Yeni AI, Geçmiş Konuşmalarınızdan Sonraki Yanıtınızı Tahmin Ediyor

MIT’teki araştırmacılar, bir kişinin gerçek konuşmalarından haftalarca süren tekrarlayan kalıpları öğrenen ve sonraki muhtemel konuşma davranışını tahmin eden bir LLM tabanlı sistem geliştirdi.

Eğer AI gerçekten hayatınıza erişebilse ve gerçekten uzun bir süre boyunca ya da sürekli olarak sizi tanımasına izin verilse, muhtemelen eylemlerinizi, kararlarınızı – hatta söyleyeceğiniz bir sonraki şeyi – binlerce saatlik etkileşim analiziyle özümseyerek tahmin edebilir.

ChatGPT ve Claude gibi Büyük Dil Modelleri (LLM’ler) kullanan bizler, kullanım geçmişimize dayalı olarak ‘ihtiyaçların öngörülmesi’ eğilimini uzun süredir fark etmiş ve muhtemelen memnuniyetle karşılamıştık, çünkü hafıza tutma ve bağlam artık bir kritik sürtünme noktası haline geldi ve AI sistemiyle çalışan bir ilişki geliştirmede önemli bir unsur oldu.

Ancak, ad hoc ve hatta ‘canlı yayın’ bilgisi hayatınız ve iletişimleriniz hakkında kâr amacı güden bir şirket tarafından işletilen bir AI sistemine verilmesi, makul bir şekilde söylemek gerekirse, potansiyel gizlilik ve güvenlik tehlikesi oluşturur; hizmet sizin için çok daha faydalı hale gelse de, şirketin verilerinizi paylaşma cazibesi ve utanç verici bir çevrimiçi sızıntı ya da veri sızdırma riski, bu seviyedeki AI/insan entegrasyonunu akılcı olmayan bir olasılık haline getirebilir.

İyi Şeylerimiz Olabilse…

Şey, MIT’den ilginç yeni makaleye değinmeden önce ‘kamu hizmeti uyarısını’ önceden vermek zorundaydım; bu makale, verilerin bu türünün güvenli ve gerçekten güvenilir çevrelere hapsedilebileceği daha iyi bir dünyada var gibi görünüyor, böylece analitik AI’nın gerçek gücü bireyin gerçek yararına yönlendirilebilir.

Yeni çalışma, kullanıcının izni ve elde edilen veriler üzerindeki kontrolüyle, takıp dolaştıkları akıllı saatlerin sürekli olarak konuşmalarını kaydedip davranış kalıplarını çıkarmasını öneren bir sistem öne sürüyor:

Yeni MIT makalesinden, önerilen davranış tahmin akış şemasının bir illüstrasyonu. Birkaç hafta boyunca toplanan konuşmalar, tekrarlayan bir davranış kalıbı ortaya koyar; bu kalıp, kullanıcının muhtemel bir sonraki davranışını tahmin etmek ve beklenen eylem gerçekleşmeden önce bir akıllı saat hatırlatıcısı göndermek için kullanılır. Kaynak

Makale – başlığı Before You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMs – 14 katılımcıdan 1.000 saatten fazla doğal (yani fırsatçı, gerçek dünya) konuşma topladı, akıllı saatlerle kaydedildi, transkribe edildi, yapılandırılmış davranış geçmişlerine dönüştürüldü ve Gemini 2.5 Pro‘ya, davranış‑spesifik istemler ve çıkarılan davranış kurallarıyla birlikte, her kullanıcının muhtemel bir sonraki konuşma davranışını tahmin etmesi için sağlandı.

(Ve şimdi bu yeni makalenin neden gizlilik bağlamına ihtiyaç duyduğunu daha net görebiliriz.)

Yeni çalışma, yazarların 2026 tarihli Mind Mapper yayınının (bazı) bir saha deneyi niteliğindedir; bu önceki çalışmayı pratiğe dökerek, elde edilen davranış kalıplarının gerçek zamanlı olarak bir kullanıcının bir sonraki konuşma davranışını gerçekten tahmin edip edemeyeceğini, yalnızca tekrarlayan eğilimleri tanımlamaktan öte bir şekilde test eder.

‘Sonuçlarımız, uzun vadeli konuşmalardan çıkarılan durum‑spesifik davranış kalıplarının, kullanıcıların sözlü davranış eğilimlerinin tahminlerini anlamlı bir şekilde iyileştirdiğini gösteriyor. Yaklaşımımızın temel gücü, bu kalıpları kullanıcıların inceleyip geliştirebileceği açık istisna koşullarıyla birlikte, insan‑okunur bağlam‑koşullandırılmış davranış kalıpları olarak temsil etmesidir.’

‘Katılımcılar, bu şeffaflığı takdir ettiler; birkaç katılımcı, çıkarılan kalıpları okuyabilme, düzeltebilme ve kişisel hedefler belirleyebilme imkânını özellikle beğendi.’

‘Katılımcılar ayrıca davranışlarını değiştirme stratejileri üzerine düşündüler ve proaktif sistemlerin dikkat yönlendirme, alternatif sunma ve hedeflerine bağlı yeniden çerçevelendirmeler ortaya çıkarma yoluyla nasıl yardımcı olabileceğini önerdiler.’

‘Bu, kullanıcılarla birlikte çalışan, müdahaleleri tanıdıkları kalıplara ve zaten etkili buldukları stratejilere dayandıran öngörücü bir AI’ye işaret ediyor.’

Yöntem

Bahsi geçen Mind Mapper, yeni sistemin temelini oluşturur; haftalarca süren akıllı saat kaydı üzerinden tekrarlayan davranış kurallarını öğrenmek üzere tasarlanmış bir iş akışı sunar, gelecekteki konuşmayı doğrudan tahmin etmeye ya da genel ya da önceki veri setlerine dayanarak tahmin etmeye çalışmaz. Mind Mapper iş akışında, tüm kaydedilen konuşmalar transkribe, anonimleştirilir ve çok aşamalı bir GPT-5 pipeline** üzerinden işlenir.

(Lütfen eski makalenin koruma koşulları nedeniyle, genellikle yaptığımız gibi ondan görseller sağlayamadığımızı, çünkü halka açık düşük çözünürlükteki sürümlerin okunaksız olduğunu unutmayın.)

Davranış tahmin akış şemasının illüstrasyonu. Birkaç hafta boyunca toplanan konuşmalar, bağlam‑bağımlı davranış kurallarına dönüştürülür; bu kurallar, destekleyici ve çelişkili kanıtlarla iyileştirilir ve yeni konuşmalara uygulanarak kullanıcının en muhtemel bir sonraki yanıtı tahmin edilir.

Akış, aday ‘if‑then’ davranış kuralları (yani, konuşma durumlarını muhtemel yanıtlarla bağlayan kurallar) üretir; destekleyici ve çelişkili kanıtları arar; çakışan kuralları birleştirir; zayıf varsayımları eler ve güven ve olasılık tahminleri atar.

Denekler

On dört İngilizce konuşan yetişkin, normal günlük yaşamları sırasında yedi ila on gün boyunca akıllı saat taktı. Cihaz üzerindeki ses‑aktivite algılayıcı, yalnızca konuşma algılandığında denekleri kaydetti ve 2‑3 dakikalık ses kliplerini işleme için uzak sunucuya gönderdi.

Katılımcılara 100 $ verildi ve konuşmaların kaydedildiğini yakın çevreye bildirmeleri ve her etkileşim öncesinde diğer kişilerin onayını almaları gerektiği şartı konuldu.

Transkripsiyon ve Doğrulama

Ses klipleri, Deepgram’ın Nova-3-meeting modeli kullanılarak işlenip konuşmalar transkribe edildi ve konuşmacılar ayırt edildi. Ardından, SpeechBrain konuşmacı doğrulama modeli olarak kullanıldı; katılımcının sesi 20 saniyelik bir kayıt örneğiyle eşleştirildi.

spaCy Adlandırılmış Varlık Tanıma (NER) modeli, bahsi geçen isimleri ve diğer kişisel tanımlayıcı bilgileri anonim yer tutucularla değiştirdi. Orijinal ses daha sonra silindi ve yalnızca AES-256-GCM‑şifreli transkriptler akıllı saat üzerinde yerel olarak saklandı.

Toplama dönemi sonunda, katılımcılar kendi konuşma transkriptlerini bir web arayüzü üzerinden inceleyebildi, çalışmaya dahil edilmesini istemedikleri bölümleri silebildi ve gerektiğinde konuşmacı etiketlerini ya da bağlamı düzeltebildi.

Ortalama olarak, transkriptlerin yalnızca %0,16’sı kaldırıldı ve %2,48’i yanlış sınıflandırılmış olarak işaretlendi; bu, 14 katılımcı arasında toplam 15 066 konuşma örneği bıraktı – %57’si giyen kişiye, %43’ü diğer konuşmacılara ait. Ortalama konuşma uzunluğu 49 kelimeydi.

(Bununla birlikte, makale bu konuya değinmese de, katılımcıların saat takarken çok kişisel sözlü etkileşimlere girmeye karşı nispeten dikkatli oldukları varsayılabilir.)

Transkriptler, çok kısa diyalogların ve ‘err’, ‘um’ gibi yaygın konuşma bozukluklarının kaldırılmasıyla, ardından parçalanmış cümlelerin tam cümlelere birleştirilmesiyle daha da temizlendi. Bu işlem, son veri setini 9 901 konuşmaya indirdi.

Yaklaşımı değerlendirmek için Gemini 2.5 Pro, her katılımcının o ana kadar olan konuşmadan sonraki yanıtını tahmin etmesi istendi. Performansı üç girdiyle karşılaştırıldı: yalnızca konuşma geçmişi; özetlenmiş konuşma özetleri; ve yeni Mind Mapper davranış kuralları, böylece öğrenilen kalıpların katkısı doğrudan ölçülebildi.

GPT-5, tahminleri puanlamak için otomatik bir yargıç olarak kullanıldı; ayrı bir insan değerlendirmesi ise puanlamaların güvenilirliğini doğruladı.

Veri ve Testler

Test sonuçları, yazarların kalıpla temelli yaklaşımının, test edilen temel yöntemlerden çok daha üstün olduğunu, doğruluğun konuşma verisi birikince sürekli artarak gösterdiğini ortaya koydu:

Üç tahmin yaklaşımını karşılaştıran test sonuçları. Sol tarafta, sistem davranış kalıplarını öğrendiğinde daha fazla konuşma verisi elde oldukça tahmin doğruluğu istikrarlı bir şekilde artar; temel yaklaşımlar ise çok az değişir. Sağ tarafta, aynı yaklaşım katılımcıların değişim niyeti belirttiği konuşmalarda önemli ölçüde daha yüksek puanlar elde eder.

Yazarlar, sistemin özellikle katılımcıların açıkça değiştirmek istedikleri davranışları tahmin etmede çok etkili olduğunu ileri sürüyor.

40 bağımsız insan değerlendiriciyle yapılan bir doğrulama çalışması, otomatik değerlendirmeyi doğruladı; kalıpla temelli yöntem test edilen senaryoların %43’ünde en yüksek puanı alırken, tam bağlam %24, sıfır‑atış %18 ve anlatı özetleri %15 oranında yer aldı.

İnsan değerlendirmeleri, iletişim amacı, özgüllük ve işlevsel karmaşıklık açısından model‑tabanlı puanlamalarla yakından örtüştü; bu da yazarların, konuşma davranışı için otomatik yargıçların kullanılmasını doğruladığını gösteriyor.

İki takip çalışması, insanların çıkarılan kalıplara nasıl tepki verdiğini ve bu tahminlerin alışkanlıkları gerçekten değiştirmeye yardımcı olup olamayacağını test etti. Katılımcılar önce kurallarını gözden geçirerek kırmak istedikleri davranışları işaretledi; birkaç kişi aylar sonra geri dönerek denedikleri stratejileri ve günlük hayatta gerçekten yardımcı olabilecek asistan ‘dürtülerinin’ ne tür olduğunu tartıştı.

Katılımcılar, kırmak istedikleri 114 alışkanlığı, 912 konuşma anını kapsayacak şekilde işaretledi. Bu etkileşimlerde test edildiğinde, kalıpla temelli yöntem standart yaklaşımları yaklaşık %40 daha iyi geçti; yazarlar, sistemin özellikle insanların aktif olarak değiştirmek istediği kökleşmiş alışkanlıkları öngörürken en iyi çalıştığını iddia ediyor.

‘Sonuç olarak, bulgularımız uzun vadeli konuşma verilerinden kişiye özgü sözlü davranışların tahmin edilebileceğine dair kanıt sunmaktadır.’

‘Bu, gelecekte bağlam‑farkındalıklı, öngörücü, proaktif ve kişiselleştirilmiş AI sistemleri için yeni olasılıkların kapısını açmaktadır.’

Sonuç

Devletin sağlık ve psikiyatrik senaryolar gibi yüksek derecede düzenlenmiş uygulamaları dışarıda tutarsak ve insanları katılmaya zorlayan (örneğin, daha düşük devlet sigorta primleri gibi) açık ya da örtülü bir baskı yoksa… bu yaklaşımın katılımcıların gizliliğini ve kişisel kutsallığını tehlikeye atmayacak bir kullanımını hayal etmek zor; özellikle kaydedilen konuşma verilerini bireyin dijital ya da diğer veri türleriyle ilişkilendirebilecek ajan varlıklarla eşleştirilebilecekse.

MIT makalesi, yaklaşım için ilginç ve hafif terapötik bir bağlam çizer (örneğin, diyetle ilgili bağlam‑farkındalıklı hatırlatmalar sağlamak); ancak bu tür bir şema, reklamverenlerin, şartlı tahliye ve ceza kurumlarının, sigortacıların ve bireyin aklındaki düşünceleri öğrenmek isteyen çok sayıda diğer kurumsal ya da devlet kuruluşunun agresif ilgisini ve yatırımlarını çekmeye daha yatkın görünüyor.

Eğer tamamen kullanıcı‑sahipli, tamamen izole bir yerel AI için ikna edici bir argüman varsa, bu tür sistemlerdeki ciddi ihlal riskleri göz önüne alındığında, bu argüman burada ortaya çıkmaktadır.

Bununla birlikte, son yıllarda reklam ve gözetim teknolojisinin tarihçesi tüketici kayıtsızlığına doğru bir eğilim göstermiştir – bu kayıtsızlık gerçekten bu kadar kapsamlı ve yaygın bir sistem için de uzanabilir mi?

* Çok daha sıkı korunan bir yayın, yüksek çözünürlüklü görseller halka açık olarak bulunmuyor, ancak metin birkaç engeli aşarak okunabiliyor.

** Aşırı vurgulamamak gerek, ancak eski makale çok daha zor erişilebilir, bu yüzden lütfen ısrar edin!

İlk yayınlanma tarihi: Perşembe, 20 Ağustos 2026