This post is also available in Engels .
Een nieuwe studie van Sunny Rai en collega’s laat zien dat de taal “kenmerken” van depressie helemaal niet voor iedereen hetzelfde zijn. De onderzoekers bekeken een zorgvuldig gekozen groep Engelssprekende Amerikanen die zichzelf als Black of White identificeerden. Ze ontdekten dat ras een grote invloed had op hoe depressie in taal naar voren kwam – en op hoe AI die taal interpreteerde.
De mythe van een “universele” depressie-taal
Psychologen zagen lange tijd één duidelijk taalkenmerk: Mensen met een depressie gebruiken vaker ik-woorden zoals “I”, “me” of “my”. Dat zou komen door een sterkere focus op zichzelf.
Het nieuwe onderzoek zet dat idee op losse schroeven. Bij White deelnemers gebruikten mensen met hogere depressiescores inderdaad vaker ik-woorden. Maar bij Black deelnemers was dat verband er niet: Hun gebruik van “I”, “me” en “my” veranderde niet bij meer of minder depressieve gevoelens. Ze gebruikten deze woorden zelfs in het algemeen vaker, ongeacht hun stemming. Dit suggereert dat zelfgerichte taal een andere rol speelt in verschillende groepen.
Een mogelijke verklaring ligt in culturele verschillen in hoe mensen naar zichzelf kijken. Veel psychologische theorieën gaan uit van een onafhankelijk, individueel zelfbeeld, typisch in Europese Amerikaanse culturen. Bij veel Black Americans is het zelfbeeld vaak meer verbonden met familie, gemeenschap en sociale context. Je kunt dat niet simpelweg meten door pronomen te tellen.
Als AI luistert, luistert het niet naar iedereen hetzelfde
De onderzoekers keken ook naar bredere taalt thema’s met behulp van “topic modeling”, waarbij woorden worden gegroepeerd op basis van betekenis. Bij White socialmedia–gebruikers hing depressie samen met vijf negatieve emotiethema’s, zoals: je buitengesloten voelen, zelfkritiek, waardeloosheid, angstig buitenstaander zijn en wanhoop.
Bij Black gebruikers was dit niet zo. Geen van deze thema’s hing samen met de mate van depressie, en er werd ook geen ander betrouwbaar patroon gevonden.
Toen de onderzoekers AI-modellen trainden om depressie te voorspellen, werd het verschil nog duidelijker. Een model dat was getraind op taal van White gebruikers werkte redelijk goed voor nieuwe White data, maar slecht voor Black data. Zelfs een model dat alleen met taal van Black gebruikers was getraind, werkte niet goed voor nieuwe Black deelnemers – en soms zelfs beter voor White deelnemers dan voor Black deelnemers. Volgens de auteurs komt dit niet alleen door scheve trainingsdata. De taalsignalen waarop AI vertrouwt bestaan simpelweg niet op dezelfde manier voor iedereen.
Waarom dit belangrijk is
Deze bevindingen roepen lastige, maar belangrijke vragen op voor AI en psychologie. Als systemen die depressie moeten herkennen alleen de signalen van sommige groepen oppikken, kan dat bestaande ongelijkheden in de geestelijke gezondheidszorg versterken. Tegelijk laten de resultaten zien dat theorieën die vooral op één groep gebaseerd zijn, lang niet voor iedereen gelden. Een “universeel” taalkenmerk zoals het gebruik van ik-woorden blijkt misschien vooral bij een specifieke culturele groep te horen. Nu mentale gezondheidsapps en AI steeds vaker worden gebruikt, geeft deze studie een belangrijke les: Echte aandacht voor diversiteit is onmisbaar. AI moet niet alleen leren wat mensen zeggen, maar ook hoe verschillende groepen hun emoties uitdrukken. Als de taal van verdriet per cultuur anders klinkt, dan moeten onze hulpmiddelen dat ook erkennen. Het doel is om systemen te bouwen die niet alleen slimmer zijn, maar ook sensitiever – systemen die echt kunnen luisteren, zonder de blinde vlekken van het verleden te herhalen.
Author: Amir Homayun
Buddy: Helena
Editor: Vivek
Translator: Natalie
Editor translation: Lucas
About The Author
