سیستم پیش‌بینی رفتار کلامی MIT بر اساس تحلیل داده‌های بلندمدت

تصور کنید هوش مصنوعی پیش از آنکه شما جمله‌ای را به زبان بیاورید، بداند دقیقاً چه خواهید گفت. این دیگر یک تخیل علمی نیست، بلکه دستاورد جدیدی است که نشان می‌دهد دسترسی به تاریخچه بلندمدت زندگی یک فرد، پیش‌بینی تصمیمات و واکنش‌های او را ممکن می‌سازد. در حالی که اکثر سیستم‌های هوش مصنوعی بر پنجره‌های زمینه محدود تکیه می‌کنند، سیستم جدید MIT تاریخچه شخصی را به‌جای یک متن خام، مجموعه‌ای از قوانین ساختاریافته می‌بیند تا پاسخ بعدی شما در یک گفتگو را پیش‌بینی کند. طبق گزارش پژوهشگران، این سیستم با استخراج الگوهای رفتاری تکرارشونده از هفته‌ها تعاملات واقعی، ثابت می‌کند که اگر هوش مصنوعی به زندگی یک فرد در یک بازه زمانی طولانی دسترسی داشته باشد، می‌تواند بر اساس تحلیل هزاران ساعت تعامل، اقدامات، تصمیمات و کلمات بعدی او را پیش‌بینی کند.

بیشتر مدل‌های فعلی، مانند ChatGPT و Claude، برای پیش‌بینی نیازهای کاربر بر حافظه کوتاه‌مدت یا پروفایل‌های ایستا تکیه می‌کنند. این امر باعث ایجاد یک نقطه اصطکاک می‌شود؛ جایی که هوش مصنوعی به مرور زمان، ظرافت‌های شخصیتی کاربر یا عادت‌های خاص او را فراموش می‌کند. پژوهش MIT با ایجاد یک «نقشه رفتاری طولی» (Longitudinal Behavioral Map) که هم‌زمان با تعامل کاربر با جهان evolves یا تکامل می‌یابد، به این مشکل پاسخ می‌دهد.

چالش‌های حریم خصوصی و امنیت

به نقل از مستندات این پژوهش، اعطای دسترسی به جریان زنده مکالمات به یک هوش مصنوعی که توسط یک شرکت انتفاعی اداره می‌شود، یک مخاطره امنیتی و حریم خصوصی بسیار جدی است. هرچه این سرویس کاربردی‌تر شود، وسوسه شرکت‌ها برای به اشتراک‌گذاری داده‌ها یا ریسک نشت اطلاعات شرم‌آور در فضای آنلاین، این سطح از ادغام را برای بسیاری از افراد به گزینه‌ای غیرعاقلانه تبدیل می‌کند. این نگرانی‌ها با چالش‌های امنیتی در دستیاران جلسه AI همسو است که پیش‌تر به ریسک نشت داده‌های سازمانی در ابزارهای مشابه اشاره کرده بود.

در اینجا یک تضاد بنیادین میان «کارآمدی» و «امنیت» وجود دارد. از آنجایی که حفظ حافظه و درک زمینه، نقاط اصطکاک حیاتی در توسعه روابط کاری با هوش مصنوعی هستند، تمایل به «پیش‌بینی نیازها» افزایش می‌یابد. با این حال، ریسک استخراج غیرقانونی داده‌ها (Exfiltration) همچنان یک بازدارنده اصلی است.

پژوهشگران MIT جهانی را پیشنهاد می‌کنند که در آن این داده‌ها در حلقه‌های امن و قابل‌اعتماد محصور (Ring-fenced) شوند. در مدل آن‌ها، کاربر کنترل کامل بر داده‌های به‌دست‌آمده را حفظ می‌کند و به این ترتیب، قدرت واقعی هوش مصنوعی تحلیلی می‌تواند بدون به خطر انداختن امنیت، به نفع فرد عمل کند.

معماری Mind Mapper

قلب این سیستم، گردش‌کاری به نام Mind Mapper است که برای استخراج قوانین رفتاری تکرارشونده از داده‌های بلندمدت طراحی شده است. این سیستم به‌جای پیش‌بینی مستقیم گفتار از روی یک پرامپت، هزاران ساعت صوت را به قوانین ساختاریافته «اگر-آنگاه» (if-then) تبدیل می‌کند. این پژوهش در واقع توسعه‌ای بر مقاله سال ۲۰۲۶ Mind Mapper است تا بررسی کند آیا این الگوها می‌توانند رفتار را در لحظه پیش‌بینی کنند یا صرفاً تمایلات کلی را توصیف می‌کنند.

این خط لوله که از طریق یک سیستم GPT-5 پردازش می‌شود، مراحل دقیقی را طی می‌کند:

• مکالمات ضبط‌شده ابتدا به متن تبدیل و سپس بی‌نام‌سازی می‌شوند.
• سیستم قوانین رفتاری کاندید «اگر-آنگاه» تولید می‌کند که موقعیت‌های مکالمه را به پاسخ‌های احتمالی پیوند می‌دهد.
• سپس به دنبال شواهد تأییدکننده یا متناقض می‌گردد تا این قوانین را اصلاح و پالایش کند.
• قوانین هم‌پوشان با یکدیگر ادغام شده و فرضیات ضعیف حذف می‌شوند.
• در نهایت، به هر قانون یک نرخ اطمینان و تخمین احتمال اختصاص می‌یابد.

متدولوژی آزمایش

بر اساس مقاله‌ای که در ۲۰ اوت ۲۰۲۶ با عنوان «پیش‌بینی رفتار کلامی از مکالمات روزمره بلندمدت با LLMها» منتشر شد، ۱۴ بزرگسال انگلیسی‌زبان به مدت ۷ تا ۱۰ روز ساعت‌های هوشمند پوشیدند. این دستگاه‌ها با استفاده از یک تشخیص‌دهنده فعالیت صوتی در لبه (On-device voice-activity detector)، تنها هنگام وجود گفتار ضبط را فعال کرده و کلیپ‌های صوتی ۲ تا ۳ دقیقه‌ای را به یک سرور راه دور ارسال کردند.

به شرکت‌کنندگان برای زمانشان ۱۰۰ دلار پرداخت شد. آن‌ها موظف بودند به هر کسی که در نزدیکی‌شان است اطلاع دهند که مکالمات در حال ضبط است و پیش از هر تعامل، رضایت افراد دیگر را جلب کنند.

استخراج متن و پالایش

برای تضمین دقت و حریم خصوصی، تیم از استک فنی زیر استفاده کرد:

• مدل Nova-3-meeting شرکت Deepgram: برای تبدیل صوت به متن و تفکیک دقیق بین گویندگان مختلف.
• SpeechBrain: به عنوان مدل تأیید هویت گوینده برای تطبیق صدای شرکت‌کننده با یک نمونه ثبت‌شده ۲۰ ثانیه‌ای.
• NER در کتابخانه spaCy: برای شناسایی موجودات نام‌دار و جایگزینی نام‌ها و اطلاعات شناسایی شخصی با جایگاه‌های بی‌نام (Anonymous placeholders).

امنیت داده‌ها از طریق حذف فایل‌های صوتی اصلی و ذخیره متون رمزنگاری‌شده با استاندارد AES-256-GCM به‌صورت محلی روی ساعت هوشمند تأمین شد. شرکت‌کنندگان از طریق یک رابط وب، متون خود را بازبینی کردند تا محتوای ناخواسته را حذف کرده یا برچسب‌های گویندگان را اصلاح کنند.

به‌طور متوسط، تنها ۰.۱۶٪ از متون حذف شدند و ۲.۴۸٪ از بخش‌ها به عنوان دسته‌بندی اشتباه علامت‌گذاری شدند. این فرآیند منجر به ایجاد مجموعه‌داده‌ای شامل ۱۵,۰۶۶ عبارت از ۱۴ شرکت‌کننده شد. از این مقدار، ۵۷٪ متعلق به فرد پوشنده ساعت و ۴۳٪ متعلق به سایر گویندگان بود و میانگین طول هر عبارت ۴۹ کلمه بود. پس از حذف تبادلات کوتاه و تپق‌های گفتاری مانند «امم» و «اِاا»، مجموعه‌داده نهایی به ۹,۹۰۱ عبارت کاهش یافت.

عملکرد و اعتبارسنجی

پژوهشگران برای تست سیستم از Gemini 2.5 Pro استفاده کردند تا پاسخ بعدی را در سه روش مختلف پیش‌بینی کند: تاریخچه خام مکالمات، خلاصه‌های فشرده و قوانین رفتاری Mind Mapper.

نتایج نشان داد رویکرد مبتنی بر الگو (Pattern-based) به‌طور چشم‌گیری از روش‌های پایه (Baselines) پیشی گرفته است. با افزایش حجم داده‌های مکالمه، دقت این روش به‌طور مستمر رشد کرد، در حالی که روش‌های پایه در وضعیت رکود باقی ماندند.

اعتبارسنجی توسط ۴۰ داور انسانی مستقل نیز این یافته‌ها را تأیید کرد. روش مبتنی بر الگو در ۴۳٪ سناریوها رتبه اول را کسب کرد، در حالی که روش متن کامل (۲۴٪)، روش Zero-shot (۱۸٪) و خلاصه‌های روایتی (۱۵٪) در رتبه‌های پایین‌تر قرار گرفتند. ارزیابی‌های انسانی در زمینه‌های قصد ارتباطی، جزئیات و پیچیدگی عملکردی، کاملاً با امتیازات مدل‌محور همسو بود.

هدف‌گذاری برای تغییر عادت

این سیستم زمانی بیشترین اثربخشی را داشت که رفتارهایی را پیش‌بینی می‌کرد که شرکت‌کنندگان صراحتاً می‌خواستند آن‌ها را تغییر دهند. شرکت‌کنندگان ۱۱۴ عادت را که مایل به ترک آن‌ها بودند، در ۹۱۲ لحظه مکالمه‌ای علامت‌گذاری کردند.

در این تبادلات خاص «قصد تغییر»، روش مبتنی بر الگو حدود ۴۰٪ بهتر از رویکردهای استاندارد مدل‌های زبانی بزرگ (LLM) عمل کرد. این موضوع نشان می‌دهد هوش مصنوعی به‌ویژه در شناسایی حلقه‌های کلامی ناخودآگاه و درونی‌شده بسیار توانمند است.

شرکت‌کنندگان از شفافیت سیستم استقبال کردند و از اینکه می‌توانستند الگوهای استخراج‌شده را بخوانند، اصلاح کنند و برای آن‌ها اهداف شخصی تعیین کنند، رضایت داشتند. آن‌ها در مورد استراتژی‌های خود برای تغییر رفتار تأمل کردند و پیشنهاد دادند که سیستم‌های پیش‌دستانه می‌توانند از طریق روش‌های زیر کمک کنند:

• تغییر جهت توجه در لحظه تکرار یک الگوی رفتاری تکراری.
• پیشنهاد پاسخ‌های جایگزین در زمان واقعی.
• ارائه بازتعریف‌های ذهنی (Reframings) متصل به اهداف خاص کاربر.

موازنه حریم خصوصی

اگرچه مقاله MIT این سیستم را به عنوان یک ابزار درمانی معرفی می‌کند (مثلاً ارائه یادآوری‌های آگاه از زمینه درباره رژیم غذایی)، اما واقعیت فنی آن بسیار تهاجمی است. این سیستم برای کارکرد صحیح، به جریان صوتی مداوم و زنده از خصوصی‌ترین لحظات زندگی کاربر نیاز دارد.

در صورتی که این فناوری در اکوسیستم‌های انتفاعی ادغام شود، ریسک استخراج داده‌ها یا نظارت شرکتی به شدت زیاد خواهد بود. استفاده از رمزنگاری AES-256-GCM و ذخیره‌سازی محلی روی ساعت هوشمند یک شروع است، اما پتانسیل سوءاستفاده توسط شرکت‌های بیمه، نهادهای نظارتی زندان یا سازمان‌های دولتی بسیار بالاست.

خارج از سناریوهای به شدت تنظیم‌شده‌ی مراقبت‌های بهداشتی دولتی یا روان‌پزشکی، دشوار است کاربردی برای این رویکرد تصور کنیم که حریم خصوصی فردی را به خطر نیندازد؛ به‌ویژه اگر با موجودات عامل‌محور (Agentic entities) ترکیب شود که داده‌های مکالمه را با سایر داده‌های دیجیتال تطبیق می‌دهند. یافته‌های نویسندگان ثابت می‌کند که رفتار کلامی خاص هر فرد را می‌توان از داده‌های بلندمدت پیش‌بینی کرد، که این امر در را برای هوش مصنوعی پیش‌دستانه‌ای باز می‌کند که مداخلات خود را بر اساس الگوهای شناخته‌شده کاربر بنا می‌کند.

این پژوهش معیار شخصی‌سازی هوش مصنوعی را از «آگاهی از زمینه» به «پیش‌بینی رفتار» تغییر می‌دهد و ثابت می‌کند LLMها می‌توانند آینه‌ای از الگوهای ناخودآگاه ما باشند، به شرطی که داده‌های طولی کافی دریافت کنند. برای حوزه یادگیری ماشین (ML)، این موضوع استفاده از داوران خودکار (مانند GPT-5) را برای امتیازدهی به قصدهای ارتباطی پیچیده تأیید می‌کند.

در آینده باید منتظر ظهور مدل‌های رفتاری «اول-محلی» (Local-first) باشیم که برای کاهش ریسک‌های حریم خصوصی ذاتی در این سطح از ادغام انسان و ماشین، به‌طور کامل روی دستگاه اجرا می‌شوند.

گام بعدی شما

• اگر توسعه‌دهنده هستید، بررسی کنید که چگونه استخراج قوانین «اگر-آنگاه» می‌تواند جایگزین پنجره‌های متنی حجیم و گران‌قیمت شود.
• برای کاربران نهایی، دنبال کردن ظهور مدل‌های «اول-محلی» (Local-first) که تمام پردازش‌ها را روی دستگاه انجام می‌دهند، برای حفظ حریم خصوصی ضروری است.
• مطالعه متدهای بی‌نام‌سازی داده‌های صوتی (Anonymization) برای پیاده‌سازی سیستم‌های تحلیل رفتار در محیط‌های حساس.

اما داستان سخت‌افزاری این تحول و نحوه پردازش این حجم از داده در لبه، حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های پردازشی نسل جدید مراجعه کنید.