PsychAdapter: anpassa LLM:er för att återspegla egenskaper, personlighet och mental hälsa

Varför det spelar roll att forma AI‑personligheter

De flesta chattbotar och skrivverktyg som används i dag låter märkligt lika: vänliga, ordrika och något generiska. Men verkliga människor är inte generiska — vi skiljer oss åt i personlighet, humör, ålder och livsomständigheter, och dessa skillnader syns tydligt i hur vi skriver och talar. Denna artikel presenterar PsychAdapter, ett nytt sätt att ge stora språkmodeller (LLM:er) justerbara ”personligheter” och profiler för mental hälsa, så att de kan generera text som bättre speglar den stora variationen av verkliga mänskliga röster.

Att lära maskiner att låta som olika människor

PsychAdapter är ett litet tillägg som kopplas in i befintliga språkmodeller som GPT‑2, Gemma eller LLaMA. Istället för att bara mata modellen med ord och be den fortsätta en mening matar forskarna också in en kompakt profil av skribenten: poäng för de Fem Stora personlighetsdragen (som extraversion och vänlighet), nivåer av depression eller livstillfredsställelse, och grundläggande demografisk information som ålder. Dessa poäng är kontinuerliga, som en reglage som kan ställas var som helst från mycket låg till mycket hög, snarare än ett fåtal fasta etiketter. PsychAdapter expanderar denna lilla vektor och kopplar den till varje lager i modellen så att hela skrivprocessen mjukt styrs av den valda psykologiska profilen, utan att förlita sig på komplexa prompts.

Från egenskapsreglage till livfulla meningar

För att träna PsychAdapter använde teamet stora samlingar av offentliga inlägg från sociala medier och bloggar. Separata psykologiska modeller uppskattade först personlighet, depression, livstillfredsställelse och ålder för varje meddelande baserat på det språk som användes. Dessa uppskattade poäng blev undervisningssignaler: språkmodellen tränades att rekonstruera varje meddelande samtidigt som den såg den korresponderande psykologiska profilen. När den väl var tränad kan PsychAdapter ta vilken önskad kombination av poäng som helst — till exempel ”mycket hög extraversion, låg vänlighet” eller ”äldre vuxen med låg livstillfredsställelse” — och generera ny text som matchar den profilen, ibland med början från en kort prompt som ”Jag gillar att…”. Det tillagda adaptern är litet jämfört med basmodellen (ofta mindre än en‑tiondel av en procent av de ursprungliga parametrarna), så det kan lätt delas och kopplas in.

Kontrollera om AI verkligen ändrar sin ton

För att se om PsychAdapter verkligen fångade egenskaper snarare än bara producerade slumpmässiga variationer bad forskarna experter i psykologi att agera domare. För varje egenskap genererade systemet uppsättningar meddelanden avsedda att återspegla låga, genomsnittliga eller höga nivåer (till exempel låg jämfört med hög extraversion). Experterna, som inte informerades om vilken grupp som var vilken, skulle matcha varje textgrupp med avsedd nivå. Över egenskaperna var de korrekta ungefär 87 % av gångerna för personlighet, och nästan 97 % för depression och livstillfredsställelse — långt över slumpnivån. När systemet nudgades med enkla prompts som ”Jag gillar att…” ökade träffsäkerheten ytterligare. Ett separat test använde en avancerad AI‑modell som bedömare; den var i ungefär samma grad överens med mänskliga experter som experterna var med varandra och upptäckte ibland egenskaper ännu mer konsekvent.

Blanda egenskaper, åldrar och livsområden

PsychAdapter är inte begränsat till en egenskap åt gången. Systemet kan kombinera personlighetsdimensioner, nivåer av mental hälsa och demografiska faktorer i en och samma profil. Författarna visade att att ändra ”ålder” medan man höll depression eller livstillfredsställelse konstant ledde till olika stilar i meddelandena: yngre röster pratade om föräldrar, skola och första skoldagar, medan äldre röster nämnde makar, barn och långsiktiga bekymmer. Genom att matematiskt rotera två personlighetsdrag (extraversion och vänlighet) till ”värme” och ”dominans” kopplade de också utdata till en klassisk psykologisk modell för interpersonliga stilar. Genererade texter i regioner märkta exempelvis ”Självsäker‑Dominant” eller ”Kallhjärtad” stämde överens med vad teorin förutspår. Metoden fungerade för korta tweets och längre blogginlägg, och över flera olika underliggande språkmodeller.

Möjligheter och risker för människa‑AI‑interaktion

Där PsychAdapter kan finjustera en AIs stil och känslomässiga ton öppnas möjligheter för mer människoliknande tillämpningar. Träningssimulationer för terapeuter eller krislinje‑personal kan utsätta dem för säkra men realistiska samtalspartner med olika personligheter och stressnivåer. Kundtjänst‑botar eller utbildningsverktyg kan anpassa språket efter användarens ålder, läsnivå eller föredragna stil. Forskare kan också använda systemet som ett laboratorium: genom att vrida upp eller ner egenskaper och prompta för specifika ämnen kan de utforska hur personlighet och mental hälsa kan forma språk i många sammanhang utan att vänta på sällsynta verkliga data.

Vad detta innebär för vardagsanvändare

För en lekman är slutsatsen att framtida AI‑system kanske inte bara svarar på frågor — de kan anta ett brett spektrum igenkännbara människoliknande röster. Med något som PsychAdapter kan en enda basmodell formas för att låta mer introvert eller extrovert, uppåt eller nedstämd, ung eller gammal, helt enkelt genom att flytta några reglage. Denna flexibilitet kan göra AI‑verktyg mer relaterbara och användbara, men den väcker också nya etiska frågor, såsom risken för riktad övertygelse eller bedrägliga ”personas”. Författarna menar att, använd på ett ansvarsfullt sätt, erbjuder PsychAdapter ett kraftfullt nytt sätt att studera hur våra inre egenskaper visar sig i ord och att bygga AI som bättre speglar mångfalden i verklig mänsklig kommunikation.

Citering: Vu, H., Nguyen, H.A., Ganesan, A.V. et al. PsychAdapter: adapting LLMs to reflect traits, personality, and mental health. npj Artif. Intell. 2, 26 (2026). https://doi.org/10.1038/s44387-026-00071-9

Nyckelord: psychadapter, personlighetsmedveten AI, språk för mental hälsa, stora språkmodeller, personaliserad textgenerering