💬 NLP

Memory-Driven Self-Disclosure and Relational Turning Points: A Longitudinal Multimodal Study of Human-AI Interaction

Deze longitudinale multimodale studie onthult dat mens-AI-relaties evolueren via een duaal proces waarbij waargenomen geheugen zelfonthulling bevordert om indirect het plezier in de loop van de tijd te vergroten, terwijl discrete gedragsturpunten — gekenmerkt door pieken en dalen — abrupte verschuivingen in het relationele traject markeren.

Oorspronkelijke auteurs: Ryuichi Sumida, Mao Saeki, Masaki Eguchi, Sadahiro Yoshikawa, Koji Inoue, Tatsuya Kawahara, Yoichi Matsuyama

Gepubliceerd 2026-07-17

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ryuichi Sumida, Mao Saeki, Masaki Eguchi, Sadahiro Yoshikawa, Koji Inoue, Tatsuya Kawahara, Yoichi Matsuyama

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 probeert een vriendschap op te bouwen met een robot. Je praat er elke dag mee, als een penvriend die in je computer woont. Maar hier komt de grote vraag: zorgt het herhaaldelijk praten met dezelfde robot er werkelijk voor dat een reeks saaie chats verandert in een echte relatie? Dit is het mysterie dat wetenschappers in het vakgebied van "Human-Computer Interaction" proberen op te lossen. Meestal kijken onderzoekers slechts vijf minuten naar mensen die met robots praten en vragen dan: "Vond je het leuk?" Maar echte vriendschappen ontstaan niet in vijf minuten; ze ontstaan over weken en maanden. Om te begrijpen hoe een vriendschap groeit, moeten we naar twee dingen kijken: de langzame, gestage druppel van iemand leren kennen, en de plotselinge, dramatische momenten waarop dingen óf echt goed gaan óf volledig instorten. Dit artikel duikt in dat rommelige, wonderbaarlijke proces van het opbouwen van een band met een AI, en vraagt zich af wat een chat het gevoel geeft van een "relatie" in plaats van slechts een opeenvolging van geïsoleerde gesprekken.

De onderzoekers achter deze studie besloten te stoppen met gissen en te beginnen met volgen. Ze nodigden 24 universiteitsstudenten uit om elke dag met een spraakgestuurde AI genaamd "InteLLA" te praten. Denk aan InteLLA als een digitaal dagboek dat nooit vergeet; het onthoudt wat je gisteren tegen het vertelde, zodat het het vandaag weer kan ophalen. Na elk gesprek beoordeelden de studenten hun gevoelens op vijf schalen: hoe vertrouwd ze zich voelden, hoe comfortabel ze waren bij het delen van persoonlijke geheimen (zelfonthulling), hoe goed ze dachten dat de AI hen herinnerde, hoe goed het gesprek verliep en hoeveel plezier ze hadden. Het doel was om te zien hoe deze gevoelens in de loop van de tijd veranderden en of de AI kon detecteren wanneer een relatie op het punt stond een enorme sprong voorwaarts te maken of een nare duik naar beneden te nemen.

De studie onthulde twee zeer verschillende manieren waarop relaties groeien, die de auteurs "langzame accumulatie" en "abrupte draaipunten" noemen.

Ten eerste is er de langzame, gestage klim. De onderzoekers ontdekten dat wat een enkel gesprek geweldig maakt, totaal anders is dan wat een relatie op de lange termijn levend houdt. Als je wilt dat een enkel gesprek nu meteen leuk is, dan is het belangrijkste aspect simpelweg het hebben van een soepel, natuurlijk gesprek (Conversational Quality). Maar hier komt de twist: een geweldig gesprek vandaag garandeert geen geweldige relatie morgen. Die "fun-factor" wordt telkens opnieuw gereset wanneer je een nieuwe sessie start.

In plaats daarvan is het geheime ingrediënt voor een langdurige vriendschap Geheugen. Maar niet alleen het vermogen van de robot om feiten te onthouden. De studie suggereert dat "Waargenomen Geheugen" eigenlijk een gevoel van verbondenheid is. Wanneer een gebruiker het gevoel heeft dat de AI hem herinnert, komt dat omdat de relatie al warm en vertrouwd aanvoelt. Dit gevoel van herinnerd worden werkt als een brug naar de toekomst. Het moedigt de gebruiker aan om meer open te zijn en diepere geheimen te delen in de volgende sessie. En hier is de magische keten: de AI die jou herinnert $\rightarrow$ jij voelt je veilig om meer te delen $\rightarrow$ jij hebt de volgende dag meer plezier. De AI hoeft dus geen perfecte encyclopedie te zijn; het hoeft je alleen maar het gevoel te geven dat je een vriend bent die wordt gehoord, wat je vervolgens uitnodigt om meer te delen, wat de vriendschap weer doet groeien.

Ten tweede keken ze naar de "achtbaan"-momenten: de plotselinge crashes en de opwindende pieken. Een "crash" is wanneer een relatie plotseling vlak of irritant aanvoelt, en een "surge" (piek) is wanneer het plotseling geweldig aanvoelt. De onderzoekers ontdekten dat deze twee gebeurtenissen geen spiegelbeelden van elkaar zijn; ze gedragen zich verschillend.

Pieken zijn makkelijker te spotten terwijl ze plaatsvinden. Wanneer een relatie plotseling een vlucht neemt, kan de AI dit vaak zien door te kijken naar de stem en het gezicht van de gebruiker tijdens het gesprek. De gebruiker praat misschien luider, glimlacht meer of knikt mee. Dit zijn de "groene lichten" die zeggen: "Hé, dit werkt! Ga zo door!"
Crashes zijn sluipender. Een relatie die uit elkaar valt, is moeiliger te vangen op het moment zelf. De studie suggereert echter dat sommige crashes eigenlijk zichtbaar zijn voordat ze gebeuren. Als het gedrag van een gebruiker over meerdere dagen langzaam begint af te wijken van hun normale patroon (zoals minder praten of afstandelijker klinken), zou de AI kunnen voorspellen dat er een crash aan komt. Maar zodra een crash daadwerkelijk plaatsvindt, is het vaak te laat om dit alleen door naar dat specifieke gesprek te kijken te repareren.

Er is nog één fascinerende bevinding over hoe lang deze gevoelens aanhouden. Wanneer een relatie een "surge" heeft (een moment van pure vreugde), heeft dat gevoel de neiging om te blijven hangen. Ongeveer 75% van de tijd houdt de goede stemming aan tot de volgende dag. Maar wanneer een relatie een "crash" heeft (een moment van teleurstelling), is het veel moeilijker om te herstellen. Slechts ongeveer 52% van de tijd herstelt de stemming zich naar het niveau van vóór de crash. Dit suggereert dat positieve momenten als bouwstenen zijn die zich opstapelen, terwijl negatieve momenten als gaten zijn die moeilijk te vullen zijn.

Kortom, dit artikel suggereert dat het opbouwen van een vriendschap met een AI niet alleen gaat over het slimmer maken van de robot. Het gaat erom te begrijpen dat relaties twee snelheden hebben: een langzame, gestage opbouw waarbij het gevoel "herinnerd te worden" helpt om je open te stellen, en plotselinge, dramatische verschuivingen waarbij positieve momenten makkelijker te vangen en te behouden zijn, terwijl negatieve momenten moeilijker te herstellen zijn. De auteurs concluderen dat voor een AI om een echte metgezel te zijn, het goed moet zijn in twee dingen: merken wanneer een gebruiker langzaam wegdrift om een crash te voorkomen, en herkennen wanneer een gebruiker een geweldig moment ervaart om die vreugde langer te laten duren.

Technische Samenvatting: Geheugengestuurde Zelfonthulling en Relationele Keerpunten

Probleemstelling

Hoewel conversatiegestuurde AI-systemen steeds vaker worden ontworpen voor herhaaldelijk gebruik, blijft het merendeel van het onderzoek naar de mens-AI-relationele dynamiek beperkt tot studies met een enkelvoudige sessie. Dit laat een fundamentele kloof achter in het begrip van hoe een reeks geïsoleerde interacties evolueert naar een duurzame relatie. Specifiek is het onduidelijk hoe continuïteit over sessies heen invloed heeft op relationele constructen zoals vertrouwdheid, zelfonthulling en plezier, en of abrupte relationele verschuivingen (keerpunten) gedetecteerd of voorspeld kunnen worden via multimodale gedragssignalen. Bestaande longitudinale studies vertrouwen vaak op beschrijvende analyses van zelfrapportage zonder de temporele afhankelijkheden tussen verschillende relationele dimensies te modelleren of de asymmetrie tussen positieve en negatieve relationele gebeurtenissen te karakteriseren.

Methodologie

De auteurs voerden een longitudinale multimodale studie uit waarbij 24 universiteitsstudenten interactie hadden met InteLLA, een geheugenversterkte spraakgestuurde conversatieagent, over 10 dagelijkse sessies.

Systeem en Gegevensverzameling

Agent: InteLLA maakt gebruik van een Retrieval-Augmented Generation (RAG) geheugensysteem dat wordt aangedreven door GPT-4o-mini. Het haalt relevante fragmenten uit eerdere gesprekken op om gepersonaliseerde openingen te genereren en context te behouden.
Procedure: Elke sessie duurde ongeveer vijf minuten (20–25 beurten). Na elke sessie beoordeelden deelnemers vijf relationele constructen op een 7-punts Likert-schaal:
1. Vertrouwdheid (gevoel van vertrouwdheid, empathie)
2. Sociale Penetratie (comfort met brede/persoonlijke onderwerpen; geoperationaliseerd als zelfonthulling)
3. Waargenomen Geheugen (herinnert zich eerdere gesprekken, begrijpt de gebruiker)
4. Conversatiekwaliteit (natuurlijkheid, aangenaamheid)
5. Plezier (plezier, verlangen om terug te keren)
Multimodale Kenmerken: De studie extraheerde 351 interpreteerbare kenmerken uit tekst, audio en video:
- Tekst (42 op sessieniveau): Emotie, kwetsbaarheid, markers voor zelfonthulling, verwijzingen naar het geheugen (geannoteerd via GPT-4.1).
- Audio (16 op sessieniveau): Prosodie, beurtname, emotionele dynamiek (openSMILE).
- Video (4 op sessieniveau): Blikrichting, aandachtswisselingen, hoofdbeweging, knipperfrequentie (OpenFace 2.0).
- Temporele & Genormaliseerde Kenmerken: Afgeleid van gegevens op sessieniveau met behulp van delta's, exponentieel voortschrijdende gemiddelden en persoon-genormaliseerde afwijkingen (z-scores) om individuele baselines te controleren.

Analytisch Kader

De studie maakte gebruik van vier complementaire modelleringsbenaderingen:

Groei-curvemodellen: Om lineaire trends in relationele constructen over de 10 sessies te schatten.
Gelijktijdige Associaties: Om binnen-sessie relaties tussen constructen te analyseren.
Fixed-Effects Cross-Lagged Panel Modellen (CLPM): Om te testen of het niveau van één construct op tijdstip $t$ een ander construct op $t+1$ voorspelt, waarbij wordt gecontroleerd voor autoregressieve stabiliteit.
Lagged Mediation Modellen: Om indirecte paden te testen (bijv. Geheugen $\to$ Zelfonthulling $\to$ Plezier).

Gebeurtenis-analyse: De auteurs definieerden Crashes (scherpe negatieve verschuivingen) en Surges (scherpe positieve verschuivingen) als sessie-naar-sessie veranderingen die meer dan één standaarddeviatie afwijken van de gemiddelde delta. Deze gebeurtenissen werden geanalyseerd met behulp van Elastic-Net Logistische Regressie (ENLR) voor twee taken:

Detectie: Het voorspellen van een gebeurtenis op sessie $t$ met gegevens tot en met $t$ .
Voorspelling (Forecasting): Het voorspellen van een gebeurtenis op sessie $t$ met gegevens tot en met $t-1$ .
Modellen werden geëvalueerd met behulp van Leave-One-Participant-Out (LOPO) cross-validatie en de Area Under the Precision-Recall Curve (AUPRC).

Belangrijkste Bijdragen

Het artikel levert twee primaire bijdragen:

Ontrafeling van Sessiekwaliteit versus Cross-Sessie Groei: De studie maakt onderscheid tussen factoren die een enkele sessie aangenaam maken en factoren die een relatie over tijd in stand houden. Het identificeert Waargenomen Geheugen niet louter als een systeemcapaciteit, maar als een "relationele beoordeling" die wordt geconditioneerd door eerdere relationele staten en fungeert als een longitudinale brug naar toekomstige zelfonthulling.
Karakterisering van de Crash-Surge Asymmetrie: Het onderzoek operationaliseert en analyseert de asymmetrie tussen positieve en negatieve relationele keerpunten. Het toont aan dat surges en crashes verschillen in hun waarneembaarheid (detecteerbaarheid op het moment zelf), onset (voorspelbaarheid via voorafgaande drift) en persistentie (duurzaamheid van het effect).

Belangrijkste Resultaten

1. Temporele Dynamiek van Relationele Constructen

Groeitrajecten: Alleen Sociale Penetratie (zelfonthulling) vertoonde statistisch significante lineaire groei over de 10 sessies ( $\beta=0,081, p=.003$ ). Vertrouwdheid, Waargenomen Geheugen, Conversatiekwaliteit en Plezier vertoonden geen betrouwbare lineaire groei.
Binnen-sessie versus Cross-sessie:
- Conversatiekwaliteit drijft Plezier sterk aan binnen dezelfde sessie ( $\delta=0,430, p<.001$ ), maar heeft geen significante cross-lagged effect op toekomstige sessies. Het is een directe, sessie-lokale drijfveer.
- Waargenomen Geheugen fungeert als een longitudinale brug. Het wordt voorspeld door voorafgaand Plezier, Vertrouwdheid en Sociale Penetratie. Cruciaal is dat het toekomstige Sociale Penetratie voorspelt, wat op zijn beurt toekomstig Plezier voorspelt.
Mediatiepad: De studie bevestigt een volledig mediatiepad: Waargenomen Geheugen $\to$ Sociale Penetratie $\to$ Plezier. Geheugen verhoogt het plezier niet direct; het faciliteert eerder diepere zelfonthulling in de volgende sessie, wat vervolgens het plezier drijft.

2. Relationele Keerpunten (Crashes en Surges)

Observabiliteitsasymmetrie: Surges zijn aanzienlijk beter detecteerbaar dan Crashes met behulp van gedrag op hetzelfde moment (Gemiddelde AUPRC: Surge 0,215 vs. Crash 0,143). Positieve verschuivingen zijn meer gedragsmatig leesbaar terwijl ze zich ontvouwen.
Onset Asymmetrie:
- Crashes in Vertrouwdheid, Sociale Penetratie en Systemische rapport zijn beter te voorspellen (gebaseerd op voorgaande sessies) dan te detecteren op het moment zelf, wat wijst op een "drift"-modus van verslechtering.
- Crashes in Conversatiekwaliteit zijn beter te detecteren dan te voorspellen, wat duidt op lokale fouten die binnen de sessie worden gerealiseerd.
Persistentie Asymmetrie: Plezier-surges zijn zeer persistent (75% behouden), terwijl Plezier-crashes minder vaak herstellen (52% herstel). Positieve keerpunten genereren meer duurzame momentum dan negatieve kunnen ongedaan maken.

3. Gedragssignaturen

Crash Voorspelling: Leunt zwaar op persoon-genormaliseerde afwijkingen (bijv. valentievariabiliteit, F0-variabiliteit, backchannel-ratio afwijking van de baseline van de gebruiker).
Surge Detectie: Leunt op signalen van interactionele expansie (bijv. luidheid, semantische alignment, backchannel variabiliteit) en temporele continuïteitskenmerken.

Betekenis en Claims

Het artikel betoogt dat longitudinale mens-AI-relaties worden opgebouwd door twee gekoppelde mechanismen: langzame accumulatie (gedreven door waargenomen geheugen en zelfonthulling) en abrupte keerpunten (crashes en surges).

Ontwerpimplicatie voor Geheugen: Geheugensystemen moeten niet louter worden ontworen om herinnering te tonen. In plaats daarvan moeten ze worden ontworpen om zelfonthulling te faciliteren door naar eerdere onderwerpen te verwijzen op een manier die uitnodigt tot verdieping, waardoor ze fungeren als een katalysator voor relationele verdieping.
Ontwerpimplicatie voor Adaptatie: Adaptieve agenten vereisen asymmetrische interventiestrategieën:
- Proactieve Monitoring: Systemen moeten cross-sessie gedragsdrift monitoren om geleidelijke crashes (vooral in vertrouwdheid en rapport) te voorkomen.
- Reactieve Versterking: Systemen moeten in-sessie surges herkennen en benutten, aangezien positieve verschuivingen gemakkelijker detecteerbaar zijn op het moment zelf en grotere kans hebben om te persisteren.
Theoretische Bijdrage: De bevindingen dagen de aanname uit dat "slecht sterker is dan goed" in de context van gedragsmatige traceerbaarheid binnen mens-AI-interactie. Hoewel negatieve gebeurtenissen cognitief prominenter kunnen zijn, zijn positieve verschuivingen gedragsmatig beter traceerbaar en duurzamer in deze specifieke context.

De auteurs blijven bescheiden over hun claims en merken op dat de studie een proof-of-concept is met een kleine steekproef ( $N=24$ ) en dat de absolute detectieprestaties (AUPRC 0,07–0,30) nog niet klaar zijn voor implementatie. Ze benadrukken dat de bevindingen specifiek zijn voor de InteLLA-architectuur en de Engelstalige studentenpopulatie, en dat de geobserveerde dynamiek binnen-persoonlijke veranderingen betreft in plaats van absolute kenmerkverschillen.