dX9

DX9-modellen

DX9 är en kommunikativ drivkraftsmodell framtagen för att göra AI-baserade dialogsystem mer träffsäkra i hur de formulerar sig – inte bara vad de svarar. Utgångspunkten är enkel: i textdialog avgör ofta ton, struktur, tempo och graden av styrning om användaren upplever svaret som relevant och legitimt, långt innan sakfrågan är “färdigutredd”. DX9 är därför byggd för att kunna användas som en styrvariabel i chatbot-design: modellen ska kunna estimeras från användarens språk och direkt översättas till språkparametrar och dialogpolicy.

Underlaget till modellen bygger på 45 000 webb-enkäter gjorda under ca 30 år. I i dessa enkäter har vi analyserat språkliga åtskillnader och gemensamma sätt att formulera sig. Detta, tillsammans med djupintervjuer av testpersoner, ligger till grund för vår AI-baserade språkmodell. Det gör att vi kan analysera personens språk och därefter hjälpa AI-verktyget att uttrycka sig i samklang med olika personlighetstyper.

Modellen organiserar kommunikativa preferenser i tre oberoende dimensioner med tre lägen vardera (3×3×3), vilket ger 27 typer. Den är inte avsedd som klinisk eller diagnostisk personlighetsteori, utan som ett praktiskt ramverk för adaptiv kommunikation i digitala samtal.

För en mer ingående beskrivning av modellen, se avsnittet Modellteori i menyn.

Varför DX9 behövs i dialogsystem

Forskning inom HCI (human–computer interaction) visar att människor ofta reagerar socialt på teknik och tolkar språk från system som sociala signaler. I chatbots innebär det att små skillnader i stil får stora konsekvenser:

För direkt ton kan uppfattas som påtryckning.
För mjuk ton kan uppfattas som svävande.
För lite struktur kan uppfattas som otryggt.
För mycket struktur kan uppfattas som kontrollerande.

DX9 adresserar detta genom att fokusera på drivkrafter: mer grundläggande behov kopplade till trygghet, legitimitet och hur dialogen ska “hållas ihop”. Drivkraftsnivån är praktiskt användbar eftersom den ofta påverkar mottaglighet för råd, instruktioner och prioriteringar – även när sakfrågan är densamma.

Empirisk grund och arbetssätt

DX9 bygger på ett långvarigt empiriskt material med cirka 45 000 webbenkäter insamlade över lång tid, där återkommande mönster i språkpreferenser och respons på tilltal har identifierats. Centralt är att modellen är konstruerad för att fungera i drift:

Typen kan estimeras under pågående dialog (utan testformulär).
Estimeringen bör vara probabilistisk (en sannolikhetsfördelning snarare än en fast etikett).
Systemet bör kunna uppdatera sin bedömning löpande och vara känsligt för kontext (en användare kan behöva mer kontroll i riskfyllda frågor och mer frihet i kreativa frågor).

Modellen i korthet: tre dimensioner

DX9 består av tre dimensioner som tillsammans beskriver hur en användare vill bli bemött i textdialog.

D1: Förhållningssätt till auktoritet (S / O / L)

Denna dimension styr hur mycket och på vilket sätt systemet får “leda”.

S – Självständig: vill ha autonomi. Systemet ska erbjuda perspektiv, inte styra.
O – Oberoende: vill ha överblick, mål och analys. Auktoritet bedöms instrumentellt (”visa mig varför”).
L – Lojal: vill ha stabila ramar och legitima riktlinjer. Tydlighet kan minska osäkerhet.

Designnytta: D1 påverkar graden av direktiv, hur rekommendationer legitimeras, och om systemet ska “trycka på” eller “bjuda in”.

D2: Regleringsprincip (R / F / K)

Denna dimension beskriver hur dialog och beslut ska regleras.

R – Relation: bekräftelse, social finjustering, ”vi”-språk, omtanke.
F – Flex: valfrihet, alternativ, öppna frågor, möjlighet att byta spår.
K – Kontroll: tydliga steg, kriterier, ansvar, villkor, checkpoints.

Designnytta: D2 är ofta den mest konkreta styrningen av språkform: mjuk bekräftelse (R), alternativ/val (F), eller struktur/instruktion (K).

D3: Energi och uttryck (I / N / E)

Denna dimension styr tempo, exponering och interaktivitet.

I – Introvert: låg exponering, mer eftertanke, precision, lugnare tempo.
N – Neutral: balanserad, funktionsstyrd dialog.
E – Extravert: hög interaktivitet, mer framåtdriv, ”tänkande i dialog”.

Designnytta: D3 påverkar svarslängd, antal följdfrågor, tempo i nästa steg och graden av “driv”.

De 27 typerna som systemvariabel

En DX9-typ kodas som en kombination, t.ex. O–F–N. Poängen med DX9 är att koden inte bara är en beskrivning – den kan kopplas direkt till systemets beteende:

Svarsstil: kort/lång, saklig/relationsorienterad, direkt/valbaserad.
Dialogpolicy: hur många följdfrågor, hur snabbt man föreslår nästa steg.
Strukturgrad: checklistor, steg, sammanfattningar, “bekräfta innan nästa”.
Legitimering: ”du väljer” (S), ”här är analysen” (O), ”så här brukar fungera bäst” (L).

I praktisk implementering bör DX9 hanteras som en mjuk klassificering: systemet håller sannolikheter för varje dimension och typ, och uppdaterar dem med evidens från dialogen.

Språk och signaler: hur en AI kan estimera typen

DX9 är konstruerad så att den kan fångas via språksignaler som ofta finns i naturlig text, exempelvis:

Grad av imperativ och krav (”gör så här”, ”måste”).
Mängd hedge/modalisering (”kanske”, ”möjligen”).
Frågefrekvens (frågor per mening).
Strukturmarkörer (”steg 1/2”, listor, checkpoints).
Relationsmarkörer (bekräftelser, tack, empati, ”vi”-språk).
Valmarkörer (alternativ, ”du kan välja”, ”antingen/eller”).
Tempo/energi (snabba följdfrågor vs avvaktande reflektion).

Poängen är inte att “träffa rätt etikett”, utan att styra kommunikationen i rätt riktning och göra den robust när signalerna är otydliga.

Styrkor och begränsningar

Styrkor

Operativ koppling till dialogdesign: typen kan mappas direkt till språkparametrar.
Kan estimeras i dialogen: minskar behov av formulär och känslig profilering.
Drivkraftsfokus: träffar ofta den nivå som avgör mottaglighet i stunden.
Passar adaptiva system: sannolikhetsbaserat, uppdaterbart, kontextkänsligt.

Begränsningar

Inte diagnostik: ska inte användas kliniskt eller som “sanning om personen”.
All typning är osäker: måste hanteras probabilistiskt och med omtag.
Kontext påverkar uttryck: användare kan tillfälligt skifta stil vid stress, risk, tidsbrist eller socialt tryck.

Rekommenderad användning (praktiskt)

För en webbaserad chatbot eller assistent fungerar DX9 bäst när man:

Startar neutralt (N/F-aktig ton) och samlar signaler.
Uppdaterar sannolikheter kontinuerligt (glidande fönster över senaste dialogen).
Anpassar smått men konsekvent: strukturgrad, valfrihet, bekräftelse, tempo.
Tillåter användaren att styra: “Vill du ha steg-för-steg eller en översikt med alternativ?”
Separera basprofil och läge: “normalstil” vs “situationsdrivet skifte”.

Slutsats

DX9 flyttar fokus från allmän “personlighet” till kommunikativa villkor: vad som får dialogen att kännas trygg, legitim och effektiv. För AI-system är det ofta mer användbart än breda typologier, eftersom det ger en konkret brygga mellan språksignaler → typestimat → dialogpolicy. Resultatet är dialoger som upplevs mindre friktionsfulla, mer relevanta och bättre anpassade – utan att kräva tunga profileringsdata.