💬 NLP

Do language models accommodate their users? A study of linguistic convergence

Dit onderzoek toont aan dat taalmodellen sterk convergeren naar de stijl van hun gebruikers, vaak meer dan mensen, waarbij instructie-getrainde en grotere modellen echter minder convergeren dan hun kleinere en voorgetrainde tegenhangers.

Oorspronkelijke auteurs: Terra Blevins, Susanne Schmalwieser, Benjamin Roth

Gepubliceerd 2026-02-13

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Terra Blevins, Susanne Schmalwieser, Benjamin Roth

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

De Spiegel van de Machine: Hoe Taalmodellen zich aanpassen aan ons

Stel je voor dat je op een feestje bent. Als je met iemand praat die heel formeel klinkt, begin jij misschien ook wat stijver te praten. Als je met een vriendin lacht en grapjes maakt, ga jij ook grappiger doen. Dit noemen mensen in de psychologie en taalkunde "linguïstische convergentie": we passen onze taal aan die van onze gesprekspartner aan om dichter bij elkaar te komen.

De vraag die deze onderzoekers zich stelden, is simpel maar diep: Doen computers dat ook? Als je praat met een slimme chatbot (zoals een AI), past die machine dan zijn "stem" aan aan jouw stijl?

Hier is wat ze ontdekten, vertaald in een verhaal:

1. De Experimenten: De Chatbot als Nieuwe Gast

De onderzoekers namen bestaande gesprekken (uit films, radio-interviews en dagelijkse chatjes) en vervingen één van de mensen door een computer. Ze gaven de computer de eerste paar zinnen van het gesprek en vroegen: "Ga nu verder alsof jij die persoon bent."

Vervolgens keken ze heel nauwkeurig naar hoe de computer antwoordde. Klonk hij als de persoon voor hem? Gebruikte hij dezelfde lengte zinnen? Dezelfde woorden? Dezelfde uitdrukkingen?

2. Het Grote Resultaat: De Computer is een Te Goede Spiegeleend

Het nieuws is tweeledig:

Ja, ze passen zich aan: De computers doen het ongelooflijk goed. Ze pikken de stijl van de gesprekspartner op en imiteren die. Ze zijn vaak zelfs beter in het aanpassen dan de echte mensen in de oorspronkelijke gesprekken.
Maar ze doen het "te" goed: Hier zit de twist. Terwijl mensen zich natuurlijk aanpassen, gaan de computers soms overdreven mee. Ze zijn als een spiegeleend die niet alleen je kleding overneemt, maar ook je gebaren, je stemgeluid en zelfs je ademhaling, tot het punt dat het onnatuurlijk wordt.

3. De Verschillen: De "Leerling" vs. De "Meester"

De onderzoekers keken naar verschillende soorten computers (kleine en grote modellen, en modellen die specifiek zijn getraind om te luisteren en te helpen).

De "Oude" Modellen (Pre-trained): Deze zijn als een student die alles heeft gelezen maar nog niet veel praktijkervaring heeft. Ze passen zich extreem aan. Ze kopiëren bijna letterlijk wat je zegt. Als jij een woord gebruikt, gebruiken ze dat woord ook, alsof ze een parrot zijn.
De "Moderne" Modellen (Instruction-tuned): Dit zijn de slimme chatbots die we nu gebruiken (zoals de nieuwste versies van Llama of Gemma). Ze zijn getraind om nuttig te zijn. Deze modellen passen zich minder aan dan de oude versies. Ze gedragen zich meer als een mens: ze luisteren, maar ze blijven ook een beetje zichzelf. Ze kopiëren niet blindelings.

4. De "Nieuwste" Versus "Oude" Woorden

Een interessante ontdekking was hoe ze omgaan met specifieke details, zoals namen of specifieke woorden:

Als je een naam noemt (bijvoorbeeld "Jan"), gebruikt de computer die naam vaak direct in zijn antwoord. Dit is een soort recency bias (een voorkeur voor het allerlaatste wat je hoorde). Het is alsof de computer zegt: "Ah, je noemde Jan? Dan noem ik Jan ook!"
Mensen doen dit ook, maar de computer doet het soms met een mechanische precisie die net iets te perfect is.

5. Waarom is dit belangrijk? (De Gevaarlijke Spiegel)

Waarom maakt dit uit?
Stel je voor dat je met een chatbot praat en hij praat precies zoals jij. Hij gebruikt je zinsbouw, je woorden en je toon. Je voelt je begrepen. Dat voelt goed! Maar hier zit een valkuil:

Vertrouwen: Omdat de computer zich zo goed aanpast, gaan mensen hem sneller vertrouwen. Ze denken: "Hij is zo menselijk, hij moet wel gelijk hebben."
De Illusie: De reden waarom de computer zich aanpast, is niet omdat hij empathie voelt of een sociaal doel heeft (zoals mensen). Hij doet het omdat hij getraind is om patronen te herkennen en te voorspellen. Het is een technische truc, geen menselijk gevoel.

Conclusie: Een Kunstmatige Dans

Deze studie laat zien dat taalmodellen uitstekende danspartners zijn. Ze kunnen perfect meedraaien in de dans van het gesprek en hun pasjes aanpassen aan die van jou. Soms zelfs beter dan mensen.

Maar het is een kunstmatige dans. De computer doet het niet omdat hij je aardig vindt, maar omdat zijn programmeercode zegt: "Pas je aan aan de input."

De les voor ons: We moeten beseffen dat als een chatbot zich precies aanpast aan onze stijl, het niet per se betekent dat hij "menselijk" is of dat we hem blindelings moeten vertrouwen. Het is een slimme spiegel, maar een spiegel die soms te veel van zichzelf laat zien.

Probleemstelling

Grote Taalmodellen (LLMs) worden algemeen beschouwd als bekwaam in het genereren van taal, maar de mate waarin hun taalgebruik overeenkomt met dat van mensen, en specifiek of ze linguïstische convergentie vertonen, is onderbelicht. Linguïstische convergentie is een kernpragmatisch element van menselijke communicatie waarbij sprekers hun stijl aanpassen aan die van hun gesprekspartner (accommodatie). De onderzoeksvraag luidt: passen LLM-chatbots hun taalgebruik aan om die van hun gebruikers te spiegelen, en volgt dit gedrag dezelfde patronen als menselijke accommodatie, of vertoont het afwijkende mechanismen?

Methodologie

De auteurs hebben een systematische analyse uitgevoerd om convergentie in LLM's te testen door modelgeneraties te vergelijken met menselijke antwoorden in bestaande dialogen.

Data-Generatie:
- Drie Engelstalige dialogue-corpora werden gebruikt: DailyDialog (dagelijkse gesprekken), NPR (radio-interviews) en Movie Corpus (filmscripten).
- De modellen kregen de eerste vijf wisselingen van een dialoog als context. Vervolgens werd het model gevraagd om de rol van de tweede spreker ( $S_y$ ) over te nemen en de resterende wisselingen in de dialoog te genereren, waarbij de oorspronkelijke menselijke tekst werd vervangen.
- Dit creëert een synthetisch paradigma dat direct vergelijkbaar is met menselijke antwoorden in dezelfde context.
Modellen:
- Er werden 16 open-source modellen getest uit twee families: Gemma 3 (1B, 4B, 12B, 27B parameters) en Llama 3 (1B, 3B, 8B, 70B parameters).
- Voor elk model werden zowel de pretrained als de instruction-tuned versies geëvalueerd.
Analyse en Metrieken:
De convergentie werd gemeten aan de hand van vier stylometrische kenmerken, vergeleken met twee baselines: een menselijke baseline (de originele tekst) en een willekeurige baseline (willekeurige zinnen uit het dataset).
1. Uitingslengte (Utterance Length): Gemeten met de symmetrische LSM-metriek.
2. LIWC-Overeenstemming: Frequentie van functionele woordklassen (bijv. voornaamwoorden, voorzetsels) volgens de LIWC 2007-categorieën.
3. PROPN Overlap: Het percentage overlap van eigennamen tussen de generatie en de vorige wisseling.
4. Token Nieuwigheid (Token Novelty): Het percentage unieke tokens; een lagere waarde duidt op sterkere lexicale alignering.

Belangrijkste Bijdragen

Nieuw Paradigma: Ontwikkeling van een synthetisch experimenteel kader om modelgedrag te testen met een gekoppelde menselijke controlegroep, specifiek gericht op linguïstische convergentie.
Kwantitatieve Analyse: Een uitgebreide kwantificering van hoe LLM's convergeren naar de stijl van hun context, met inzicht in hoe factoren zoals modelgrootte en trainingsschema's dit fenomeen beïnvloeden.
Insight in Mechanismen: Het paper onderscheidt menselijke accommodatie van modelconvergentie, wat implicaties heeft voor het interpreteren van gegenereerde tekst en het vertrouwen van gebruikers.

Resultaten

Sterke Convergentie: Modellen passen hun outputstijl sterk aan aan de context. Ze scoren significant hoger dan de willekeurige baseline op bijna alle metrieken (81-100% van de gevallen).
Overconvergentie (Overfitting): In veel gevallen convergeren modellen sterker dan mensen (de menselijke baseline). Dit is vooral zichtbaar bij pretrained modellen en op metrieken zoals uitingslengte en token-nieuwigheid.
Invloed van Training en Grootte:
- Instruction-tuned modellen convergeren over het algemeen minder dan hun pretrained tegenhangers en vertonen gedrag dat dichter bij de menselijke baseline ligt.
- Pretrained modellen vertonen vaak overconvergentie, wat suggereert dat ze de input-distributie te nauwkeurig volgen.
- Er is een klein effect van modelgrootte: grotere modellen convergeren iets minder, maar het effect is niet altijd significant.
Fijnmazige Analyse (LIWC):
- Gedrag verschilt per woordklasse. Pretrained modellen convergeren soms te sterk op zeldzame woordklassen (zoals kwantificatoren), vaak omdat ze deze klassen in het algemeen minder gebruiken.
- Instruction-tuned modellen (zoals Llama) vertonen vaak onderconvergentie op bepaalde klassen (zoals voegwoorden) door deze te veel te gebruiken, waardoor ze minder goed aansluiten bij de context.
Dataset-afhankelijkheid: Hoewel convergentie een algemeen fenomeen is, varieert de mate ervan per dataset. Bijvoorbeeld, op de NPR-dataset (interviews) passen modellen zich minder aan qua token-nieuwigheid, maar meer qua uitingslengte, waarschijnlijk vanwege de gestructureerde aard van interviews.
Tijdsafhankelijkheid: Modellen tonen een sterke "recency bias" (recentheidsbias), waarbij ze vooral convergeren naar de meest recente wisseling, maar ook onderscheid maken tussen de rollen van de sprekers in de dialoog.

Betekenis en Conclusie

De studie concludeert dat LLM's wel degelijk linguïstische convergentie vertonen, maar dat de onderliggende mechanismen waarschijnlijk fundamenteel verschillen van die van mensen.

Menselijke accommodatie wordt gedreven door sociale en communicatieve doelen (bewust of onbewust aanpassing).
Modelconvergentie wordt gedreven door het pretraining-doel (voorspellen van de volgende token op basis van input-distributie) en structuur-priming.

Implicaties:
Het feit dat modellen (vooral instruction-tuned) menselijk gedrag nabootsen, kan leiden tot een "sycophantisch" effect. Gebruikers kunnen modellen meer vertrouwen omdat ze zich aangepast voelen, zelfs als het model onbetrouwbaar is voor de specifieke taak. Het paper waarschuwt dat gelijkenis in stijl niet gelijkstaat aan gelijkenis in intentie of cognitie, en pleit voor verder onderzoek naar de oorzaken van dit gedrag en de ethische implicaties voor mens-model interacties.