Un gruppo di ricercatori del MIT ha sviluppato un sistema basato su modelli linguistici in grado di utilizzare settimane di conversazioni quotidiane di una persona per individuare schemi ricorrenti e prevedere quale comportamento comunicativo potrebbe manifestare successivamente in una determinata situazione. Il lavoro, intitolato Before You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMs, non cerca di anticipare parola per parola ciò che un individuo dirà, ma di prevedere la funzione e l’intenzione della sua risposta, per esempio se tenderà a minimizzare un problema, evitare un confronto, giustificare una decisione o reagire secondo uno schema già osservato in circostanze simili. L’obiettivo è creare sistemi di intelligenza artificiale anticipatori capaci, in prospettiva, di riconoscere l’insorgere di determinati comportamenti prima che si manifestino e di fornire all’utente un intervento contestuale, come un promemoria personalizzato attraverso uno smartwatch.
Lo studio ha coinvolto 14 adulti anglofoni, che hanno indossato per un periodo compreso tra sette e dieci giorni uno smartwatch configurato per rilevare automaticamente la presenza di voce durante le normali attività quotidiane. Sono state raccolte complessivamente più di 1.000 ore di conversazioni naturali. Il dispositivo inviava al sistema clip audio della durata di due o tre minuti quando rilevava del parlato; i partecipanti, retribuiti con 100 dollari, dovevano inoltre informare le persone presenti della registrazione e ottenere il loro consenso prima dell’interazione. L’audio è stato trascritto e separato per interlocutore mediante il modello Nova-3-meeting di Deepgram, mentre SpeechBrain è stato utilizzato per riconoscere la voce del partecipante confrontandola con un campione di 20 secondi registrato durante la fase iniziale. I dati identificativi presenti nelle trascrizioni sono stati sostituiti con segnaposto anonimi tramite il sistema di Named Entity Recognition di spaCy; successivamente l’audio originale è stato eliminato e le trascrizioni sono state conservate con crittografia AES-256-GCM.
Al termine della raccolta, ciascun partecipante ha potuto esaminare le proprie conversazioni attraverso un’interfaccia web, cancellare i contenuti che non desiderava includere nello studio e correggere eventuali errori nell’attribuzione degli interlocutori o nel contesto della conversazione. In media è stato eliminato lo 0,16% delle trascrizioni e il 2,48% dei segmenti è stato segnalato come classificato in modo errato. Il dataset risultante comprendeva 15.066 enunciati, il 57% pronunciato dai partecipanti e il 43% dagli altri interlocutori, con una lunghezza media di 49 parole. Una successiva fase di pulizia ha eliminato gli scambi troppo brevi, rimosso esitazioni e disfluenze del parlato e ricomposto le frasi frammentate, riducendo il dataset utilizzato per l’analisi a 9.901 enunciati.
Il sistema deriva dal precedente progetto Mind Mapper e utilizza un metodo denominato Situational Reasoning. Invece di fornire semplicemente al modello l’intera cronologia delle conversazioni, la pipeline trasforma le osservazioni longitudinali in regole comportamentali interpretabili del tipo “IF-THEN-EXCEPT”: una determinata situazione viene associata a un comportamento ricorrente, insieme alle condizioni nelle quali quella regola normalmente non si applica. Durante l’elaborazione vengono generate ipotesi sui comportamenti, cercate prove favorevoli e contrarie, unite le regole sovrapposte, eliminate quelle scarsamente supportate e calcolati livelli di probabilità e confidenza. I pattern vengono aggiornati man mano che aumentano le interazioni disponibili e, quando si presenta una nuova conversazione, il sistema seleziona quelli compatibili con il contesto corrente e li passa al modello linguistico per produrre la previsione.
Per gli esperimenti è stato utilizzato Gemini 2.5 Pro, confrontando l’approccio basato sui pattern con diverse alternative: una modalità zero-shot che considerava soltanto la conversazione corrente, una modalità che forniva al modello l’intera cronologia disponibile e una rappresentazione della storia dell’utente sotto forma di sintesi narrativa. GPT-5 è stato impiegato come valutatore automatico delle previsioni, analizzandone corrispondenza con l’intenzione comunicativa effettiva, specificità e capacità di rappresentare contemporaneamente più funzioni comunicative; l’affidabilità di questa valutazione è stata verificata anche attraverso un gruppo indipendente di 40 valutatori umani.
I risultati mostrano che l’approccio basato sui pattern migliora progressivamente con l’accumularsi dei dati personali. Il punteggio medio della previsione condizionata dai pattern ha raggiunto 0,597, contro 0,463 della modalità zero-shot e 0,502 del sistema che utilizzava direttamente l’intera cronologia, con miglioramenti rispettivamente del 28,9% e del 18,9%. Mentre le prestazioni delle due configurazioni di confronto sono rimaste sostanzialmente stabili con l’aumentare dei dati, quelle del Situational Reasoning sono cresciute del 23,6%. Un ulteriore test, nel quale i pattern di ogni partecipante venivano sostituiti con quelli appartenenti a un’altra persona scelta casualmente, ha prodotto un punteggio di 0,460, fornendo un’indicazione del carattere effettivamente individuale delle regole apprese.
La valutazione umana su 200 scenari ha classificato il metodo basato sui pattern come migliore nel 43% dei confronti, contro il 24% dell’approccio con l’intera cronologia, il 18% dello zero-shot e il 15% delle sintesi narrative. I ricercatori hanno inoltre chiesto ai partecipanti di identificare, tra i pattern estratti dal sistema, quelli corrispondenti a comportamenti che desideravano modificare. Sono stati individuati complessivamente 114 pattern, associati a 912 momenti conversazionali. Su questo sottoinsieme il metodo ha raggiunto un punteggio di 0,858, rispetto a 0,607 dello zero-shot e 0,619 dell’intera cronologia, con miglioramenti rispettivamente del 41,3% e del 38,5%. I risultati indicano quindi una particolare efficacia nel riconoscimento di comportamenti ricorrenti già percepiti dagli stessi utenti come abitudini da cambiare.
Una parte dei partecipanti è stata ricontattata alcuni mesi dopo per discutere i pattern individuati, le strategie adottate per modificarli e il tipo di supporto che un sistema anticipatorio potrebbe offrire. Sono emerse soprattutto difficoltà nel riconoscere tempestivamente una vecchia abitudine, nell’evitare comportamenti automatici sotto stress e nel gestire situazioni socialmente ambigue o rapporti con figure percepite come autoritarie. Tra le funzioni considerate più utili figurano promemoria privati e non giudicanti, suggerimenti contestuali per riformulare una situazione, spostare l’attenzione, proporre alternative o richiamare obiettivi precedentemente fissati dall’utente. I partecipanti hanno comunque evidenziato anche il rischio di interventi fuori tempo o eccessivamente prescrittivi quando il sistema non dispone di un contesto sufficiente.
La ricerca dimostra quindi che il comportamento verbale individuale può essere previsto con maggiore accuratezza quando un LLM non si limita ad accumulare conversazioni precedenti, ma costruisce nel tempo una rappresentazione esplicita delle regolarità comportamentali legate alle singole situazioni. Lo scenario previsto dai ricercatori è quello di assistenti AI proattivi e fortemente personalizzati, capaci di intervenire nel momento in cui riconoscono l’avvicinarsi di un comportamento già osservato. Un’architettura di questo tipo richiede però l’elaborazione continuativa di conversazioni personali estremamente sensibili, rendendo centrali il controllo dei dati da parte dell’utente, l’anonimizzazione, la sicurezza delle registrazioni e la possibilità di ispezionare, correggere o eliminare i pattern costruiti dal sistema.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)