Новий ШІ передбачає вашу наступну реакцію за допомогою ваших минулих розмов

Дослідники MIT розробили систему на базі великих мовних моделей, яка вивчає повторювані шаблони з тижнів реальних розмов людини, щоб передбачити її ймовірну наступну розмовну поведінку.

Якби ШІ справді міг отримати доступ до вашого життя і справді був дозволений знайомитися з вами протягом тривалого або навіть безперервного періоду, він, ймовірно, навчився б передбачати ваші дії, рішення — і навіть те, що ви, ймовірно, скажете наступним; усе це ґрунтується на тому, що він засвоїв за тисячі годин аналізу ваших взаємодій.

Ті з нас, хто звик користуватися великими мовними моделями (LLM), такими як ChatGPT і Claude, давно помітили цю схильність до «передбачення потреб», явно основану на історії нашого використання; і, ймовірно, сприйняли це з радістю, оскільки збереження пам’яті та контексту тепер є критичною точкою тертя у розбудові робочих відносин з системою ШІ.

Однак передача «ад‑hoc» і навіть «в прямому ефірі» інформації про ваше життя та комунікації системі ШІ, яку керує комерційна компанія, є, можна сказати, потенційною загрозою конфіденційності та безпеці; хоча сервіс став би значно кориснішим для вас, спокуса компанії ділитися вашими даними, разом із ризиком незручного та опублікованого онлайн‑втоку чи експорту даних, може зробити такий рівень інтеграції ШІ/людина нерозумним.

Якби ми могли мати приємні речі…

Добре, я спочатку мав вивести «попередження про громадську безпеку», перш ніж перейти до цікавого нового дослідження MIT, яке, здається, існує у кращому світі, де дані такого типу могли б бути ізольовані у безпечних і справді довірених колах, щоб справжня сила аналітичного ШІ могла бути спрямована на реальну користь індивідуума.

Нове дослідження пропонує систему, у якій за згодою користувача та під його контролем над отриманими даними, смарт‑годинник, який він носить, постійно записує його розмови з метою видобутку поведінкових шаблонів:

З нового дослідження MIT — ілюстрація запропонованого конвеєра передбачення поведінки. Розмови, зібрані протягом кількох тижнів, виявляють повторюваний поведінковий шаблон, який потім використовується для передбачення ймовірної наступної поведінки користувача та надсилання нагадування на смарт‑годиннику перед тим, як передбачена дія відбудеться. Джерело

Стаття — під назвою Before You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMs — описує експеримент, у якому понад 1 000 годин природних (тобто випадкових, реальних) розмов 14 учасників були зібрані за допомогою смарт‑годинників, транскрибовані, перетворені у структуровані історії поведінки та передані Gemini 2.5 Pro разом із специфічними підказками та витягнутими правилами поведінки, щоб передбачити ймовірну наступну розмовну поведінку кожного користувача.

(І тепер може бути зрозуміло, чому цьому новому дослідженню потрібен певний контекст щодо конфіденційності)

Нове дослідження фактично є польовим експериментом для (деяких) попередньої 2026‑річної публікації авторів Mind Mapper*, розширюючи ту роботу шляхом практичної реалізації теорії та перевірки, чи можуть отримані поведінкові шаблони дійсно передбачати наступну розмовну поведінку користувача в режимі реального часу, а не лише описувати повторювані тенденції.

‘Наші результати показують, що ситуаційно‑специфічні поведінкові шаблони, видобуті з довготривалих розмов, можуть суттєво покращити передбачення вербальних поведінкових тенденцій користувачів. Ключова сила нашого підходу — представлення їх у вигляді зрозумілих людям контекстно‑залежних шаблонів з явними умовами‑виключеннями, які користувачі можуть переглядати та уточнювати.’

‘Учасники цінували цю прозорість, [декілька з них] — можливість читати, виправляти та встановлювати особисті цілі для їхніх виведених шаблонів.’

‘Учасники також розмірковували над власними стратегіями зміни поведінки, пропонуючи, як проактивні системи могли б допомогти, перенаправляючи увагу, пропонуючи альтернативи та висвітлюючи переоформлення, пов’язані з їхніми цілями.’

‘Це вказує на передбачувальний ШІ, який працює разом із користувачами — закріплюючи втручання у шаблонах, які вони розпізнають, і стратегіях, які вже вважають ефективними.’

Метод

Згаданий вище Mind Mapper є основою нової системи, пропонуючи робочий процес, розроблений для вивчення повторюваних правил поведінки з тижнів записаних смарт‑годинником розмов, а не для прямого передбачення майбутньої мови або на основі загальних чи попередніх наборів даних. У робочому процесі Mind Mapper усі записані розмови були транскрибовані, анонімізовані та оброблені через багатоступеневий конвеєр GPT-5**.

(Зверніть увагу, що через захист старішої статті ми не можемо, як зазвичай, надати її зображення, оскільки доступні низькороздільні версії є нерозбірливими)

З нового дослідження — ілюстрація конвеєра передбачення поведінки. Розмови, зібрані протягом кількох тижнів, перетворюються у контекстно‑залежні правила поведінки, які уточнюються за допомогою підтверджуючих та протилежних доказів, а потім застосовуються до нових розмов для передбачення найймовірнішої наступної розмовної відповіді користувача.

Конвеєр генерує кандидатські «if‑then» правила поведінки (тобто правила, що зв’язують розмовні ситуації з ймовірними відповідями); шукає підтверджуючі та протилежні докази; об’єднує перекриваючі правила; відкидає слабкі гіпотези; і присвоює оцінки впевненості та ймовірності.

Суб’єкти

Чотирнадцять дорослих, які розмовляли англійською, носили смарт‑годинник у звичайному житті протягом семи‑десяти днів. Вбудований детектор голосової активності записував суб’єктів лише коли виявляв мову, надсилаючи 2‑3‑хвилинні аудіокліпи на віддалений сервер для обробки.

Учасникам виплатили $100, і вони мали повідомляти всіх поруч, що розмови записуються, а також отримувати згоду інших людей перед кожною такою взаємодією.

Транскрипція та перевірка

Аудіокліпи обробляли за допомогою моделі Nova-3-meeting від Deepgram, яка транскрибувала розмови та розрізняла спікерів. Після цього як модель верифікації спікера використовували SpeechBrain, порівнюючи голос учасника з 20‑секундним зразком реєстрації.

Модель spaCy Named Entity Recognition (NER) замінювала будь‑які згадані імена, а також іншу персональну інформацію, анонімними заповнювачами. Оригінальне аудіо потім видаляли, а лише зашифровані AES‑256‑GCM транскрипти зберігалися локально на смарт‑годиннику.

Після періоду збору учасники могли переглянути кожен власний транскрипт через веб‑інтерфейс, видаляти все, що не хотіли включати до дослідження, і виправляти мітки спікерів або контекст розмови за потреби.

У середньому лише 0,16 % транскриптів було видалено, і 2,48 % сегментів позначено як невірно класифіковані, залишивши набір даних у 15 066 висловлювань від 14 учасників — 57 % приписано носію, 43 % іншим спікерам. Середня довжина висловлювання становила 49 слів.

(Проте, хоча стаття не торкається цього, можна припускати, що учасники залишалися досить уважними, уникаючи надто особистих розмовних обмінів під час носіння годинника.)

Транскрипти додатково очищали, видаляючи дуже короткі обміни, а також поширені мовні дисфлюенції, такі як «err» і «um», після чого об’єднували фрагментовані речення у повні висловлювання. Це скоротило остаточний набір даних до 9 901 висловлювання.

Для оцінки підходу Gemini 2.5 Pro просили передбачити наступну розмовну відповідь кожного учасника на основі розмови до цього моменту. Потім його продуктивність порівнювали за трьома вхідними даними: лише історія розмов; стислий підсумок розмов; і нові правила поведінки Mind Mapper, що дозволило безпосередньо виміряти внесок вивчених шаблонів.

GPT‑5 використовували як автоматизований суддя для оцінки передбачень, а окрема людська оцінка підтвердила надійність його результатів.

Дані та тести

Результати тестів показують, що базові методи значно поступилися підхідом авторів, заснованим на шаблонах, при цьому точність постійно зростала з накопиченням розмовних даних:

Результати тестів, що порівнюють три підходи до передбачення. Ліворуч точність передбачення стабільно зростає, коли система навчається на поведінкових шаблонах і з’являються нові розмовні дані, тоді як базові підходи майже не змінюються. Праворуч той самий підхід досягає значно вищих результатів у розмовах, де учасники виявляли намір змінити свою поведінку.

Автори стверджують, що система особливо ефективна у передбаченні поведінки, яку учасники явно хотіли змінити.

Валідаційне дослідження за участю 40 незалежних оцінювачів‑людей підтвердило автоматичну оцінку, розташувавши метод, заснований на шаблонах, на першому місці у 43 % тестованих сценаріїв, порівняно з 24 % для повного контексту; 18 % для zero‑shot; і 15 % для нарративних підсумків.

Людські оцінки тісно збігалися з оцінками моделі за комунікативним наміром, специфічністю та функціональною складністю, що, на думку авторів, підтверджує доцільність використання автоматизованих суддів для оцінки розмовної поведінки.

Два подальші дослідження перевіряли, як люди реагували на свої видобуті шаблони, і чи можуть ці передбачення справді допомогти змінити звички. Спочатку учасники переглянули свої правила, позначивши поведінку, яку вони хотіли припинити, а кілька з них повернулися через кілька місяців, щоб обговорити випробувані стратегії та які «підштовхування» асистента дійсно допомогли б у повсякденному житті.

Учасники позначили 114 звичок, які хотіли змінити, охопивши 912 розмовних моментів. При тестуванні цих обмінів метод, заснований на шаблонах, легко перевершував стандартні підходи приблизно на 40 %; і автори стверджують, що система найкраще працює, коли передбачає вкорінені звички, які люди активно прагнуть змінити.

‘У підсумку наші результати доводять, що вербальну поведінку, специфічну для окремої особи, можна передбачити за допомогою довготривалих розмовних даних.’

‘Це відкриває нові можливості для потенційних майбутніх контекстно‑усвідомлених, передбачувальних, проактивних і персоналізованих систем ШІ.’

Висновок

Позапрямкові державні регуляції, переважно у сфері державного охорони здоров’я та психіатрії, і відсутність будь‑якого відкритого чи неявного примусу людей брати участь (наприклад, зниження державних страхових внесків, якщо вони це роблять)… важко уявити використання цього підходу, яке не поставило б під загрозу конфіденційність та особисту недоторканність учасників — особливо якщо його поєднати з агентськими суб’єктами, які могли б корелювати записані розмовні дані з цифровими чи іншими типами даних про індивіда.

Стаття MIT малює цікаве і дещо терапевтичне застосування підходу (наприклад, надання контекстно‑усвідомлених нагадувань про дієту); проте така схема, ймовірніше, приверне агресивний інтерес і інвестиції рекламодавців, інституцій умовно‑виправних та в’язничних, страховиків та значної кількості інших корпоративних чи державних суб’єктів, які бажають дізнатися більше про те, що у нас на думці.

Якщо колись існує переконливий аргумент на користь ізольованих, повністю належних користувачеві локальних ШІ, то саме в системах, подібних до цієї, які мають такі серйозні наслідки у випадку порушення.

Проте історія реклами та технологій спостереження за останні роки схилялася до байдужості споживачів — чи може ця відсутність занепокоєння справді розтягнутися навіть на систему настільки нав’язливу та всепроникну, як ця?

* Дуже більш захищена публікація, без доступних у відкритому доступі зображень високої роздільності, хоча текст можна прочитати, пройшовши кілька кроків.

** Не варто перебільшувати, але старіша стаття значно важче доступна, тому будьте настійливими!

Перший раз опубліковано у четвер, 20 серпня 2026 року