🤖 AI

SparkMe: Adaptive Semi-Structured Interviewing for Qualitative Insight Discovery

Dit paper introduceert SparkMe, een multi-agent LLM-systeem dat semi-gestructureerde interviews optimaliseert door deliberatieve planning toe te passen om een evenwicht te vinden tussen het bestrijken van vooraf gedefinieerde onderwerpen en het ontdekken van emergente inzichten, wat resulteert in kwalitatief superieure en efficiëntere interviews dan bestaande benaderingen.

Oorspronkelijke auteurs: David Anugraha, Vishakh Padmakumar, Diyi Yang

Gepubliceerd 2026-02-25

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: David Anugraha, Vishakh Padmakumar, Diyi Yang

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

Stel je voor dat je een detective bent die een groot mysterie moet oplossen: Hoe verandert kunstmatige intelligentie (AI) het werk van mensen?

Om dit mysterie op te lossen, moet je veel mensen interviewen. Maar hier zit een probleem:

Als je een vragenlijst (een enquête) gebruikt, krijg je alleen saaie, vooraf bepaalde antwoorden. Het is als een meerkeuzetoets; je leert nooit iets echt nieuws.
Als je een menselijke expert (een echte detective) huurt om diepgravende gesprekken te voeren, is het heel duur en tijdrovend. Je kunt maar met een paar mensen tegelijk praten.

De auteurs van dit papier, SparkMe, hebben een slimme oplossing bedacht: een AI-interviewer die zich gedraagt als een echte, slimme detective. Ze noemen hun systeem "SparkMe".

Hier is hoe het werkt, vertaald in een simpel verhaal:

1. Het Probleem: De "Strenge Leraar" vs. de "Nieuwsgierige Vriend"

De meeste AI's die nu interviews doen, zijn als een strenge leraar. Ze hebben een strak rooster (een "topic guide") en moeten elk vakje op dat rooster afvinken.

Voorbeeld: "Heb je AI gebruikt? Ja/Nee. Welke tool? A, B of C."
Het nadeel: Als de persoon zegt: "Eigenlijk gebruik ik AI om mijn dromen te analyseren," negeert de strenge leraar dit omdat het niet op het rooster staat. Ze missen de echte, spannende verhalen.

Anderzijds zijn sommige AI's te losjes en verdwalen ze in de conversatie, waardoor ze de belangrijkste onderwerpen vergeten.

2. De Oplossing: SparkMe, de "Strategische Detective"

SparkMe is anders. Het is een multi-agent systeem. Dat betekent dat het niet één robot is, maar een team van drie slimme helpers die samenwerken:

De Interviewer (De Stem): Dit is de persoon die de vragen stelt. Hij/zij zorgt voor een natuurlijk gesprek.
De Agenda-manager (De Notulist): Deze houdt bij wat er al is besproken. Hij zegt: "Oké, we hebben het gehad over 'werkstress', dat is afgevinkt. Laten we naar het volgende punt gaan."
De Ontdekkingsplanner (De Strategist): Dit is het magische deel! Deze agent is als een schaken-speler die 3 zetten vooruit denkt.

3. Hoe de "Strategist" werkt: Het Voorspellen van de Toekomst

Stel je voor dat je een gesprek voert en de persoon zegt: "Soms maak ik fouten met AI, maar die fouten helpen me om creatiever na te denken."

Een normale AI zou misschien zeggen: "Oké, laten we doorgaan naar het volgende punt."
Maar SparkMe's Strategist denkt: "Wacht even! Dit is interessant. Laten we niet doorgaan, maar dit idee uitdiepen."

Hoe doet hij dat?

Simulatie: De Strategist denkt in zijn hoofd: "Wat als ik nu vraag: 'Kun je een voorbeeld geven van zo'n creatieve fout?' Wat zou het antwoord dan zijn? En wat als ik daarna vraag: 'Hoe beïnvloedt dat je team?'..."
Rekenen: Hij simuleert dit gesprek in zijn hoofd (een "roll-out") en rekent uit: "Als ik deze weg kies, krijg ik waardevolle nieuwe inzichten (een 'emergent theme'), maar het kost misschien 2 minuten extra tijd."
De Beslissing: Hij vergelijkt dit met de andere optie (gewoon doorgaan met het rooster). Als de nieuwe inzichten het waard zijn, zegt hij tegen de Interviewer: "Stel die vraag! We gaan een nieuw, spannend pad verkennen."

4. Het Resultaat: De Gouden Middenweg

SparkMe probeert een perfecte balans te vinden tussen drie dingen:

Het Rooster: Zorg dat we alle belangrijke onderwerpen hebben besproken (zoals een checklist).
De Ontdekking: Zorg dat we de onverwachte, gouden verhalen vinden die de persoon zelf inbrengt (zoals een schat die je niet zocht, maar wel vond).
De Kosten: Zorg dat het gesprek niet te lang duurt, zodat de persoon niet moe wordt.

Waarom is dit belangrijk?

In de test met 70 echte mensen (artsen, leraren, ingenieurs, etc.) bleek dat SparkMe:

Sneller was dan andere AI-systemen.
Beter was in het vinden van de standaard onderwerpen.
Veel meer nieuwe inzichten vond die de andere systemen misten.

Kortom: SparkMe is niet zomaar een chatbot die vragen afvinkt. Het is een slimme gesprekspartner die weet wanneer hij moet volgen en wanneer hij moet duiken in iets nieuws, net als een ervaren menselijke onderzoeker. Hierdoor kunnen bedrijven en onderzoekers nu op grote schaal diepgaande gesprekken voeren zonder dat ze duizenden mensen moeten inhuren.

Het is alsof je een detective hebt die niet alleen de lijst afvinkt, maar ook de geheime gangen in het huis ontdekt die op de plattegrond niet stonden.

Titel: SparkMe: Adaptief Semi-gestructureerd Interviewen voor Kwalitatieve Inzichtontdekking

Auteurs: David Anugraha, Vishakh Padmakumar, Diyi Yang (Stanford University)
Datum: 25 februari 2026

1. Het Probleem

Kwalitatieve inzichten uit gebruikerservaringen zijn cruciaal voor product- en beleidsbeslissingen. Het verzamelen van deze data op grote schaal wordt echter beperkt door de beschikbaarheid en tijd van experts die semi-gestructureerde interviews kunnen uitvoeren.
Hoewel er recent werk is gedaan om Large Language Models (LLMs) te gebruiken voor geautomatiseerd interviewen, hebben bestaande systemen een fundamenteel tekort:

Ze missen een gestructureerd mechanisme om de balans te vinden tussen het systematisch dekken van vooraf gedefinieerde onderwerpen (een "interview topic guide") en het adaptief verkennen van emergente (ontstaande) thema's die tijdens het gesprek naar voren komen.
Bestaande systemen vertrouwen vaak alleen op prompt-engineering, wat niet voldoende is om de afweging tussen "dekking" en "exploratie" optimaal te balanceren.
Er is geen expliciete optimalisatie voor het volgen van follow-upvragen of het dieper ingaan op onverwachte antwoorden zonder de interviewde onnodig te belasten.

2. Methodologie

De auteurs formuleren semi-gestructureerd interviewen als een optimalisatieprobleem en introduceren SparkMe, een multi-agent systeem dat dit probleem oplost.

A. Formuleren van het Doel (Utility Function)

Het interview wordt gezien als een zoektocht naar een vraagreeks $Q$ die de verwachte "nut" (utility) maximaliseert. De nut-functie $U$ is een afweging van drie factoren:

Dekking van vooraf gedefinieerde subonderwerpen ( $C$ ): Het systematisch dekken van de onderwerpen uit de interviewgids.
Ontdekking van emergente subonderwerpen ( $E$ ): Het identificeren en verkennen van nieuwe, relevante thema's die door de deelnemer worden geïntroduceerd maar niet in de oorspronkelijke gids stonden.
Kosten ( $L$ ): De last voor de deelnemer, gemeten aan de hand van het aantal vragen of de lengte van het interview (om vermoeidheid te voorkomen).

De formule luidt:
$U(Q,R,S) = \alpha \cdot C(R|Q,S) - \beta \cdot L(Q) + \gamma \cdot E(R|Q)$
Waarbij $\alpha, \beta, \gamma$ gewichten zijn die door de onderzoeker kunnen worden aangepast afhankelijk van het doel (bijv. meer exploratie vs. strikte dekking).

B. SparkMe Architectuur

SparkMe maakt gebruik van een multi-agent architectuur die gebaseerd is op dual-process theorieën (snel reageren vs. deliberatief plannen). Het systeem bestaat uit drie agenten:

InterviewerAgent (IA): Voert het gesprek op turn-niveau. Deze agent kiest dynamisch tussen drie acties:
- Diepte zoeken (Probe): Follow-up vragen stellen op het huidige onderwerp.
- Emergentie verkennen (Explore): Follow-up stellen op onverwachte, maar relevante inhoud.
- Overstappen (Transition): Naar een nieuw, onbedekt onderwerp gaan als het huidige voldoende is behandeld.
AgendaManager (AM): Werkt synchroon met de IA. Deze agent houdt een gedeelde "Interview Agenda" bij, noteert belangrijke informatie, schat de dekking van subonderwerpen in (gebruikmakend van een STAR-framework: Situation, Task, Action, Result) en vat samenvattingen samen om de context te beheren.
ExplorationPlanner (EP): Werkt asynchroon elke $k$ beurten. Dit is het kerninnovatieve onderdeel. De EP:
- Simuleert conversation rollouts (toekomstige gesprekstrajecten) om de verwachte nut-gewinst te schatten.
- Voorspelt hoe een deelnemer zou reageren op verschillende mogelijke vragen.
- Berekent de verwachte toename in nut ( $\Delta U$ ) voor verschillende strategieën.
- Identificeert potentiële emergente subonderwerpen die niet in de oorspronkelijke gids staan en stelt deze voor aan de IA om te prioriteren.

3. Belangrijkste Bijdragen

Een gestructureerd optimalisatiekader: De auteurs definiëren een aanpasbaar doel voor semi-gestructureerd interviewen dat dekking, exploratie en kosten expliciet kwantificeert.
SparkMe Systeem: Een open-source multi-agent interviewer die deliberatief plannen toepast via gesimuleerde rollouts om adaptief te navigeren in de afweging tussen gids-dekking en emergente ontdekking.
Uitgebreide Evaluatie:
- Automatische benchmark: Vergelijking met bestaande systemen (zoals StorySage, MimiTalk, Interview-GPT) met gesimuleerde gebruikersagenten.
- Menselijke validatie: Een user study met 70 deelnemers uit 7 verschillende beroepen (o.a. onderzoekers, software-engineers, HR) om de kwaliteit van de inzichten te valideren.

4. Resultaten

Automatische Evaluatie (Met User Agents)

Dekking en Nut: SparkMe presteerde significant beter dan alle baselines. Het bereikte een gemiddelde dekking van 0,977 binnen 38 beurten (tegenover 0,643 - 0,930 voor de baselines).
Emergentie: SparkMe was het enige systeem dat succesvol emergente subonderwerpen ontdekte en deze dekte. Baselines zoals StorySage en MimiTalk hadden 0 gedekte emergente onderwerpen in de evaluatie.
Efficiëntie: SparkMe bereikte een hogere totale nut-score (1,017) dan de beste baseline (MimiTalk: 0,882), terwijl het minder conversatiebeurten nodig had.
Kwaliteit: De vragen van SparkMe waren leesbaar (Flesch-Kincaid niveau) en behielden een hoge coherentie, wat aantoont dat de complexiteit van het plannen de conversatieflow niet schaadt.

Menselijke Evaluatie (User Study met 70 Deelnemers)

Inhoudskwaliteit: Deelnemers beoordeelden SparkMe significant hoger dan MimiTalk op dekking (4,37 vs 3,14), diepte (4,06 vs 3,09) en correctheid (4,23 vs 3,46).
Interactie: SparkMe werd als even comfortabel en aanpasbaar ervaren als MimiTalk, maar met een duidelijk hogere duidelijkheid in de vragen.
Waarde van Inzichten: Peer-validatie (collega's uit hetzelfde vakgebied) bevestigde dat SparkMe relevante en waardevolle emergente inzichten opleverde die niet in de vooraf gedefinieerde gids stonden. Voorbeelden waren specifieke organisatorische veiligheidsmaatregelen voor AI en de impact van AI op informele sociale normen. MimiTalk leverde geen emergente inzichten op.

5. Betekenis en Conclusie

Dit werk is significant omdat het de kloof overbrugt tussen het strakke, gestructureerde verzamelen van data en de noodzaak van flexibele, kwalitatieve exploratie in interviews.

Methodologische doorbraak: Het introduceert een principieel kader (utility-optimisatie) voor semi-gestructureerd interviewen, in plaats van te vertrouwen op vage prompt-instructies.
Praktische toepassing: SparkMe kan onderzoekers helpen om op schaal kwalitatieve data te verzamelen zonder de kwaliteit van menselijke experts te verliezen, en zelfs inzichten te genereren die door menselijke interviewers misschien over het hoofd worden gezien door hun vooroordelen of beperkte aandacht.
Toekomst: De auteurs maken SparkMe open-source beschikbaar, wat onderzoekers in staat stelt het systeem aan te passen aan nieuwe domeinen. Het werk suggereert ook dat dit nut-functie-kader gebruikt kan worden om LLM-interviewers direct te trainen via reinforcement learning.

Kortom, SparkMe bewijst dat door deliberatief plannen en het expliciet optimaliseren van de afweging tussen "wat we zoeken" en "wat we vinden", AI-gestuurde interviews niet alleen efficiënter kunnen zijn, maar ook diepere en waardevollere inzichten kunnen opleveren dan bestaande methoden.