De inzet van kunstmatige intelligentie als emotionele steunpilaar of digitale metgezel neemt toe, maar de wetenschappelijke onderbouwing van dit gedrag blijft beperkt. In een studie gepubliceerd op 13 augustus 2026 stellen onderzoekers Junkai Zhou, Shiting Guan en Zhaoyi Zhang dat de huidige methoden om AI te evalueren tekortschieten. Volgens de auteurs in een publicatie via arxiv.org focussen bestaande tests te veel op algemene persoonlijkheidstrekken, waardoor er onvoldoende inzicht is in hoe modellen reageren binnen intieme of emotioneel beladen situaties.
Psychologische benadering van AI
Om dit tekort aan inzicht aan te pakken, hebben de onderzoekers de hechtingstheorie voor volwassenen toegepast op de evaluatie van kunstmatige intelligentie. Hierbij maken zij gebruik van de Experiences in Close Relationships-Revised (ECR-R) schaal. Deze psychologische benadering stelt hen in staat om specifieke kenmerken, zoals hechtingsangst en vermijdingsgedrag, te identificeren binnen de interacties van een taalmodel.
Het uiteindelijke doel is om vast te stellen hoe verschillende systemen functioneren wanneer zij een rol aannemen die verder gaat dan het simpelweg verstrekken van informatie, zoals in een vriendschappelijke of romantische context. Door deze lens kunnen ontwikkelaars beter bepalen welk model het meest passend is voor specifieke vormen van emotionele ondersteuning, zoals beschreven in het onderzoek op .
De introductie van ECBench
Als concreet instrument voor deze analyse hebben de wetenschappers ECBench ontwikkeld. Dit is een benchmark die specifiek is ontworpen om het vermogen van AI tot emotioneel gezelschap te testen. De evaluatie vindt plaats binnen vier realistische scenario's: het bieden van emotionele steun, het samenwerken aan taken, het oplossen van conflicten en het geven van sociale begeleiding.
Om de kwaliteit van de interacties objectief te meten, hanteert ECBench elf verschillende metrieken voor dialoogkwaliteit en drie specifieke evaluatiemethoden. In totaal zijn 32 verschillende grote taalmodellen onderzocht op hun hechtingsneigingen. De onderzoekers analyseerden vervolgens hoe deze neigingen doorsijpelen in gesprekken met meerdere beurten en of dit gedrag gestuurd kan worden via specifieke prompting.
Technologische basis van LLM's
De systemen die in dit onderzoek centraal staan, zijn gebaseerd op complexe neurale netwerken. Zoals uitgelegd door geeksforgeeks.org, zijn grote taalmodellen (LLM's) AI-systemen die patronen, grammatica en context extraheren uit gigantische hoeveelheden data. De kern van deze technologie is de Transformer-architectuur, die via mechanismen zoals self-attention in staat is om contextuele betekenissen en lange-afstandsafhankelijkheden in teksten te begrijpen.
Hoewel bekende modellen zoals GPT-4o, Gemini 1.5 en Claude 3 vaak worden gewaardeerd om hun vermogen tot redeneren en het schrijven van code — capaciteiten die verder worden toegelicht door — richt het werk van Zhou en collega's zich juist op de menselijke kant. Door de combinatie van de ECR-R schaal en de ECBench-benchmark ontstaat er nu een theoretisch en praktisch kader om AI-modellen te selecteren die optimaal aansluiten bij de emotionele behoeften van de gebruiker.