Onderzoekers hebben een nieuw framework ontwikkeld om te testen of kunstmatige intelligentie in staat is om de mentale evolutie van mensen tijdens complexe sociale interacties te voorspellen. De resultaten tonen aan dat huidige modellen moeite hebben met het begrijpen van dynamische mentale trajecten.
In een recent onderzoek getiteld "Can You Predict the Next Mind? Toward Multi-Turn Multi-Party Mental World Modeling" werpen wetenschappers een licht op een specifiek gat in de huidige ontwikkeling van multimodale fundamentele modellen. Hoewel AI-systemen grote vooruitgang hebben geboekt in het modelleren van de fysieke wereld, het genereren van content en belichaamde redenering, blijft hun vermogen om mentale werelden dynamisch te modelleren onderbelicht.
Volgens de publicatie op arxiv.org richten bestaande benchmarks zich voornamelijk op statische waarnemingen van mentale toestanden of besluitvorming op de korte termijn. Hierdoor worden de dynamische mentale trajecten die ontstaan tijdens interacties tussen meerdere partijen over meerdere beurten heen, vaak over het hoofd gezien.
Introductie van M³WME-Bench en MindNext-7B
Om dit probleem aan te pakken, hebben auteurs Jiahao Huang en Zheng Lian de M³WME-Bench geïntroduceerd. Dit is een benchmark die specifiek is ontworpen om de modellering van mentale werelden te evalueren, waarbij de focus ligt op de evoluerende acties van de deelnemers aan een interactie. Modellen die via deze benchmark worden getest, krijgen de opdracht om de toekomstige mentale toestanden en het gedrag van een specifiek subject te voorspellen gedurende uitgebreide sociale interacties.
Naast de benchmark hebben de onderzoekers ook de volgende middelen ontwikkeld:
* M³WME-23K: Een gespecialiseerde trainingsdataset die is samengesteld voor dit doel.
* MindNext-7B: Een competitieve baseline-model dat als referentiepunt dient voor andere systemen.
Analyse van huidige AI-capaciteiten
De onderzoekers hebben uitgebreide evaluaties uitgevoerd over vier verschillende paradigma's: algemene multimodale grote taalmodellen (MLLMs), MLLMs die gespecialiseerd zijn in emoties, agentische frameworks en zogenaamde 'World Foundation Models'. Uit de resultaten blijkt dat huidige systemen consistent moeite hebben om vooruitblikkende mentale toestanden accuraat te anticiperen.
Een mechanische analyse in het onderzoek onthult dat de huidige architecturen fundamenteel tekortschieten in het begrijpen van de overgangsdynamiek van mentale toestanden. Dit betekent dat AI weliswaar een huidige emotie of gedachte kan herkennen, maar niet goed kan voorspellen hoe deze toestand verandert als gevolg van een sociale interactie.
De weg naar sociaal adaptieve AI
De bevindingen van Huang en Lian benadrukken een cruciale uitdaging voor de toekomst van kunstmatige intelligentie. De overstap van fysieke wereldmodellering naar mentale wereldmodellering is essentieel voor het creëren van AI-agenten die werkelijk sociaal adaptief zijn.
Het vermogen om te 'voorspellen' — wat volgens het cambridge.org wordt gedefinieerd als het zeggen dat een gebeurtenis of actie in de toekomst zal plaatsvinden op basis van kennis of ervaring — is in deze context niet beperkt tot feitelijke gebeurtenissen, maar strekt zich uit tot de psychologische staat van een mens.
Het onderzoek, dat is ingediend op 2 november 2026 en is gecategoriseerd onder Human-Computer Interaction op , biedt daarmee een nieuwe richting voor de ontwikkeling van AI die beter kan navigeren in complexe menselijke sociale dynamieken. De volledige details van de methodologie en de resultaten zijn terug te vinden in het 14 pagina's tellende document op de .