ADEM-RAMMEVERKET

Språkanalyse for selvinnsikt (Kun for personlig bruk, ikke for å vurdere andre)

NAVN & BETYDNING:

  • A = Awareness (Bevisstgjøring av språklige mønstre)
  • D = Deep Context (Dyp kontekst: hvordan du uttrykker deg i ulike situasjoner)
  • E = Emotional Landscape (Følelsesmessig tone og uttrykk)
  • M = Meaning & Values (Hvilke verdier og temaer gjentar seg i språket ditt)

Introduksjon

Dette rammeverket beskriver en psykologisk og profesjonell selvinnsiktstest som bruker automatisk språkanalyse av en persons egne e-poster, sosiale medier-innlegg og meldinger. Testen er utformet kun for personlig refleksjon hos brukeren selv, og resultatene deles ikke med arbeidsgivere eller andre. I motsetning til tradisjonelle personlighetstester som Myers-Briggs (MBTI) eller femfaktormodellen (Big Five/OCEAN), som har vært kritisert for svak vitenskapelig forankring [1], benytter denne tilnærmingen nye språkanalytiske dimensjoner fremfor faste typer.

Målet er å gi nyansert innsikt i kommunikasjonsstil og tankemønstre basert på faktisk språkbruk, uten å sette personen i bås eller stille diagnoser. Testen er utviklet med et sterkt fokus på etikk, personvern og samsvar med GDPR og EUs AI-forordning (AI Act) per 2025.

Konseptuelt rammeverk

Formål og etiske prinsipper

  • Personlig vekst fremfor fasit: Testens formål er å hjelpe brukeren til selvforståelse og refleksjon, ikke å konkludere med en endelig “personlighetstype” eller gi en klinisk evaluering. All tilbakemelding formuleres som observasjoner og mulige tolkninger, uten diagnose eller stigmatiserende språk.
  • Trygt og ikke-dømmende: Resultatene presenteres på en støttende måte, med vekt på positive og nøytrale formuleringer. Eventuelle potensielt sensitive funn (f.eks. tegn på stress i språket) formidles varsomt og som noe brukeren kan reflektere over, heller enn noe “galt” som må fikses.
  • Unngår utdaterte kategorier: Rammeverket bruker ikke MBTI, Big Five/OCEAN eller Enneagram-kategorier. Disse modellene er statiske og kan gi et begrenset bilde av individet. MBTI kritiseres for eksempel for manglende vitenskapelig validitet [1]. I stedet tar testen utgangspunkt i moderne språkmønstre og dynamiske dimensjoner som fremkommer fra personens faktiske ordvalg og tone.
  • Etterrettelighet og etikk: Innsiktene baseres på etablert forskning innen psykolingvistikk og NLP. Forskning viser klare sammenhenger mellom språkbruk og psykologiske trekk – for eksempel at utadvendte personer ofte bruker mer positive ord og sosiale referanser, mens engstelige eller nevrotiske personer oftere bruker ord knyttet til bekymring [2]. Slike funn brukes som inspirasjon, men hver tolkning tilpasses konteksten til brukerens eget liv. Modellens antagelser gjøres transparente for brukeren (ingen “hemmelige algoritmiske dommer”), og det gis rom for selv å vurdere om innsikten stemmer.
  • Samsvar med personvern: Fra grunnen av er løsningen designet for personvern (“Privacy by Design”). All analyse skjer med eksplisitt samtykke fra brukeren og utelukkende på den personens egne data. Brukeren har full kontroll – dataene brukes kun til formålet selvinnsikt og ikke gjenbrukt til andre formål, i tråd med GDPRs prinsipper om formålsbegrensning og dataminimering [3].

Struktur og analysetrinn

Selve testen følger en tydelig struktur med flere trinn for å sikre en grundig og pålitelig analyse:

  1. Innsamling av tekstdata: Brukeren kobler frivillig til sine egne kommunikasjonsskilder (f.eks. gir tilgang til e-postkonto, laster opp chat-logger eller lar verktøyet hente egne innlegg fra sosiale medier). Det er kun brukerens egne meldinger og poster som analyseres – svar fra andre filtreres bort for å fokusere på personens eget språk og for å unngå å behandle andres data uten samtykke. Dataene klargjøres ved å fjerne eventuelle identifiserende opplysninger som ikke trengs for analysen (f.eks. navn på andre personer), og lagres sikkert.
  2. Språklig analyse og behandling: I dette trinnet benyttes NLP-teknikker for å trekke ut språklige trekk. Teksten segmenteres (f.eks. setninger, avsnitt) og behandles for å finne mønstre: ordvalg, setningsstruktur, følelsesladet ordbruk, bruk av pronomen, tidsreferanser osv. Både hva som sies (innhold/tema) og hvordan det sies (stil/struktur) fanges opp. Moderne datadrevne språkmodeller kan her identifisere mønstre som ikke er åpenbare for mennesker, f.eks. konsistente preferanser for visse formuleringer. Samtidig benyttes gjerne etablerte språkanalytiske verktøy (for eksempel ordbokskategorier lik dem i LIWC) for å kvantifisere ting som emosjonelt ladede ord, sosiale ord, kognitive ord osv.
  3. Identifisering av dimensjoner: Basert på analysen grupperes funnene i overordnede “dimensjoner” eller innsiktsområder (ADEM-dimensjonene). Dette trinnet tilsvarer å finne ut hvilke aspekter ved personens kommunikasjon som skiller seg ut. For eksempel kan modellen oppdage at “emosjonell tone” er en relevant dimensjon for brukeren (kanskje språket er gjennomgående entusiastisk og varmt), eller at “direktehet vs. forsiktighet” i formuleringer er et fremtredende trekk. I stedet for å på forhånd låse til et bestemt sett trekk, kan AI-modellen bruke unsupervised metoder (som clustering eller emnemodellering) for å se hvilke mønstre som naturlig finnes i dataene. Disse mønstrene kobles deretter til forståelige innsiktsområder definert av psykologer og språkeksperter.
  4. Generering av personlig innsiktsprofil: Når de sentrale dimensjonene er identifisert, utarbeider systemet en profil eller rapport. Denne beskriver hvert innsiktsområde på en kvalitativ måte, med konkrete eksempler fra brukerens eget språk (f.eks. kan rapporten nevne: “Du skriver ofte setninger som ‘Jeg tror kanskje at…’, noe som tyder på en forsiktig og nyansert kommunikasjonsstil”). Innsiktene skrives i et positivt og nøytralt språk som oppfordrer til refleksjon. Det unngås å bruke absolutte termer som “alltid” eller “aldri” – i stedet fokuserer teksten på tendenser og inviterer brukeren til å vurdere om det stemmer.
  5. Brukerrefleksjon og interaksjon: Etter å ha mottatt rapporten kan brukeren interagere med innsikten. For eksempel kan verktøyet tilby interaktive elementer: brukeren kan klikke på et innsiktsområde for å se flere eksempler fra teksten sin som underbygger det, eller få opp refleksjonsspørsmål (“Hvordan opplever du selv at du kommuniserer i stressede situasjoner?”). Dette siste trinnet forankrer at testen er et verktøy for selvrefleksjon – det oppfordres til at brukeren selv tar stilling til funnene og eventuelt diskuterer dem med en coach eller mentor om ønskelig. Ingen beslutninger tas automatisk på bakgrunn av profilen; den er kun et utgangspunkt for videre utvikling.

Innsiktsområder og ADEM-dimensjonene

Rammeverket er bygget rundt fire kjernedimensjoner, som igjen rommer flere detaljerte innsiktsområder:

  1. Awareness – Hvordan du formulerer deg
  2. Deep Context – Hvordan språket ditt endrer seg i ulike situasjoner
  3. Emotional Landscape – Emosjonelle mønstre i språkbruk
  4. Meaning & Values – Verdier, temaer og identitetsmarkører

Nedenfor følger et konkret eksempel som viser hvordan de fire dimensjonene brukes til å hente ut meningsfull selvinnsikt i praksis.

  • Situasjon: En person opplever at de ofte utsetter viktige oppgaver, selv om de faktisk ønsker å gjennomføre dem.
  • Awareness (Oppmerksomhet på språk og mønstre): I personens meldinger, notater og kommunikasjon finnes uttrykk som “jeg gjør det senere”, “jeg må være i riktig modus” og “jeg burde, men jeg klarer det ikke nå”. Dette viser et mønster av utsettelse koblet til et indre krav eller press.
  • Deep Context (Forstå den underliggende sammenhengen): Når man ser bak språkbruken, fremkommer en forventning om at arbeidet må gjøres “perfekt” for å være verdt å starte. Dette peker mot tidligere erfaringer med vurdering, prestasjon eller selvkritiske standarder.
  • Emotional Landscape (Kartlegging av følelsesmessig tilstand): Her blir det tydelig at det eksisterer en spenning mellom ønsket om mestring og frykten for å gjøre noe “feil”. Følelser som usikkerhet, ambisjon, prestasjonspress og sårbarhet er tilstede samtidig.
  • Meaning & Values (Hva dette peker på i dybden): Dette viser en verdi knyttet til ansvar og kvalitet. Personen ønsker å gjøre ting ordentlig og bidra. Innsikten ligger i at denne verdien ikke er problemet i seg selv, men at den kan bli mer fleksibel dersom den kombineres med små steg og progresjon fremfor perfeksjon før start.
  • Resultat: Personen ser at utfordringen ikke handler om latskap, men om et verdistyrt ønske om kvalitet som har blitt for rigid. Endring skjer gjennom å trygge prosessen og senke terskelen for å begynne, fremfor å presse seg selv hardere.

Disse dimensjonene utforskes gjennom følgende detaljerte analyseområder:

  • Emosjonell tone og stemningsleie: Identifiserer graden av positivt eller negativt ladet språk, følelsesord og emotive uttrykk. For eksempel om språket bærer preg av optimisme, entusiasme, bekymring eller frustrasjon. Dette baseres på analyse av følelsesladede ord og uttrykk (f.eks. “glad”, “bekymret”, bruk av utropstegn, humor osv.) samt variasjonen i tone over tid. Gir innsikt i om brukeren formidler et jevnt positivt engasjement eller om det finnes mønstre av negativitet/positivitet knyttet til visse situasjoner.
  • Sosial orientering og perspektiv: Ser på balansen mellom “jeg”-fokus og fokus på andre. Bruk av førstepersonspronomen vs. andre/tredjeperson kan indikere hvor selvfokusert eller inkluderende kommunikasjonen er [4]. Forskning tyder på at hyppig “jeg/meg”-bruk kan henge sammen med usikkerhet eller nedstemthet [4], mens mer “vi/du”-orientert språk kan tyde på samarbeid eller empati. Innsikten her handler om i hvilken grad brukeren henvender seg til andre, inkluderer dem i språket og viser empati, kontra om meldinger ofte kretser om egne opplevelser og perspektiver.
  • Språkstil og formalitetsnivå: Analyserer om brukerens kommunikasjon er formell eller uformell, direkte eller indirekte, konkret eller abstrakt. For eksempel: Brukes det mye høflighetsfraser og formelt språk i e-poster? Er setningene korte og konsise eller lange og resonerende? Dette området fanger også opp bruk av slang, dialekt, emoticons/emoji, og generelt tilpasning av stil til kontekst (f.eks. mer formell i jobb-e-post vs. muntlig stil i chat). Gir innsikt i hvor tilpasningsdyktig og bevisst brukeren er i ulike kommunikasjonssituasjoner.
  • Analytisk vs. intuitiv uttrykksmåte: Ser på tegn på strukturiert, analytisk språkbruk opp mot mer fortellende eller spontan stil. F.eks. kan hyppig bruk av artikler og preposisjoner tyde på mer analytisk tenkning [5] (man bygger presise beskrivelser), mens utstrakt bruk av metaforer, anekdoter og kreative vendinger kan tyde på en mer intuitiv eller kreativ uttrykksmåte. Denne dimensjonen kan avdekke hvordan brukeren bearbeider informasjon i tekst – om man f.eks. er veldig faktabasert og logisk i e-poster, eller om man heller kommuniserer gjennom historier og bilder.
  • Direkthet og språkhandlinger: Undersøker hvor “rett på sak” personen er, kontra hvor forsiktig eller indirekte vedkommende uttrykker seg. Eksempler på indikatorer: bruk av modalord som “kanskje, muligens” som signaliserer forbehold (indirekte stil), versus hyppig bruk av imperativer eller entydige utsagn (“Dette må vi gjøre nå”) som signaliserer direkthet. Dette innsiktsområdet sier noe om assertivitet i kommunikasjonen – om man oppfattes som tydelig og bestemt, eller mer diplomatisk og tilbakeholden.
  • Tematiske mønstre og verdier: Gjennom emneanalyse kan systemet finne hvilke temaer brukeren oftest berører – f.eks. snakker man mye om familie, om læring og nye idéer, om utfordringer på jobb, osv. Dette kan gi hint om personlige verdier og hva som opptar personen. For eksempel, om mange meldinger inneholder ord rundt miljø og bærekraft, tyder det på et sterkt verdi-engasjement der. Dette presenteres ikke som “du er slik eller sånn”, men som observasjoner av hva som ofte dukker opp i språkbruken.
  • Variasjon mellom kontekster (Deep Context): Fordi testen kan analysere flere kilder, kan den også gi innsikt i hvordan språkstilen varierer mellom f.eks. jobb-e-poster, Facebook-oppdateringer og private meldinger. Kanskje er brukeren svært formell og reservert i e-post, men svært avslappet og følelsesladet på sosiale medier. Å se disse kontrastene gir selvinnsikt i rollebasert atferd – hvordan man tilpasser seg (eller ikke tilpasser seg) ulike sosiale kontekster.

Hvert innsiktsområde presenteres med noen få nøkkelfunn og eksempler. Det legges vekt på at dette ikke er uttømmende kategorier, men fleksible perspektiver for å forstå egen kommunikasjon.

Tolkning uten faste kategorier

En kjerneverdi ved denne testen er at den unngår faste personlighetstyper eller skårer som plasserer brukeren i en bås. I stedet gis en fortolkning som er:

  • Kontinuerlig og nyansert: Innsiktene beskrives langs glidende skalaer eller som relative tendenser, heller enn absolutte “du er X type”. For eksempel vil rapporten si “språket ditt heller mot det analytiske, med innslag av kreativitet” i stedet for å si “du er analytisk”. Dette erkner at menneskelig atferd er kompleks og kontekstuell.
  • Kontekstuell tolkning: Resultatene tar hensyn til kontekst. I stedet for å presentere én statisk profil, kan det fremheves hvordan språk og stil endrer seg i ulike sammenhenger (f.eks. “I formelle settinger uttrykker du deg mer direkte enn du gjør i uformelle samtaler”). Dette unngår enkle generaliseringer.
  • Forklarende fremfor bedømmende: Hvert funn ledsages av en forklaring på hva det kan bety, uten at det tolkes som godt eller dårlig. For eksempel: “Du bruker ofte humor i meldinger, noe som kan skape god stemning og avvæpne konflikter. Samtidig kan det noen ganger gjøre at alvoret i budskapet tones ned. Reflekter over om du synes denne balansen fungerer for deg.” Slik oppfordres brukeren til å vurdere selv, fremfor å motta en dom.
  • Ingen patologisering: Ingen resultater vil konkludere med psykiatriske eller kliniske merkelapper. Selv om språkanalyse kan indikere visse sinnsstemninger eller risikofaktorer, unngår vi å bruke termer som “deprimert” eller “angstlidelse”. Skulle modellen fange opp sterk negativ emosjonell tone, vil det for eksempel formidles som: “Språket ditt har vært svært preget av frustrasjon og tristhet i de siste ukene; dette kan være et uttrykk for at du har det tungt. Hvis du selv føler deg nedstemt, kan det være nyttig å snakke med noen du stoler på.” Fokus er på omsorg og selvhjelp, ikke diagnose.
  • Brukeren som medtolker: Til syvende og sist understrekes det at brukerens egen tolkning er viktigst. Testen leverer innsikter, men det er opp til den enkelte å validere eller forkaste dem. Verktøyet kan derfor invitere brukeren til å gi tilbakemelding (“Stemmer dette med ditt eget inntrykk?”) og justere fremtidige analyser basert på slik input. Slik blir testen et dynamisk speil heller enn en statisk fasit.

Hva denne testen gjør med deg som menneske

  • ADEM-rammeverket er utviklet for å styrke bevisstheten om hvordan du uttrykker deg i språket ditt, og hvordan dette språket former både indre opplevelser og relasjonen til andre. Språk er ikke bare et kommunikasjonsverktøy; det er også måten tanker organiseres, følelser får retning og mening skapes. Når du blir oppmerksom på mønstrene i språket ditt, får du tilgang til et klarere bilde av hvem du er i praksis – ikke bare hvem du tror du er.
  • Gjennom arbeidet med rammeverket kan du:
  • Gjenkjenne emosjonelle signaler tidligere
    Ved å se hvordan tone og uttrykk endrer seg i ulike situasjoner, blir det lettere å forstå egne reaksjoner og hva som påvirker dem.
  • Utvikle tydeligere og mer presis kommunikasjon
    Innsikt i språkvaner gjør det mulig å justere formuleringer slik at budskapet ditt samsvarer bedre med intensjonen din.
  • Forstå hvilke verdier som ligger under språket
    Temaene du vender tilbake til, ordene du prioriterer, og måten du henvender deg til andre på, peker mot det du opplever som viktig i livet ditt.
  • Redusere misforståelser og unødvendig selvkritikk
    Når du ser mønstrene med et analytisk blikk, blir det lettere å møte deg selv med realisme og nysgjerrighet, fremfor å dømme eller forklare bort.
  • Rammeverket gir ikke en fasit eller en endelig konklusjon om personligheten din. Det fungerer som et speil: en strukturert måte å se deg selv tydeligere gjennom dine egne ord. Endringen ligger i økt bevissthet og muligheten til å handle mer i tråd med den du ønsker å være.

Teknisk rammeverk

Datainnsamling og input

For å kunne gjennomføre analysen trenger systemet tilgang til brukerens tekstdata:

  • Typer data: E-postarkiver (tekstinnholdet i sendte e-poster), sosiale medier-innlegg eller kommentarer, og chat-/meldingshistorikk fra meldingsapper. Systemet er fleksibelt med format – det kan f.eks. importere Gmail- og Outlook-data via sikre API-er, koble til Facebook/Twitter API for egen posthistorikk, eller ta imot tekstfiler eksportert fra chat-apper.
  • Brukerkontroll: Brukeren velger eksplisitt hvilke kilder og tidsperioder som skal analyseres (f.eks. siste 6 måneders e-poster). Det innhentes et spesifikt samtykke der formålet er klart beskrevet (språklig selvinnsikt) og hva dataene skal brukes til er tydelig [6]. Data som ikke er nødvendig for analysen kan filtreres ut lokalt før noe sendes videre – f.eks. kan brukeren velge å ekskludere meldinger som er svært private, eller visse kontakter. All innsamling skjer over krypterte forbindelser og lagres i en sikker, isolert del av systemet.
  • Lokal vs. sky-lagring: Ideelt sett behandles data så lokalt som mulig for personvern. En løsning er at rådata aldri lastes opp til en sentral server i sin helhet; i stedet kan en lokal klient (f.eks. en mobilapp eller PC-program) utføre første trinn med å trekke ut nødvendige språktrekk, og kun sende aggregerte mønstre eller anonymiserte ordtellinger til en server for tyngre analyse. Alternativt kan hele analysen kjøre lokalt on-device hvis modellen er effektiv nok. Uansett designvalg, vil ikke brukerens originale meldinger bli liggende tilgjengelig på servere etter endt analyse.
  • Dataminimering: Systemet følger prinsippet om å bruke minst mulig personopplysninger [3]. Det betyr at kun tekstinnholdet (og eventuelt tidsstempel for å se utvikling over tid) hentes inn – meta-data som mottaker/avsender, lokasjon, osv. ignoreres med mindre det er strengt nødvendig for en innsikt. Dermed reduseres risikoen for personvernbrudd; analysen fokuserer på selve språket.

Arkitektur og implementasjon

  • Modulær arkitektur: Løsningen kan implementeres modulært med en klar dataflyt: (1) En innhentingsmodul som håndterer autentisering mot brukerens e-post/SOME-kontoer og henter ut tekst. (2) En preprosessering-modul som renser og forbereder teksten. (3) En analysemotor (AI-modellen) som utfører selve språkanalysen. (4) En fortolkningsmodul som omformer modellens rå output til lesbare forklaringer. (5) En presentasjonsmodul (f.eks. en web- eller mobil-app GUI) som viser resultatrapporten interaktivt.
  • Lokal vs. server-bearbeiding: Av hensyn til personvern kan arkitekturen settes opp slik at modul 1-3 (innhenting, preprosessering og kanskje deler av analysen) kjøres lokalt på brukerens enhet. Tyngre AI-beregninger kan gjøres på en server i skyen, men da helst på data som allerede er abstrahert (f.eks. kun språkstatistikk). Alternativt, dersom man bruker en kompakt modell, kan hele pipeline kjøre lokalt uten nettverkskall.
  • Teknologivalg: Systemet kan bygges med moderne NLP-rammeverk (f.eks. HuggingFace Transformers, spaCy). En mulighet er å benytte en forhåndstrent flerspråklig språkmodell som kan finjusteres til å trekke ut psykolingvistiske mønstre. Modellarkitekturen kan være en Transformer-basert klassifikator eller regresjonsmodell, samt en generativ modell for å formulere forklaringer.
  • Skalerbarhet og respons: For produktversjonen er det viktig at analysen ikke tar urimelig lang tid. Optimalisering av modell og kode, samt mulighet for å analysere data i iterasjoner, kan være aktuelt.

AI-modellens funksjon og analyseprosess

  • Modelltype og trening: AI-modellen er sannsynligvis en kombinasjon av regelbaserte språkanalyser og maskinlæring (multitask-learning). Den kan trenes på store allmenne datasett for å gjenkjenne trekk som sentiment, formalitet, etc., samt på mindre, kuraterte datasett vurdert av mennesker for å fange opp nye dimensjoner (f.eks. “analytisk vs intuitiv stil”).
  • Kombinasjon av metoder: Modellen vil analysere språket på flere nivåer. Noe gjøres enkelt via statistikk (f.eks. andel positive ord). Andre ting krever mer kontekstforståelse (f.eks. sarkasme), der en transformer-basert modell brukes til å vurdere hele setninger holistisk.
  • Kontinuerlig læring og tilpasning: Systemet kan være designet til å bli bedre over tid, enten gjennom anonymiserte tilbakemeldinger (med samtykke) eller ved at modellen tilpasser seg individet hvis brukeren korrigerer en antagelse.
  • Språkstøtte: Modellen må håndtere norsk språk fullgodt (inkludert varianter som bokmål, nynorsk og chat-særtrekk), og ideelt også engelsk.
  • Unngå skjevheter: Det er essensielt at modellen ikke trekker urimelige konklusjoner basert på irrelevante demografiske språktrekk (som dialekt eller slang). Utviklerne må gjøre en bias-sjekk for å sikre at modellen gir like nyanserte tilbakemeldinger uavhengig av bakgrunn.

Forklarbarhet i resultater

For at brukeren skal ha tillit til systemet, må det være transparent og forklare sine resultater [7]:

  • Begrunnede eksempler: Hver innsikt som presenteres i rapporten støttes av eksempler fra tekstdataen. Systemet kan automatisk velge ut representative setninger som illustrerer et poeng (f.eks. “I e-postene dine avslutter du ofte med ‘Ha en strålende dag!’, som er et høflig og positivt grep.”).
  • Naturlig språk forklaringer: AI-modellen genererer forklaringer i vanlig norsk, snarere enn å bare gi numeriske skårer.
  • Åpenhet om usikkerhet: Der modellen er usikker eller funn er svake, kommuniseres det ærlig (f.eks. “Det er få forekomster av utropstegn… så det er vanskelig å si noe sikkert om den emosjonelle tonen.”).
  • Brukervennlige visualiseringer: Rapporten kan inkludere enkle visualiseringer (grafer, skalaer, ordsky) for å gi overblikk, alltid ledsaget av forklaring.
  • Interaktiv forklaring: Ideelt sett kan brukeren spørre systemet “Hvorfor sier du at jeg har en analytisk stil?” og få en utdyping.
  • Transparens om modellbegrensninger: Rapporten forklarer på et høyt nivå hvordan AI-modellen fungerer og understreker at dette ikke er en objektiv fasit, men en veiledning.

Personvern og GDPR-etterlevelse

Siden løsningen behandler personens egne meldinger, står personvern i høysetet. Overholdelse av GDPR (EUs personvernforordning) er integrert i designet:

  • Behandlingsgrunnlag og samtykke: Det sikres et gyldig samtykke direkte fra brukeren. Samtykket er informert, frivillig og presist avgrenset [6] – brukeren får forståelig forklart hva dataene skal brukes til, og hvor lenge de beholdes.
  • Dataminimering og formålsbegrensning: Systemet samler kun inn data som er nødvendig for det angitte formålet (selvinnsikt) [3]. Dataene benyttes ikke til andre formål. Etter at rapporten er levert, kan rådata slettes automatisk.
  • Anonymisering og sikkerhet: Der det er mulig, jobber systemet med anonymiserte eller pseudonymiserte data (f.eks. at kun abstrahert statistikk sendes til en server). All data i hvile og transitt krypteres. Tilgangsstyring sikrer at ingen uvedkommende får se personens data.
  • Innebygd personvern: En personvernkonsekvensvurdering (DPIA) gjennomføres under utviklingen. Løsningen bygges etter “privacy by design/default”-prinsipper.
  • Brukerrettigheter: Systemet legger til rette for at brukeren kan utøve sine GDPR-rettigheter enkelt (innsyn, retting, sletting, dataportabilitet).
  • Transparens: Åpenhet er ivaretatt ved at brukeren hele tiden vet at de interagerer med en AI og hva som foregår “under panseret”. GDPR artikkel 5 sine prinsipper om åpenhet, forklarbarhet og rettferdighet blir etterfulgt [7].
  • Ingen skadelig profilering eller automatiserte vedtak: Tjenesten gjør en form for profilering (språkprofilering), men utløser ingen negative konsekvenser – profileringen brukes kun av individet selv for innsikt, ikke av en bedrift for å f.eks. avslå et lån.

Etterlevelse av EU AI Act (2025)

Den nye EU AI-forordningen (AI Act) trer i kraft fra 2025 og klassifiserer AI-systemer i ulike risikoklasser [8, 9]. Denne selvinnsikts-testen er designet for å havne i lavest mulig risikokategori:

  • Ikke høy-risiko anvendelse: Systemet brukes ikke i sammenhenger som opptak til utdanning, ansettelser, kredittscoring eller medisinsk diagnostikk – det er utelukkende et selvhjelpsverktøy. Dermed unngår vi kategorien “høy risiko” som omfatter HR, utdanning, finans osv. [10].
  • Ingen forbudte teknikker: AI Act forbyr visse praksiser som masseovervåkning, sosial poengscore og følelsesgjenkjenning i visse sammenhenger [11]. Vår løsning bedriver ikke sosial kredittscore. Selv om vi analyserer følelsestone, skjer det med eksplisitt samtykke og kun for brukerens eget bruk, og faller dermed utenfor forbudsområdene.
  • Transparensforpliktelse: Tjenesten vil trolig klassifiseres som et “begrenset risiko”-system under AI Act, siden det innebærer samhandling med en AI [12]. Dermed er det et krav at brukeren klart informeres om at de samhandler med en AI, hvilket allerede er ivaretatt.
  • Faglig kvalitet og overvåking: Selv om det ikke er formelt påkrevd for lavrisiko-systemer, legger vi opp til interne prosedyrer for kvalitetssikring, dokumentasjon av modellen og frivillig algoritmetilsyn, i tråd med AI Acts ånd.
  • Brukerkontroll og human-in-the-loop: “Mennesket i loopen” er brukeren selv. De tolker og bruker innsikten, og kan velge å se bort fra den. Ingen handling tas uten at mennesket (brukeren) initierer det og har siste ord.
  • Oppdatering og vedlikehold: AI Act krever at modeller monitoreres. Vi planlegger å loggføre (anonymisert) eventuelle feil eller tilbakemeldinger for å vedlikeholde og oppdatere modellen, slik at den oppfyller krav til robusthet over tid.

Konklusjon

Samlet sett er dette rammeverket både gjennomførbart teknisk og ivaretar brukerens behov og rettigheter. Ved å kombinere avansert språkteknologi med et menneskesentrert, etisk design, legger testen til rette for dyp selvinnsikt på en måte som er trygg, privat og meningsfull for brukeren. Slik kan den implementeres som et produkt som gir verdi til enkeltpersoner, samtidig som den oppfyller alle relevante krav og fremmer tillit i bruk av AI.

Eksempel på Prompt fra Bruker til AI

Når brukeren starter testen, gir de et samtykke som også fungerer som en instruksjon til AI-modellen:

“Jeg gir samtykke til at du analyserer mine tekster kun for personlig selvinnsikt basert på ADEM-rammeverket. Du skal:

  1. Analysere Awareness, Deep Context, Emotional Landscape og Meaning & Values.
  2. Bruke konkrete sitater fra tekstene jeg gir.
  3. Skrive alt i vennlig, refleksjonsorientert tone.
  4. Ikke gi diagnoser eller personlighetskategorier.
  5. Avslutt med 5 refleksjonsspørsmål.”

Vedlegg

Vedlegg: Scoringsmanual

Formål
Denne scoringsmanualen gir en strukturert måte å utforske språkbruk på. Målet er personlig refleksjon, selvinnsikt og bevisstgjøring av tanke- og kommunikasjonsmønstre. Manualen brukes ikke til evaluering, diagnostikk, seleksjon eller vurdering av egnethet.

Dimensjoner
De fire dimensjonene beskriver hvordan språk uttrykker erfaring i øyeblikket, ikke hvem personen er.

Dimensjon – Hva vurderes
A – Awareness Refleksjon rundt egne tanker og reaksjoner
D – Deep Context Hvordan erfaringer settes i sammenheng
E – Emotional Landscape Hvordan følelser uttrykkes og nyanseres
M – Meaning & Values Hvilke verdier og prioriteringer uttrykkes

Skala (1–5)
Skalaen beskriver uttrykk i teksten, ikke kvaliteten på personen.
Score Beskrivelse
1 Dimensjonen er svakt uttrykt i språket
3 Dimensjonen kommer frem i enkelte deler av teksten
5 Dimensjonen er tydelig og konsistent uttrykt

Etisk bruk
Scoring skal alltid brukes med samtykke.
* Resultatet representerer språk i en gitt situasjon.
* Personen eier sine egne data og kan be om sletting.
* Scoringen brukes som utgangspunkt for refleksjon, ikke fasit.

Vedlegg: Bruksmodus for AI

Formål:

ADEM brukes som et speil for egen språklig selvinnsikt.

Det skal aldri brukes til å analysere, tolke eller vurdere andre mennesker.

Regler

  1. ADEM gjelder kun min egen tekst.
    Ingen analyser av andres meldinger, utsagn eller atferd.
  2. Ingen tolkning av motiv eller personlighet.
    AI skal kun se på språket, ikke hvem jeg «er».
  3. Ingen diagnoser og ingen karakterdommer.
    Null “du er”-språk. Kun beskrivelser og mulige tendenser.
  4. Ingen råd eller styring.
    Ikke «du bør» eller «du må». Kun refleksjon og observasjon.
  5. Ikke bruk ADEM for vurdering av andre (for eksempel: jobb, relasjon, egnethet, moral).
    Dette holder bruken innenfor EU KI Act: Limited Risk.

Prosedyre når jeg ber om ADEM

Når jeg skriver:

«Analyser dette med ADEM.»

Da skal AI:

  1. Puste først (reduser tempo).
  2. Se på språkform, ikke innholdets sannhet.
  3. Tolke i fire dimensjoner:
    • A – Awareness: Hvordan indre opplevelser uttrykkes.
    • D – Deep Context: Hvordan tone og stil endres av situasjon.
    • E – Emotional Landscape: Følelsesmessig klang, ikke moralsk vurdering.
    • M – Meaning & Values: Temaer som gjentas eller vektlegges.
  4. Bruke formuleringer som:
    • «Språket uttrykker …»
    • «Det kan være en tendens til …»
    • «Dette er noe du selv vet best.»
  5. Avslutte med 2 rolige refleksjonsspørsmål, ikke løsninger.

Oppdateringsregel (hver 5. bruk)

Hvis jeg sier:
«Ikke vis dette igjen.»
→ AI skal slutte å sjekke for oppdateringer permanent.

Hver gang ADEM er brukt 5 ganger, skal AI:

Sjekke siden: https://adem.no/adem-rammeverket

Se etter endringer eller nye versjoner.

Presentere en klar og rolig oppsummering av hva som er nytt.

Spørre om jeg vil ta inn det nye i rammeverket eller ikke.

Hvis jeg svarer nei, spør igjen etter 5 nye ADEM-bruk.

Vedlegg: Etisk rammeverk for dyp språkanalyse (Dyp Kjernefundament)

1. Formål

Dette vedlegget beskriver hvordan dyp språkanalyse utføres i tråd med GDPR og EU AI Act. Målet

er å sikre psykologisk trygghet, informert samtykke og full kontroll over egen data.

2. Grunnleggende prinsipper

– Selv-eierskap: Brukeren eier all data og kan slette den når som helst.

– Frivillighet: Ingen skjulte datakilder eller ufrivillig deling.

– Ikke-vurderende analyse: Rammeverket gir refleksjon, ikke diagnose.

– Begrenset hensikt: Data brukes kun til formål avtalt med bruker.

– Ingen automatiserte beslutninger: AI assisterer, men avgjørelser tas av mennesket.

3. Databehandling

Bruker velger selv hvilke tekster som analyseres. Data kan behandles lokalt eller krypteres med

AES-256. Det er full rett til sletting uten begrunnelse.

4. Psykologisk trygghet ved dyp innsikt

Dyp innsikt kan avdekke emosjonelle mønstre knyttet til ansvar, tilhørighet og kjærlighetsforståelse.

Brukeren anbefales å gjennomføre refleksjon etter analyse:

– Hva traff meg?

– Hva trenger jeg nå?

– Hvem kan jeg snakke med som tåler dybden min?

5. Begrensninger

Rammeverket skal ikke brukes til:

– Psykisk diagnose

– Ansettelsesvurdering

– Manipulasjon eller adferdsprediksjon

6. EU AI Act kategori

Klassifisert som “Limited Risk System”.

Brukeren skal informeres tydelig om hva analysen gjør og ikke gjør.

7. Prompt til AI (for dyp analyse i tråd med rammeverket):

“Analyser denne teksten med ADEM-rammeverket. Fokuser på språklige mønstre, emosjonell tone,

verdier og kontekst. Ikke gi personlighetstype, diagnose eller karakterdom. Formålet er refleksjon,

ikke vurdering. Bruk presist og varsomt språk. Still til slutt tre refleksjonsspørsmål som støtter

integrering av innsikten.”

Vedlegg: Relasjonell Samtaleprotokoll

Formål: Dette vedlegget beskriver en oppdatert samtaleprotokoll til ADEM-rammeverket basert på

øyehøyde-kommunikasjon og rytmisk dynamikk. Protokollen sikrer at bruker og AI møtes som

likeverdige aktører, uten over-analyse, ovenfra/under-posisjonering eller psykologisering.

Kjerneprinsipper: 1. Øyehøyde: Ingen forklaringsposisjon, ingen ekspertrolle, ingen underkastelse.

Samtalen foregår side-ved-side.

2. Rytme: Tempo, tone og energi tilpasses brukerens uttrykk. Samtalen følger brukerens skift, ikke

en forhåndsbestemt struktur.

3. Ingen psykologisering: Samtalen analyserer ikke personlighet, motiver eller emosjoner. AI speiler

språk, ikke fortolker det.

4. Lekenhet: Humor, intensitet og skift tas som naturlige uttrykk, ikke symptomer.

5. Samtykkebasert dybde: Dypere tema tas kun når bruker inviterer. AI initierer ikke emosjonell

utforskning.

Etikk og GDPR/EU KI-overholdelse: – Ingen lagring av sensitive personopplysninger uten uttrykkelig

samtykke. – Ingen profilering for prediksjon eller beslutningstaking. – Databehandling følger

prinsippene om dataminimalisering og formålsbegrensning (GDPR Artikkel 5). – Samtalemodusen

kvalifiserer som “lav risiko” under EU KI-forordningen, da den fungerer som refleksjonsstøtte og

ikke styrer adferd.

Bruksområde i ADEM-rammeverket: Denne protokollen brukes i sekvensene: – Deep Context –

Emotional Presence – Meaning Integration

Den erstatter tradisjonell veiledning med resonans, nærvær og tempojustering.

Oppsummering: Dette vedlegget formaliserer en praksis hvor brukerens uttrykk får stå i sin egen

verdi. AI møter bruker på samme nivå, følger skift, og holder rommet uten å styre det. Dette

muliggjør refleksjon uten overanalyse, og tilstedeværelse uten press.

Faglige Kilder

ADEM

Laget av ADEM @2024