AI ใหม่ทำนายการตอบกลับต่อไปของคุณจากการสนทนาที่ผ่านมา

นักวิจัยจาก MIT ได้พัฒนาระบบที่ใช้ LLM ซึ่งเรียนรู้รูปแบบที่เกิดซ้ำจากการสนทนาจริงของบุคคลหลายสัปดาห์ เพื่อทำนายพฤติกรรมการสนทนาถัดไปที่เป็นไปได้ของเขา/เธอ

ถ้า AI สามารถ จริงๆ เข้าถึงชีวิตของคุณได้ และสามารถ จริงๆ ได้รับอนุญาตให้ทำความรู้จักกับคุณในช่วงเวลาที่ต่อเนื่องหรือแม้กระทั่งอย่างต่อเนื่อง มันอาจเรียนรู้ที่จะทำนายการกระทำของคุณ, การตัดสินใจ – และแม้กระทั่งสิ่งต่อไปที่คุณอาจพูด; ทั้งหมดนี้อิงจากข้อมูลที่มันได้สังเคราะห์จากการวิเคราะห์การโต้ตอบของคุณเป็นพันชั่วโมง

ผู้ที่คุ้นเคยกับการใช้โมเดลภาษาใหญ่ (LLM) เช่น ChatGPT และ Claude จะสังเกตเห็นแนวโน้มนี้ไปนานแล้วว่า AI มี ‘การคาดการณ์ความต้องการ’ ซึ่งชัดเจนจากประวัติการใช้ของเรา; และโดยนัยแล้วก็ยินดีรับมัน เนื่องจากการเก็บรักษาหน่วยความจำและบริบทตอนนี้เป็น จุดตึงเครียดสำคัญ ในการพัฒนาความสัมพันธ์การทำงานกับระบบ AI

อย่างไรก็ตาม การให้ข้อมูล ad hoc และ แม้กระทั่งข้อมูลแบบ ‘สตรีมสด’ เกี่ยวกับชีวิตและการสื่อสารของคุณแก่ระบบ AI ที่ดำเนินการโดยบริษัทเพื่อผลกำไร ถือเป็น ความเสี่ยงด้านความเป็นส่วนตัวและความปลอดภัยที่อาจเกิดขึ้น อย่างสมเหตุสมผล; แม้ว่าบริการจะมีประโยชน์ต่อคุณมากขึ้น แต่ความล่อใจของบริษัทที่จะแชร์ข้อมูลของคุณ รวมกับความเสี่ยงของการรั่วไหลออนไลน์หรือการขโมยข้อมูลอาจทำให้การบูรณาการระดับ AI/มนุษย์นี้เป็นแนวคิดที่ไม่คุ้มค่า

หากเรามีสิ่งดีๆ…

เอาล่ะ, ฉันต้องส่งคำเตือน ‘บริการสาธารณะ’ นี้ออกไปก่อนที่จะพูดถึง บทความใหม่ที่น่าสนใจ จาก MIT ที่ดูเหมือนจะอยู่ในโลกที่ดีกว่า, ที่ข้อมูลประเภทนี้สามารถถูกแยกเป็นวงจรที่ปลอดภัยและเชื่อถือได้จริง, เพื่อให้พลังของ AI เชิงวิเคราะห์สามารถนำไปใช้เพื่อประโยชน์ของบุคคลได้อย่างแท้จริง

งานใหม่เสนอระบบที่โดยได้รับอนุญาตจากผู้ใช้และการควบคุมข้อมูลที่ได้, นาฬิกาอัจฉริยะที่สวมใส่อยู่จะบันทึกการสนทนาของพวกเขาอย่างต่อเนื่องเพื่อสกัดรูปแบบพฤติกรรม:

จากเอกสารใหม่ของ MIT, ภาพประกอบของกระบวนการทำนายพฤติกรรมที่เสนอ การสนทนาที่เก็บรวบรวมหลายสัปดาห์เผยรูปแบบพฤติกรรมที่เกิดซ้ำ, ซึ่งจากนั้นจะถูกใช้เพื่อทำนายพฤติกรรมต่อไปของผู้ใช้ที่เป็นไปได้และส่งการเตือนจากนาฬิกาอัจฉริยะก่อนที่การกระทำที่คาดการณ์จะเกิดขึ้น Source

บทความ – มีชื่อว่า Before You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMs – บันทึกการทดลองที่เก็บรวบรวมการสนทนาธรรมชาติ (เช่น การสนทนาที่เกิดขึ้นโดยบังเอิญในโลกจริง) มากกว่า 1,000 ชั่วโมงจากผู้เข้าร่วม 14 คนผ่านนาฬิกาอัจฉริยะ, ถอดข้อความ, แปลงเป็นประวัติพฤติกรรมที่เป็นโครงสร้าง, แล้วส่งให้ Gemini 2.5 Pro พร้อมกับพรอมต์เฉพาะพฤติกรรมและกฎพฤติกรรมที่สกัดออกมา เพื่อทำนายพฤติกรรมการสนทนาถัดไปของผู้ใช้แต่ละคน

(และตอนนี้อาจชัดเจนว่าทำไมบทความใหม่นี้ ต้องการบริบทเกี่ยวกับความเป็นส่วนตัว)

การศึกษานี้โดยพื้นฐานเป็นการทดลองภาคสนามสำหรับ (บางส่วนของ) งานตีพิมพ์ของผู้เขียนในปี 2026 Mind Mapper* ซึ่งต่อยอดงานก่อนหน้าโดยนำทฤษฎีไปปฏิบัติและทดสอบว่ารูปแบบพฤติกรรมที่สกัดได้สามารถทำนายพฤติกรรมการสนทนาถัดไปของผู้ใช้ได้จริงในเวลาจริงหรือไม่, แทนที่จะอธิบายเพียงแนวโน้มที่เกิดซ้ำ

‘ผลลัพธ์ของเราแสดงให้เห็นว่ารูปแบบพฤติกรรมเฉพาะสถานการณ์ที่สกัดจากการสนทนาที่ยาวนานสามารถปรับปรุงการทำนายแนวโน้มพฤติกรรมทางวาจาของผู้ใช้ได้อย่างมีนัยสำคัญ จุดแข็งสำคัญของวิธีของเราคือการนำเสนอรูปแบบเหล่านี้เป็นรูปแบบพฤติกรรมที่มนุษย์อ่านได้พร้อมเงื่อนไขข้อยกเว้นที่ผู้ใช้สามารถตรวจสอบและปรับแต่งได้’

‘ผู้เข้าร่วมให้ความสำคัญกับความโปร่งใสนี้, หลายคนชื่นชมที่สามารถอ่าน, แก้ไข, และตั้งเป้าหมายส่วนบุคคลสำหรับรูปแบบที่สกัดได้’

‘ผู้เข้าร่วมยังสะท้อนกลยุทธ์ของตนเองในการเปลี่ยนพฤติกรรม, แสดงให้เห็นว่าระบบเชิงรุกสามารถช่วยได้โดยการเปลี่ยนความสนใจ, เสนอทางเลือก, และนำเสนอการตีความใหม่ที่สอดคล้องกับเป้าหมายของพวกเขา’

‘นี่ชี้ไปสู่ AI เชิงคาดการณ์ที่ทำงานร่วมกับผู้ใช้ — ยึดการแทรกแซงไว้บนรูปแบบที่พวกเขารู้จักและกลยุทธ์ที่พวกเขาพบว่ามีประสิทธิภาพ’

วิธีการ

ระบบ Mind Mapper ที่กล่าวถึงข้างต้นเป็นพื้นฐานของระบบใหม่, ให้กระบวนการทำงานที่ออกแบบมาเพื่อเรียนรู้กฎพฤติกรรมที่เกิดซ้ำจากการสนทนาที่บันทึกด้วยนาฬิกาอัจฉริยะหลายสัปดาห์, แทนที่จะพยายามทำนายคำพูดในอนาคตโดยตรงหรืออิงจากชุดข้อมูลทั่วไปหรือชุดข้อมูลก่อนหน้า ในกระบวนการทำงานของ Mind Mapper การสนทนาที่บันทึกทั้งหมดจะถูกถอดข้อความ, ทำให้เป็นนิรนาม, และผ่านกระบวนการหลายขั้นตอนของ pipeline GPT-5**

(โปรดทราบว่าเนื่องจากการคุ้มครองของบทความเก่า เราไม่สามารถให้ภาพจากบทความนั้นได้ เนื่องจากเวอร์ชันความละเอียดต่ำที่เผยแพร่สาธารณะอ่านไม่ออก)

จากบทความใหม่, ภาพประกอบของกระบวนการทำนายพฤติกรรม การสนทนาที่เก็บรวบรวมหลายสัปดาห์ถูกแปลงเป็นกฎพฤติกรรมที่ขึ้นกับบริบท, ซึ่งได้รับการปรับปรุงด้วยหลักฐานสนับสนุนและหลักฐานขัดแย้ง, ก่อนนำไปใช้กับการสนทนาใหม่เพื่อทำนายการตอบสนองการสนทนาถัดไปที่เป็นไปได้สูงสุดของผู้ใช้

pipeline จะสร้างกฎพฤติกรรมแบบ ‘if-then’ (เช่น กฎที่เชื่อมสถานการณ์การสนทนากับการตอบสนองที่คาดว่าจะเกิด) ที่เป็นผู้สมัคร, ค้นหาหลักฐานสนับสนุนและขัดแย้ง, ผสานกฎที่ทับซ้อนกัน, กำจัดสมมติฐานที่อ่อนแอ, และกำหนดค่าความเชื่อมั่นและการประมาณความน่าจะเป็น

ผู้เข้าร่วมการศึกษา

ผู้ใหญ่ที่พูดภาษาอังกฤษจำนวนสิบสี่คนสวมนาฬิกาอัจฉริยะในชีวิตประจำวันเป็นระยะเวลาสี่ถึงสิบวัน ตัวตรวจจับเสียงบนอุปกรณ์บันทึกเฉพาะเมื่อพบว่ามีเสียงพูด, ส่งคลิปเสียง 2-3 นาทีไปยังเซิร์ฟเวอร์ระยะไกลเพื่อประมวลผล

ผู้เข้าร่วมได้รับเงินรางวัล $100, และต้องแจ้งให้ผู้ที่อยู่ใกล้เคียงทราบว่าการสนทนากำลังถูกบันทึก, รวมถึงขอความยินยอมจากบุคคลอื่นก่อนการโต้ตอบแต่ละครั้ง

การถอดข้อความและการตรวจสอบ

คลิปเสียงถูกประมวลผลด้วยโมเดล Nova-3-meeting ของ Deepgram, ซึ่งถอดข้อความการสนทนาและแยกผู้พูดออกจากกัน หลังจากนั้นใช้ SpeechBrain เป็นโมเดลตรวจสอบผู้พูด, ทำการจับคู่เสียงของผู้เข้าร่วมกับตัวอย่างการลงทะเบียนความยาว 20 วินาที

โมเดล spaCy Named Entity Recognition (NER) แทนที่ชื่อที่กล่าวถึงและข้อมูลส่วนบุคคลอื่นๆ ด้วยตัวแทนที่ไม่ระบุตัวตน หลังจากนั้นไฟล์เสียงต้นฉบับจะถูกลบ, และเก็บเฉพาะข้อความที่เข้ารหัสด้วย AES-256-GCM ไว้บนนาฬิกาอัจฉริยะโดยอัตโนมัติ

หลังจากช่วงการเก็บข้อมูล ผู้เข้าร่วมสามารถตรวจสอบข้อความการสนทนาของตนเองผ่านเว็บอินเทอร์เฟซ, ลบข้อมูลที่ไม่ต้องการให้รวมในงานวิจัย, และแก้ไขป้ายกำกับผู้พูดหรือบริบทการสนทนาตามจำเป็น

โดยเฉลี่ยมีเพียง 0.16% ของข้อความที่ถูกลบ, และ 2.48% ของส่วนถูกทำเครื่องหมายว่า misclassified, ทำให้ได้ชุดข้อมูลที่มี 15,066 คำพูดจากผู้เข้าร่วม 14 คน – 57% เป็นของผู้สวมใส่นาฬิกา, 43% เป็นของผู้พูดอื่น ๆ ความยาวเฉลี่ยของคำพูดอยู่ที่ 49 คำ

(อย่างไรก็ตาม แม้ว่าบทความจะไม่ได้กล่าวถึงเรื่องนี้, เราอาจสันนิษฐานได้ว่าผู้เข้าร่วมคงระมัดระวังอย่างมากต่อการมีส่วนร่วมในการสนทนาที่เป็นส่วนตัวขณะสวมใส่นาฬิกา)

ข้อความที่ได้ถูกทำความสะอาดเพิ่มเติมโดยการลบการสนทนาที่สั้นมาก, รวมถึงคำอุจจาระทั่วไปเช่น ‘err’ และ ‘um’; แล้วรวมประโยคที่หักหายเป็นคำพูดที่สมบูรณ์ ทำให้ชุดข้อมูลสุดท้ายเหลือ 9,901 คำพูด

เพื่อประเมินวิธีการ, Gemini 2.5 Pro ถูกขอให้ทำนายการตอบสนองต่อการสนทนาถัดไปของแต่ละผู้เข้าร่วมจากการสนทนาจนถึงจุดนั้น ผลการทำงานของมันจึงถูกเปรียบเทียบระหว่างสามอินพุต: ประวัติการสนทนาเพียงอย่างเดียว; สรุปการสนทนาที่ย่อ; และกฎพฤติกรรม Mind Mapper ใหม่, เพื่อวัดผลของรูปแบบที่เรียนรู้โดยตรง

GPT-5 ถูกใช้เป็นผู้ตัดสินอัตโนมัติเพื่อให้คะแนนการทำนาย, พร้อมกับการประเมินโดยมนุษย์แยกต่างหากเพื่อยืนยันความน่าเชื่อถือของการประเมิน

ข้อมูลและการทดสอบ

ผลการทดสอบแสดงให้เห็นว่าวิธีพื้นฐานที่ทดสอบนั้นถูกเหนือกว่ามากโดยวิธีที่อิงรูปแบบของผู้เขียน, โดยความแม่นยำเพิ่มขึ้นอย่างต่อเนื่องเมื่อข้อมูลการสนทนาสะสม:

ผลการทดสอบเปรียบเทียบสามวิธีการทำนาย ด้านซ้าย ความแม่นยำของการทำนายเพิ่มขึ้นอย่างต่อเนื่องเมื่อมีข้อมูลการสนทนามากขึ้นเฉพาะเมื่อระบบที่ใช้เรียนรู้รูปแบบพฤติกรรม, ในขณะที่วิธีพื้นฐานเปลี่ยนแปลงเพียงเล็กน้อย ด้านขวา วิธีเดียวกันให้คะแนนสูงกว่ามากในการสนทนาที่ผู้เข้าร่วมระบุว่าต้องการเปลี่ยนแปลง

ผู้เขียนอ้างว่าระบบนี้มีประสิทธิภาพเป็นพิเศษในการทำนายพฤติกรรมที่ผู้เข้าร่วมต้องการเปลี่ยนแปลงโดยชัดเจน

การศึกษาการตรวจสอบความถูกต้องที่มีผู้ประเมินมนุษย์อิสระ 40 คน ยืนยันการประเมินอัตโนมัติ, โดยให้คะแนนวิธีที่อิงรูปแบบสูงสุดใน 43% ของสถานการณ์ที่ทดสอบ, เทียบกับ 24% สำหรับบริบทเต็ม, 18% สำหรับศูนย์ช็อต, และ 15% สำหรับสรุปเชิงเล่าเรื่อง

การประเมินของมนุษย์สอดคล้องอย่างใกล้ชิดกับการให้คะแนนโดยโมเดลในด้าน เจตนาการสื่อสาร, ความเฉพาะเจาะจง, และ ความซับซ้อนเชิงหน้าที่, ซึ่งผู้เขียนอ้างว่ามั่นใจว่าการใช้ผู้ตัดสินอัตโนมัติสำหรับพฤติกรรมการสนทนานั้นเป็นที่ยอมรับได้

มีการศึกษาติดตามสองครั้งเพื่อทดสอบว่าผู้คนตอบสนองต่อรูปแบบที่สกัดอย่างไร, และว่าการทำนายเหล่านี้จะช่วยเปลี่ยนนิสัยได้จริงหรือไม่ ผู้เข้าร่วมแรกตรวจสอบกฎของตนเพื่อระบุพฤติกรรมที่ต้องการเลิก, และหลายคนกลับมาพบกันหลายเดือนต่อมาเพื่อพูดคุยเกี่ยวกับกลยุทธ์ที่ได้ลองใช้, รวมถึงประเภทของ ‘การกระตุ้น’ จากผู้ช่วยที่อาจช่วยได้ในชีวิตประจำวัน

ผู้เข้าร่วมระบุ 114 นิสัยที่ต้องการเลิก, ครอบคลุม 912 ช่วงการสนทนา เมื่อทดสอบบนการแลกเปลี่ยนเหล่านี้ วิธีที่อิงรูปแบบสามารถเอาชนะวิธีมาตรฐานได้ประมาณ 40%; ผู้เขียนอ้างว่าระบบทำงานได้ดีที่สุดเมื่อคาดการณ์นิสัยที่ฝังลึกซึ่งผู้คนต้องการเปลี่ยนแปลงอย่างกระตือรือร้น

‘โดยรวม, ผลการวิจัยของเราให้หลักฐานว่าพฤติกรรมการพูดของบุคคลเฉพาะสามารถทำนายได้จากข้อมูลการสนทนาที่ยาวนาน’

‘นี่เปิดโอกาสใหม่สำหรับระบบ AI ที่อาจเป็นบริบท-รับรู้, คาดการณ์, เชิงรุกและเป็นส่วนบุคคลในอนาคต’

สรุป

ยกเว้นการใช้งานที่อยู่ภายใต้การกำกับดูแลของรัฐบาลอย่างเข้มงวด, โดยส่วนใหญ่เกี่ยวกับระบบสุขภาพของรัฐและสถานการณ์จิตเวช, และไม่มีการบังคับหรือบังคับโดยตรงให้ผู้คนเข้าร่วม (เช่น การลดค่าเบี้ยประกันรัฐหากพวกเขาเข้าร่วม)…จึงยากที่จะจินตนาการถึงการใช้วิธีนี้ที่ ไม่ ทำให้ความเป็นส่วนตัวและศักยภาพส่วนบุคคลของผู้เข้าร่วมเสี่ยง – โดยเฉพาะอย่างยิ่งหากเชื่อมต่อกับหน่วยงานที่อาจเชื่อมโยงข้อมูลการสนทนาที่บันทึกกับข้อมูลดิจิทัลหรือข้อมูลอื่น ๆ ที่เกี่ยวกับบุคคล

บทความของ MIT วาดภาพบริบทที่น่าสนใจและค่อนข้างบำบัดสำหรับวิธีนี้ (เช่น การให้การเตือนที่รับรู้บริบทเกี่ยวกับอาหาร); แต่โครงการเช่นนี้ดูเหมือนจะดึงดูดความสนใจและการลงทุนอย่างรุนแรงจากผู้โฆษณา, สถาบันคุมขัง, บริษัทประกัน, และองค์กรรัฐหรือบริษัทอื่น ๆ จำนวนมากที่ต้องการรู้มากขึ้นเกี่ยวกับสิ่งที่อยู่ในใจของเรา

หากเคยมีเหตุผลที่น่าเชื่อถือสำหรับ AI ในพื้นที่ ที่เป็นวงแหวนและเป็นของผู้ใช้โดยสมบูรณ์, ระบบเช่นนี้เป็นตัวอย่างที่ชัดเจน

อย่างไรก็ตาม ประวัติของการโฆษณาและเทคโนโลยีการเฝ้าติดตามในช่วงหลายปีที่ผ่านมา มักจะนำไปสู่การไม่สนใจของผู้บริโภค – ความไม่ใส่ใจนี้จะขยายไปถึงระบบที่แทรกซึมและครอบคลุมเช่นนี้ได้หรือไม่?

* การตีพิมพ์ที่ได้รับการปกป้องอย่างใกล้ชิดมากขึ้น, ไม่มีภาพความละเอียดสูงให้สาธารณะ, แม้ว่าข้อความจะสามารถอ่านได้โดยผ่านขั้นตอนหลายขั้นตอน

** ไม่ได้ต้องการเน้นเกินไป, แต่เอกสารเก่ามีการเข้าถึงยากกว่ามาก, กรุณาติดตามอย่างต่อเนื่อง!

เผยแพร่ครั้งแรกวันพฤหัสบดีที่ 20 สิงหาคม 2026