💬 NLP

Internal narratives parameterise affective states

Door middel van twee grootschalige studies die representaties van grote taalmodellen gebruiken, toont dit onderzoek aan dat de structuur en dynamiek van interne narratieven niet alleen de ernst van depressie voorspellen, maar ook causale invloed hebben op affectieve toestanden, wat suggereert dat affect fungeert als een computationele toestand die narratieve constructie beperkt en context integreert.

Oorspronkelijke auteurs: Jakub Onysk, Quentin J. M. Huys

Gepubliceerd 2026-05-22

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jakub Onysk, Quentin J. M. Huys

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Idee: Je Gevoelens Hebben een "Vorm"

Stel je voor dat je stemming niet zomaar een vaag gevoel is zoals "verdrietig" of "blij". Denk er in plaats daarvan aan als een verborgen blauwdruk of een hoofdrecept dat bepaalt hoe je denkt, wat je onthoudt en hoe je je dag beschrijft.

De auteurs van dit artikel stellen voor dat deze "stemmingsblauwdruk" werkt als een filter. Wanneer je in een lage stemming verkeert, maakt dat filter het moeilijk om positieve dingen te zien en makkelijk om negatieve dingen te zien. Ze wilden onderzoeken of ze deze onzichtbare blauwdruk konden meten door te kijken naar de woorden die mensen schrijven.

Hiervoor gebruikten ze Grote Taalmodellen (LLM's)—hetzelfde type AI dat chatbots aandrijft. Ze behandelden de AI niet alleen als een chatbot, maar als een "digitale microscoop" die de structuur van menselijke taal kan inzoomen om de verborgen patronen van depressie te vinden.

Het Experiment: Twee Studies

De onderzoekers voerden twee grote studies uit met meer dan 1.200 mensen om hun theorie te testen.

Studie 1: De "Vertaal"-Test

De Opzet:
Stel je een standaard medische checklist voor depressie voor (zoals de PHQ-9), waarbij je vakjes aanvinkt zoals "Ik voel me moe" of "Ik voel me hopeloos".

De Twist: In plaats van alleen maar vakjes aan te vinken, werden de deelnemers gevraagd om vrije verhalen te schrijven over hoe ze zich voelden ten opzichte van die specifieke onderwerpen.
De Taak van de AI: De onderzoekers voerden deze geschreven verhalen in bij een AI. Ze vroegen de AI: "Op basis van dit verhaal, als deze persoon de standaardchecklist moest invullen, wat zou hij dan aanvinken?"

De Bevindingen:

De AI was verrassend nauwkeurig. Wanneer de AI het verhaal van een persoon las over het voelen van "hopeloosheid", kon hij met hoge nauwkeurigheid hun score op de standaardchecklist voorspellen.
De "Meetkunde" van Depressie: Dit is het belangrijkste deel. De onderzoekers ontdekten dat depressie niet zomaar een lijst van losse symptomen is. Het is een verbonden web. Als iemand bijvoorbeeld schrijft over zich moe te voelen, voorspelde de AI dat ze ook zouden schrijven over zich slecht voelen over zichzelf.
De Metafoor: Denk aan depressiesymptomen als een mobile die van het plafond hangt. Als je één stuk duwt (moeheid), zwaait de hele structuur op een specifieke, voorspelbare manier. De AI gokte niet alleen het antwoord; hij begreep de vorm van de mobile. Als de AI de vorm verkeerd had, kon hij de antwoorden niet correct voorspellen. Dit bewees dat de AI daadwerkelijk de onderliggende "structuur" van de stemming van de persoon vastlegde, en niet alleen woorden uit het hoofd leerde.

Studie 2: De "Stemmingsweer"-Test

De Opzet:
Als je stemming een "blauwdruk" is, verandert hij dan wanneer de omgeving verandert? De onderzoekers wilden dit testen.

Ze vroegen deelnemers om "dagboekaantekeningen" voor te lezen. Sommige aantekeningen waren erg verdrietig (zoals iemand die een vreselijke dag beschrijft), en sommige waren erg blij (zoals iemand die een geweldige dag beschrijft).
De deelnemers moesten deze "spelen" door hun eigen dagboekaantekeningen in dezelfde stijl te typen.
Vervolgens moesten ze hun eigen gevoelens opnieuw evalueren.

De Bevindingen:

De Stemmingsverschuiving: Wanneer mensen naar de verdrietige verhalen luisterden en in die stijl schreven, werden hun eigen zelfgerapporteerde stemming en herinneringen negatiever. Wanneer ze naar blijde verhalen luisterden, werden ze positiever.
De AI als Tracker: De onderzoekers gebruikten de AI om de "ernst" van de verhalen die de deelnemers tijdens het experiment schreven, te meten.
Het Resultaat: De AI detecteerde de verandering in de interne "blauwdruk" van de deelnemers direct. Hoe dieper een deelnemer in de rol ging (hoe meer hij de stijl van het verdrietige of blijde verhaal nabootste), hoe meer hun eigen stemming verschuifde.
De Metafoor: Denk aan de stemmingsblauwdruk als een rivierstroom. Als je een blad (een persoon) in een snelle, donkere stroom (verdrietige verhalen) gooit, wordt het blad die kant op meegevoerd. De AI kon precies meten hoe snel het blad bewoog en in welke richting, wat bewees dat de "stroom" van het verhaal de "stroom" van het verstand van de persoon veranderde.

Wat Betekent Dit? (Volgens het Artikel)

Het artikel betoogt dat onze emoties werken als een rekenkundige toestand.

Beperking: Je stemming beperkt waar je aan denkt. Als je verdrietig bent, verengt je brein zijn focus tot verdrietige dingen, net als een schijnwerper die alleen op donkere hoeken schijnt.
Gevoeligheid: Je stemming is gevoelig voor nieuwe informatie. Als je een verdrietig verhaal hoort, verschuift je "schijnwerper" om dat verhaal te matchen.

De onderzoekers ontdekten dat AI-modellen verrassend goed zijn in het zien van deze schijnwerper. Omdat AI-modellen zijn getraind om het volgende woord in een zin te voorspellen op basis van context, leren ze op natuurlijke wijze na te bootsen hoe menselijke stemmingen onze gedachten beperken.

Samenvatting

Het Probleem: We begrijpen niet volledig hoe onze gevoelens onze gedachten en woorden vormen.
De Oplossing: Gebruik AI om onze vrije schrijfsels te lezen en de verborgen "vorm" van onze depressie in kaart te brengen.
De Ontdekking: De AI voorspelde met succes standaard depressiescores uit vrij schrijven en toonde aan dat depressie een specifieke, consistente structuur heeft (zoals een mobile).
De Dynamiek: Wanneer we de verhalen die we onszelf vertellen (of luisteren) veranderen, verschuift onze interne "stemmingsblauwdruk", en de AI kan die verschuiving in real-time meten.

Het artikel concludeert dat we door emoties te behandelen als "rekenkundige toestanden" die taal beperken, AI kunnen gebruiken om de mechanica van menselijke gevoelens te kwantificeren en te begrijpen, specifiek in de context van depressie.

Technische Samenvatting: Interne narratieven parametriseren affectieve toestanden

Probleemstelling

De mapping tussen interne narratieven (geformuleerde gedachten en gevoelens) en onderliggende affectieve toestanden, met name in de context van depressie, blijft slecht begrepen. Hoewel psychologische beoordelingen sterk vertrouwen op verbale beschrijvingen om de mentale gezondheid te meten, is de structurele en dynamische relatie tussen deze narratieven en de latente geometrie van affectieve stoornissen niet goed gekwantificeerd. Eerdere studies hebben aangetoond dat affectieve toestanden aandacht, geheugen en taalgebruik beïnvloeden, en dat stemmingen kunnen worden beschouwd als computationele toestanden die gedrag beperken. Er ontbreekt echter een raamwerk dat affectieve toestanden behandelt als computationele entiteiten die kunnen worden geparametriserd door de structuur van interne narratieven. Dit artikel adresseert de vraag: Kunnen Large Language Models (LLM's), die functioneren door context-consistente tokenvoorspelling te maximaliseren, dienen als een computationele proxy om de latente structuur en dynamiek van menselijke affectieve toestanden te kwantificeren en voorspellen?

Methodologie

De auteurs voerden twee grootschalige studies uit (totaal $N=1257$ ) waarbij gebruik werd gemaakt van open-ended verbalisaties van depressieve symptomen en representaties van large language models om drie hypothesen te toetsen.

Studie 1: Structurele Parametrisatie

Deelnemers: $N=704$ vloeiende Engelstaligen met variërende graden van depressiviteit.
Procedure: Deelnemers beantwoordden acht open-ended vragen afgeleid van de PHQ-9 (Patient Health Questionnaire) over specifieke depressieve symptomen (bijv. stemming, energie, slaap). Vervolgens voltooiden ze standaard meerkeuzevragenlijsten: PHQ-9, GAD-7 (angst) en SDS (Self-rating Depression Scale).
LLM-analyse:
- Voorspelling: De auteurs construeerden prompts die de open-ended reactie van een deelnemer bevatten en vroegen diverse LLM's (Gemma2 2B/9B, Llama-3.1/3.2, Mistral-7B) om het corresponderende meerkeuze-label (A-D) te voorspellen via logit-sampling.
- Latente Structuur: Om te toetsen of LLM's de covariantie van symptomen vangen (de latente geometrie), vergeleken de auteurs de paarwijze itemcorrelaties van de ground-truth vragenlijsten met de correlaties die door de LLM's werden voorspeld op basis van open-ended inputs.
- Sparse Auto-Encoder (sSAE): Een supervised sparse auto-encoder werd getraind op de verborgen toestanden van de LLM (gemiddeld over de open-ended reacties) om met z-score omgezette PHQ-9-scores te voorspellen. Dit maakte de extractie van een "depressiesymptoomsubruimte" mogelijk.
- Perturbatie: De auteurs pertubeerden de latente sSAE-representaties in specifieke richtingen (verhoging of verlaging van symptoomernst) en observeerden de resulterende verschuivingen in de door de LLM gesamplede meerkeuze-antwoorden om gevoeligheid te toetsen.

Studie 2: Temporele Dynamiek en Contextuele Gevoeligheid

Deelnemers: $N=553$ deelnemers.
Procedure: Deelnemers ondergingen een stemminginductieprotocol met emotioneel opwekkende "dagboekaantekeningen" (die extreme hoge of lage stemmingen vertegenwoordigden).
- Taak: Deelnemers luisterden naar deze dagboekaantekeningen en herschiepen ze, waarna ze nieuwe vervolgen schreven. Een subset (autobiografisch) werd gevraagd om vergelijkbare levensgebeurtenissen op te halen, terwijl de andere (niet-autobiografisch) een personage uitbeeldde.
- Maten: Baseline en follow-up beoordelingen omvatten momentane stemming (Visual Analogue Scale), herinnering aan emotionele woorden (sentimentanalyse) en open-ended herbeoordelingen van stemming/energie.
Analyse: De auteurs gebruikten het in Studie 1 getrainde sSAE-model om de ernst van het symptoom "Zich neerslachtig, depressief of hopeloos voelen" te kwantificeren in de vervolg-dagboekaantekeningen van de deelnemers. Ze analyseerden hoe veranderingen in deze interne narratieven correleerden met veranderingen in zelfgerapporteerde affectieve maten.

Belangrijkste Resultaten

1. Voorspelling van Zelfgerapporteerde Scores

De LLM's slaagden erin om standaard meerkeuze-depressiescores te voorspellen op basis uitsluitend van open-ended verbalisaties.

Correlatie: Het best presterende model (Gemma2 9B) toonde matige tot hoge correlaties ( $r = 0,56 - 0,78$ ) tussen voorspelde en ground-truth scores over alle acht symptoomitems. Deze prestatie is vergelijkbaar met de test-hertest-reliabiliteit van de PHQ-9 zelf.
Bias: Er werd een systematische bias waargenomen waarbij het model de ernst overschatte voor reacties "zonder symptoom" en onderschatte voor reacties met hoge ernst, waarschijnlijk vanwege het ontbreken van expliciete ontkenning in open-ended tekst.

2. Herstel van Latente Symptoomstructuur

De studie toonde aan dat LLM-representaties de onderliggende covariantiestructuur van depressie vangen.

Correlatiematrices: De door de LLM's voorspelde paarwijze itemcorrelaties op basis van open-ended inputs kwamen nauw overeen met de ground-truth correlatiematrices van de PHQ-9, GAD-7 en SDS.
Structurele Similariteit: Maten waaronder Singular Value Decomposition (SVD)-bases en projectiemaatstaven bevestigden dat de door de LLM afgeleide structuren overeenstemden met de ground-truth latente geometrie. Slechter presterende modellen faalden in het vangen van deze structuur, wat suggereert dat het vangen van het covariantiepatroon essentieel is voor constructvaliditeit.

3. Latente Perturbatie en Gevoeligheid

De sSAE-latente ruimte bleek gevoelig voor specifieke perturbaties.

Sturing: Door de verborgen staatrepresentaties in de richting van specifieke symptomen te pertuberen (bijv. "hopeloosheid" verhogen), slaagden de auteurs erin om de door de LLM gesamplede reacties te sturen naar hogere of lagere ernstscores.
Effectgrootte: Significante Cohen's $d$ effectgroottes werden waargenomen voor de meeste items, wat bevestigt dat de latente ruimte een betekenisvolle, manipuleerbare representatie van symptoomernst bevat.

4. Dynamiek en Contextuele Gevoeligheid

Studie 2 bevestigde dat affectieve toestanden gevoelig zijn voor contextuele veranderingen en dat deze veranderingen worden weerspiegeld in interne narratieven.

Inductiesucces: Stemmingsinductie veranderde succesvol momentane stemming, sentiment van woordherinnering en zelfgerapporteerde symptoomernst.
Narratief Tracking: De ernst van de vervolg-dagboekaantekeningen, zoals gekwantificeerd door de sSAE, voorspelde de omvang van de affectieve verandering.
Adherentie: De mate waarin deelnemers adhereerden aan de emotionele toon van de interventie (gelijkheid van hun tekst met de geïnduceerde staat) voorspelde de omvang van de stemmingverandering.
Baseline Voorspelling: De baseline ernst van het interne narratief van een deelnemer voorspelde de omvang van hun daaropvolgende affectieve verandering, wat de hypothese ondersteunt dat affectieve toestanden de ruimte van mogelijke gedachten beperken.

Betekenis en Claims

Het artikel claimt een computationeel raamwerk te bieden voor het begrijpen van menselijke affectieve toestanden door parallellen te trekken tussen de functie van affect en de mechanica van transformer-gebaseerde LLM's.

Affectieve Toestanden als Computationele Beperkingen: De auteurs betogen dat affectieve toestanden functioneren om temporale en contextuele consistentie te maximaliseren, waardoor de ruimte van mogelijke taalreacties wordt beperkt. Dit sluit aan bij hoe LLM's de volgende-tokenvoorspelling maximaliseren gegeven de context.
Kwantificering van Latente Geometrie: De studie toont aan dat interne narratieven, wanneer gekwantificeerd via LLM-representaties, de latente geometrie van depressie vangen. Dit suggereert dat de "structuur" van een stoornis niet slechts een statistisch artefact van vragenlijsten is, maar ingebed zit in de semantische relaties van hoe individuen hun ervaringen verwoorden.
Therapeutische Implicaties: De mogelijkheid om affectieve toestanden en hun dynamiek te kwantificeren biedt een potentieel hulpmiddel voor:
- Beoordeling: Het meten van depressie-ernst vanuit elke vrije-tekstbron.
- Therapie Monitoring: Het volgen van het proces en de uitkomsten van verbale rijke psychologische therapieën.
- Precisiepsychiatrie: Het identificeren van individuele componenten van psychologische verandering om gerichte interventies te ontwerpen.
Meta-Learning Parallel: Het artikel stelt dat LLM's, getraind op enorme hoeveelheden menselijke tekst, de input-output-afhankelijkheden van menselijke affectieve toestanden (bijv. laag zelfwaardering die voorafgaat aan hopeloosheid) hebben meta-geleerd. Deze emergente parallel stelt LLM's in staat als een sonde te fungeren voor menselijk meta-redeneren en het "onoplosbare probleem" van het beslissen waarover men moet denken.

De auteurs blijven bescheiden, met aandacht voor beperkingen zoals de specifieke focus op depressie (PHQ-9), de potentiële variabiliteit in de kwaliteit van open-ended reacties, en de noodzaak van validatie over diverse populaties en andere mentale gezondheidsyndromen. Zij claimen niet om de klinische diagnose te vervangen, maar bieden eerder een schaalbare, computationele methode om de dynamiek van affectieve toestanden te parametriseren en te begrijpen.