Noua IA prezice următorul tău răspuns din conversațiile anterioare

Cercetătorii de la MIT au dezvoltat un sistem bazat pe LLM care învață tipare recurente din săptămâni de conversații reale ale unei persoane, pentru a prezice comportamentul conversațional următor probabil.

Dacă IA ar putea cu adevărat să aibă acces la viața ta și ar putea cu adevărat să fie autorizată să te cunoască pe o perioadă extinsă sau chiar continuă, ar putea învăța să prezică acțiunile, deciziile – și chiar următoarea frază pe care ești predispus să o rostești; totul pe baza a mii de ore de analiză a interacțiunilor tale.

Cei dintre noi obișnuiți să folosească Modele Mari de Limbaj (LLM) precum ChatGPT și Claude au observat de mult timp această tendință de „anticipare a nevoilor”, evidentă din istoricul nostru de utilizare; și, presumabil, am întâmpinat-o cu bunăvoință, deoarece reținerea memoriei și contextul reprezintă acum un punct critic de frecare în dezvoltarea unei relații de lucru cu un sistem IA.

Totuși, furnizarea de informații ad hoc și chiar „transmise în direct” despre viața și comunicările tale unui sistem IA operat de o companie cu scop lucrativ este, se poate spune, un potențial pericol pentru confidențialitate și securitate; deși serviciul ar deveni mult mai util pentru tine, tentația companiei de a-ți partaja datele, combinată cu riscul unei scurgeri online jenante sau a unei exfiltrații de date, ar putea face ca acest nivel de integrare IA/om să fie un scenariu nesăbuit.

Dacă am putea avea lucruri plăcute…

Ei bine, a trebuit să emit avertismentul „serviciu public” înainte de a aborda o lucrare nouă interesantă de la MIT care pare să existe într-o lume mai bună, unde date de acest tip ar putea fi încadrate în cercuri securizate și cu adevărat demne de încredere, astfel încât puterea reală a IA analitică să poată fi orientată spre beneficiul individual.

Noua cercetare propune un sistem în care, cu acordul utilizatorului și cu controlul acestuia asupra datelor obținute, un ceas inteligent purtat în permanență înregistrează conversațiile pentru a extrage tipare comportamentale:

From the new MIT paper, an illustration of the proposed behavioral prediction pipeline. Conversations collected over several weeks reveal a recurring behavioral pattern, which is then used to predict the user’s likely next behavior and deliver a smartwatch reminder before the anticipated action occurs. Source

Lucrarea – intitulată Before You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMs – descrie un experiment în care peste 1.000 de ore de conversații naturaliste (adică oportuniste, din viața reală) de la 14 participanți au fost colectate prin ceasuri inteligente, transcrise, transformate în istorii comportamentale structurate și furnizate lui Gemini 2.5 Pro, alături de prompturi specifice comportamentului și reguli comportamentale extrase, pentru a prezice comportamentul conversațional următor probabil al fiecărui utilizator.

(Și acum poate fi clar de ce această lucrare nouă are nevoie de context privind confidențialitatea)

Studiul nou este practic un experiment de teren pentru (unele dintre) publicațiile anterioare ale autorilor din 2026 Mind Mapper*, extinzând acea lucrare prin punerea în practică a teoriei și testarea dacă tiparele comportamentale deduse pot cu adevărat să prezică comportamentul conversațional următor al utilizatorului în timp real, nu doar să descrie tendințe recurente.

‘Rezultatele noastre arată că tiparele comportamentale specifice situației, extrase din conversații longitudinale, pot îmbunătăți semnificativ predicțiile tendințelor verbale ale utilizatorilor. Un punct forte al abordării noastre este reprezentarea acestora ca tipare comportamentale condiționate de context, ușor de citit, cu condiții de excepție explicite pe care utilizatorii le pot inspecta și rafina.’

‘Participanții au apreciat această transparență, mulți fiind recunoscători că pot citi, corecta și stabili obiective personale pentru tiparele inferate.’

‘Participanții au reflectat, de asemenea, asupra propriilor strategii de schimbare a comportamentului, sugerând cum sistemele proactive ar putea ajuta prin redirecționarea atenției, oferirea de alternative și prezentarea de reformulări legate de obiectivele lor.’

‘Acest lucru indică o IA anticipativă care lucrează alături de utilizatori – ancorând intervențiile în tipare pe care le recunosc și în strategii pe care le consideră deja eficiente.’

Metodă

Mind Mapper menționat anterior este fundamentul noului sistem, oferind un flux de lucru conceput să învețe reguli comportamentale recurente din săptămâni de conversații înregistrate de smartwatch, în loc să încerce să prezică direct vorbirea viitoare sau să se bazeze pe seturi de date generice sau anterioare. În fluxul de lucru Mind Mapper, toate conversațiile înregistrate au fost transcrise, anonimizate și procesate printr-un pipeline GPT-5 în mai multe etape**.

(Vă rugăm să rețineți că, din cauza protecțiilor aplicate lucrării mai vechi, nu putem, așa cum am face în mod normal, furniza imagini din ea, deoarece versiunile cu rezoluție redusă disponibile public sunt ilizibile)

From the new paper, an illustration of the behavioral prediction pipeline. Conversations collected over several weeks are converted into context-dependent behavioral rules, which are refined with supporting and contradictory evidence, before being applied to new conversations to predict the user’s most likely next conversational response.

Pipeline-ul generează reguli comportamentale candidate de tip ‘if-then’ (adică reguli care leagă situațiile conversaționale de răspunsuri probabile); caută dovezi de susținere și contrare; îmbină regulile suprapuse; elimină ipotezele slabe; și atribuie estimări de încredere și probabilitate.

Subiecții

Cătorăze adulti vorbitori de limba engleză (14) au purtat smartwatch-ul în viața de zi cu zi timp de șapte până la zece zile. Un detector de activitate vocală încorporat a înregistrat subiecții doar când a perceput prezența vorbirii, trimițând clipuri audio de 2‑3 minute către un server la distanță pentru procesare.

Participanților li s-a oferit 100 USD și a fost obligatoriu să informeze pe oricine din apropiere că conversațiile erau înregistrate și să obțină consimțământul altor persoane înainte de fiecare astfel de interacțiune.

Transcriere și Verificare

Clipurile audio au fost procesate cu modelul Nova-3-meeting de la Deepgram, care a transcris conversațiile și a diferențiat vorbitorii. După aceasta, SpeechBrain a fost utilizat ca model de verificare a vorbitorului, comparând vocea participantului cu un eșantion de înregistrare de 20 de secunde.

spaCy modelul de Recunoaștere a Entităților Denumite (NER) a înlocuit orice nume menționat, precum și alte informații de identificare personală, cu substituenți anonimi. Audio-ul original a fost apoi șters, iar doar transcrierile criptate AES-256-GCM au fost stocate local pe smartwatch.

După perioada de colectare, participanții au putut să revizuiască fiecare transcriere a propriilor conversații printr-o interfață web, ștergând orice conținut pe care nu doreau să fie inclus în studiu și corectând etichetele vorbitorilor sau contextul conversațional, dacă era necesar.

În medie, doar 0,16 % din transcrieri au fost eliminate, iar 2,48 % din segmente au fost marcate ca clasificate greșit, rezultând un set de date de 15 066 de enunțuri de la cei 14 participanți – cu 57 % atribuite purtătorului ceasului și 43 % altor vorbitori. Lungimea medie a unui enunț a fost de 49 de cuvinte.

(Totuși, deși lucrarea nu abordează explicit acest aspect, se poate presupune că participanții au rămas relativ vigilenți în a nu se implica în schimburi verbale foarte personale în timp ce purtau ceasul.)

Transcrierile au fost curățate suplimentar prin eliminarea schimburilor foarte scurte, precum și a disfluiențelor obișnuite ale vorbirii, cum ar fi ‘err’ și ‘um’; apoi s-au unit frazele fragmentate în enunțuri complete. Acest proces a redus setul final la 9 901 de enunțuri.

Pentru a evalua abordarea, Gemini 2.5 Pro a fost rugat să prezică răspunsul conversațional următor al fiecărui participant pe baza conversației până în acel moment. Performanța sa a fost apoi comparată pe trei intrări: istoric de conversație singur; rezumate condensate ale conversației; și noile reguli comportamentale Mind Mapper, permițând măsurarea directă a contribuției tiparelor învățate.

GPT-5 a fost utilizat ca judecător automat pentru a evalua predicțiile, iar o evaluare umană separată a confirmat fiabilitatea evaluărilor sale.

Date și Teste

Rezultatele testelor indică faptul că metodele de bază testate au fost depășite substanțial de abordarea bazată pe tipare a autorilor, acuratețea îmbunătățindu-se continuu pe măsură ce datele conversaționale s-au acumulat:

Test results comparing three prediction approaches. Left, prediction accuracy improves steadily as more conversational data becomes available only when the system used learns behavioral patterns, while the baseline approaches change little. Right, the same approach achieves substantially higher scores on participant-identified intention-to-change conversations.

Autorii susțin că sistemul a fost deosebit de eficient în prezicerea comportamentelor pe care participanții le doreau explicit să le schimbe.

Un studiu de validare, cu 40 de evaluatori umani independenți, a confirmat evaluarea automată, clasând metoda bazată pe tipare cea mai bună în 43 % din scenariile testate, comparativ cu 24 % pentru context complet; 18 % pentru zero-shot; și 15 % pentru rezumate narative.

Evaluările umane s-au aliniat strâns cu scorurile bazate pe model în ceea ce privește intenția comunicativă, specificitatea și complexitatea funcțională, iar autorii susțin că acestea validează utilizarea judecătorilor automați pentru comportamentul conversațional.

Două studii de follow‑up au testat cum reacționează oamenii la tiparele extrase și dacă aceste predicții pot ajuta cu adevărat la schimbarea obiceiurilor. Participanții au revizuit mai întâi regulile pentru a marca comportamentele pe care doreau să le elimine, iar câțiva s-au întors luni mai târziu pentru a discuta strategiile încercate și tipurile de „împingeri” ale asistentului care ar fi cu adevărat utile în viața de zi cu zi.

Participanții au identificat 114 obiceiuri pe care doreau să le elimine, acoperind 912 momente conversaționale. Testate pe aceste schimburi, metoda bazată pe tipare a depășit cu ușurință abordările standard cu aproximativ 40 %; autorii susțin că sistemul funcționează cel mai bine când anticipează obiceiuri încorporate pe care oamenii le doresc activ să le schimbe.

‘În ansamblu, constatările noastre oferă dovezi că comportamentul verbal specific unei persoane poate fi prezis din date conversaționale longitudinale.’

‘Acest lucru deschide noi posibilități pentru viitoare sisteme IA conștiente de context, anticipative, proactive și personalizate.’

Concluzie

În afara aplicațiilor puternic reglementate de guvern, în special în domeniile sănătății de stat și scenariilor psihiatrice, și în absența oricărei forme de constrângere explicită sau tacită pentru ca oamenii să participe (cum ar fi reduceri ale primelor de asigurare de stat, dacă o fac)… e greu de imaginat un utilizare a acestei abordări care să nu pună în pericol confidențialitatea și sacralitatea personală a participanților – mai ales dacă este asociată cu entități agentive care ar putea corela datele conversaționale înregistrate cu date digitale sau alte tipuri de informații referitoare la individ.

Lucrarea MIT conturează un context interesant și vag terapeutic pentru abordare (de exemplu, oferind mementouri conștiente de context despre dietă); dar un astfel de scenariu pare mai probabil să atragă interesul agresiv și investițiile advertiserilor, instituțiilor de probațiune și închisoare, asigurătorilor și unui număr considerabil de alte entități corporative sau de stat care ar dori să știe mai multe despre ce ne trece prin minte.

Dacă există vreun argument convingător pentru IA locală, este în sisteme ca acesta, care au implicații atât de severe în ceea ce privește încălcarea confidențialității.

Totuși, istoria publicității și a tehnologiei de supraveghere în ultimii ani a tendința spre indiferența consumatorului – poate această lipsă de interes să se extindă chiar și la un sistem atât de invaziv și omniprezent?

* O publicație mult mai bine protejată, fără imagini de înaltă rezoluție disponibile public, deși textul poate fi citit sărind prin câteva obstacole.

** Nu pentru a exagera, dar lucrarea mai veche este considerabil mai greu de accesat, așa că vă rugăm să fiți perseverenți!

Publicat prima dată joi, 20 august 2026