In de moderne wereld is kunstmatige intelligentie een vertrouwde metgezel geworden voor het beantwoorden van vragen, van het plannen van een reis tot het opstellen van een e-mail. Op het gebied van gezondheid en voeding wenden mensen zich steeds vaker tot chatbots voor advies over wat ze moeten eten of hoe ze af kunnen vallen. Er bestaat echter een aanzienlijke kloof tussen een generiek antwoord en een antwoord dat een individu werkelijk helpt. Een aanbeveling die de specifieke leeftijd, het gewicht, de medische geschiedenis en de dagelijkse gewoonten van een persoon negeert, is fundamenteel anders dan een gepersonaliseerd plan. Hoewel veel huidige tools proberen advies op maat te geven door simpelweg het profiel van een gebruiker in een verzoek te plakken, falen ze vaak in het werkelijk begrijpen van de details voordat ze spreken. Dit laat een kritieke structurele kloof achter: de computer ziet de gegevens, maar neemt niet de tijd om te analyseren wat die gegevens betekenen voor de specifieke persoon die de vraag stelt.

Onderzoekers aan de ITMO Universiteit in Sint-Petersburg hebben een nieuwe methode ontwikkeld om deze kloof te overbruggen, met als doel voedingsadvies veiliger en nuttiger te maken. Ze noemen hun aanpak PA-CoT, wat staat voor Profile-Adaptive Chain-of-Thought. In plaats van overhaast een antwoord te genereren, dwingt deze methode de kunstmatige intelligentie om een bewuste stap terug te doen en het profiel van de gebruiker te analyseren als een aparte, toegewijde taak. Denk aan een arts die het dossier van een patiënt leest en de belangrijkste kwesties opschrijft voordat hij met de patiënt spreekt, in plaats van te proberen de diagnose te stellen terwijl hij praat. De onderzoekers testten dit idee tegen elf andere veelvoorkomende manieren van AI-prompting, gebruikmakend van een nieuwe set van 200 realistische scenario's voor voedingsconsultatie. Hun bevindingen tonen aan dat door de analyse van de gebruikersgegevens te scheiden van de generatie van het advies, het systeem aanbevelingen produceert die aanzienlijk meer gepersonaliseerd en veiliger zijn dan die geproduceerd door standaardmethoden.

De kern van deze nieuwe methode ligt in de manier waarop het denkproces wordt gestructureerd. Bij traditionele benaderingen ontvangt een AI een vraag en een blok tekst met het profiel van de gebruiker, en probeert vervolgens alles in één keer te beantwoorden. De onderzoekers ontdekten dat dit er vaak toe leidt dat de AI cruciale details mist of generiek advies geeft dat schadelijk kan zijn. PA-CoT verandert de workflow door deze op te splitsen in afzonderlijke fasen. Eerst analyseert het systeem het profiel van de gebruiker om de meest kritieke punten te identificeren die het antwoord moet adresseren. Het kijkt naar specifieke waarden, zoals leeftijd, gewicht en dieetdoelen, en bepaalt precies wat de reactie moet dekken. Deze stap creëert een duidelijke routekaart voor de volgende fase. Pas nadat deze analyse voltooid is, genereert de AI het eigenlijke antwoord, waarbij de routekaart wordt gebruikt om ervoor te zorgen dat elk relevant stukje data in het advies is verweven. Ten slotte fungeert een derde fase als een veiligheidscontrole, die het gegenereerde antwoord beoordeelt om te controleren of het geen schadelijke aanbevelingen bevat en of de noodzakelijke waarschuwingen voor kwetsbare groepen zijn opgenomen.

Om te testen of deze extra stap daadwerkelijk een verschil maakte, creëerde het team een nieuwe benchmark genaamd QPA, wat staat voor Question-Profile-Answer. Ze bouwden deze dataset uit duizenden echte medische vragen gevonden in online fora, waarbij ze deze filterden om alleen die gerelateerd aan voeding over te houden. Voor elke vraag extraheerden ze de profieldetails van de gebruiker, zoals leeftijd, gewicht en gezondheidsdoelen, waardoor een gestructureerde set van 200 testgevallen ontstond. Deze gevallen waren ontworpen om realistische situaties na te bootsen waarin gegevens onvolledig kunnen zijn, net zoals dat vaak het geval is in werkelijke gezondheidsapps. De onderzoekers draaiden vervolgens hun PA-CoT-methode tegen een breed scala aan andere technieken, inclus# de standaard prompting, methoden die proberen antwoorden te verfijnen door middel van herhaling, en geautomatiseerde systemen die optimaliseren hoe vragen worden gesteld. Elk antwoord werd beoordeeld door een geavanceerde AI-rechter op vier criteria: of het advies feitelijk juist was, of het alle onderdelen van de vraag dekte, hoe goed het de specifieke profielgegevens van de gebruiker gebruikte, en of het veilig was.

De resultaten waren duidelijk en beslissend. PA-CoT behaalde de hoogste gemiddelde score van alle twaalf geteste methoden. Belangrijker nog, het leidde de groep in de twee gebieden die het belangrijkst zijn voor gezondheidsadvies: personalisatie en veiligheid. De methode scoorde aanzienlijk hoger op personalisatie dan de dichtstbijzijnde concurrent, met een gat dat zo groot was dat de statistische betrouwbaarheidsintervallen niet overlapten. Dit betekent dat de verbetering geen toevalstreffer was, maar een consistent resultaat. Op dezelfde manier scoorde het het hoogst op veiligheid, wat garandeerde dat het advies vrij was van schadelijke aanbevelingen. De onderzoekers vonden dat andere complexe methoden, die probeerden de prompt automatisch te optimaliseren of het antwoord te verfijnen door meerdere iteraties, niet zo goed presteerden. Sterker nog, sommige van deze ingewikkelder benaderingen scoorden lager op personalisatie dan eenvoudige methoden. Dit suggereert dat het toevoegen van complexiteit niet automatisch leidt tot betere resultaten; in plaats daarvan was de sleutel de specifieke architecturale keuze om het gebruikersprofiel te analyseren vóór het genereren van de reactie.

Een van de meest opvallende bevindingen was hoe de methode omging met de afweging tussen behulpzaam zijn en veilig zijn. In veel eerdere pogingen maakte het persoonlijker maken van een AI de situatie risicovoller, omdat het systeem te hard probeerde aan te sluiten bij de gegevens van de gebruiker en per ongeluk iets gevaarlijks kon suggereren. PA-CoT loste dit op door de taken te scheiden. De fase die het gepersonaliseerde advies creëert, richtte zich volledig op het gebruik van de gegevens van de gebruiker, terwijl een aparte fase zich volledig op veiligheid richtte. Dit stelde het systeem in staat om zeer op maat gemaakt te zijn zonder de veiligheid in gevaar te brengen. Bijvoorbeeld, in een testgeval waarbij een tiener probeert af te vallen, identificeerde het systeem correct dat de leeftijd en het gewicht van de gebruiker kritieke factoren waren en genereerde een plan dat die grenzen respecteerde, terwijl het ook de noodzaak voor professioneel medisch toezicht signaleerde. In contrast hiermee gaven andere methoden vaak generiek advies dat de leeftijd van de gebruiker negeerde of naliet de nodige veiligheidswaarschuwingen op te nemen.

De onderzoekers verkenden ook hoeveel gegevens nodig waren om de methode effectief te laten werken. Ze vonden dat zelfs wanneer het profiel van de gebruiker onvolledig was, met veel velden gemarkeerd als onbekend, de methode nog steeds goed presteerde. Het kon identificeren welke stukken informatie ontbraken en, in een real-world productsetting, kon het worden ontworpen om de gebruiker vervolgvragen te stellen om die hiaten op te vullen. In de huidige studie werkte het systeem met de beschikbare vaste gegevens, maar de architectuur was gebouwd om de dynamische aard van echte gesprekken aan te kunnen. De kosten van het gebruik van deze methode werden ook overwogen; hoewel het meer computerverwerkingstappen vereist dan een eenvoudige eenstaps-reactie, was de extra kostenpost minimaal vergeleken met de aanzienlijke winst in kwaliteit en veiligheid.

Dit werk benadrukt een fundamentele verschuiving in hoe kunstmatige intelligentie kan worden toegepast op gevoelige velden zoals de gezondheidszorg. Het demonstreert dat de manier waarop een model wordt geprompt om te denken even belangrijk is als het model zelf. Door het gebruikersprofiel niet te behandelen als een statisch blok tekst, maar als een onderwerp voor toegewijde analyse, creëerden de onderzoekers een systeem dat de individualiteit van de persoon die hulp vraagt respecteert. De studie beweert niet dat dit systeem professionele artsen of diëtisten vervangt; de auteurs verklaren expliciet dat het een onderzoeksprototype is en dat implementatie in de echte wereld validatie door menselijke experts vereist. De resultaten bieden echter sterk bewijs dat een gestructureerde, meerstaps benadering van redeneren de kwaliteit van door AI gegenereerd advies aanzienlijk kan verbeteren. Naarmate kunstmatige intelligentie meer geïntegreerd raakt in het dagelijks leven, bieden methoden zoals deze een pad naar tools die niet alleen slim zijn, maar ook doordacht, veilig en werkelijk behulpzaam voor de mensen die ze het hardst nodig hebben.