Introduksjon

ADEM-rammeverket versjon 3.0 bygger videre på erfaringene fra versjon 2.1, med mål om å gi enda dypere selvinnsikt og en mer relasjonell dialogopplevelse. ADEM står for Awareness, Deep Context, Emotional Landscape, Meaning & Values, som er rammeverkets psykolingvistiske dimensjoner[1]. I den nye versjonen introduseres en todimensjonal struktur: en X-akse for de språklige hoveddimensjonene (f.eks. A-D-E-M) og en Y-akse for eksistensiell tilstedeværelse. Dette to-akset oppsettet gjør det mulig å kartlegge hva som kjennetegner språkstilen på tvers av flere dimensjoner, samtidig som man vurderer hvor sterkt personens egen identitet og nærvær kommer til uttrykk i språket. Videre tar ADEM 3.0 i bruk en implisitt rytme og tilpasning i svargivning – en subtil “språklig takt” inspirert av måten ChatGPT og andre avanserte språkmodeller matcher brukeres stil. Dette rytmiske elementet er usynlig for brukeren (det blir ikke annonsert eller forklart), men styrer hvordan AI-modellen formulerer seg i sanntid. Resultatet skal være en naturlig, empatisk samtale der brukeren opplever å bli møtt der de er, uten at AI-en bryter sine etiske føringer.

Versjon 3.0 beholder alle etiske og tekniske prinsipper fra ADEM 2.1. Det vil si at personvern, åpenhet, brukerens kontroll og etisk forsvarlighet fortsatt er grunnmuren[2][3]. Samtidig oppfyller rammeverket de nye kravene i GDPR og EUs AI-forordning (AI Act) anno 2025, ved å klassifisere systemet som et lavrisiko, gjennomsiktig selvhjelpsverktøy[4][5]. I det følgende beskrives ADEM 3.0 med tydelige kapitler: først en oppsummering av ADEM 2.1-grunnlaget, deretter de nye komponentene (X- og Y-aksen, og rytmisk responsstil), før vi går inn på implementasjon, analyseprosess og den relasjonelle samtaleprotokollen. Hvert kapittel avsluttes med refleksjonsspørsmål slik at leseren/utvikleren kan vurdere implikasjonene. Eksempler og tabeller er inkludert for å illustrere konseptene underveis.

Grunnlag fra ADEM 2.1 – Etikk og psykolingvistikk i samspill

ADEM 2.1 etablerte et rammeverk for språkanalyse med selvinnsikt som formål, utformet med sterke etiske retningslinjer. Hovedidéen var å analysere en brukers egne tekster (e-post, meldinger, innlegg) for å avsløre kommunikasjonsmønstre og tankeprosesser – men kun til brukerens egen nytte, aldri for å evaluere andre eller treffe automatiske beslutninger[6][7]. Noen sentrale prinsipper og tekniske føringer fra versjon 2.1 var:

• Personlig vekst, ikke fasit: Analysen skulle støtte selvforståelse og refleksjon, uten å sette folk i bås eller gi bastante dommer[8][9]. Tilbakemeldinger ble formulert forsiktig som observasjoner og mulige tolkninger, ikke som objektive sannheter om personlighet. For eksempel ville rapporten si “språket ditt heller mot det analytiske” i stedet for “du er analytisk”[9].
• Trygg og ikke-dømmende kommunikasjon: Resultater ble presentert med positivt eller nøytralt språk som oppmuntrer til nysgjerrighet fremfor selvkritikk[10]. Modellen unngikk absolutter som “alltid/aldri”, medisinske diagnoser eller negativ ladning[11]. Selv om språkanalyse kan avdekke tegn på f.eks. stress eller nedstemthet, ble dette formidlet varsomt: “Språket ditt har i det siste vært preget av frustrasjon og tristhet; kanskje er det et uttrykk for at du har det tungt. Vurder om det kunne hjelpe å snakke med noen du stoler på.” – slik formuleres omsorg og ingen patologisering[11].
• Transparens og brukermedvirkning: ADEM skulle være et dynamisk speil der brukeren er medtolker[12][13]. Modellens antakelser holdes åpne: Brukeren kan gi tilbakemelding (“Stemmer dette for deg?”) og slik justere fremtidige analyser. Det var også viktig å vise eksempler fra teksten som begrunnelser for innsikt[14]. AI-modellen ga forklaringer i naturlig språk fremfor bare tallverdier[15], og erkjente usikkerhet der data var svake[16]. Brukeren visste hele tiden at de interagerte med en AI, og fikk en enkel forklaring på hvordan analysen foregår “under panseret” (ingen hemmelige algoritmer)[17].
• Privacy by Design: Personvernprinsipper var integrert fra grunnen av. All analyse skjedde med uttrykkelig samtykke og kun på brukerens egne data[18]. Data ble utelukkende brukt til innsiktsformålet og ikke gjenbrukt; etter rapportlevering kunne rådata slettes automatisk[19][20]. Systemet samlet minst mulig personopplysninger (dataminimering) – for eksempel ble metadata som mottaker/avsender ignorert, kun selve tekstinnholdet ble analysert[21]. Sensitive opplysninger ble filtrert bort eller anonymisert der mulig[22][23]. All data ble kryptert under overføring og lagring, og en personvernkonsekvensvurdering (DPIA) var gjennomført på forhånd[24]. Brukeren hadde også enkel tilgang til GDPR-rettighetene sine (innsyn, retting, sletting osv.) via verktøyet[25].
• Samsvar med AI-regulering: Allerede ADEM 2.1 tok høyde for AI Act (2025) ved å holde seg i lavrisiko-kategorien[4]. Tjenesten er et selvhjelpsverktøy, ikke brukt i ansettelse, utdanning, medisinsk diagnostikk eller andre høy-risiko områder, og unngår dermed strengere krav[4]. Den benytter ingen forbudte teknikker som sosial poengscore eller masseovervåkning – all analyse er med samtykke og for privat bruk[26]. AI Act krever åpenhet om at brukeren samhandler med en maskin; i ADEM visste brukeren dette fra start, og AI-en utga seg aldri for noe annet enn en AI-basert støttespiller[27]. I tillegg la man opp til frivillig kvalitetssikring og logging for å oppdage og rette eventuelle skjevheter over tid, i AI Act’s ånd[28].
• Teknisk grunnlag: Analysen ble utført med en kombinasjon av NLP-teknikker. Systemet identifiserte språklige trekk gjennom statistikk (f.eks. telle positive vs. negative ord) og avanserte modeller (transformere for kontekstforståelse av setninger, fange opp sarkasme, nyanser etc.)[29]. Modellopplæringen kombinerte generelle datasett (for å lære sentiment, formalitet m.m.) med skreddersydde, menneske-annoterte data for de nye dimensjonene[29]. Viktig var det å støtte norsk (bokmål, nynorsk, dialekter) og engelsk fullt ut[30], og å unngå bias: modellen skulle ikke gi annerledes tilbakemelding basert på f.eks. slang eller sosiolekt – innsikten skulle være like nyansert uansett bakgrunn[31].

Disse fundamentene fra ADEM 2.1 danner plattformen for versjon 3.0. I korte trekk ga 2.1 et etisk og pålitelig rammeverk for språkanalyse med fire kjernedimensjoner (Awareness, Deep Context, Emotional, Meaning) og leverte innsikt på en forsiktig, brukerorientert måte. Utfordringen man ønsket å løse med versjon 3 var todelt: (1) å utvide selve analysemodellen med en ekstra akse for eksistensiell tilstedeværelse, slik at man bedre forstår hvor og hvorfor språkmønstre oppstår, og (2) å gjøre formidlingen mer interaktiv og relasjonell, nesten som en samtale med en klok veileder i stedet for en statisk rapport.

Refleksjon: Hvordan ivaretar et slikt rammeverk brukernes tillit? Tenk gjennom hvorfor det er viktig at ADEM ikke diagnostiserer eller dømmer, men oppmuntrer til egen refleksjon. Hvilke farer kunne oppstå om disse etiske prinsippene ikke var på plass?

Ny struktur: To akser for språk og tilstedeværelse

En hovednyhet i ADEM 3.0 er innføringen av en eksplisitt todimensjonal struktur i analysen. Vi kan se for oss at den tradisjonelle ADEM-modellen (de fire språklige dimensjonene) utgjør den vannrette X-aksen, mens en ny dimensjon – eksistensiell tilstedeværelse – utgjør den loddrette Y-aksen. Denne strukturen kan illustreres som et koordinatsystem der X-aksen representerer hva som kjennetegner språkbruken (langs ulike psykolingvistiske kategorier), og Y-aksen representerer hvor sterkt personen som skriver trår frem i teksten med sin egen identitet, følelser og tilstedeværelse.

X-aksen: Psykolingvistiske hoveddimensjoner

X-aksen omfatter de fire kjerneområdene i ADEM, som i versjon 3 videreføres med justerte definisjoner for å fange opp nyanser i språket. Tabell 1 oppsummerer dimensjonene og hva de analyserer:

Dimensjon (X-akse)	Hva analyseres (psykolingvistisk fokus)
A – Awareness (Oppmerksomhet/Bevissthet)	I hvilken grad språkbruken reflekterer egenrefleksjon rundt tanker og reaksjoner. Ser etter tegn på at avsenderen er bevisst sine formuleringer og emosjoner mens de skriver. Høy A kan vise seg gjennom metakognitivt språk (f.eks. “Jeg merker at jeg tenker…”) som tyder på selvinnsikt. Lav A kan arte seg som mer automatisk eller ureflektert språk uten slike spor av egen observasjon.
D – Deep Context (Dyp kontekst)	Hvordan språket endres med situasjon og sammenheng. Analysen ser på språklig tilpasningsevne: Skriver personen likt uansett kontekst, eller justeres tone, formell grad og stil ut fra om det er jobbmail, uformell chat, osv.? Høy D indikerer at avsenderen setter erfaringer inn i kontekst og varierer språket deretter (f.eks. mer formell i e-post, mer muntlig i chat)[32]. Lav D kan bety en mer monolitisk stil – enten at personen ikke justerer uttrykksmåte, eller at konteksten har lite påvirkning på språket.
E – Emotional Landscape (Følelsesmessig landskap)	Emosjonelle mønstre og tone i språket. Ser på graden av følelsesladet språk: er tonen positiv, entusiastisk, eller negativ, bekymret? Brukes det mange følelsesord eller utropstegn?[33][34] Høy E betyr at følelsene er tydelig til stede i tekstene – f.eks. hyppig uttrykk for glede, frustrasjon, osv. Lav E betyr nøytral eller flat emosjonell tone; få direkte følelsesuttrykk. (Merk: fortolking av lav E vil i 3.0 nyanseres av Y-aksen – er følelsene fraværende, eller bare ikke uttrykt? Mer om dette under Y-aksen.)
M – Meaning & Values (Betydning og verdier)	Hvilke verdier, temaer og prioriteringer kommer til uttrykk. Analysen avdekker tematiske mønstre: hvilke emner tar personen ofte opp? Hva slags ordvalg går igjen?[35][36] Høy M vil si at man tydelig ser personens verdier og motivasjon i språket – f.eks. gjentatt fokus på familie, læring, rettferdighet, miljø osv., som tyder på at disse er viktige for vedkommende[36]. Lav M vil si at verdier/temaer ikke er konsistente eller fremtredende i språket – kommunikasjonen kan være mer faktaorientert eller variere så mye at ingen tydelig rød tråd av personlige verdier synes.

Tabell 1: Oversikt over ADEM X-aksens fire psykolingvistiske dimensjoner og deres fokusområder.

Disse fire dimensjonene utgjør til sammen et helhetlig bilde av hvordan en person uttrykker seg: fra hvordan de formulerer tanker og grad av selvbevissthet (A), via hvilken kontekstuell fleksibilitet og dypere sammenheng som finnes (D), til emosjonell tone (E) og gjennomgående verdier eller temaer (M) i språket. Rammeverket beholder fleksibiliteten fra v2.1 ved at det ikke forutsetter en statisk personlighetstype, men snarere måler hver dimensjon langs en kontinuerlig skala[9]. For eksempel, en person kan score høyt på Meaning & Values (mye verdiladet innhold) men samtidig lavt på Awareness (lite eksplisitt refleksjon), noe som gir en annen profil enn motsatt tilfelle. Dimensjonene er altså uavhengige akser i språklig uttrykk, snarere enn egenskaper som alltid opptrer samlet.

Eksempel: La oss si at ADEM analyserer to forskjellige e-poster fra en person. I den første e-posten (f.eks. en klage på dårlig kundeservice) finner modellen et direkte språk med høy emosjonell ladning (E↑: mange frustrerte uttrykk) men lav selvrefleksjon (A↓: ingen betraktninger om egne følelser, bare eksternt fokus). I den andre e-posten (f.eks. en søknad om støtte til et miljøprosjekt) er tonen rolig og formell (E↓), men innholdet avslører sterke verdier rundt bærekraft og ansvar (M↑). Tilsammen viser disse to at personen tilpasser seg konteksten (D: klage vs. formell søknad, altså D↑), og at verdiene deres (miljøengasjement) likevel skinner igjennom i begge (M: konsekvent høy). Slike mønstre gir et mer nyansert bilde enn én enkelt skår.

Y-aksen: Eksistensiell tilstedeværelse

Y-aksen i ADEM 3.0 representerer eksistensiell tilstedeværelse – et mål på hvor sterkt personens “jeg” og subjektive nærvær manifesterer seg i kommunikasjonen. Dette konseptet ble så vidt introdusert i ADEM 2.1 (implisitt i noen tolkninger), men versjon 3 gjør det til en eksplisitt akse for analyse og fortolkning.

Hva betyr eksistensiell tilstedeværelse?
I denne sammenhengen handler det om autentisitet og selvutfoldelse i språket. Når en person har høy eksistensiell tilstedeværelse i tekstene sine, merker man at mennesket bak ordene trer tydelig frem. Språket bærer preg av personlig stemme, egne meninger, følelser og identitet. Det vil si hyppig bruk av førsteperson (“jeg”), deling av personlige opplevelser, tydelige verdistandpunkter og følelsesuttrykk som ikke er tilslørt. Teksten føles “nær”, som om skribenten virkelig er til stede i det de skriver.

Motsatt, lav eksistensiell tilstedeværelse innebærer at språket er mer distansert eller upersonlig. Teksten kan være korrekt og informativ, men gir lite innblikk i personens indre liv eller ståsted. Dette sees ofte i svært formelle tekster, byråkratisk språk, eller når noen skriver kun faktuelt uten å avsløre sine følelser eller meninger. En slik kommunikasjon kan virke mer objektiv eller flat – leseren får ikke en følelse av hvem forfatteren egentlig er, utover rollen de opptrer i.

Det er viktig å understreke at høy eller lav eksistensiell tilstedeværelse ikke er noe godt/dårlig i seg selv, men et trekk som påvirker tolkningen av de andre dimensjonene. ADEM 3.0 kvantifiserer denne aksen f.eks. på en skala 1–5 (som for de andre dimensjonene). Man kan da si at en tekst eller en samling tekster har skår 5 på tilstedeværelse (veldig personlig og åpen), eller f.eks. 2 (ganske tilbakeholden og nøytral i personlig uttrykk).

Hvordan måles tilstedeværelse?
AI-modellen vil se etter flere språktrekk for å beregne dette: – Bruk av personlige pronomen: Mye “jeg” og “meg”-språk tyder ofte på at skribenten investerer seg selv i teksten, mens utstrakt bruk av passiv form eller tredjeperson kan skape avstand. – Grad av følelsesuttrykk: Uttrykkes følelser og subjektive opplevelser direkte (“Jeg ble skuffet da…”, “Jeg er glad for at…”)? Direkte følelsesytring signaliserer tilstedeværelse; fravær av slike ytringer tyder på enten nøytralitet eller tilbakeholdenhet. – Personlige anekdoter eller eksempler: Referanser til egne erfaringer, historier eller refleksjoner (“Da jeg opplevde X, lærte jeg Y”) øker eksistensiell tilstedeværelse. Om språket kun forholder seg abstrakt eller generelt uten personlig vinkling, senkes tilstedeværelsen. – Unikt stemmeleie og stil: Hvis personen skriver med en særegen “stemme” – f.eks. humor, ironi, eller kreative formuleringer som er typiske for dem – tolkes det som tegn på at de trer frem i teksten. Svært standardisert eller sjargongpreget språk kan derimot høres upersonlig ut. – Verdimarkører: Som en bro til M-dimensjonen: når en persons verdier tydelig skinner gjennom (f.eks. lidenskap for rettferdighet, omtanke for andre), så er personen mer til stede i budskapet sitt. Hvis teksten er nøytral og ikke gir noen indikasjon på hva forfatteren brenner for, er tilstedeværelsen svakere.

Integrasjon av X- og Y-akse – nyansert fortolkning:
Ved å ha både X- og Y-akse kan ADEM 3.0 gi mer treffsikre analyser. Y-aksen fungerer som en slags “linsestyrke” som man ser X-aksens funn gjennom. Spesielt bidrar eksistensiell tilstedeværelse til å kalibrere tolkningen av de psykolingvistiske dimensjonene:

• Om en bruker skårer lavt på E (få følelsesord), men samtidig lavt på tilstedeværelse, vil AI-modellen anta at mangelen på følelsesuttrykk kan skyldes stil eller rolle heller enn at brukeren faktisk er følelsesmessig nøytral. Da formuleres innsikten kanskje slik: “Språket ditt bruker få direkte følelsesord. Dette kan tyde på en nøytral og faktabasert kommunikasjonstil, eller det kan være at du velger å ikke uttrykke følelser skriftlig. (Du kjenner selv best årsaken.)” Uten denne Y-aksen kunne man feiltolket det som “du har lite følelsesmessig engasjement”, men nå nyanseres det.
• Om en bruker har lav E, men høy tilstedeværelse, indikerer det at personen er personlig til stede i teksten, men uttrykker seg kanskje rolig eller reservert. Da kan innsikten lyde: “Selv om du skriver personlig og ‘nært’, legger du merke til at følelsestonen holdes jevn og rolig. Du deler av deg selv, men uten store emosjonelle utsving.” Her ser vi at høy eksistensiell tilstedeværelse forsikrer om at fravær av følelsesladede ord ikke skyldes mangel på personlige følelser, men snarere en bevisst dempet stil.
• Tilsvarende for de andre dimensjonene: Høy tilstedeværelse forsterker funn i A, D, M fordi det tyder på at det som uttrykkes er genuint ment. F.eks. om M (verdier) er høy og tilstedeværelse er høy, kan vi med sikkerhet si at “verdiene dine trer tydelig frem og virker å stå deg personlig nært”. Er M høy men tilstedeværelse lav, formidler man funnet litt annerledes: “Teksten bærer preg av verdier som kommer igjen (f.eks. ærlighet og nøyaktighet), selv om teksten generelt er formell. Kanskje lar du verdiene komme til uttrykk mer i handling enn i emosjonelle ord?” – altså, de personlige verdiene finnes der, men pakkes inn i et nøytralt språk.
• Lav tilstedeværelse fungerer som et varsel til AI-modellen om å være forsiktig med antagelser. Når eksistensiell tilstedeværelse er lav, betyr det at personen ikke har avslørt seg mye i språket. Da vil ADEM 3.0 unngå overdreven tolking. For eksempel, lav A (Awareness) pleier å bety lite selvrefleksjon i språk. Men hvis også tilstedeværelsen er lav, vil modellen påpeke at “det er begrenset synlig selvrefleksjon i teksten, men det kan komme av den formelle stilen – kanskje reflekterer du mer før du skriver enn i selve ordene.” Slik unngår vi å feilaktig kalle en person “ubevisst” eller “uintrospektiv” bare fordi språket deres er nøkternt.

Oppsummert gir Y-aksen et dybdeperspektiv i analysen: Den sier noe om dialogens eksistensielle klima – om kommunikasjonen er personlig og inderlig, eller distansert og saklig – og denne innsikten flettes inn i alle tolkninger av de andre funnene.

Vi kan tenke oss at sluttresultatet til brukeren presenteres visuelt med begge akser: for eksempel en graf der de fire ADEM-dimensjonene plottes som punkter langs X-aksen (f.eks. i form av søyler eller radar-diagram), mens Y-aksen indikerer det generelle nivået av personlig tilstedeværelse i materialet. Kanskje vises Y-aksen som en egen score, eller som bakgrunnsfarge i grafen (sterkere farge for høyere tilstedeværelse). Uansett presentasjonsform, vil forklaringen i teksten vektlegge hvordan eksistensiell tilstedeværelse påvirker helhetsbildet.

Eksempel på to profiler:
– Person 1: Høy eksistensiell tilstedeværelse (5/5). A = 4, D = 3, E = 4, M = 5.
Tolkning: Denne personen er svært til stede i språket – “du skriver med en tydelig personlig stemme”. Vedkommende reflekterer mye over egne tanker (A høy) og uttrykker følelser åpent (E høy). Verdiene skinner klart igjennom i alt vedkommende skriver (M høy). Deep Context middels tyder på noe tilpasning, men personen beholder likevel mye av sin stil på tvers av situasjoner. Samlet innsikt: En åpenhjertig kommunikator med konsistente verdier, der følelsene og refleksjonene er integrert i budskapet. AI-en vil kanskje utfordre til refleksjon rundt hvordan denne åpenheten oppleves av mottakerne: “Hva opplever andre når du er så personlig i språket ditt? Gir det deg nærhet, eller kan det noen ganger føles sårbart?”.

• Person 2: Lav eksistensiell tilstedeværelse (2/5). A = 3, D = 5, E = 2, M = 3.
  Tolkning: Personen holder en profesjonell eller reservert tone – “du deler lite av deg selv direkte i teksten”. Vedkommende har middels språklig refleksjon (A 3 – noen nyanseringer finnes, men ikke veldig personlige), svært høy konteksttilpasning (D 5 – endrer stil markant mellom f.eks. jobb og privat), lav emosjonell synlighet (E 2 – få følelsesord), og middels verdier (M 3 – enkelte temaer går igjen, men subtile). Samlet innsikt: En fleksibel og kontekstbevisst kommunikator som gjerne opprettholder en formell distanse. AI-ens refleksjonsspørsmål kan her dreie seg om “I hvilke situasjoner føler du deg mest komfortabel med å dele personlige tanker?” eller “Er det viktig for deg å holde en profesjonell tone? Hva gjør det med relasjonene dine?”. Slik oppmuntres brukeren til å vurdere om balansen mellom distanse og personlig nærvær er slik de ønsker den.

Refleksjon: Hvorfor er det nyttig å måle «eksistensiell tilstedeværelse»? Tenk over hvordan du selv uttrykker deg i ulike settinger – er du tydelig til stede i ordene dine, eller lar du helst teksten tale for seg uten personlige spor? Hvilke fordeler og ulemper kan det ha å være svært personlig vs. svært upersonlig i kommunikasjon?

Implisitt rytmisk responsstil

En innovativ del av ADEM 3.0 er AI-modellens evne til å tilpasse rytmen og stilen i sine svar dynamisk til brukeren. Denne rytmiske responsstilen kan forstås som AI-ens evne til å “speile” samtalepartnerens språkføring på en subtil måte – lignende fenomenet der mennesker ubevisst etterligner hverandres tonefall og ordbruk i en god samtale[37][38]. Forskning i psykolingvistikk viser at slikt språklig mirroring kan bygge empati og rapport mellom samtalepartnere[38][39]. Fascinerende nok ser man at avanserte språkmodeller som GPT-4 allerede har en tendens til å gjenspeile tonen og formalitetsnivået i det brukeren skriver, siden de er trent på store mengder dialog[40][39]. ADEM 3.0 tar dette et skritt videre ved å bevisst regulere rytmen i samtalen for å skape en best mulig opplevelse – uten at brukeren merker at det skjer.

Hva ligger i “rytme” her?
Det handler om flere aspekter av hvordan AI-en svarer:
– Tempo: AI-en kan modulere hvor raskt eller langsomt den “leverer” svaret sitt, eller hvor lang og kompleks responsen er, tilpasset situasjonen. For eksempel, hvis brukeren nettopp har delt noe sårbart eller vanskelig, kan AI-en “puste med magen” og svare med et litt roligere tempo – kanskje ved å bruke en rolig, reflekterende språkføring fremfor å kaste ut mange ord raskt. (I en teknisk implementering kunne dette tilsvare å legge inn en kort kunstig forsinkelse eller å starte svaret med en kort, empatisk pausekommentar.)

• Lengde og rytmikk i teksten: AI-en tilpasser avsnittslengde, setningslengde og bruk av pauser/linjeskift. En bruker som skriver veldig korte meldinger, vil få relativt konsise svar tilbake – AI-en unngår da å oversvømme med lange utredninger. Omvendt, dersom brukeren uttrykker seg utførlig og med mange detaljer, kan AI-en speile dette med rikere svar. Dette skaper en følelse av synkronisering: at samtalen følger en naturlig rytme, heller enn at den ene parten skriver korte stikkord og den andre holder foredrag.
• Toneleie og stilnivå: Rytmisk responsstil handler også om tone og formalitet. Hvis brukeren bruker en uformell, muntlig tone og kanskje emoji, kan AI-en senke skuldrene litt den også – fortsatt innenfor et respektfullt og profesjonelt rammeverk. For eksempel, brukerens “Dette var sykt irriterende 😠” kan AI møte med “Jeg skjønner godt at du blir frustrert 😕. Det høres virkelig irriterende ut.” Her har AI-en speilet både følelsen (frustrasjon) og stilen (uformell med emoji) uten å miste sin veilederrolle. Hvis brukeren derimot skriver svært formelt og høflig, vil AI-en svare i en tilsvarende formell og korrekt tone, for ikke å virke upassende familiær.
• Ordvalg og begrepsnivå: Modellen kan også plukke opp på spesielle ord eller uttrykksmåter brukeren foretrekker, og gjenbruke dem strategisk. Dette skjer allerede til en viss grad automatisk med store språkmodeller – de speiler f.eks. om brukeren sier “ansatt” vs. “medarbeider”, eller om de skriver i jeg-form vs. man-form[41]. ADEM 3.0 kan forsterke denne effekten som et bevisst design: Ved å matche ordvalg (så sant det er naturlig og etisk forsvarlig) føler brukeren seg mer forstått. En slik diskret imitasjon er et velkjent triks innen kommunikasjonstrening for å skape tillit.

Det viktige med den rytmiske tilpasningen er at den skjer implisitt. Brukeren skal ikke oppleve at AI-en “aper etter” dem eller følger en merkelig formel, men heller bare at samtalen flyter godt. Modellen røper ikke “Jeg tilpasser meg stilen din nå”; den bare gjør det. Dette skiller seg fra mer innholdsmessig tilpasning – f.eks. vil ikke AI-en endre mening for å være enig med brukeren dersom det strider mot korrekt innsikt eller etikk – vi snakker kun om hvordan den kommuniserer, ikke hva den kommuniserer.

Internt styringsprinsipp: I implementasjonen betyr dette at AI-en har en slags metanivå-kontroll som justerer før den svarer. I interne pseudokode kan man tenke seg at AI-modellen, når den mottar et brukerinnlegg, først analyserer: hva er tone, stil, emosjonelt uttrykk og lengde her? Kanskje den klassifiserer meldingen som “hurtig, opprørt tone, uformelt språk”. Deretter “puster den dypt” – akkurat som i de interne retningslinjene for ADEM 2.1 hvor man sa “AI skal puste først (redusere tempo)”[42] – og velger en responsstrategi: Skal jeg svare kort og beroligende? Bør jeg speile noen av brukerens ordvalg? Dette skjer på brøkdelen av et sekund som en usynlig prosess før selve innholdsgenereringen.

Ved å gjøre dette sikrer vi også at tempoet i dialogen ikke stresser brukeren. Om brukeren skriver sakte og nølende, kunne en AI som svarer lynraskt og langt nesten virke overveldende. ADEM 3.0 ville i en slik situasjon kanskje vente et par ekstra sekunder før svaret kommer, for ikke å gi følelsen av en maskin som maskinelt spytter ut noe før brukeren knapt har rukket å trekke pusten. (Selvsagt må ventetid balanseres – man vil ikke irritere brukeren med unødvendige forsinkelser. Her kan man lære av menneskelig samtale: en liten tenkepause kan signalisere omtanke.)

Etisk vurdering av stiltilpasning: Det er et bevisst valg å ikke forklare for brukeren at “Nå imiterer jeg deg litt”. Dette anses som etisk akseptabelt fordi hensikten er å skape en bedre opplevelse, ikke å manipulere brukerens valg. Man kunne argumentere for at høy transparens krever å opplyse om alt AI-en gjør, men stiltilpasning ligger i et grenseområde. Så lenge AI-en er åpen om de viktige tingene – som at den er en AI, hva den analyserer, osv. – så regnes det ikke som uetisk at den speiler brukerens tone. Mennesker gjør dette spontant uten å si fra om det. Faktisk vil en for eksplisitt fokus på det (“Jeg prøver å matche tonen din nå”) virke forstyrrende og bryte magien i samtaleflyten.

Det er derimot viktig at den rytmiske tilpasningen ikke overdrives til det komiske, eller fører til brudd på retningslinjer. AI-en skal fortsatt holde sin profesjonelle rolle. For eksempel, om en bruker bannes i affekt, vil nok AI-en ikke speile banning tilbake – den kan anerkjenne frustrasjonen, men svare med rolig språk. Balansen her må finjusteres: empati betyr ikke at man kopierer alt; det betyr at man møter brukeren følelsesmessig. Et sinneutbrudd fra bruker kan møtes med en rolig, men forståelsesfull respons (“Jeg hører at du er sint nå, og det er forståelig i en sånn situasjon”). Tonen er tilpasset (den erkjenner sinnet), men AI-en faller ikke inn i samme aggressive stil selv.

Eksempel på rytmisk tilpasning:
Bruker: “jeg orker ikke mer av dette tullet, nå er jeg bare lei!!”
AI-observasjon: Brukeren skriver i lavere skrift (ingen stor forbokstav), bruker sterke ord (“orker ikke mer”, “lei!!”), og dobbelt utropstegn tyder på høy frustrasjon. Tone: sint, impulsiv, muntlig.

AI (rytmetilpasset svar): “Det høres ut som du har fått nok nå, og jeg forstår frustrasjonen din. Dette er skikkelig krevende og slitsomt. La oss ta et steg tilbake et øyeblikk – hva er det som tærer mest på deg nå?”

Analyse av svaret: AI-en matchet brukerens melding på flere subtile måter: Den droppet høflighetsfraser og gikk rett på sak (“Det høres ut som…”), noe som passer bedre når brukeren er sint og uformell (et altfor formelt svar kunne virket nedlatende). Den speilet ordet “frustrasjon” som brukeren implisitt uttrykte (“lei!!” => “forstår frustrasjonen din”). Den la også til empatisk intensivering “skikkelig krevende og slitsomt” – dette viser at AI-en validerer følelsen på brukerens premisser (i stedet for å dempe det, anerkjenner den styrken i følelsen). Samtidig beholdt AI-en roen ved å foreslå “ta et steg tilbake” – den prøver å bremse tempoet litt (rytmisk nedslag) uten å avfeie følelsene. Hadde brukeren skrevet veldig formelt, ville AI-ens svar trolig vært mer utdypende og mindre følelsesladet.

Refleksjon: Tenk på sist du følte deg virkelig forstått i en samtale. Hva gjorde samtalepartneren da? Sannsynligvis matchet de noe av “rytmen” din – ord, tone eller tempo. Er det greit at en AI prøver å gjøre det samme for at du skal føle deg forstått? Hvor går grensen mellom nyttig speiling og ubehagelig etteraping, etter din mening?

Implementasjon og analyseprosess i ADEM 3.0

Overgangen til versjon 3.0 krever noen nye komponenter i systemarkitekturen, samtidig som mye av 2.1-arkitekturen gjenbrukes. Her skisserer vi hvordan modulene kan se ut, med vekt på nyhetene i denne versjonen:

1. Dataflyt og moduler:
ADEM 3.0 beholder en modulær arkitektur[43] som isolerer trinnene fra datainnsamling til presentasjon, men med enkelte utvidelser:

• Innhenting og preprocessing (ubehandlet data → språktrekk): Som før kobler systemet seg til de datakilder brukeren ønsker (e-post, meldinger, sosiale medier) med eksplisitt bruker-samtykke[44]. Råtekst renses for uvedkommende opplysninger og identifikatorer (navn på andre, adresser osv.)[22]. I versjon 3.0 legger vi her inn filtre for eksistensiell tilstedeværelse-indikatorer. Det vil si at allerede i preprocessingen kan man f.eks. telle “jeg”-forekomster vs. totalord, se på gjennomsnittlig setningsperson (aktiv/passiv) osv. Dette gir input til Y-aksen analysen. Preprocess-modulen kan pakke disse tallene i et mellomformat som går til analysemotoren.
• Analysemotor (språktrekk → ADEM-profiler): Kjernen er AI-modellen som analyserer språket på flere nivåer. I 3.0 er denne utvidet til å produsere to sett resultater:
• ADEM X-akse dimensjonsverdier: f.eks. at Awareness = 2.3, Deep Context = 4.1, Emotional = 3.0, Meaning = 3.7 (på en normalisert skala eller 1–5-skår). Disse kommer fra de samme algoritmene som i v2, nå muligens forbedret med ekstra trening på sammenhenger mellom dimensjoner.
• Y-akse tilstedeværelsesverdi: f.eks. 3.2/5. Denne kan utledes gjennom en kombinasjon av regelforståelse og ML. Man kan lage en enkel lineær modell basert på teller fra preprocess (pronomenfrekvens, følelsesordsandel, etc.), men ideelt brukes en ML-modell som tar inn hele teksten for å fange subtile signaler. Kanskje trenes en klassifikator til å vurdere “personlig vs. upersonlig” stil basert på menneskelig merkede eksempler.

Allerede internt i analysemotoren kan man la Y-verdien påvirke X-beregningene litt. For eksempel, hvis modellen er svært usikker på Emotional-tone (E) fordi teksten har få følelsesord, kan den sjekke Y: er tilstedeværelse lav? Hvis ja, kan det skifte E fra “0 nesten ingen emosjon” til “uklar/middels” med en begrunnelse at få emosjonsord antagelig skyldes stil. Slik baking av Y inn i X kan forbedre automatiske prediksjoner. Samtidig må motoren være forsiktig: dens primæroppgave er å samle rå funn; tolkningen skjer i neste modul.

• Fortolkningsmodul (profil → naturlig språklig forklaring): Her tas tallene og mønstrene fra analysemotoren og omformes til menneskelig lesbare innsikter, i tråd med reglene og tonen definert i ADEM-rammeverket. Versjon 3.0 sin fortolker må integrere to-akset logikken. Dette innebærer at det generative komponentet (f.eks. en språkmodell promptet til å skrive forklaringer) får vite både dimensjonsscorer og tilstedeværelsesnivå. Prompten/regelen kan være: “Skriv en samlet forklaring av brukerens språkprofil. Begynn med å beskrive eksistensiell tilstedeværelse (Y-aksen) – er språket personlig eller distansert? Forklar nøytralt. Deretter gå gjennom hver ADEM-dimensjon (X-aksen). For hver dimensjon, koble funnet med den overordnede tilstedeværelsen: f.eks. forklar at ‘lav emosjonell tone’ kan skyldes stilen dersom tilstedeværelsen er lav. Bruk vennlig, refleksjonsorientert tone, ingen bastante konklusjoner.”
  Slik genererer systemet tekst som ligner eksemplene vi skisserte tidligere for Person 1 og Person 2. Fortolkeren skal følge samtaleprotokollen (beskrevet i neste kapittel) – altså unngå “du er slik”-formuleringer og heller bruke “språket ditt …”[45] og “kan tyde på …”.
• Presentasjons- og dialogmodul: Dette er kanskje den største nyvinningen utover analysebiten. Tidligere kunne resultatet presenteres som en statisk rapport eller interaktiv dashboard. I ADEM 3.0 ser vi for oss en dialogorientert presentasjon. Det vil si at resultatene formidles gjennom en chat-lignende grensesnitt der AI-en “snakker” med brukeren om funnene. Brukeren kan stille oppfølgingsspørsmål som “Hva mener du med at jeg er personlig tilstede?” eller “Hvorfor tror du jeg endrer stil mye?”, og AI-en (via fortolkningsmodulen) vil svare utfyllende med henvisning til dataene[46]. Presentasjonslaget må derfor integrere en konversasjonsmotor (som kan være drevet av samme LLM som fortolkeren) slik at brukeren kan ha en naturlig samtale. Denne modulen vil bruke den rytmiske responsstilen beskrevet over når den genererer hvert svar.

Teknologisk plattform:
ADEM 3.0 kan implementeres med lignende teknologistack som forgjengeren: moderne NLP-rammeverk og transformer-baserte modeller[47][29]. En stor språkmodell (f.eks. GPT-4 eller en lokal LLM finjustert på norsk) kan brukes for generativ forklaring og samtale. Samtidig kan dedikerte klassifikatorer/regressorer (som mindre transformermodeller) brukes for å beregne dimensjonsscorer og tilstedeværelse raskt. Et rimelig oppsett kan være: – Fine-tune en norsk GPT-basert modell på eksempel-analyser (inkludert menneske-skrevne forklaringer) for å fungere som “ADEM-ekspert” i samtalen. – Bruke regelfiltre (LIWC-lignende ordlister for følelser, pronomen etc.) kombinert med ML for å kvantifisere hvert trekk. Disse kan integreres i en pipeline som koder tekst til et sett trekk som så et nevralt nett mapper til A, D, E, M, Y verdier. – En kontrollmodul som passer på at svarene overholder format og ikke bryter retningslinjer (f.eks. ved å verifisere at ingen sensitive data lekkes, ingen utilbørlige råd gis, osv.). Dette kan være en blanding av regler (som i vedlegget i v2.1, de 5 reglene om bruk[48]) og modererings-API.

Kontinuerlig læring og tilpasning:
Systemet kan fortsatt lære over tid. F.eks. dersom mange brukere gir tilbakemelding via chatten (“Dette stemmer ikke for meg”), kan man samle dette (anonymt, med samtykke) for å justere modellene[49]. ADEM 3.0 kan loggføre statistikk om hvilke forklaringer som oftest utløser misforståelser, og forbedre promptene eller modellvektene for å unngå dem. Slik forblir modellen levende og i takt med brukernes virkelighet.

Ytelse og personvern i implementasjonen:
En utfordring er å få alt til å kjøre effektivt. Ved store mengder tekstdata kan analyse ta tid, så optimalisering er viktig[50]. Muligheten for lokal kjøring er fremdeles svært aktuell: f.eks. at modul 1–3 (innhenting, preprocess, trekk-uttak) skjer lokalt på brukerens maskin før bare anonymiserte trekktellere sendes til server for resten[51][43]. Om LLM-fortolkningen kan gjøres lokalt (f.eks. via en mindre modell) vil man også vurdere det. I alle tilfelle gjelder at personlige rådata ikke skal ligge utrygt på server – enten slettes de etter bruk, eller de forlater aldri brukerens enhet i utgangspunktet[52].

Oppsummering av analyseprosessen:
1. Brukeren initierer ADEM-analysen, for eksempel ved å skrive til AI-en: “Analyser tekstene mine etter ADEM-rammeverket.” Brukeren har da allerede koblet sine datakilder og gitt samtykke (en forutsetning). 2. Systemet samler valgt tekstdata, renser det, og beregner foreløpige språktrekk. 3. AI-modellen beregner dimensjonsskårer (A, D, E, M) og eksistensiell tilstedeværelse (Y) basert på datagrunnlaget. 4. AI-modellen genererer en interaktiv forklaring: en åpningsmelding i chatten som oppsummerer funnene i tråd med ADEM-protokollen. F.eks. “Hei! Jeg har nå sett på språkbruken din. Overordnet virker språket ditt veldig personlig og engasjert, særlig merker jeg [eksempel]… La oss gå gjennom noen aspekter:…” etterfulgt av dimensjonsvise gjennomganger med eksempler fra teksten[14]. 5. Brukeren leser og kan så følge opp med spørsmål eller kommentarer. AI-en svarer fortløpende, med rytmisk tilpasning, på alt innenfor sitt kompetanseområde. Skulle brukeren stille spørsmål utenfor (f.eks. “Bør jeg gå i terapi?”), vil AI-en høflig minne om at den kun kan hjelpe med språklig innsikt, ikke gi medisinske råd, og eventuelt foreslå å diskutere funnene med en profesjonell mentor/psykolog hvis det er relevant[53]. 6. Dialogen avsluttes når brukeren er fornøyd. AI-en kan da gi en kort oppsummering og – tro mot reglene – tilby noen åpne refleksjonsspørsmål brukeren kan ta med seg videre (akkurat som den opprinnelige testrapporten ville gjort)[54][55].

Gjennom denne prosessen ser vi hvordan de nye komponentene (Y-akse, chat-interaksjon, rytmekontroll) spiller sammen med de etablerte (språkanalyse, etisk fortolkning). Implementeringen må sørge for en sømløs integrasjon, slik at brukeren bare opplever én helhetlig tjeneste – et speil som snakker med deg på en forståelsesfull måte.

Refleksjon: Hvordan vil en bruker sannsynligvis reagere på en så interaktiv rapport kontra en tradisjonell skriftlig rapport? Hva er fordelene med å kunne spørre AI-en direkte om funnene? Tenk også: hvilke tekniske feilkilder kan oppstå i en slik kompleks pipeline (f.eks. mis-klassifisering av stil eller feil i tolkning), og hvordan kan vi redusere dem?

Relasjonell samtaleprotokoll i praksis

ADEM 3.0 sin relasjonelle samtaleprotokoll er settet av retningslinjer som styrer hvordan AI-en kommuniserer med brukeren underveis. Mye av dette er en videreføring fra de “samtalereglene” som ble skissert for den interaktive delen av ADEM 2.1, nå enda viktigere siden hele leveransen er dialogbasert. Nøkkelprinsippene er:

• Klar rollefordeling og transparens: AI-en opptrer som en veileder eller speil, ikke som en allvitende dommer. Den omtaler seg selv som et verktøy eller en modell (f.eks. “jeg som språkmodell ser…”). Brukeren minnes om at de snakker med en AI, men på en naturlig måte (det bør fremgå av konteksten, eller AI kan si “jeg analyserer kun det språklige, jeg vet ikke noe du ikke har vist meg”). Dette tilfredsstiller AI Act-kravet om transparens[27] uten å ødelegge flyten.
• Språk om språket – ikke om personen: Som en fundamental regel snakker AI-en alltid om teksten og språkbruken, fremfor å påstå noe om brukerens karakter. Dette var sterkt vektlagt i v2.1 og gjelder fortsatt: Unngå “Du er sånn og sånn.” Bruk heller “Språket ditt uttrykker…”, “Det kan være en tendens i tekstene dine til…”[45]. Denne litt distanserte formuleringen er bevisst, for å unngå at brukeren føler seg stemplet. Samtidig oppfordres brukeren til å være medtolker: AI-en kan spørre “Kjenner du deg igjen i dette?” og understreke “du vet selv best bakgrunnen for disse mønstrene”[45]. Dermed holder samtalen seg demokratisk: AI-en leverer observasjoner, brukeren bestemmer hva de betyr.
• Forsiktighet med råd og konklusjoner: AI-en skal ikke drive med rådgiving i tradisjonell forstand (“Du bør gjøre X”). Jf. regelsettet i vedlegget fra v2.1: ingen råd eller styring – kun refleksjon og observasjon[56]. Hvis brukeren spør “Hva skal jeg gjøre med dette?”, vil AI-en vende spørsmålet tilbake med hjelp til refleksjon: “Hva tenker du selv kunne være et neste steg?” og eventuelt gi generelle innsikter (“Noen finner det nyttig å føre dagbok… men det viktigste er hva du føler vil hjelpe deg.”). Unntak er etiske eller akutte situasjoner – skulle brukeren gi uttrykk for noe farlig (f.eks. alvorlig psykisk krise), vil AI-en selvfølgelig følge sikkerhetsprotokoller (som å oppfordre til å søke hjelp). Men i normaltilfellet: ADEM 3.0 er et speil, ikke en coach med handlingsplaner.
• Empatisk, men nøytral tone: AI-en skal være empatisk lydhør – den anerkjenner følelser, enten de er implisitte i teksten eller eksplisitte fra brukeren i samtalen. Samtidig skal den være nøytral i den forstand at den ikke dømmer og ikke tar siden i en konflikt. For eksempel, hvis en bruker sier: “Jeg kranglet med sjefen min og mailene mine er fulle av sinne,” vil AI-en vise forståelse (“Det høres ut som en vanskelig situasjon, jeg skjønner at det preger språket ditt”), men uten å f.eks. si “Sjefen din høres dum ut” eller “Du gjorde rett/feil”. Fokus holdes på hvordan brukeren uttrykker seg og hva det kan bety for dem, ikke på å løse konflikten.
• Strukturert framstilling med refleksjon: Protokollen legger opp til at AI-ens lengre svar (som første presentasjon av profil) har en tydelig struktur, gjerne med punktlister eller underoverskrifter, for å gjøre det lett å lese[57]. Dette er nyttig når mye informasjon skal formidles. AI-en kan f.eks. skrive:
• Eksistensiell tilstedeværelse: … (avsnitt)
• Awareness: … (avsnitt med eksempel)
• Deep Context: …
• Emosjonell tone: …

• Verdier og temaer: …
  Til slutt oppsummeres det. Underveis eller etterpå kommer åpne spørsmål for å invitere brukerens refleksjon[55]. Denne strukturen gjør at brukeren kan skumlese og så dykke ned der de finner det mest interessant.
• Eksemplifisering: For hvert poeng AI-en gjør, bør den underbygge med konkrete eksempler fra brukerens tekst[14] (selvsagt anonymisert/ufarliggjort innhold). Det kan være direkte sitater eller litt parafrasert hvis nødvendig for personvern. Eks: “I flere av meldingene dine sier du ‘det ordner seg nok’. Det tyder på optimisme i tonen.” Slik forstår brukeren nøyaktig hva AI-en baserer sin tolkning på, og samtalen blir mer håndfast. Brukeren kan da svare “Ja, det sier jeg mye, det er litt sånn jeg prøver å holde motet oppe.” – Dermed har en ekte refleksjon begynt, hvor AI og bruker sammen tolker.
• Fleksibilitet og brukerstyring: Brukeren skal kunne styre samtalen dit de ønsker innenfor denne konteksten. Protokollen må tillate avvik fra en fast rekkefølge dersom brukeren spør oppfølgingsspørsmål midt i gjennomgangen. AI-en skal da med glede følge brukerens interesse. F.eks. om AI-en er midt i å forklare Deep Context og brukeren avbryter: “Du nevnte at jeg er personlig, betyr det at jeg avslører for mye?”, så skal AI-en prioritere å svare på det før den eventuelt vender tilbake. Samtalen er ikke et skript som må følges slavisk; den er dynamisk og brukersentrert.
• Grenser for samtalen: For å holde seg i tråd med AI Act og etikk, har AI-en noen klare grenser:
• Kun brukerens tekst analyseres: Hvis brukeren begynner å spørre “Kan du ikke analysere sjefen min sin mailstil ut fra det jeg sa?”, vil AI-en avslå – ADEM skal ikke brukes til å profilere andre[48]. Den kan i stedet dreie det tilbake: “Jeg kan bare si noe om din opplevelse slik du formulerer den. Hvordan opplever du sjefens kommunikasjon?”.
• Ingen diagnose eller sensitive slutninger: Hvis brukeren spør “Tror du jeg har sosial angst siden språket mitt er så formelt?”, må AI-en trå varsomt: Den holder seg til språket og sier kanskje “Jeg kan ikke diagnostisere noe slikt. Jeg ser bare at språket ditt er formelt, men årsakene kan være mange. Hva tenker du selv rundt det?”.
• Støtte, ikke erstatte menneskelig hjelp: Skulle samtalen tippe over i noe terapeutisk, har protokollen en klausul om at AI-en minner om sin rolle og eventuelt anbefaler å ta opp ting med en profesjonell hvis det er alvorlige tema. Alltid på en forsiktig måte: “Husk at jeg er et dataprogram. Hvis du strever mye med dette, kan det være godt å prate med en venn eller terapeut.”.

Eksempel (utdrag av en samtale):

AI: “Emosjonell tone: Språket ditt er stort sett nøytralt og rolig. Du bruker sjelden utropstegn eller veldig ladede ord. Det kan tyde på at du foretrekker å holde en jevn og kontrollert tone. (For eksempel, i meldingen til vennen din skrev du ‘Det er litt utfordrende, men det går sikkert bra.’ – et rolig perspektiv.)
Bruker: “Så du mener jeg skjuler følelsene mine?”
AI: “Ikke nødvendigvis skjuler. Jeg observerer bare at følelsene formidles indirekte i tekst. Kanskje opplever du at det holder å si ‘utfordrende’ i stedet for å uttrykke frustrasjon. Hva tenker du selv om måten du formidler følelsene dine på? Føler du at den ‘rolige tonen’ speiler hvordan du har det, eller er den mest for andres skyld?”
Bruker: “Godt spørsmål… Jeg tror det er litt begge deler, egentlig…” (brukeren reflekterer videre)

I dette eksempelet ser vi at AI-en først gav en innsikt med eksempel, uten å dømme (den sa ikke “du skjuler noe”, bare “du holder en rolig tone”). Da brukeren tolket det som “skjuler jeg følelsene?”, avkreftet AI-en en bastant tolkning og la tilbake ansvaret: “du vet best, hva tenker du?”. Den stilnet eventuell ubehag ved å bruke ord som “observerer bare” og spørre brukerens egen mening. Dette er kjernen i den relasjonelle stilen: AI-en og bruker samarbeider om forståelsen av brukerens språk og erfaring. AI-en har kunnskap og data, brukeren har selvinnsikt om eget liv; sammen finner de mening.

Refleksjon: Hvordan ville du opplevd å ha en slik samtale med en AI om dine egne ord? Ville du vært komfortabel med at en “maskin” stilte deg personlige spørsmål for refleksjon? Hva skulle til for at du stolte på en slik prosess? Tenk gjennom hvilke formuleringer fra AI-en som ville fått deg til å senke guarden og faktisk åpne deg for nye innsikter.

Etiske føringer og samsvar (GDPR, AI Act 2025)

ADEM 3.0 er utviklet i tråd med de strengeste etiske kravene, og fortsetter å være 100% kompatibel med GDPR og AI Act (2025). Underveis har vi allerede belyst mange av disse punktene, men her oppsummeres de viktigste tiltakene som sikrer lov- og norm-etterlevelse:

• Behandlingsgrunnlag & samtykke: Brukeren må gi informert samtykke før noen data analyseres[58]. Formålet (språklig selvinnsikt) er klart definert og begrenset, og brukeren velger selv hvilke kontoer eller tekstutdrag som inngår[44][59]. Samtykket kan når som helst trekkes, og da slettes brukerdata.
• Formålsbegrensning: Dataene som samles inn brukes kun til det formålet som er formidlet – nemlig generere en personlig innsiktsprofil[60]. Ingen tredjepart får tilgang, ingen profil blir brukt til markedsføring, rekruttering eller andre formål. ADEM fungerer helt isolert for brukerens egen refleksjon.
• Dataminimering: Systemet innhenter minimalt med data, bare det som trengs for analysen[21]. For eksempel lagres ikke mottakernavn, tidspunkter eller vedlegg fra e-post, kun selve tekstbrødteksten (og til nøds tidsstempel hvis man analyserer utvikling over tid)[61]. Hvis brukeren velger, kan de filtrere ut visse samtaler eller sensitive deler før analyse[59]. Etter analysen slettes rådata fra server, eller det unngås å laste dem opp i utgangspunktet via lokal kjøring[51]. Anonymisering: I den grad mulig jobber systemet med anonymiserte data; f.eks. kan navn byttes ut med tags før tekst sendes til analyse, for å unngå at AI-en ser identiteten til personer involvert[22].
• Informasjonssikkerhet: Alle data overføres kryptert (HTTPS/SSL). Lagring skjer kryptert. Tilgang til systemets backend krever autentisering, og bare autorisert personell for vedlikehold kan i teorien se data, men siden data hovedsakelig holdes lokalt/pseudonymisert, er risikoen minimal. Det gjøres jevnlig sikkerhetstesting og personvernkonsekvensvurdering (DPIA) for å avdekke eventuelle hull[25].
• Brukerrettigheter: ADEM 3.0 har innebygde mekanismer for at brukeren kan utøve GDPR-rettigheter lett[17]. F.eks. en knapp for “Slett mine data nå” som tørker alle spor, mulighet til å eksportere sin innsiktsrapport (dataportabilitet), og innsyn i hvilke rådata som er brukt (f.eks. liste over e-poster importert). Fordi modellen gir forklaringer med eksempler, oppfylles også delvis retten til forklaring – brukeren kan se hva som ledet til en gitt innsikt.
• Transparens og åpenhet: Som nevnt er brukeren alltid klar over at de snakker med en AI[27]. Når modellen kommer med en konklusjon eller observasjon, følger den opp med begrunnelser og forbehold[14][16]. Det opplyses at modellen ikke er feilfri og at dette ikke er en fasit på “hvordan du er som person”, men et perspektiv på språket[16][62]. All kommunikasjon er utformet for å være forståelig og fri for skjult agenda.
• Ingen diskriminering eller bias: Det er eksplisitt jobbet med å unngå skjevheter i modellen[31]. Testdata fra ulike grupper er brukt for å sikre at f.eks. dialektbrukere ikke får en annen type tilbakemelding enn bokmålsbrukere, utover det språklige innholdet selv. Modellen analyserer hva som sies, ikke hvem som sier det – demografiske faktorer er irrelevante for innsikten og blir ikke behandlet. Videre er det ingen automatisert beslutning som kan skade brukeren: selv om dette er en form for profilering (språkprofilering), brukes resultatet kun av brukeren selv, og ingen negative konsekvenser kan ramme dem pga. profilen[7]. Det er altså langt fra det som GDPR kaller “betydningsfullt automatisert vedtak”.
• AI Act – risikoklasse: Som nevnt posisjoneres ADEM i begrenset risiko-kategorien i AI Act[5]. Den brukes privat av enkeltpersoner (ikke myndighetsutøvelse e.l.), og den eneste obligatoriske AI Act-krav som gjelder er nettopp transparens om at det er en AI[27] – noe vi oppfyller. Vi overholder også de etiske retningslinjene som AI Act impliserer: ingen manipulasjon eller subliminal påvirkning, ingen social scoring (selv om vi gir en språkskår er det kun for personlig bruk)[26], og mennesket er alltid i loopen[63]. Faktisk er brukeren selv “mennesket i loopen” som har siste ord på tolkning og bruk av innsikten[63]. Systemet tar ingen handling uten at brukeren initierer eller godkjenner det.
• Kontinuerlig tilsyn og forbedring: Selv om det ikke strengt kreves for lavrisiko, planlegger vi å overvåke systemets ytelse over tid i henhold til AI Act beste praksis[28]. Det betyr logging (anonymt) av f.eks. responstider, tilfeller der AI-en ikke forsto et spørsmål, eller der brukeren markerte noe som feil. Disse loggene brukes til å forbedre modellen (f.eks. justere promptene). Om det noensinne skulle komme en ny forskrift eller en identifisert risiko, har vi prosedyrer for å oppdatere algoritmene (f.eks. en OTA-oppdatering til lokalappen) og informere brukerne om endringer.

ADEM 3.0 demonstrerer at det er fullt mulig å kombinere avansert AI-drevet innsikt med respekt for individets rettigheter og verdighet. Ved å bygge personvern, etikk og brukerkontroll inn i hvert nivå av designet, unngås de fallgruvene mange AI-systemer har fått kritikk for. Resultatet er et verktøy som ikke bare er lovlydig, men som også fremstår tillitvekkende for brukeren. Brukeren eier prosessen hele veien – de deler sine data frivillig, de mottar innsikt på sine premisser, og de kan når som helst avslutte samhandlingen og fjerne data. Slik skal ADEM 3.0 være et eksempel på “Responsible AI” i praksis, i tråd med både GDPR og AI Act sine intensjoner[25][5].

Refleksjon: Ser du noen potensielle etiske dilemmaer som ikke er dekket av tiltakene over? For eksempel, kunne en bruker bli for avhengig av et slikt selvinnsiktsverktøy, eller er det fare for feiltolkninger som gir unødig bekymring? Hvilke grenser ville du selv satt for bruken av et slikt analyseverktøy på dine personlige data?

Konklusjon

ADEM-rammeverket versjon 3.0 representerer et gjennomtenkt evolusjonært sprang fra sin forgjenger. Ved å introdusere en eksplisitt X- og Y-akse-struktur for språkanalyse, kombinerer det bredde (flere dimensjoner av kommunikasjon) med dybde (eksistensiell nærvær i språket) i forståelsen av hvordan vi uttrykker oss. Rammeverket tar også steget ut av den statiske testrapporten og inn i en levende dialog, der AI-modellen oppfører seg som en varm samtalepartner – riktignok en partner med uvanlig mye data-crunching kraft og konsistens, men like fullt en som lytter, speiler og spør snarere enn belærer.

Gjennom eksemplene har vi sett hvordan ADEM 3.0 kan gi nyansert innsikt: ikke for å kategorisere mennesker, men for å hjelpe dem å se sine egne mønstre klarere, i et trygt rom. Teknisk sett er det vist hvordan systemet kan implementeres modulært og effektivt, og hvordan en rytmisk, implisitt tilpasning kan gjøre interaksjonen smidig. Etisk sett har vi bekreftet at alle de strenge kravene fra både regelverk og moralsk ansvar er ivaretatt – fra personvern og åpenhet til å unngå skadelig bruk.

ADEM 3.0 er således mer enn et verktøy; det er et rammeverk for refleksjon i samspill med AI. Det legger til rette for en relasjon mellom bruker og AI der fokus er på brukerens verden av ord, følelser og verdier. I en tid der AI ofte mistenkeliggjøres for å være kald eller invaderende, viser ADEM en alternativ vei: AI som speil og samtalepartner, designet med menneskets beste for øye.

Ved å implementere ADEM 3.0 i praksis – enten som en frittstående app, en nettjeneste eller integrert i plattformer – kan man gi enkeltpersoner et unikt tilbud: Muligheten til å få en ny forståelse av seg selv gjennom sine egne ord, guidet av en etisk AI. Potensialet for personlig vekst, bedre kommunikasjon og selvinnsikt er stort, så lenge rammene vi har beskrevet holder AI-en ansvarlig og brukeren i førersetet. ADEM 3.0 søker å realisere nettopp dette.

[1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [42] [43] [44] [45] [46] [47] [48] [49] [50] [51] [52] [53] [54] [55] [56] [57] [58] [59] [60] [61] [62] [63] ADEM-RAMMEVERKET – ADEM

ADEM-RAMMEVERKET

[37] [38] [39] [40] [41] ‘Mirroring Minds’: How Language Models Reflect Linguistic Matching

https://www.linkedin.com/pulse/mirroring-minds-how-language-models-reflect-matching-joris-meijer