💬 NLP

Reflecti-Mate: A Conversational Agent for Adaptive Decision-Making Support Through System 1 and System 2 Thinking

Deze studie toont aan dat een conversatieagent die is ontworpen om zich aan te passen aan individuele denkpatronen door System 1- en System 2-processen te integreren, meer gepersonaliseerd, holistisch en integratief reflecterend gedrag bevordert dan ongeholpen reflectie of een niet-adaptieve basisagent.

Oorspronkelijke auteurs: Morita Tarvirdians, Senthil Chandrasegaran, Hayley Hung, Catholijn M. Jonker, Catharine Oertel

Gepubliceerd 2026-05-22

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Morita Tarvirdians, Senthil Chandrasegaran, Hayley Hung, Catholijn M. Jonker, Catharine Oertel

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 op een kruispunt staat en een grote levensverandering moet overwegen, zoals verhuizen naar een nieuwe stad of je baan opzeggen. Je hebt drie gidsen in je hoofd:

Het Brein (Hoofd): De logische planner die cijfers berekent en voor- en nadelen afweegt.
Het Hart: De emotionele gids die zich zorgen maakt over hoe je je zult voelen of of je je familie zal missen.
De Buik: De intuïtieve gids die vertrouwt op eerdere ervaringen en een 'zesde zintuig' over wat goed voelt.

Meestal laten we bij het nemen van grote beslissingen één van deze gidsen het stuur overnemen, terwijl de anderen op de achterbank zitten. Soms neemt het Brein volledig de overhand en negeert het onze gevoelens. Op andere momenten schreeuwt het Hart zo hard dat we de feiten vergeten.

Het probleem met huidige 'beslissingsbots'
De meeste computerprogramma's die zijn ontworpen om ons te helpen beslissingen te nemen, lijken op een zeer strenge wiskundeleraar. Ze vragen alleen: 'Wat zijn de feiten? Wat zijn de kosten? Wat is het voordeel?' Ze behandelen gevoelens en buikgevoelens als afleidingen of 'vooroordelen' die genegeerd moeten worden. Als je begint te praten over je angsten, proberen ze je terug te leiden naar spreadsheets. Dit leidt vaak tot een beslissing die logisch aanvoelt, maar je emotioneel onbevredigd laat.

De oplossing: Reflecti-Mate
De onderzoekers van de TU Delft bouwden een nieuw type chatbot genaamd Reflecti-Mate. Denk aan Reflecti-Mate niet als een leraar, maar als een bekwaam danspartner.

In plaats van je te dwingen op een specifieke manier te dansen, observeert Reflecti-Mate je passen.

Als je alleen met het 'Brein' danst (alleen praten over geld en logistiek), duwt de bot je zachtjes aan om met het 'Hart' of de 'Buik' te dansen door te vragen: 'Hoe voelt deze beweging voor je?'
Als je alleen met het 'Hart' danst (zorgen over emoties), vraagt de bot: 'Wat zijn de praktische stappen om dit te realiseren?'
Cruciaal: als je al een perfecte wals danst met alle drie, probeert de bot je stijl niet te veranderen; het helpt je gewoon iets dieper en vloeiender te draaien.

Hoe het werkt (de 'magie' achter de schermen)
De bot gebruikt een speciale kaart genaamd een Reflectieprofiel. Tijdens het chatten volgt het drie dingen:

Breedte: Praat je alleen over één type onderwerp (bijvoorbeeld alleen geld)?
Diepte: Zeg je alleen 'Ik maak me zorgen' (oppervlakkig), of leg je uit waarom en hoe die zorg je beïnvloedt (diepgaand)?
Balans: Domineren één deel van je brein het gesprek?

Als de kaart aangeeft dat je vastzit op één plek, wisselt de bot van strategie:

Verkenning: Het stelt een nieuw type vraag om je te laten kijken naar een deel van de kaart dat je nog niet hebt bezocht.
Exploitatie: Als je al over een diep onderwerp praat, stelt het een vervolgvraag om je te helpen nog dieper te graven, zoals een Socratische leraar.

Het experiment: De dansvloertest
De onderzoekers testten deze bot met 128 mensen die voor grote levensbeslissingen stonden. Ze verdeelden hen in twee groepen:

De 'Standaardbot'-groep: Sprak met een bot die alleen algemene vervolgvragen stelde zonder een speciale kaart van je denkstijl bij te houden.
De 'Reflecti-Mate'-groep: Sprak met de adaptieve bot zoals hierboven beschreven.

Wat gebeurde er?

De Standaardbot: Het gedroeg zich als een bulldozer. Wat de persoon ook begon met, de bot duwde hen om meer te praten over logica en feiten. Aan het eind klonk iedereen hetzelfde: zeer logisch, zeer 'hoofdgericht' en minder emotioneel. Het homogeniseerde ieders denken.
Reflecti-Mate: Het gedroeg zich als een spiegel die je zicht uitbreidde.
- Als iemand begon met vooral emoties, hielp de bot hen logica toe te voegen zonder hen te laten stoppen met voelen.
- Als iemand begon met vooral logica, hielp de bot hen gevoelens toe te voegen zonder hen te laten stoppen met denken.
- Het resultaat: Mensen in deze groep eindigden met een mix van 'Hoofd', 'Hart' en 'Buik'-taal. Ze hadden het gevoel dat de bot hen hielp het hele plaatje te zien, niet slechts één hoek.

Het oordeel
De studie concludeerde dat Reflecti-Mate beter was in het helpen van mensen om hun verschillende denkwijzen te integreren. Het probeerde mensen niet te repareren of in een 'perfect' logisch mal te dwingen. In plaats daarvan respecteerde het hun natuurlijke stijl terwijl het hen zachtjes aanmoedigde om naar de delen van de beslissing te kijken die ze misschien hadden gemist.

Kortom, terwijl de oude bots probeerden iedereen in een robot te veranderen, hielp Reflecti-Mate mensen om meer complete, doordachte versies van zichzelf te worden.

Technische Samenvatting: Reflecti-Mate

Probleemstelling

Persoonlijke beslissingen met hoge gevolgen behelzen een complexe wisselwerking van cognitieve, emotionele en intuïtieve processen. Hoewel het integreren van deze diverse oordeelsbronnen leidt tot effectievere beslissingen, worstelen individuen hier vaak mee vanwege beperkt metacognitief bewustzijn. Bestaande besluitvormingsondersteunende systemen richten zich voornamelijk op cognitieve redenering (Systeem 2), waarbij emotionele en intuïtieve inputs (Systeem 1) vaak worden behandeld als heuristische biases die moeten worden geminimaliseerd of genegeerd. Bijgevolg neigen bestaande adaptieve systemen tot het produceren van gehomogeniseerde interacties die alle gebruikers sturen naar cognitieve uitdieping, zonder rekening te houden met individuele denkprofielen of de integratie van niet-cognitieve perspectieven te ondersteunen. Er ontbreekt een systeem dat denkpatronen van gebruikers tijdens een reflecterend dialoog modelleert om adaptief integratieve redenering te ondersteunen zonder een enkele "ideale" redeneerstijl op te leggen.

Methodologie

Systeemarchitectuur: Reflecti-Mate

De auteurs stellen Reflecti-Mate voor, een conversatieagent ontworpen om integratieve pre-beslissingsreflectie te ondersteunen. Het systeem werkt op een dual-process raamwerk, met als doel Systeem 2-niveau uitdieping toe te passen op alle denkvormen (intern/emotioneel, extern/cognitief en ervaringsgebonden/intuïtief) zonder één vorm boven de anderen te privilegeren.

1. Gebruikersmodellering en Reflectieprofiel:
Het systeem bouwt een computationele representatie van de reflectie van de gebruiker op, aangeduid als $R = (T, G)$ , waarbij $T$ een verzameling is van hoofdgedachten en $G$ ouder-kind-relaties tussen gedachten en hun uitwerkingen voorstelt.

Gedachtecategorieën: Gedachten worden geclassificeerd in vier categorieën op basis van het "hoofd-hart-darm"-raamwerk: Intern (gevoelens, waarden), Extern (feitelijke beperkingen, belanghebbenden), Ervaringsgebonden (vorige ervaringen) en Overig.
Metrieken: De agent berekent twee sleuteldimensies voor elke categorie $k$ $k$ :
- Breedte ( $B_k$ ): Het aantal verschillende hoofdgedachten in een categorie.
- Diepte ( $D_i$ ): De uitwerkingsrijkdom van een gedachte, gedefinieerd als $1 + |E_i|$ (waarbij $E_i$ de verzameling uitwerkingen is).
- Fixatie-indicator ( $S_k$ ): Een cumulatieve maatstaf voor aandacht op een categorie, die breedte en diepte combineert.
- Gemiddelde Diepte ( $\bar{D}_k$ ): Het gemiddelde uitwerkingsniveau binnen een categorie, onafhankelijk van het aantal gedachten.

2. Adaptatiealgoritme:
De agent hanteert een exploratie-exploitatie-trade-off strategie, geleid door een interne staat $s_t$ die na elke beurt wordt bijgewerkt.

Verstoren van Fixatie (Exploratie): Als een gebruiker vastloopt in een specifieke categorie (hoge $S_k$ ), prioriteert de agent exploratie door vragen te stellen die gericht zijn op ondervertegenwoordigde categorieën (analoog aan onzekerheidsgebaseerde sampling).
Verstoren van Oppervlakkige Redenering (Exploitatie): Als gedachten oppervlakkig zijn (lage $\bar{D}_k$ ), prioriteert de agent exploitatie door Sokratische vervolgvragen te genereren om specifieke onderontwikkelde gedachten te verdiepen.
Besluitvormingsbeleid: De agent maakt gebruik van een $\epsilon$ -greedy-beleid om te kiezen tussen exploratie (kans $\epsilon$ ) en exploitatie (kans $1-\epsilon$ ).
Implementatie: Het systeem maakt gebruik van een lokaal gehoste Phi-4 14B-model (Q4_K_M-quantisatie) voor het genereren van Sokratische vervolgvragen en het categoriseren van gebruikersinput. Exploratievragen worden gehaald uit een gecureerde, peer-reviewed set om variatie in formulering te controleren.

Opzet Gebruikersstudie

Een tussen-proefpersonenstudie ( $N=128$ ) werd uitgevoerd om de experimentele agent (Reflecti-Mate) te vergelijken met een Basislijn-agent.

Procedure: Deelnemers namen deel aan twee fasen: (1) Ongestuurde Reflectie, waarbij ze vrij gedachten verwoordden; en (2) Ondersteunde Reflectie, waarbij ze interactie hadden met de toegewezen agent.
Condities:
- Experimenteel: De agent gebruikte het hierboven beschreven adaptieve profiel en algoritme.
- Basislijn: De agent deelde dezelfde hoog-niveau doelen (reflectie verbreden en verdiepen) en onderliggende LLM, maar ontbeerde het expliciete gebruikersprofiel en de adaptieve logica, en leunde uitsluitend op conversatiegeschiedenis en vaste instructies.
Maten:
- Reflectieve Taal: Geanalyseerd met LIWC-22 om cognitieve, emotionele en intuïtieve linguïstische markers te kwantificeren.
- Waargenomen Ondersteuning: Beoordeeld via Likert-schalen met betrekking tot holistische integratie en diepte van uitwerking.
- Heterogeniteit: Post-hoc clustering analyseerde of effecten varieerden naar de initiële reflectieve profielen van gebruikers (Gereserveerd, Intuïtie-dominant, Emotie-dominant).

Belangrijkste Resultaten

1. Reflectieve Taal en Integratie (Vraag 1)

De experimentele agent stimuleerde succesvol een meer integratief reflectief taalprofiel in vergelijking met de basislijn.

Basislijn: Produceerde een gehomogeniseerd profiel gedomineerd door cognitieve linguïstische markers, waarbij emotionele en intuïtieve expressie werd onderdrukt ten opzichte van de basislijn-fase zonder hulp.
Experimenteel: Faciliteerde multimodale participatie. Gebruikers vertoonden significant minder cognitieve dominantie en hogere expressie van emotionele en intuïtieve markers in vergelijking met de basislijn. Cruciaal bleven cognitieve markers robuust; de agent onderdrukte cognitie niet, maar maakte het mogelijk dat emotionele en intuïtieve markers op vergelijkbare niveaus naast elkaar bestonden.

2. Waargenomen Ondersteuning (Vraag 2)

Deelnemers ervoeren de experimentele agent als significant effectiever in het ondersteunen van holistische integratie (72% instemming versus 44% in de basislijn). Echter, beide agenten werden hoog beoordeeld voor diepte van uitwerking (72% versus 79%), wat aangeeft dat hoewel de basislijn gedachten kon verdiepen, deze faalde in het integreren van diverse gedachtesoorten.

3. Behoud van Redeneerstijlen (Vraag 3)

De studie onderzocht of de agent de dominante redeneerstijlen van gebruikers behield.

Basislijn-effect: De basislijn-agent fungeerde als een "homogenisator". Ongeacht of gebruikers begonnen als Gereserveerd, Intuïtie-dominant of Emotie-dominant, verschuifde de basislijn-interactie alle groepen naar een vergelijkbaar, cognitie-zwaar profiel.
Experimenteel-effect: De adaptieve agent produceerde heterogene effecten. Deze selectief ondervertegenwoordigde modi uitbreidde terwijl de prominentie van de oorspronkelijk dominante modus van de gebruiker behouden bleef. Bijvoorbeeld: Intuïtie-dominante gebruikers bleven intuïtie-dominant maar kregen ondersteuning op het gebied van emotie; Emotie-dominante gebruikers bleven emotie-dominant maar kregen ondersteuning op het gebied van intuïtie. Dit toont aan dat de agent gepersonaliseerde trajecten ondersteunde zonder convergentie naar een enkele redeneerstijl af te dwingen.

Betekenis en Bijdragen

De auteurs stellen dat Reflecti-Mate een nieuwe aanpak voor besluitvormingsondersteuning biedt door verder te gaan dan "one-size-fits-all" cognitieve nudging. De belangrijkste bijdragen zijn:

Adaptieve Integratie: Het toont aan dat conversatieagenten de integratie van cognitieve, emotionele en intuïtieve processen kunnen ondersteunen door dynamisch de balans te vinden tussen exploratie en exploitatie op basis van realtime gebruikersmodellering.
Respect voor Individualiteit: In tegenstelling tot eerdere systemen die reflectieondersteuning vaak gelijkstellen aan rationalisatie, respecteert deze aanpak diverse redeneervoorkeuren. Het stelt gebruikers in staat hun dominante redeneerstijl te behouden terwijl ze hun perspectief verbreden, waardoor het opleggen van een enkel "ideaal" profiel wordt vermeden.
Computationeel Bewustzijn: De studie benadrukt dat effectieve reflectieondersteuning vereist dat principes van adaptatie zijn verankerd in gestructureerde gebruikersmodellering, in plaats van uitsluitend te vertrouwen op prompt-engineering of conversatiegeschiedenis. Instructies alleen waren onvoldoende om te voorkomen dat de basislijn-agent gebruikersantwoorden homogeniseerde.
Ethisch Ontwerp: Door richtende adviezen te vermijden en zich te focussen op faciliterende vragen, streeft het systeem ernaar de gebruikeragency en autonomie bij beslissingen met hoge gevolgen te behouden, waarmee het risico wordt aangepakt dat LLM's gebruikersbeslissingen te sterk beïnvloeden of bevooroordeeld maken.

De auteurs concluderen dat hoewel het systeem succesvol integratieve taal opriep en als ondersteunend werd ervaren, er toekomstig werk nodig is om gepersonaliseerde exploratievragen te verkennen en deze bevindingen te valideren met longitudinale studies en gedragsmaten die verder gaan dan linguïstische proxies.