De manier waarop kunstmatige intelligentie menselijke emoties interpreteert, is niet uniform. Uit recent wetenschappelijk onderzoek blijkt dat de interne structuur van emoties in grote taalmodellen (LLM's) sterk verschilt per gevoel, wat direct invloed heeft op de nauwkeurigheid waarmee deze systemen emoties kunnen herkennen.
In een studie gepubliceerd via arxiv.org leggen onderzoekers Bangzhao Shu, Arinjay Singh en Mai ElSherief uit dat de prestaties van AI-modellen bij emotie-detectie ongelijkmatig zijn. Terwijl sommige emoties zeer accuraat worden geïdentificeerd, vertonen andere emoties een consistent lager succespercentage. Om dit fenomeen te verklaren, hebben de wetenschappers gebruikgemaakt van sparse autoencoders (SAE's), een techniek die het mogelijk maakt om specifieke kenmerken of 'features' te isoleren die de besluitvorming van het model sturen.
De analyse laat zien dat emoties zoals angst en verrassing worden aangestuurd door geconcentreerde sets van kenmerken. Dit betekent dat het model een helder en specifiek intern pad volgt om deze emoties te labelen. Echter, bij andere gevoelens ligt dit complexer. Zo beschrijven de auteurs in hun dat de emotie walging een veel meer verspreide en zwakkere causale organisatie heeft. Hierdoor is de herkenning minder eenduidig.
Een belangrijk mechanistisch probleem is de overlap tussen verschillende emoties. De kenmerken die horen bij walging worden vaak gelijktijdig geactiveerd met die van andere emoties, waarbij vooral de kenmerken van woede dominant zijn. Deze overschaduwing zorgt ervoor dat het model vaker walging verwart met woede of deze simpelweg over het hoofd ziet.
Om deze tekortkomingen aan te pakken, hebben de onderzoekers geëxperimenteerd met interventies. Door middel van targeted steering werden de zwakkere causale kenmerken versterkt om specifieke fouten te corrigeren. Daarnaast leidde een globale optimalisatie van een steering vector over de geïdentificeerde kenmerken tot een algehele verbetering in de emotieherkenning van de modellen.
Deze doorbraak is relevant gezien de groeiende rol van LLM's in de samenleving. Zoals uitgelegd door theairankings.com, zijn dit systemen die getraind zijn op enorme hoeveelheden tekst om tokens te voorspellen, waardoor ze in staat zijn tot complexe taken zoals programmeren en samenvatten. In de huidige markt van 2026 worden modellen zoals ChatGPT en Claude Opus 5.5 als leidend beschouwd in diverse categorieën, waaronder algemene AI-toepassingen en schrijfwerk, zoals verder beschreven op .
Het in kaart brengen van deze interne mechanismen is cruciaal voor de ontwikkeling van AI-systemen die in mensgerichte applicaties worden ingezet. Het werk van Shu en collega's biedt een fundament om AI-modellen te bouwen die menselijke emoties op een betrouwbaardere en accuratere wijze kunnen interpreteren.