Taalgebaseerde beoordelingen kunnen psychologisch en subjectief welzijn voorspellen

Waarom woorden kunnen onthullen hoe het echt met ons gaat

De meesten van ons hebben wel eens vragenlijsten met aan- of afvinkvakjes ingevuld over geluk of mentale gezondheid. Maar onze stemmingen en gevoel van zin geven we meestal uitdrukking in verhalen: wat we zeggen over ons leven, onze doelen en onze relaties. Dit artikel onderzoekt of moderne kunstmatige intelligentie naar die verhalen—geschreven of gesproken—kan luisteren en kan inschatten hoe tevreden en vervuld we ons voelen, en daarmee mogelijk een nieuwe manier biedt om welzijn in het dagelijks leven te monitoren.

Twee soorten ‘goed gaan’

Psychologen maken vaak een onderscheid tussen twee brede typen welzijn. Het ene is subjectief of ‘hedonisch’ welzijn: je goed voelen, meer positieve dan negatieve emoties ervaren en over het algemeen tevreden zijn met je leven. Het andere is psychologisch of ‘eudaimonisch’ welzijn: het gevoel dat het leven betekenis heeft, dat we groeien, zelfsturing ervaren en volgens onze waarden leven. Hoewel AI-tools al hebben laten zien dat ze levensvoldoening uit korte tekstantwoorden kunnen inschatten, was onduidelijk of ze ook diepere kwaliteiten kunnen detecteren zoals autonomie—het gevoel dat we onze eigen keuzes maken—en andere facetten van psychologisch welzijn.

Naar iemands reflecties luisteren

In drie onderzoeken werden volwassenen en studenten gevraagd open vragen over hun leven te beantwoorden. Sommige prompts richtten zich op levensvoldoening (bijvoorbeeld: “Ben je over het algemeen tevreden met je leven of niet?”), terwijl andere aspecten van psychologisch welzijn onderzochten, zoals autonomie (“Op welke manieren worden jouw beslissingen wél of niet beïnvloed door wat anderen doen?”), persoonlijke groei, relaties en doelgerichtheid. Deelnemers reageerden door paragrafen te schrijven of minimaal een minuut te spreken; hun audio werd naar tekst getranscribeerd. Iedereen vulde ook standaard vragenlijsten in voor levensvoldoening en psychologisch welzijn, die als vergelijking dienden.

Hoe AI verhalen in scores omzet

De onderzoekers voerden de tekst van deze reflecties in geavanceerde taalmodellen op basis van transformer-technologie, die elke reactie representeren als een hoogdimensionaal numeriek patroon. Met statistische methoden trainden ze modellen om de scores uit de vragenlijsten te voorspellen uit die patronen en controleerden hoe nauw de voorspellingen overeenkwamen met de werkelijkheid. In de eerste twee studies deden de modellen het redelijk: taalgebaseerde voorspellingen voor autonomie en levensvoldoening hingen matig samen met de werkelijke scores van mensen, en lieten ook enige generaliseerbaarheid zien naar verwante eigenschappen zoals het gevoel capabel, verbonden met anderen of doelgericht te zijn. Deze correlaties waren echter duidelijk lager dan in eerder werk dat veel kortere, trefwoordachtige antwoorden in plaats van narratieven gebruikte.

Levensvoldoening is makkelijker te horen dan autonomie

De derde en grootste studie verscherpte het beeld. Hier maakten schriftelijke antwoorden over levensvoldoening het model in staat de vragenlijstscores vrij goed te voorspellen, terwijl voorspellingen voor autonomie merkbaar zwakker waren. Toen het team hun systeem vergeleek met de nieuwste AI-modellen (GPT-3.5 en GPT-4), bleken die nieuwere systemen nog beter in het lezen van levensvoldoening uit taal, maar slechts bescheiden beter in het aflezen van autonomie. Om te begrijpen waarom, onderzochten de auteurs welke woorden vaak opdoken in hoog- en laag scorende reacties. Hoge levensvoldoening ging samen met positieve emotie- en sociale woorden—termen als “liefde”, “dankbaar”, “echtgenoot” en “vrienden”. Antwoorden met lage tevredenheid daarentegen leunden meer op onzeker, probleemgericht taalgebruik zoals “denken”, “lijken” en “misschien”.

Waarom innerlijke vrijheid moeilijker te lezen is

De taal die met autonomie verbonden was, zag er anders uit. Mensen die lager scoorden op autonomie gebruikten veel cognitieve en evaluerende woorden, wat duidt op zorgen, het zichzelf afvragen en het proberen te voldoen aan externe verwachtingen. Degenen met hogere autonomie gebruikten ook reflectieve taal, maar combineerden die met actie en handelingsvermogen—woorden gerelateerd aan kiezen, doen en richting doelen bewegen. In plaats van een handvol gemeenschappelijke trefwoorden leek autonomie op zeer individuele manieren tot uiting te komen die afhankelijk waren van iemands levenscontext. Dat maakte het voor AI-modellen, zelfs zeer krachtige, moeilijker een eenvoudige taalkundige handtekening van deze diepere psychologische kwaliteit te ontdekken.

Wat dit betekent voor gebruik in de praktijk

Samengevat concluderen de auteurs dat taalgebaseerde tools al behoorlijk goed zijn in het inschatten of mensen tevreden zijn met hun leven, vooral bij gebruik van state-of-the-art AI. Maar ze hebben meer moeite met subtielere, persoonlijkere dimensies van welzijn zoals autonomie en andere aspecten van betekenis en groei. Voorlopig kunnen deze tools nuttig zijn als weinig belastende, contextrijke aanvullingen op traditionele enquêtes—onderzoekers helpen om brede trends in geluk te volgen vanuit alledaagse schrijf- of spreekdata. Ze zijn echter nog niet klaar om zorgvuldige, multimethodische beoordelingen in de geestelijke gezondheidszorg of klinische omgevingen te vervangen, zeker niet wanneer beslissingen afhangen van het begrijpen van de complexere, innerlijke lagen van hoe mensen hun leven ervaren.

Bronvermelding: Mesquiti, S., Cosme, D., Nook, E.C. et al. Language-based assessments can predict psychological and subjective well-being. Commun Psychol 4, 33 (2026). https://doi.org/10.1038/s44271-026-00400-3

Trefwoorden: welzijn, levensvoldoening, autonomie, taalanalyse, kunstmatige intelligentie