Språkbaserade bedömningar kan förutsäga psykologiskt och subjektivt välbefinnande

Varför ord kan avslöja hur vi verkligen mår

De flesta av oss har fyllt i kryssrutor i enkäter om lycka eller psykisk hälsa. Men våra sinnesstämningar och vår känsla av mening uttrycks oftare i berättelser: vad vi säger om våra liv, våra mål och våra relationer. Den här artikeln undersöker om modern artificiell intelligens kan lyssna på dessa berättelser—skrivna eller talade—och uppskatta hur nöjda och uppfyllda vi känner oss, vilket potentiellt erbjuder ett nytt sätt att övervaka välbefinnande i vardagen.

Två slags ”att ha det bra”

Inom psykologin skiljer man ofta mellan två breda typer av välbefinnande. Den ena är subjektivt eller ”hedoniskt” välbefinnande: att må bra, ha fler positiva än negativa känslor och vara övergripande nöjd med livet. Den andra är psykologiskt eller ”eudaimoniskt” välbefinnande: att känna att livet är meningsfullt, att vi växer, är självstyrande och lever i enlighet med våra värderingar. Även om AI-verktyg redan visat att de kan uppskatta livstillfredsställelse utifrån korta textsvar, har det varit oklart om de också kan upptäcka djupare egenskaper som autonomi—känslan av att fatta egna val—och andra aspekter av psykisk hälsa.

Att lyssna på människors reflektioner

I tre studier ombads vuxna och universitetsstudenter svara på öppna frågor om sina liv. Vissa uppmaningar fokuserade på livstillfredsställelse (till exempel: ”Är du överlag nöjd med ditt liv eller inte?”) medan andra undersökte aspekter av psykologiskt välbefinnande, såsom autonomi (”På vilka sätt påverkas—eller påverkas inte—dina beslut av vad andra gör?”), personlig utveckling, relationer och livssyfte. Deltagarna svarade antingen genom att skriva stycken eller genom att tala i minst en minut; deras ljudfiler transkriberades till text. Alla fyllde också i standardiserade skattningsformulär för livstillfredsställelse och psykologiskt välbefinnande som fungerade som jämförelse.

Hur AI förvandlade berättelser till poäng

Forskarna matade texten från dessa reflektioner in i avancerade språkmodeller baserade på transformerteknik, som representerar varje svar som ett högdimensionellt numeriskt mönster. Med statistiska metoder tränade de modeller att förutsäga deltagarnas enkätpoäng utifrån dessa mönster och kontrollerade hur väl förutsägelserna stämde med verkligheten. I de två första studierna gjorde modellerna ett hyfsat jobb: språkbaserade förutsägelser för autonomi och livstillfredsställelse var måttligt relaterade till deltagarnas faktiska poäng, och de visade också viss förmåga att generalisera till närliggande egenskaper som att känna sig kapabel, knuten till andra eller ha ett syfte. Dessa korrelationer var dock tydligt lägre än de som rapporterats i tidigare arbete som använde mycket kortare, nyckelordsorienterade svar istället för berättelser.

Livstillfredsställelse är lättare att höra än autonomi

Den tredje och största studien klargjorde bilden. Här gjorde skrivna svar om livstillfredsställelse att modellen kunde förutsäga enkätpoängen ganska väl, medan förutsägelserna för autonomi var märkbart svagare. När teamet jämförde sitt system med ledande AI-modeller (GPT-3.5 och GPT-4) var de nyare systemen ännu bättre på att läsa av livstillfredsställelse från språk men endast måttligt bättre på att läsa autonomi. För att förstå varför undersökte författarna vilka ord som tenderade att förekomma i högt respektive lågt poängsatta svar. Hög livstillfredsställelse gick hand i hand med ord för positiv känsla och sociala termer—ord som ”kärlek”, ”tacksam”, ”make/maka” och ”vänner”. Svar med låg tillfredsställelse lutade däremot mot osäkrare, problemfokuserat språk såsom ”tycka”, ”verka” och ”kanske”.

Varför inre frihet är svårare att läsa av

Språket kopplat till autonomi såg annorlunda ut. Personer som fick lägre poäng på autonomi använde många kognitiva och utvärderande ord, vilket tyder på oro, eftertanke och försök att leva upp till yttre förväntningar. De med högre autonomi använde också reflekterande språk, men blandade det med handling och agentkapacitet—ord relaterade till att välja, göra och röra sig mot mål. Istället för några få vanliga nyckelord verkade autonomi uttryckas på mycket individuella sätt som berodde på varje persons livskontext. Det gjorde det svårare för AI-modeller, även mycket kraftfulla sådana, att identifiera en enkel språklig signatur för denna djupare psykologiska egenskap.

Vad detta innebär för verklig användning

Sammantaget drar artikeln slutsatsen att språkbaserade verktyg redan är ganska bra på att uppskatta om människor känner sig nöjda med sina liv, särskilt när man använder toppmoderna AI-system. Men de har svårare för subtilare, mer personliga dimensioner av välbefinnande som autonomi och andra aspekter av mening och tillväxt. För nu kan dessa verktyg vara användbara som lågtröskel, kontextrika kompletteringar till traditionella enkäter—hjälpmedel för forskare att följa breda trender i lycka från vardagligt skrivande eller tal. De är dock inte redo att ersätta noggranna, multimodala bedömningar inom psykisk hälsa eller kliniska sammanhang, särskilt när beslut kräver förståelse av de mer komplexa, inre lagren i hur människor upplever sina liv.

Citering: 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

Nyckelord: välbefinnande, livstillfredsställelse, autonomi, språkanalys, artificiell intelligens