiemodel, waarbij de stem van de deelnemer werd vergeleken met een 20‑seconden enrolmentsample.

Het spaCy Named Entity Recognition (NER)‑model verving alle genoemde namen, evenals andere persoonlijk identificeerbare informatie, door anonieme placeholders. De originele audio werd vervolgens verwijderd, en alleen AES‑256‑GCM‑geëncrypteerde transcripties werden lokaal op de smartwatch opgeslagen.

Na de verzamelperiode konden deelnemers elk van hun eigen gesprekstranscripties via een webinterface bekijken, alles verwijderen wat ze niet in de studie wilden opnemen, en sprekerslabels of gesprekcontext waar nodig corrigeren.

Gemiddeld werden slechts 0,16 % van de transcripties verwijderd, en 2,48 % van de segmenten gemarkeerd als misgeclassificeerd, waardoor een dataset van 15.066 uitingen over de 14 deelnemers overbleef – waarvan 57 % aan de drager werd toegeschreven en 43 % aan andere sprekers. De gemiddelde uitingslengte was 49 woorden.

(Hoewel het paper hier niet op ingaat, kan men aannemen dat de deelnemers redelijk waakzaam bleven om niet betrokken te raken bij zeer persoonlijke verbale uitwisselingen terwijl ze de horloge droegen.)

De transcripties werden verder opgeschoond door zeer korte uitwisselingen te verwijderen, evenals veelvoorkomende spraak‑disfluënties zoals ‘err’ en ‘um’; en vervolgens gefragmenteerde zinnen te combineren tot volledige uitingen. Dit verkleinde de uiteindelijke dataset tot 9.901 uitingen.

Om de aanpak te evalueren, werd Gemini 2.5 Pro gevraagd om de volgende gesprekreactie van elke deelnemer te voorspellen op basis van het gesprek tot dat moment. De prestaties werden vervolgens vergeleken over drie invoeropties: alleen gespreks‑geschiedenis; beknopte gespreks‑samenvattingen; en de nieuwe Mind Mapper‑gedragsregels, waardoor de bijdrage van de geleerde patronen direct kon worden gemeten.

GPT‑5 werd gebruikt als geautomatiseerde beoordelaar om de voorspellingen te scoren, met een aparte menselijke evaluatie die de betrouwbaarheid van de beoordelingen bevestigde.

Gegevens en tests

Testresultaten geven aan dat de geteste baseline‑methoden aanzienlijk werden overtroffen door de patroon‑gebaseerde aanpak van de auteurs, met een nauwkeurigheid die continu verbeterde naarmate meer gespreksdata werd verzameld:

Testresultaten vergelijken drie voorspellingsbenaderingen. Links verbetert de voorspellingsnauwkeurigheid gestaag naarmate meer gespreksdata beschikbaar komt, maar alleen wanneer het gebruikte systeem gedrags‑patronen leert, terwijl de baseline‑benaderingen weinig veranderen. Rechts behaalt dezelfde benadering aanzienlijk hogere scores op gesprekken waarbij deelnemers een intentie tot verandering identificeerden.

De auteurs stellen dat het systeem bijzonder effectief was in het voorspellen van gedrag dat deelnemers expliciet wilden veranderen.

Een validatiestudie met 40 onafhankelijke menselijke beoordelaars bevestigde de geautomatiseerde evaluatie, waarbij de patroon‑gebaseerde methode in 43 % van de geteste scenario’s het hoogste scoorde, vergeleken met 24 % voor volledige context; 18 % voor zero‑shot; en 15 % voor narratieve samenvattingen.

De menselijke beoordelingen kwamen nauw overeen met de model‑gebaseerde scores op het gebied van communicatieve intentie, specificiteit en functionele complexiteit, wat de auteurs aanvoeren als bewijs dat het gebruik van geautomatiseerde beoordelaars voor gespreksgedrag gerechtvaardigd is.

Twee vervolgstudies onderzochten hoe mensen reageerden op hun geëxtraheerde patronen, en of deze voorspellingen daadwerkelijk konden helpen gewoonten te veranderen. Deelnemers bekeken eerst hun regels om gedrag dat ze wilden afleren te markeren, waarna een aantal maanden later terugkwam om de strategieën die ze hadden geprobeerd te bespreken, en welke soorten assistent‑‘duwtjes’ daadwerkelijk zouden helpen in het dagelijks leven.

Deelnemers markeerden 114 gewoonten die ze wilden afleren, verspreid over 912 gespreksmomenten. Bij testen op deze uitwisselingen presteerde de patroon‑gebaseerde methode gemakkelijk beter dan standaardbenaderingen, met ongeveer 40 % voordeel; en de auteurs stellen dat het systeem het best werkt bij het anticiperen op ingesleten gewoonten die mensen actief willen veranderen.

De auteurs concluderen:

‘Al met al leveren onze bevindingen bewijs dat persoons‑specifiek verbaal gedrag kan worden voorspeld op basis van longitudinale gespreksdata.’

‘Dit opent nieuwe mogelijkheden voor potentiële toekomstige context‑bewuste, anticiperende, proactieve en gepersonaliseerde AI‑systemen.’

Conclusie

Buiten sterk door de overheid gereguleerde toepassingen, voornamelijk op het gebied van staatsgezondheidszorg en psychiatrische scenario’s, en zonder enige open of stilzwijgende dwang voor mensen om deel te nemen (zoals verlaagde staatsverzekeringspremies, indien ze dat doen)… is het moeilijk om een gebruik van deze aanpak voor te stellen dat de privacy en persoonlijke heiligheid van de deelnemers niet zou ondermijnen – vooral als het gekoppeld is aan agentieve entiteiten die opgenomen gespreksdata kunnen correleren met digitale of andere soorten data die over het individu gaan.

Het MIT‑paper schetst een interessante en vaag therapeutische context voor de aanpak (bijvoorbeeld het bieden van context‑bewuste herinneringen over dieet); maar een dergelijk schema lijkt eerder de agressieve interesse en investeringen van adverteerders, voorwaardelijke vrijlating‑ en gevangenisinstituten, verzekeraars en een aanzienlijk aantal andere bedrijfs‑ of staatsentiteiten aan te trekken die meer willen weten over wat er in ons hoofd omgaat.

Als er ooit een overtuigend argument was voor afgeschermde, volledig door de gebruiker eigendom zijnde lokale AI, dan is dat in systemen zoals dit, die zulke ernstige implicaties hebben bij een inbreuk.

Dat gezegd hebbende, heeft de geschiedenis van reclame‑ en surveillancetechnologieën in recente jaren de neiging tot consument‑onverschilligheid – zou dat gebrek aan zorg echt kunnen uitbreiden tot zelfs een systeem zo invasief en alomtegenwoordig als dit?

* Een veel beter beschermd publicatie, zonder publiek beschikbare hoge‑resolutie‑afbeeldingen, hoewel de tekst kan worden gelezen door een paar obstakels te omzeilen.

** Niet om te overdrijven, maar het oudere paper is aanzienlijk moeilijker toegankelijk, dus wees volhardend!

Eerste publicatie donderdag 20 augustus 2026