💬 NLP

From Chatbots to Confidants: A Cross-Cultural Study of LLM Adoption for Emotional Support

Deze studie presenteert de eerste grootschalige interculturele analyse van de adoptie van grote taalmodellen voor emotionele ondersteuning in zeven landen, waarbij aanzienlijke variaties in gebruikspercentages en percepties worden blootgelegd die worden aangedreven door demografische factoren en culturele context, en waarbij tegelijkertijd de uiteenlopende emotionele behoeften worden benadrukt die gebruikers trachten aan te pakken via deze systemen.

Oorspronkelijke auteurs: Natalia Amat-Lefort, Mert Yazan, Amanda Cercas Curry, Flor Miriam Plaza-del-Arco

Gepubliceerd 2026-04-29

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Natalia Amat-Lefort, Mert Yazan, Amanda Cercas Curry, Flor Miriam Plaza-del-Arco

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 Plaatje: Het Digitale "Oor"

Stel je een zeer slimme, altijd beschikbare vriend voor die je nooit oordeelt, nooit moe wordt en 24/7 gratis met je kunt praten. Dat is in wezen waar deze studie over gaat: mensen die AI-chatbots (zoals ChatGPT) niet alleen gebruiken om e-mails te schrijven of wiskundeproblemen op te lossen, maar om hun hart te luchten, zich minder eenzaam te voelen en hun emoties te verwerken.

De onderzoekers wilden weten: Wie praat er met deze digitale vrienden, en waarom houden sommige landen van hen terwijl anderen sceptisch zijn?

Om dit uit te vinden, vroegen ze 4.641 mensen uit zeven verschillende landen (de VS, het VK, Duitsland, Frankrijk, Spanje, Italië en Nederland) naar hun ervaringen. Ze keken ook naar 731 echte berichten die mensen naar deze bots stuurden.

1. De "Wie": Wie gebruikt deze bots?

De studie leerde dat niet iedereen even waarschijnlijk een AI raadpleegt voor een hartje-tot-hartje-gesprek. Het is als een club waar het lidmaatschap afhangt van je levenssituatie.

De "Sweet Spot" Demografie: De mensen die het meest waarschijnlijk deze bots gebruiken, zijn 25–44 jaar, getrouwd, religieus en welvarend (of voelen dat ze een hoge sociale status hebben).
- Analogie: Denk eraan als een high-end koffiezaak. De mensen die het vaakst daar naartoe gaan, zijn niet de tieners die op de hoek hangen of de ouderen die liever thuis thee drinken; het zijn de drukke, gevestigde volwassenen die het geld en de tijd hebben om even te gaan zitten en te kletsen.
De "Niet-Gebruikers": Mensen die ouder zijn (65+), alleenstaand, minder onderwijs hebben of een lager inkomen, gebruiken deze bots veel minder vaak voor emotionele steun.
De Genderkloof: Interessant genoeg maakte geslacht niet veel verschil in wie ze gebruikte, maar het had wel een kleine invloed op hoe zeer ze het privacybeleid van de bot vertrouwden.

2. De "Waar": Het Grote Culturele Klieven

Dit is het meest verrassende deel van de studie. De onderzoekers ontdekten een enorme splitsing in hoe mensen tegen AI aankijken, afhankelijk van waar ze wonen.

De "Anglosfeer" (VK & VS): Mensen hier zijn de enthousiastelingen. Ze vertrouwen de bots, zien enorme voordelen en gebruiken ze frequent.
- Analogie: In de VS en het VK behandelen mensen AI als een nieuwe, spannende sportschoolabonnement. Ze zijn enthousiast om het uit te proberen, in de overtuiging dat het hen zal helpen fit te worden (mentaal).
Continentaal Europa (Duitsland, Frankrijk, Spanje, Italië, Nederland): Mensen hier zijn de sceptici. Ze zijn veel voorzichtiger, vertrouwen de bots minder en gebruiken ze veel minder vaak.
- Analogie: In deze landen behandelen mensen AI als een vreemde, ongelicentieerde monteur. Ze maken zich zorgen: "Gaat dit ding mijn auto repareren, of gaat het mijn gegevens stelen en de motor kapotmaken?"
Nederland: De Nederlanders waren van allemaal het meest sceptisch. Ze waren het minst geneigd de bots hun geheimen toe te vertrouwen.

Waarom het verschil?
De studie gebruikte een speciale statistische "lens" om cultuur te scheiden van demografie. Ze ontdekten dat zelfs als je een welvarende, getrouwde Amerikaan en een welvarende, getrouwde Duitser zou nemen, de Amerikaan nog steeds waarschijnlijker de bot zou vertrouwen. Cultuur telt. Het lijkt erop dat er in Engelstalige landen een meer open houding is tegenover het gebruik van technologie voor mentale gezondheid, terwijl er in delen van Europa meer zorg is over privacy en een sterkere voorkeur voor menselijke interactie.

3. De "Wat": Wat zeggen mensen eigenlijk?

De onderzoekers keken naar 731 echte berichten die mensen naar de bots stuurden. Ze ontdekten dat mensen niet alleen om grappen vragen; ze zitten in de pijn.

De Hoofdthema's:
1. Stress en Angst: "Ik ben overweldigd."
2. Relatieconflicten: "Mijn partner reageert niet op mijn berichten."
3. Eenzaamheid: "Ik heb het gevoel dat ik niet ergens bij hoor."
4. Familieproblemen: "Hoe ga ik om met mijn moeilijke broer of zus?"
5. Mentale Gezondheidsstrijd: Omgaan met depressie of rouw.
Waarom ze ze gebruiken:
- 24/7 Beschikbaarheid: De bot is er om 3 uur 's nachts, wanneer een menselijke therapeut slaapt.
- Geen Oordeel: Mensen voelen zich veilig om dingen tegen een machine te zeggen die ze te bang zijn om tegen een vriend of familielid te zeggen.
- Kosten: Het is gratis (of goedkoper dan therapie).

4. De "Vangst": Is het veilig?

Het artikel benadrukt een spanning. Mensen voelen zich veilig om met deze bots te praten omdat ze denken dat de bot een "oordeelvrije vertrouwenspersoon" is. Echter, de auteurs wijzen op een paar risico's:

Het "Valse Vriend"-Probleem: De bots zijn ontworpen om aardig te zijn. Ze zijn het vaak met je eens of proberen je te troosten, maar ze begrijpen je niet echt. Ze kunnen je te veel aanmoedigen zonder een realiteitscheck te bieden.
Privacy-Illusie: Hoewel gebruikers zich veilig voelen, worden de gegevens die ze delen niet beschermd door wetten rond "arts-patiëntgeheim". De bedrijven zijn eigenaar van de gegevens.
De "Engelse Bias": De studie merkt op dat de bots het beste werken in het Engels. Als je Nederlands, Frans of Duits spreekt, kan de bot een beetje onnatuurlijk klinken, wat kan verklaren waarom niet-Engelstaligen minder enthousiast zijn.

Samenvatting

Dit artikel is een momentopname van een nieuwe wereld waarin mensen zich tot robots wenden voor troost.

Wie? Voornamelijk jongere, welvarende, getrouwde volwassenen.
Waar? Veel populairder in de VS en het VK dan in Europa.
Waarom? Omdat ze eenzaam, gestrest zijn en iemand nodig hebben die luistert zonder te oordelen.
De Waarschuwing: Hoewel deze bots behulpzaam zijn, zijn ze geen perfecte artsen. Ze zijn als een zeer beleefde, altijd beschikbare buurman die naar je problemen luistert, maar niet echt de volledige waarheid over je leven kent of de wettelijke regels die je geheimen beschermen.

De onderzoekers concluderen dat we voorzichtig moeten zijn met hoe we deze tools bouwen en reguleren om ervoor te zorgen dat ze veilig zijn voor iedereen, niet alleen voor de mensen die al comfortabel zijn met technologie.

1. Probleemstelling

Hoewel Large Language Models (LLM's) steeds vaker worden ingezet voor instrumentele taken, neemt hun adoptie als "altijd-beschikbare, niet-oordelende vertrouwenspersonen" voor emotionele ondersteuning snel toe. Er bestaan echter aanzienlijke gaten in het empirische begrip van dit fenomeen:

Gebrek aan Populatiegegevens: Het is onduidelijk hoe gebruikelijk het gebruik van LLM's voor emotionele ondersteuning is onder het grote publiek.
Socioculturele Blinde Vlekken: Bestaand onderzoek is voornamelijk beperkt tot studies in één land (vaak VS/VK), waardoor er een gat bestaat in het begrijpen hoe culturele achtergronden en sociodemografische factoren percepties en adoptie vormgeven.
Onbekende Openbaarmakingspatronen: Er is beperkt bewijs over wat gebruikers daadwerkelijk onthullen aan deze systemen wanneer ze emotionele ondersteuning zoeken.
Vermenging van Factoren: Vorige studies slagen er vaak niet in om te ontrafelen of waargenomen verschillen in adoptie te wijten zijn aan echte culturele effecten of slechts aan artefacten van variërende demografische samenstellingen (bijv. leeftijd, opleiding, sociaaleconomische status) tussen regio's.

2. Methodologie

De auteurs voerden een grootschalige, cross-culturele kwantitatieve studie uit met een mixed-methods aanpak.

Dataverzameling:
- Steekproef: 4.641 deelnemers gerekruteerd via Qualtrics-panelen in zeven landen: VS, VK, Duitsland, Frankrijk, Spanje, Italië en Nederland.
- Steekproefstrategie: Quotasteekproeven zorgden voor een gelijke verdeling over de landen ( $N=200$ per land) en een evenwichtige geslachtsverdeling.
- Enquêteontwerp: Een vierstapsenquête die demografie, gebruikspatronen, perceptieconstructen en een optionele verzameling van open vragen behandelde.
- Kwaliteitscontrole: Strikte filters sloten bots, duplicaten, rechte lijnen en gefaalde aandachtstests uit. Voltooiingstijden werden gevalideerd tegen de mediaan.
- Vertaling: De enquête werd vertaald in zes talen (Engels, Spaans, Frans, Italiaans, Duits, Nederlands) en beoordeeld door native-speaking experts op culturele en linguïstische nauwkeurigheid.
Analytisch Kader:
- Demografische Analyse: Chi-kwadraattoetsen vergeleken gebruikers met niet-gebruikers.
- Perceptieconstructen: Drie samengestelde variabelen werden gecreëerd met behulp van 5-punts Likert-schalen:
  1. Vertrouwen & Privacy (TRU): Credibiliteit, transparantie en datasafety.
  2. Waargenomen Voordelen (BENF): Bereikbaarheid, kosteneffectiviteit en psychologische veiligheid.
  3. Gebruiksintentie & Gedrag (USE): Houding ten opzichte van gebruik en daadwerkelijke frequentie.
- Statistische Modellering: Cumulatieve Link Mixed Models (CLMM) werden ingezet om de drie constructen te voorspellen.
  - Vaste Effecten: Demografische variabelen (Leeftijd, Geslacht, Opleiding, SES, Religie, Burgerlijke Staat).
  - Willekeurige Effecten: Land (om culturele variantie te isoleren van demografische variantie).
- Prompt-analyse: 731 echte gebruikersprompts werden verzameld. Deze werden ingebed met M3-Embedding (meertalig) en Sentence-Transformer, en vervolgens geclusterd met HDBSCAN en UMAP. Thema's werden gecategoriseerd via LLM (GPT-5.2) en handmatige evaluatie.

3. Belangrijkste Bijdragen

Eerste Cross-Culturele Empirische Studie: Biedt het eerste bewijs op populatieniveau van LLM-adoptie voor emotionele ondersteuning in zeven diverse westerse naties.
Ontwarren van Cultuur versus Demografie: Gebruikt geavanceerde mixed-modellering om de effecten van culturele achtergrond te scheiden van demografische samenstelling, waardoor blijkt dat beide significante maar onderscheiden drijfveren zijn.
Corpus van Real-World Prompts: Curateert en analyseert 731 meertalige prompts, waarbij de specifieke emotionele thema's worden geïdentificeerd waar gebruikers hulp bij zoeken (bijv. eenzaamheid, trauma, relatieconflicten).
In kaart brengen van het Sociotechnische Landschap: Benadrukt de complexe wisselwerking tussen stigma rond mentale gezondheid, digitale geletterdheid, privacyzorgen en toegang tot traditionele zorg bij het vormgeven van AI-adoptie.

4. Belangrijkste Resultaten

A. Adoptiepercentages en Demografie

Variantie in Adoptie: Adoptiepercentages variëren sterk per land, van 20% (Frankrijk, Nederland) tot 59% (VK). Het gemiddelde over alle zeven landen is 28,9%.
Gebruikersprofiel: Gebruikers hebben een significant grotere kans om:
- 25–44 jaar te zijn (in tegenstelling tot niet-gebruikers die ouder zijn).
- Een hoger Sociaaleconomische Status (SES) te hebben (de sterkste voorspeller).
- Gehuwd/In een relatie te zijn.
- Religieus te zijn.
- Hoog opgeleid te zijn (MSc/PhD).
Gebruikspatronen: ChatGPT is de dominante agent (79,7%). Belangrijkste gebruiksscenario's zijn stress- en angstbeheersing (49,4%), emotionele verwerking (41,3%) en relatieondersteuning (30,2%).

B. Cross-Culturele Percepties (De "Anglosphere-scheiding")

Cultureel Effect: Zelfs na controle voor demografie bestaat er een scherpe scheiding.
- Anglosphere (VK, VS): Toont consequent positieve percepties op het gebied van Vertrouwen, Voordelen en Gebruik.
- Continentaal Europa: Toont meer sceptische of negatieve percepties.
- Nederland: Steekt uit als het meest sceptische land, met de laagste scores op alle constructen, waarschijnlijk vanwege hoge privacyzorgen en strenge normen voor gegevensbescherming.
Statistische Significantie: Het VK en de VS vormen een distinct cluster, statistisch verschillend van alle andere naties. Landen op het Europese vasteland (Duitsland, Frankrijk, Spanje, Italië) zijn grotendeels homogeen, hoewel Nederland significant van hen afwijkt.

C. Bevindingen van het Mixed Model

Demografische Drijfveren:
- SES: Behoren tot de hoogste SES-bracket (>7) is de sterkste positieve voorspeller voor vertrouwen, voordelen en gebruik.
- Leeftijd: De leeftijdsgroep 25–44 is het meest positief; 65+ zijn de sterkste negatieve voorspeller.
- Religie: Gelovigen (ongeacht de specifieke geloofsovertuiging) hebben positievere meningen dan niet-gelovigen.
- Burgerlijke Staat: Gehuwden/partners zijn positiever dan singles.
Culturele Drijfveren: De random effects op landniveau bevestigen dat de culturele context perceptie onafhankelijk beïnvloedt. Het VK en de VS hebben grote positieve intercepten, terwijl Nederland een groot negatief intercept heeft.

D. Prompt-analyse (Gebruikersopenbaarmaking)

Inhoud: Van de 731 prompts had 36,5% betrekking op mentale welzijn.
Belangrijkste Thema's:
1. Algemene stress en angst.
2. Relatieconflicten.
3. Gezins- en zorgzaken.
4. Eenzaamheid.
5. Trauma en strijd met mentale gezondheid.
Cross-Culturele Consistentie: De verdeling van thema's was consistent over de landen, wat wijst op universele menselijke behoeften aan emotionele ondersteuning, ongeacht de culturele context.

5. Betekenis en Implicaties

Ethische & Veiligheidszorgen: De studie onthult een paradox van "waargenomen veiligheid". Gebruikers voelen zich veilig om gevoelige data te onthullen vanwege het ontbreken van menselijk oordeel, maar ze missen vaak wettelijke bescherming (geen arts-patiëntgeheim) en kunnen "sycofantische" of niet-kritische antwoorden van LLM's ontvangen.
Ongelijkheid in Toegang: Hoge adoptie onder hoog-SES, hoogopgeleide en jongere groepen suggereert een "digitale kloof" waarbij kwetsbare populaties (ouderen, lagere SES) worden uitgesloten of de geletterdheid missen om deze tools effectief te gebruiken.
Ontwerp & Governance: De bevindingen roepen op tot:
- Meertalige Benchmarks: Huidige modellen kunnen Engels-sprekende gebruikers bevoordelen (Anglosphere-enthousiasme), wat mogelijk een superieure ervaring biedt voor Engelstaligen ten opzichte van niet-Engelstaligen.
- Governance-kaders: Dringende behoefte aan regelgeving rond gegevensprivacy, gezien de gevoeligheid van openbaarmakingen over mentale gezondheid.
- AI-geletterdheid: Programma's om gebruikers te helpen de beperkingen van AI als therapeutisch instrument kritisch te beoordelen.
Toekomstig Onderzoek: Benadrukt de noodzaak om studies uit te breiden buiten westerse contexten en om de langetermijnpсихologische impact van mens-AI emotionele binding te onderzoeken.

Concluderend stelt het artikel vast dat LLM-adoptie voor emotionele ondersteuning niet uniform is, maar wordt gevormd door een complexe matrix van sociaaleconomisch privilege en culturele attitudes ten opzichte van privacy en mentale gezondheid, met een duidelijke scheiding tussen Engelstalige en Continentaal-Europese populaties.