Je Engels verraadt meer dan je denkt. Wie Engels als tweede taal schrijft, neemt onbewust sporen mee uit de moedertaal. Onderzoekers van een nieuw artikel, gepubliceerd op 16 oktober 2026 via arxiv.org, hebben die sporen nu nauwkeurig te traceren. Ahmet Yavuz Uluslu en collega's ontwikkelden een methode die met grote precisie voorspelt uit welke taalachtergrond een tekst komt.
Hoe het werkt: niet vragen, maar rekenen
Eerdere systemen vroegen een taalmodel rechtstreeks: 'uit welke taal komt deze schrijver?' De nieuwe aanpak doet iets slimmers. De onderzoekers plakken een zogenaamde 'prompt prefix' voor de tekst, waarin één kandidaat-moedertaal staat. Het model berekent dan hoe waarschijnlijk de woorden in de tekst zijn, gegeven die prefix. Welke kandidaat-taal de hoogste score haalt, geldt als de meest waarschijnlijke moedertaal van de auteur.
Het idee erachter: vooraf getrainde taalmodellen bevatten vanzelf subtiele patronen die verschillende taalachtergronden in L2-Engels van elkaar onderscheiden. Die informatie zit al in het model — je hoeft hem alleen maar goed uit te vragen.
🧠 Even simpel uitgelegd
Een groot taalmodel (LLM) voorspelt telkens welk woord het meest waarschijnlijk volgt. Die voorspellingen zijn nooit 100 procent zeker: het model geeft elk mogelijk woord een kans, een zogenaamde 'token-waarschijnlijkheid'. Iemand die Nederlands als moedertaal heeft, maakt in het Engels andere 'typische' keuzes dan iemand met Spaans of Japans als moedertaal. De onderzoekers laten het model voor elke mogelijke moedertaal berekenen: 'hoe waarschijnlijk is deze tekst als deze schrijver uit dat land komt?' De taal met de hoogste kans wint. Alsof je een detective drie verhaaltjes laat schrijven — één per verdachte — en kijkt welk verhaaltje het beste bij de echte tekst past.
Getest op drie datasets, met twee Llama-modellen
De onderzoekers testten de methode met twee versies van Llama 3.1: het compacte 8B-model en het grote 70B-model. De evaluatie vond plaats op drie datasets: TOEFL9, Write and Improve 2024 en BULATS-L1.
De uitkomst is duidelijk. Scoring op basis van token-waarschijnlijkheid presteert aanzienlijk beter dan eerdere methoden die op directe classificatie via prompting leunden. De sprong vooruit was vooral groot bij het kleinere 8B-model. Het 70B-model haalde volgens de publicatie zelfs het niveau van de huidige state-of-the-art — over álle gebruikte datasets heen.
Waarom dit relevant is
Digitale communicatie is wereldwijd enorm divers. Op platforms voor internationale contacten, zoals findmate.app, komen gebruikers samen uit regio's als Azië, Oost-Europa en Latijns-Amerika — met veel leden uit landen als de Filipijnen, Thailand en Vietnam. In zulke internationale contexten spelen taalverschillen voortdurend een rol.
Technieken als deze NLI-methode kunnen helpen om taalvariaties beter te begrijpen en communicatie tussen mensen met verschillende achtergronden soepeler te maken.
De conclusie
De auteurs zijn ondubbelzinnig: de interne waarschijnlijkheidsscores van LLM's zijn een krachtig instrument om de moedertaal van een spreker te achterhalen. Door directe vraag-antwoordclassificatie te vervangen door probabilistische scoring, herkennen taalmodellen veel nauwkeuriger welke kenmerken een spreker onbewust meeneemt van de moedertaal naar het Engels.