Onderzoekers van Tufts University ontwikkelden NeuroBridge, een AI-hulpmiddel dat bedoeld is om niet‑autistische mensen te helpen autistische communicatie beter te begrijpen. Autistische mensen gebruiken soms minder non‑verbale signalen en interpreteren ironie of beeldspraak vaker letterlijk. Zij geven vaak de voorkeur aan directe, heldere formuleringen; indirecte vragen kunnen daardoor als niet urgent worden gelezen.
In plaats van autistische mensen te trainen om anders te handelen, leert NeuroBridge juist niet‑autistische gebruikers hun eigen spraak aan te passen. Het systeem gebruikt grote taalmodellen en presenteert bij een gespreksscenario drie antwoordopties die inhoudelijk gelijk zijn maar verschillen in toon en duidelijkheid.
De onderzoekers publiceerden hun werk op een internationale conferentie en ontvingen positieve feedback na tests. Ze willen nu onderzoeken hoe het hulpmiddel neurodiverse studenten op de campus kan ondersteunen en hoe samenwerking met faculteiten en campusbronnen eruit kan zien.
Moeilijke woorden
- interpreteren — vaststellen welke betekenis iets heeft
- beeldspraak — woorden die niet letterlijk bedoeld zijn
- voorkeur — iets dat je liever kiest of doet
- indirect — via omweg of met een subtiele aanwijzingindirecte
- taalmodel — computerprogramma dat tekst of taal verwerkttaalmodellen
- toon — manier waarop iets gezegd klinkt
- hulpmiddel — iets dat mensen helpt een taak doen
- neurodivers — mensen met verschillende neurologische kenmerkenneurodiverse
Tip: beweeg de muisaanwijzer over gemarkeerde woorden in het artikel, of tik erop om snelle definities te zien terwijl je leest of luistert.
Discussievragen
- Vind jij het een goede aanpak om niet‑autistische mensen hun spraak te laten aanpassen? Leg uit waarom.
- Hoe zou een hulpmiddel als NeuroBridge studenten op jouw campus praktisch kunnen helpen? Geef voorbeelden.
- Welke moeilijkheden kunnen ontstaan als iemand minder non‑verbale signalen gebruikt tijdens een gesprek?
Gerelateerde artikelen
Waarom taalmodellen moeite hebben met vermenigvuldigen
Onderzoekers van de University of Chicago en partners onderzochten waarom grote taalmodellen twee viercijferige getallen slecht vermenigvuldigen. Een nieuwe trainingsmethode (ICoT) liet modellen tussentijdse waarden onthouden en verbeterde de nauwkeurigheid sterk.
Futurity: de tien meestgelezen onderzoeksverhalen van 2025
Futurity publiceerde eind 2025 een lijst met de tien meestgelezen onderzoeksberichten. De selectie beslaat onderwerpen als gezondheid, energie, archeologie, neurowetenschap, voeding en milieugezondheid. Lezers zijn uitgenodigd in 2026 terug te komen.
