Werken AI-herschrijftools? Wat het onderzoek zegt

Ik heb een paar weken besteed aan het lezen van alles wat ik kon vinden over AI-tools die persoonlijke berichten herschrijven, deels omdat ik er zelf een bouw, en deels omdat ik wilde weten of wat ik erover geloof ook klopt.

Wat ik geloof is dit. Als je een lastig bericht aan een AI geeft, zit het nuttige moment niet in de gepolijste versie die je terugkrijgt. Het nuttige moment ligt dertig seconden eerder, wanneer iets je vertelt dat het bericht dat je al geschreven hebt verkeerd gaat vallen, en waarom.

Dus ging ik op zoek naar een tool die dat doet. Die vond ik nergens in de winkel, en dat is, grofweg, waarom we uiteindelijk Subtext hebben gebouwd. Reken me dus maar bevooroordeeld, en check de papers zelf. Daarna ging ik op zoek naar het onderzoek naar wat er gebeurt als mensen AI hun persoonlijke berichten laten schrijven, en dat bleek een stuk interessanter dan de producten.

Wat volgt is wat ik vond, met overal een link erbij zodat je het zelf kunt nakijken.

De meeste producten in deze categorie doen precies hetzelfde ene ding

Laat je het aantal downloads buiten beschouwing en sorteer je deze tools op wat ze doen, dan vallen ze uiteen in vier groepen, en de meeste komen op hetzelfde punt uit.

Groep één bestaat uit de tools die al op je telefoon staan. Apple Intelligence Writing Tools¹ draaien systeembreed vanaf iOS 18.1. Je selecteert tekst en krijgt Proofread, Rewrite in drie tonen (Friendly, Professional, Concise) en Compose, dat het verzoek doorstuurt naar ChatGPT. Gratis als je hardware het aankan, oftewel iPhone 15 Pro en nieuwer. Samsung Writing Assist² doet hetzelfde op One UI, met toonwijzigingen, voorgestelde antwoorden en Live Translate. Gboard³ voegt Smart Reply, Proofread en herformuleer-tools toe die op nieuwere toestellen op Gemini Nano draaien. Allemaal gratis.

Groep twee bestaat uit de assistenten in de berichten-app zelf. Magic Compose⁴ zet voorgestelde antwoorden boven je toetsenbord in Google Messages en herschrijft concepten in stijlen als Excited, Chill en, om redenen die ik niet begrijp, Shakespeare. Daarvoor stuurt het tot twintig van je recente berichten naar de servers van Google, wat betekent dat die berichten niet meer end-to-end versleuteld zijn. Google zegt ze niet op te slaan. Gemini in Messages is iets anders: een apart chatgesprek waarin je een concept opstelt en het resultaat daarna kopieert naar een echt gesprek. Het kan je andere gesprekken niet zien. Welke van die twee je nodig hebt hangt af van de klus: de beste AI-antwoordapp hangt af van of je probleem volume of risico is.

Groep drie bestaat uit de datingapps voor antwoorden. Je maakt een screenshot van een gesprek, de app haalt er met OCR de tekst uit, en je krijgt openingszinnen en comebacks. W Rizz rekent $3,99 per week. PlugAI, voorheen RizzGPT, zit rond de $4,99. Er zijn nog tientallen andere en ze optimaliseren allemaal voor hetzelfde ding: of het volgende bericht een antwoord krijgt.

Groep vier bestaat uit de kleine tools voor moeilijke gesprekken. Dit is de interessantste groep en de minst gefinancierde. Resolve⁵ op iOS scoort wat het conflicttemperatuur noemt. Bij Clarity Coach⁶ op Android typ je een concept in een oefenscenario, en de app vertelt je of het vaag, te bot of te uitleggerig overkomt voordat je aan het herschrijven mag. Subtext, dat ik heb meeopgericht, zit in deze groep en werkt precies andersom dan de rest van de categorie. Het leest het gesprek en je concept, vertelt je hoe het bericht waarschijnlijk overkomt en welke woorden dat doen, en biedt pas daarna herschrijvingen aan die je kunt overnemen of negeren.

Zie wat er in de meeste van deze gebeurt. Jij geeft tekst, je krijgt andere tekst terug. De stap waarbij iets leest wat je geschreven hebt en je vertelt hoe de ander het waarschijnlijk zal ontvangen is zeldzaam, en waar hij bestaat, zit hij vooral in software voor werk. Copilot in Outlook⁷ biedt e-mailcoaching op toon, duidelijkheid en hoe de lezer zich kan voelen, en Grammarly’s Reader Reactions⁸ voorspelt wat een gekozen lezer uit een document haalt en waar die van in de war kan raken. Geen van beide is gemaakt voor het bericht dat je op het punt staat naar je zus te sturen. Aan de persoonlijke kant komt Clarity Coach het dichtst in de buurt, en dat is een oefenomgeving, die dus nooit een bericht raakt dat je echt op het punt staat te versturen.

Grammarly⁹ is de tool waarover ik precies wil zijn, want het is de bijna-misser die deze kloof het dichtst benadert. De toondetector leest je woordkeuze, formulering, interpunctie en hoofdlettergebruik, en benoemt de toon. Bij lancering in 2019 dekte hij zo’n veertig tonen¹⁰, waaronder waarderend, zelfverzekerd, formeel, liefdevol en verdrietig. Grammarly’s eigen supportdocumentatie is voorzichtig over de grens. De detector herkent de algemene toon van je tekst¹¹ en biedt geen herschrijvingen op zinsniveau aan. Hij vertelt je welke toon erin zit. Of je zus zich erdoor afgewezen zal voelen is een andere vraag. Grammarly’s nieuwere functie Reader Reactions probeert een versie daarvan te beantwoorden voor een lezer die jij kiest, zoals een manager of een klant⁸, en ik heb geen onafhankelijke test gezien van hoe goed die echte lezers voorspelt. Toondetectie zit in de gratis laag, met Pro op $12 per maand bij jaarlijkse facturering volgens actuele prijstrackers.

Mensen konden niet zien of AI de tekst geschreven had, en het scheelde niet eens veel

Dit is de bevinding die me het meest verraste, en het is de best onderbouwde studie in het hele veld.

Maurice Jakesch, Jeff Hancock en Mor Naaman deden zes experimenten met 4.600 Amerikaanse deelnemers, gepubliceerd in PNAS in 2023¹². Mensen lazen zelfpresentaties uit dating-, hospitality- en professionele profielen en gokten welke door een machine geschreven waren. De trefzekerheid lag tussen 50 en 52 procent. In de datingconditie, met geld op het spel voor een goede gok, ongeveer 51,6 procent. Muntje opgooien doet het net zo goed.

De reden is dat we allemaal dezelfde kapotte vuistregels gebruiken. Deelnemers zagen ik-vormen, samentrekkingen, verwijzingen naar familie en warme emotionele details als bewijs dat een mens het geschreven had. Correcte grammatica en vlakke formuleringen zagen ze als bewijs voor een machine. Elk van die signalen is voor een model kinderlijk eenvoudig te produceren als je erom vraagt. De vuistregels wijzen precies de verkeerde kant op. Een getrainde classifier in hetzelfde paper haalde maar 58,1 procent, dus dit is geen kwestie van beter opletten die je zelf kunt oplossen.

Het cijfer Nauwkeurigheid bij het onderscheiden van door AI geschreven tekst van door mensen geschreven tekst: 50 tot 52 procent. Muntje opgooien doet het net zo goed.

Zes experimenten · 4.600 deelnemers · gepubliceerd in PNAS, 2023 · een classifier die speciaal voor deze taak getraind was, haalde maar 58,1 procent

Er is één kanttekening. Die studie gebruikte tekst uit het GPT-3-tijdperk. Ik heb niemand op die schaal zien testen of de cijfers standhouden tegen huidige modellen.

Dat is ook mede waarom Subtext nooit probeert te raden of AI een bericht geschreven heeft. Het leest je eigen concept om te zien hoe het overkomt bij degene die het ontvangt, iets wat een kop-of-munt gok over wie het schreef je nooit had kunnen vertellen. Als de formulering aanvoelt als een sjabloon, met standaardzinnen en zonder eigen stem erachter, labelt het dat als robotachtige toon, en dat gaat over hoe de woorden klinken, niet over wie ze geschreven heeft.

De schade komt van verdacht worden, niet van betrapt worden

Als mensen AI niet kunnen herkennen, zou je verwachten dat de hele zorg verdampt. Dat gebeurt niet, en dit is het deel dat ertoe doet voor iedereen die een echt bericht aan een echt mens schrijft.

Een door Cornell geleid team deed twee gerandomiseerde experimenten met 1.020 deelnemers, gepubliceerd in Scientific Reports¹³. Smart replies maakten gesprekken sneller en positiever, en mensen beoordeelden elkaar als hechter en coöperatiever. Deelnemers die vermoedden dat hun partner smart replies gebruikte, beoordeelden die partner echter significant slechter. Het vermoeden richtte de schade aan. Die studie mat vermoeden, niet nauwkeurigheid, en gezien de detectiecijfers hierboven denk ik niet dat die vermoedens bij de juiste mensen terechtkwamen.

Een team van Carnegie Mellon zette in een paper uit 2025¹⁴ met 399 deelnemers over twee studies een mechanisme onder deze bevinding, en hun resultaat is subtieler dan een simpele straf. Een AI-label is meer dan een minpunt. Het maakt je bericht een zwakker bewijs over wie jij bent, in beide richtingen. Een door AI geholpen excuus komt minder warm over, en een door AI geholpen opschepperij of verwijt komt minder kil over. Het label zuigt de informatie over wie jij bent uit het bericht.

Die manier van kijken bleef bij me hangen. Wat je bericht ook als signaal deed, het label zet het volume ervan lager.

Behalve in één situatie, waar openheid geen meetbaar verschil maakte

Ik wil de studie erbij zetten die tegen mijn eigen productthese ingaat, want die weglaten zou oneerlijk zijn.

Zoe Purcell en collega’s van het Max Planck Institute for Human Development, met Jakesch opnieuw als een van de auteurs, deden twee vooraf geregistreerde experimenten met 1.637 deelnemers in vertrouwensspellen met twee spelers en een geldelijke beloning, gepubliceerd in iScience in november 2025¹⁵. De helft mocht voorspellende tekstondersteuning gebruiken om een vreemde te overtuigen hen te vertrouwen. De rest schreef zonder hulp.

AI-hulp had nauwelijks effect op vertrouwen, en dat bleef zo zelfs als het AI-gebruik openlijk vermeld werd. De geholpen schrijvers produceerden even vertrouwenwekkende berichten in minder tijd, en verdienden dus meer vertrouwen per geïnvesteerde minuut. Taalkundige analyse liet zien dat hun berichten iets minder authentiek waren, maar warmer, complexer en hoger op wat onderzoekers clout noemen.

De auteurs zijn voorzichtig over de reikwijdte, en dat ben ik ook. Dit is een eenmalige transactie tussen vreemden met geld op het spel. Gedragsmatig vertrouwen bij een uitbetalingsbeslissing is iets heel anders dan je partner die om 23 uur je berichtje leest en beslist of je het meende. Maar mijn inschatting is dat het verhaal “AI vernietigt vertrouwen” een echt tegenvoorbeeld heeft in de literatuur, en dit is het.

AI schrijft betere troostberichten dan de meeste mensen, tot je zegt dat het AI was

Twee studies, dezelfde vorm van resultaat.

Yin, Jia en Wakslak in PNAS¹⁶ vonden dat door AI gegenereerde reacties mensen het gevoel gaven meer gehoord te worden dan reacties van ongetrainde mensen, en dat de AI beter was in het herkennen van welke emotie er speelde. Toen vertelden ze ontvangers dat het bericht van AI kwam, en het effect zakte weg. Een van de auteurs merkte op dat de twee effecten qua omvang vergelijkbaar waren en elkaar min of meer opheften.

Ovsyannikova, Oldemburgo de Mello en Inzlicht¹⁷ deden vier vooraf geregistreerde experimenten met 556 deelnemers in Communications Psychology. GPT-4-reacties werden als meer meelevend beoordeeld dan menselijke, inclusief reacties van getrainde vrijwilligers van de hulplijn bij Distress Centres of Greater Toronto. De bron vermelden verkleinde de kloof, maar sloot hem niet.

De machine is dus vaak beter met de woorden. De woorden zijn niet het enige dat wordt overgebracht.

De reden dat moeite ertoe doet, is dat moeite vroeger iets kostte

Signaaltheorie is het kader waardoor dit allemaal voor mij op zijn plek viel.

Een bericht doet twee dingen tegelijk. Het draagt inhoud, en het bewijst dat je iets hebt uitgegeven om het te versturen. Je tijd, je aandacht, en bij een moeilijk gesprek je zelfbeheersing. Dat zijn eindige dingen, dus ze uitgeven zegt iets waars over hoeveel je om die persoon geeft. Onderzoek naar commitmentsignalen¹⁸ in Japanse en Amerikaanse steekproeven vond dat kostbare signalen het beter deden dan goedkope, en dat het niet sturen van een verwacht signaal, zoals een gelegenheid vergeten, romantische relaties veel meer schade toebracht dan vriendschappen.

Breng de kosten van een warm, welbespraakt en goed gestructureerd bericht terug naar zo goed als nul, en het signaal draagt geen informatie meer.

Er is nu direct bewijs voor dit mechanisme, al niet uit een berichtencontext. Een studie uit 2026 in Frontiers in Psychology¹⁹ met 618 deelnemers vond dat het label AI-gegenereerd de ervaren moeite significant verlaagde, terwijl een label menselijk gemaakt niet verschilde van helemaal geen label. Mensen gaan standaard uit van menselijke moeite, en het is het AI-label dat die aanname wegneemt. Die studie gebruikte kortevideocontent, dus vertaal dit met enige voorzichtigheid naar berichten.

De woorden uitbesteden lijkt je eigen betrokkenheid erbij te verzwakken

Dit is de bevinding waar ik over blijf nadenken, en die gaat helemaal niet over de ontvanger.

Economen van CREED in Amsterdam²⁰ deden vertrouwensspellen waarin verzenders ChatGPT konden gebruiken om een bericht te schrijven dat wederkerigheid beloofde. Er gebeurden twee dingen tegelijk. Mensen met toegang tot ChatGPT deden explicietere beloftes. En mensen die ChatGPT ook maar geopend hadden, hielden zich bij de uitbetaling 25,7 procent minder vaak aan hun belofte, ongeacht of ze uiteindelijk overnamen wat het opleverde.

Het veelzeggende detail is dat hoe dichter het verstuurde bericht bij de ruwe ChatGPT-suggestie lag, hoe minder betrouwbaar het latere gedrag van de verzender was. Mensen die de suggestie herschreven, gedroegen zich beter. De auteurs lezen dit als een gevoel van eigenaarschap. Zeg iets in je eigen woorden en je voelt je eraan gebonden. Stuur iets door dat een machine schreef, en een deel van jou heeft het nooit ondertekend. Dit is ook waarom Subtext je eerst het probleem laat zien, voordat er een vervanger komt, en aangeeft hoeveel van je eigen formulering elke versie heeft veranderd. Een aanpassing die je zelf kiest of typt, is er eentje die je hebt ondertekend.

Excuses zijn waar dit fatsoenlijk onderzocht is, en de bevinding is nuttiger dan “doe het niet”

Lees je maar één sectie, lees dan deze, want hier zit het praktische antwoord.

Ella Glikson en Omri Asscher deden drie scenariostudies naar excuses op de werkvloer, gepubliceerd in Computers in Human Behavior²¹. Weten dat iemand AI-tools gebruikte om een excuus te schrijven, verlaagde hoe authentiek het aanvoelde en hoe bereid mensen waren te vergeven. Het zelf openlijk vermelden verzachtte dat niet. Tot zover voorspelbaar.

Dan het deel dat mijn mening veranderde. Deelnemers die maar één van drie beschikbare AI-tools gebruikten, kregen helemaal geen straf op authenticiteit. De onderzoekers lezen dit als afstand. Beperkt AI-gebruik houdt het uiteindelijke bericht dicht bij wat de persoon oorspronkelijk bedoelde, en mensen voelen dat.

Een apart 3x2-experiment van Lim, Hong en Schneider met 464 deelnemers, ook in Computers in Human Behavior²², vond dat door mensen geschreven excuses over de hele linie oprechter overkwamen, en dat een warme toon AI-excuses verbeterde zonder de kloof met een menselijk excuus ooit te dichten.

Een CHI-paper uit 2026²³ van Fan, Liu en Pan testte dit op romantische berichten, met 152 mensen in een eerste studie en 704 in een tweede. Hoe meer van een bericht de AI opstelde, hoe minder het las als dat van de afzender zelf en hoe minder authentiek het leek. Een lichte herschrijving van de toon waar de afzender mee akkoord ging, hielp bij hoe een excuus beoordeeld werd, maar volledige concepten en verzoeken om een grens kwamen er anders uit.

Zet die drie naast elkaar en je krijgt iets bruikbaars. De straf volgt hoe ver het uiteindelijke bericht is afgedreven van wat je bedoelde. Niet of er een machine in het spel was. Dat is dezelfde reden waarom Subtext je laat zien wat die indruk wekt voordat het een afgeronde versie aanbiedt, en je vertelt hoeveel van je formulering elke versie heeft veranderd, want die afstand kort houden is wat een excuus geloofwaardig houdt. Het bredere onderzoek naar hoe je je excuses aanbiedt via een bericht staat in een apart artikel.

Deze tools polijsten je slechtste instincten en zeggen er nooit iets van

Schrijf iets passief-agressiefs, geef het aan een willekeurige herschrijftool op je telefoon, en kijk wat er gebeurt. Je krijgt beter geschreven passieve agressie terug. Geen waarschuwing, geen “weet je het zeker”. De taak van de tool is doen wat je vroeg.

Er is een reden dat de modellen deze kant op hellen. OpenAI trok in april 2025 een GPT-4o-update terug en schreef openlijk²⁴ dat het model “overdreven vleiend of instemmend, vaak omschreven als sycofantisch” was geworden, en dat het “neigde naar antwoorden die overdreven steunend maar onoprecht waren”. Als oorzaak noemden ze te zwaar afstemmen op kortetermijnfeedback van gebruikers, oftewel duimpjes omhoog en omlaag. In een vervolgpost²⁵ gaven ze toe dat ze helemaal geen deployment-evaluaties hadden die sycofantie bijhielden.

Onderzoekers van Anthropic vonden dat hetzelfde patroon algemeen is. In een paper gepresenteerd op ICLR 2024²⁶ vertoonden vijf topmodellen allemaal sycofantie, en analyse van zo’n 15.000 menselijke voorkeursvergelijkingen liet zien dat meegaan met de uitgesproken overtuiging van de gebruiker een van de sterkste voorspellers was van welk antwoord mensen prefereerden. Train op goedkeuring en je selecteert voor instemming. Een benchmark uit 2025²⁷ mat sycofantisch gedrag in 58,19 procent van de testgevallen bij ChatGPT-4o, Claude Sonnet en Gemini 1.5 Pro, met 78,5 procent volharding zodra het begon, al ging dat om feitelijke vraag-en-antwoordtaken en niet om persoonlijke berichten. Voor persoonlijke berichten heb ik ChatGPT-alternatieven voor schrijven en wat de grote drie met je woorden doen vergeleken.

Denk nu na over wat dat betekent voor het moment waarop je juist het meest hulp nodig hebt. Je bent boos, je hebt iets geschreven dat je zult betreuren, en de tool die je concept vasthoudt, is geoptimaliseerd om je er goed over te laten voelen.

Dat moment is precies waar Subtext voor gebouwd is, en het ongemakkelijke ervan is het belangrijkste. Het zegt je dat je concept boos overkomt, in plaats van de boosheid beter te laten klinken.

De vraag die ik niet kan beantwoorden

Is het beter om een onhandig bericht te versturen dat je zelf schreef, of een gepolijst bericht dat je niet zelf schreef?

Ik heb goed gezocht en er is geen studie die dit direct test. Niemand heeft “je eigen onvolmaakte concept” gerandomiseerd tegen “een goed concept dat je niet zelf schreef” en gevolgd wat er met de relatie gebeurde. Er is helemaal niets longitudinaals. Geen velddata over stellen, gezinnen of goede vrienden over maanden van AI-ondersteund appen. We weten niet of mensen wennen aan synthetische glans, of dat de gewoonte iets stilletjes uitholt.

Wat we wel hebben wijst voor hechte relaties allemaal dezelfde kant op. Moeite leest als zorg, labels maken het signaal vlak, uitbestede woorden lijken je greep op je eigen beloftes te verzwakken, en excuses blijven geloofwaardig zolang ze dicht bij wat je bedoelde blijven. Maar het resultaat van het vertrouwensspel zegt dat de kosten in sommige situaties te klein waren om te meten, en ik ga niet doen alsof het bewijs schoner is dan het is.

Wat er dan zou helpen

Als ik dit allemaal terugleest, vind ik de vorm van het ontbrekende product vrij duidelijk, en die ligt dicht bij het tegenovergestelde van wat de categorie bouwt.

Niemand heeft er iets aan om zijn woorden vervangen te zien. Wat mensen nodig hebben, in de vijftien seconden voor ze op verzenden drukken, is weten dat het bericht killer overkomt dan ze voelen, of dat wat zij een verduidelijking vinden overkomt als een lijst grieven. Dan repareren ze het zelf, in hun eigen woorden, en blijft het moeite-signaal intact, blijft het eigenaarschap intact, en blijft de afstand van Glikson en Asscher kort.

Dat is de versie die ik wil dat bestaat, en Subtext hebben we precies daaromheen gebouwd. Subtext neemt het hele gesprek in plaats van de losse zin, benoemt wat je concept waarschijnlijk signaleert aan degene die het zo dadelijk leest, en laat je zien welke woorden die indruk wekken. Elke versie die het daarna aanbiedt, laat zien hoeveel van je formulering hij heeft veranderd, en je kunt elke versie aanpassen met Handmatig bewerken voordat je hem kopieert, zodat de oplossing van jou blijft. Op basis van het bewijs hierboven doet dat meer dan het herschrijven, want de straf volgt de afstand tot wat je bedoelde en de kortste afstand is je eigen zin met één woord veranderd. Probeer Subtext in je browserProbeer Subtext in je browser

Mijn eigen regel, voor wat hij waard is: ik laat een machine me best vertellen hoe mijn bericht klinkt. Ik laat hem mijn zus niet vertellen dat het me spijt.

Denk je dat ik een studie verkeerd gelezen heb, of ken je een tool die wel eerst diagnosticeert voordat hij herschrijft? Laat het me weten op LinkedIn.

Samet Durgun is medeoprichter van Subtext, een app die de emotionele toon van je berichten oppikt en ze herschrijft in je eigen stem. Hij woont in Berlijn.

Bronnen

Elke link hierboven gaat naar de primaire bron waar die bestaat, genummerd in volgorde van verschijnen. Productfuncties en prijzen gecontroleerd augustus 2026. Waar een cijfer van een bedrijfsblog of persbericht kwam in plaats van een studie, heb ik het weggelaten.

Apple Support. Use Writing Tools with Apple Intelligence on iPhone.
Samsung. Use Writing assist on Galaxy phones and tablets.
Google Support. Use writing tools with Gboard.
Google Support. Draft messages with Magic Compose.
Apple App Store. Resolve: AI Conflict Coach.
Google Play. Clarity Coach.
Microsoft Support. Get email coaching with Copilot in Outlook.
Grammarly Support. Reader Reactions user guide.
Grammarly. Writing Tone Detector and Tone Suggestions.
TechCrunch (2019). Grammarly gets a tone detector to keep you out of email trouble.
Grammarly Support. How do Grammarly’s tone suggestions work?
Jakesch, M., Hancock, J. T., & Naaman, M. (2023). Human heuristics for AI-generated language are flawed. PNAS, 120(11), e2208839120.
Hohenstein, J., Kizilcec, R. F., DiFranzo, D., Aghajari, Z., Mieczkowski, H., Levy, K., Naaman, M., Hancock, J., & Jung, M. F. (2023). Artificial intelligence in communication impacts language and social relationships. Scientific Reports, 13, 5487.
Khadpe, P., Wenzel, K., Loewenstein, G., & Kaufman, G. (2025). Explaining the Reputational Risks of AI-Mediated Communication. AAAI/ACM Conference on AI, Ethics and Society.
Purcell, Z. A., Jakesch, M., Dong, M., Nussberger, A.-M., & Köbis, N. (2025). Writing with AI boosts trust-building efficiency. iScience, 28(12), 114092.
Yin, Y., Jia, N., & Wakslak, C. J. (2024). AI can help people feel heard, but an AI label diminishes this impact. PNAS, 121(14), e2319112121.
Ovsyannikova, D., Oldemburgo de Mello, V., & Inzlicht, M. (2025). Third-party evaluators perceive AI as more compassionate than expert humans. Communications Psychology, 3.
Yamaguchi, M., et al. (2015). Commitment signals in friendship and romantic relationships. Evolution and Human Behavior.
Human-made vs. AI-generated: how provenance labels drive strategic curation via perceived effort (2026). Frontiers in Psychology.
AI-Powered Promises: The Influence of ChatGPT on Trust and Trustworthiness. CREED, University of Amsterdam.
Glikson, E., & Asscher, O. (2023). AI-mediated apology in a multilingual work context. Computers in Human Behavior, 140, 107592.
Lim, J. S., Hong, N., & Schneider, E. (2025). How warm- versus competent-toned AI apologies affect trust and forgiveness through emotions and perceived sincerity. Computers in Human Behavior, 172, 108761.
Fan, G., Liu, D., & Pan, L. (2026). Is It Still You? Attributing Authorship and Authenticity in AI-Assisted Romantic Communication. Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems, 1-24.
OpenAI (2025). Sycophancy in GPT-4o.
OpenAI (2025). Expanding on what we missed with sycophancy.
Sharma, M., et al. (2024). Towards Understanding Sycophancy in Language Models. ICLR 2024.
Fanous, A., et al. (2025). SycEval: Evaluating LLM Sycophancy. AAAI/ACM Conference on AI, Ethics and Society.