“Kun je het licht uitdoen?” Die simpele zin kan letterlijk een verzoek zijn, maar ook een vraag of iemand fysiek in staat is de schakelaar te bedienen. Waar mensen in zo’n geval gewoon even doorvragen, kiest een AI doorgaans stilletjes de meest waarschijnlijke lezing. Resultaat: een antwoord waar je niet op rekende en nul inzicht in waaróm het model die keuze maakte.
Onderzoekers Irina Saparina en Mirella Lapata vonden een oplossing. In plaats van te gokken, somt hun model alle plausibele interpretaties van een vage vraag op en beantwoordt elke lezing apart. Het werk verscheen op COLM 2026 en staat beschreven in arxiv.org.
De kracht van die aanpak is dat de gebruiker in één oogopslag ziet welke betekenissen het model heeft overwogen. Heen-en-weer-geberichten zijn overbodig. “Onze modellen zijn getraind met reinforcement learning, waarbij we een dubbele beloningsdoelstelling gebruiken,” schrijven de auteurs. Kort gezegd: bij dubbelzinnige invoer stuurt de training aan op het opvangen van álle geldige interpretaties (recall). Bij eenduidige invoer wordt juist beloond dat overbodige alternatieven worden weggelaten (precisie).
Het mooie is dat de training geen handmatig geannoteerde verhelderingsvragen of vooraf bepaalde interpretaties nodig heeft. Het model krijgt enkel een set geldige antwoorden per trainingsvoorbeeld. Uit experimenten met conversatievragen en semantic parsing blijkt dat deze aanpak meer correcte antwoorden oplevert dan gangbare baselines. Bovendien beoordelen mensen de voorspelde interpretaties als zinvolle verklaringen voor de gegeven antwoorden. De Cambridge Dictionary omschrijft reasoning als een actief afwegingsproces: cambridge.org. Dit werk geeft dat abstracte begrip een concrete, gebruiksvriendelijke invulling, precies zoals dezelfde definitie benadrukt cambridge.org.
De gestructureerde output – een rijtje interpretaties met elk een antwoord – is ideaal voor domeinen waar transparantie en uitlegbaarheid levensbelangrijk zijn. Denk aan medische adviezen, juridisch taalgebruik of elke situatie waarin een verkeerde aanname ernstige gevolgen kan hebben. Doordat het model in één keer alle lezingen teruggeeft, schiet de gebruikservaring bovendien omhoog: geen extra vragenrondes, minder onbegrip.
Met deze publicatie zetten de onderzoekers een concrete stap naar betrouwbaarder AI. Het expliciet benoemen van alternatieve interpretaties maakt het redeneervermogen van taalmodellen helder, veilig en bruikbaar in de echte wereld.
🧠 Even simpel uitgelegd Stel, je vraagt aan je slimme speaker: “Is het hier koud?” Het systeem kan denken dat je de temperatuur wilt weten (18 graden) of dat je wilt dat de verwarming aangaat. De meeste AI kiest er één en zegt bijvoorbeeld “Ja, het is 18 graden.” De nieuwe aanpak antwoordt: “Je kan bedoelen: 1) De temperatuur is 18 graden; 2) Ja, de verwarming kan aan.” Zo zie jij meteen wat het model dacht, en misverstanden blijven uit.