Language Predicts Identity Fusion Across Cultures and Reveals Divergent Pathways to Violence

1. El Problema (Contexto y Motivación)

El aumento de la polarización política y la violencia extrema (asesinatos, intentos de magnicidio, radicalización en plataformas digitales) exige herramientas más eficaces para la detección de riesgos. Los métodos actuales de moderación de contenido en redes sociales fallan por dos razones principales:

1. Escalabilidad: El volumen de interacciones es demasiado masivo para la moderación humana.
2. Reactividad: Los sistemas basados en palabras clave o detección de "discurso de odio" solo identifican temas ya conocidos, siendo incapaces de detectar nuevos perfiles de extremistas que operan bajo diferentes marcos ideológicos.

El estudio se centra en la Fusión de Identidad (Identity Fusion), un constructo psicológico donde el individuo pierde la capacidad de separar su identidad personal de la de un grupo (social, ideológico o un líder), lo cual es un predictor crítico de la disposición a cometer actos violentos.

2. Metodología: El sistema CLIFS

Los autores proponen y validan el Cognitive Linguistic Identity Fusion Score (CLIFS), un método computacional que estima el nivel de fusión de identidad utilizando únicamente el análisis de texto escrito.

Componentes técnicos de CLIFS:

• Patrones lingüísticos cognitivos: Basados en investigaciones previas sobre la estructura del lenguaje en individuos fusionados.
• Embeddings opacos de LLMs: Uso de modelos de lenguaje de gran escala para capturar señales semánticas no descritas previamente en la literatura.
• Clasificador ModernBERT: Un modelo ajustado para proporcionar probabilidades de fusión a nivel grueso (bajo, medio, alto).
• Detección de metáforas implícitas (Innovación central): Utiliza modelos de lenguaje con enmascaramiento (Masked-LM) para medir cómo el individuo conceptualiza su objetivo de fusión en relación con su "yo". Esto deriva en cuatro métricas clave:
  • Fictive-Kinship ($K_f$): El grado en que el grupo se percibe como familia.
  • Fusion Proximity ($f(I,T)$): Medida bidireccional del solapamiento conceptual entre el "yo" ($I$) y el "objetivo" ($T$).
  • Puntuaciones direccionales ($SI \to T$ y $ST \to I$): Indican la dirección del solapamiento de identidad.

Conjuntos de datos:
Se validó el modelo mediante tres datasets: (1) Datos de MTurk (Reino Unido y Singapur sobre experiencias religiosas), (2) Trabajo de campo en Singapur (entrevistas sobre rituales cristianos) y (3) Un corpus de manifiestos extremistas (clasificados en "Ideólogos" y "Víctimas").

3. Contribuciones Clave

• Validación Transcultural: Demuestra que CLIFS es capaz de capturar la fusión de identidad independientemente del contexto cultural, el idioma o el dominio de comunicación (religión vs. política).
• Superación de Métodos Previos: El estudio critica y refuta la validez de métodos anteriores como el Violence Risk Index (VRI), argumentando que dependen de un filtrado manual excesivo y no son escalables ni generalizables.
• Identificación de Vías de Violencia: El estudio revela que la violencia no surge de una sola forma de fusión, sino de dos rutas psicológicas distintas.

4. Resultados Principales

• Rendimiento Superior: CLIFS superó significativamente a los métodos de línea base (UAI, nUAI, VRI-Fusion) en todas las condiciones de prueba, mostrando las correlaciones más altas con las puntuaciones psicométricas reales (VIFS) y los errores más bajos (MAE).
• Divergencia en los Caminos hacia la Violencia: Al analizar los manifiestos extremistas, se encontraron dos perfiles:
  1. Ideólogos: Presentan una fusión basada en el parentesco ficticio ($K_f$). Conceptualizan al grupo en términos familiares y alinean su identidad con la semántica colectiva.
  2. Víctimas (Grievance-driven): Presentan una fusión basada en la proximidad y proyección. No usan tanto el lenguaje de "familia", sino que proyectan su identidad personal hacia el grupo o hacia abstracciones, mostrando un mayor solapamiento de identidad ($f(I,T)$) y una mayor asimetría en la dirección de la identidad ($ST \to I$).

5. Significancia e Implicaciones

• Seguridad y Defensa: CLIFS ofrece una herramienta escalable para que las instituciones de seguridad y las redes sociales identifiquen individuos que se acercan al "umbral de radicalización" sin necesidad de censurar temas políticos específicos.
• Cambio de Paradigma en la Moderación: Sugiere pasar de la moderación de contenido (qué se dice) a la detección de motivaciones psicológicas (cómo se estructura la identidad del hablante).
• Avance Teórico: Refina la Teoría de la Fusión de Identidad Integral (CIFT) al demostrar que la fusión puede ser asimétrica y no depender exclusivamente de lazos de parentesco, lo que explica la diversidad de actores violentos (desde terroristas ideológicos hasta "lobos solitarios" motivados por agravios personales).