💬 NLP

Dealing with Controversy: An Emotion and Coping Strategy Corpus Based on Role Playing

Cet article comble l'écart entre la recherche psychologique et computationnelle sur les émotions en introduisant un corpus basé sur le jeu de rôle et une tâche d'identification des stratégies d'adaptation pour étudier comment les émotions fonctionnent comme des stratégies comportementales dans le texte, révélant ainsi les défis et le potentiel des modèles pour mieux capturer ces mécanismes.

Auteurs originaux : Enrica Troiano, Sofie Labat, Marco Antonio Stranisci, Viviana Patti, Rossana Damiano, Roman Klinger

Publié 2026-02-03

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Enrica Troiano, Sofie Labat, Marco Antonio Stranisci, Viviana Patti, Rossana Damiano, Roman Klinger

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

L'idée centrale : Les émotions sont comme des plans d'action

Imaginez que vous regardez une pièce de théâtre. Habituellement, quand nous analysons les sentiments d'un personnage, nous nous contentons de leur coller une étiquette : « Il est en colère » ou « Elle est triste ». C'est comme coller une étiquette de nom sur une boîte.

Mais cet article soutient que les émotions sont plutôt comme des plans d'action. Lorsque vous ressentez une émotion spécifique, votre cerveau élabore immédiatement une stratégie pour faire face à la situation. Les auteurs appellent ces stratégies des « stratégies d'ajustement » (Coping Strategies).

Ils utilisent un cadre (basé sur les travaux du psychologue Ira Roseman) qui stipule que chaque réaction émotionnelle tombe dans l'un des quatre seaux :

Attaque : Vous voulez affronter le problème de front. (Comme un lion rugissant face à une menace).
Contact : Vous voulez vous rapprocher et créer un lien. (Comme un chiot remuant la queue pour dire bonjour).
Distance : Vous voulez reculer et créer de l'espace. (Comme une tortue se retirant dans sa carapace).
Rejet : Vous voulez repousser complètement le problème ou nier son existence. (Comme quelqu'un qui claque une porte au nez d'un autre).

L'article pose une question simple : Peut-on voir ces « plans d'action » cachés dans les mots que les gens écrivent ?

Le problème : On ne peut pas simplement demander aux gens

Les chercheurs voulaient construire une base de données (un corpus) de textes où les gens utilisaient clairement ces stratégies. Mais il y avait un piège : on ne peut pas simplement aller sur Twitter ou Facebook et trouver des gens en train de dire : « Je suis actuellement en train d'utiliser la stratégie de la "Distance" ». La vie réelle est désordonnée, et les gens ne nomment pas leurs propres mécanismes d'ajustement.

La solution : L'expérience de l'« acteur de méthode »

Pour résoudre ce problème, les chercheurs n'ont pas seulement demandé aux gens d'écrire sur leurs sentiments. Au lieu de cela, ils ont utilisé le jeu de rôle, similaire à un cours de théâtre d'improvisation.

Voyez cela comme ceci :

La mise en scène : Ils ont créé quatre personnages distincts, chacun représentant l'une des quatre stratégies.
- Personnage A (Attaque) est une personne ardente et agressive qui ne recule jamais.
- Personnage B (Contact) est un médiateur calme et ouvert d'esprit.
- Personnage C (Distance) est quelqu'un qui a besoin d'espace et évite les drames.
- Personnage D (Rejet) est une personne têtue qui refuse de s'engager face à la négativité.
Le script : Ils ont utilisé l'IA pour écrire des scénarios controversés (comme des débats sur l'immigration ou le racisme) où une personne dit quelque chose de blessant.
La performance : De vraies personnes ont été engagées pour « devenir » l'un de ces personnages. Elles devaient lire le scénario et écrire une réponse comme si elles étaient ce personnage.

C'est comme demander à un acteur : « Vous jouez un lion grincheux. Quelqu'un vient de marcher sur votre queue. Écrivez une phrase pour réagir à cela. » L'objectif était de voir si l'acteur pouvait réussir à canaliser la stratégie du « lion » dans ses mots.

Ce qu'ils ont découvert

1. Les acteurs ont bien saisi les sentiments
Lorsque les chercheurs ont demandé aux participants : « Que ressent votre personnage ? », les réponses correspondaient parfaitement à la théorie. En jouant le personnage de l'« Attaque », les gens se sentaient en colère et frustrés. En jouant le personnage du « Contact », ils se sentaient pleins d'espoir et aimants. Les acteurs avaient réussi à comprendre le « script » émotionnel.

2. Le texte était difficile à décoder
Voici la partie délicate. Même si les acteurs comprenaient la stratégie, il était très difficile pour d'autres personnes (et pour les ordinateurs) de deviner quelle stratégie était utilisée en lisant simplement le texte.

Lorsque les chercheurs ont demandé à des humains de lire les réponses et de deviner la stratégie, ils n'ont réussi qu'environ 34 % du temps (ce qui est à peine mieux qu'un choix aléatoire).
La stratégie de « Contact » était la plus facile à repérer (les gens utilisaient des mots polis comme « Je comprends »).
La stratégie de « Rejet » était la plus difficile (elle était souvent confondue avec d'autres émotions négatives).

3. Les ordinateurs ont aussi eu du mal
Les chercheurs ont entraîné des modèles informatiques (IA) pour jouer au même jeu de devinettes. Les modèles d'IA ont également peiné, obtenant des scores d'exactitude inférieurs à 55 %.

Étonnamment, l'IA réussissait mieux lorsqu'elle lisait des descriptions du langage corporel du personnage (par exemple, « poings serrés », « détourner le regard ») que lorsqu'elle lisait simplement les mots qu'ils disaient.
Cela suggère que si les mots peuvent être subtils, le comportement associé à la stratégie est un signal plus fort.

La conclusion

L'article conclut que, bien que les émotions soient profondément liées à la manière dont nous prévoyons d'agir (nos stratégies d'ajustement), ces stratégies ne sont pas toujours évidentes dans un texte.

La bonne nouvelle : Nous pouvons créer avec succès des données sur ces stratégies grâce au jeu de rôle.
La mauvaise nouvelle : Il est beaucoup plus difficile pour les ordinateurs (et les humains) de repérer ces stratégies dans une phrase que nous ne le pensions. Le « plan d'action » est souvent caché ou subtil.

Les auteurs affirment que cela ouvre une nouvelle voie de recherche : au lieu de simplement étiqueter la « Colère », nous devrions essayer de comprendre ce que la personne essaie de faire avec cette colère. Mais pour ce faire, nous avons besoin de meilleurs outils pour lire entre les lignes.

Résumé technique : Faire face à la controverse : Un corpus d'émotions et de stratégies de coping basé sur le jeu de rôle

Énoncé du problème

Il existe un décalage significatif entre les études psychologiques et computationnelles sur les émotions. Alors que la recherche en psychologie vise à expliquer les mécanismes internes des phénomènes émotionnels, le travail computationnel en traitement du langage naturel (NLP) simplifie souvent les émotions en étiquettes discrètes ou en vecteurs définis par des dimensions telles que la valence, l'éveil (arousal) et la dominance. Par conséquent, des aspects fondamentaux de la manière dont les émotions se développent et dont les individus y font face restent sous-explorés en NLP. Plus précisément, les mécanismes complexes régissant l'émergence des émotions et leur effet ultérieur sur le comportement — conceptualisés en psychologie sous le nom de « processus de coping » (stratégies d'adaptation) — sont rarement abordés. Les modèles actuels peinent à capturer le lien entre les émotions et les stratégies comportementales (par exemple, attaquer, contacter, se distancier ou rejeter un stimulus) que les individus emploient en réponse à des événements déclencheurs d'émotions.

Méthodologie

Pour combler cette lacune, les auteurs introduisent COPING, le premier corpus axé sur les informations de coping, construit via une méthodologie de jeu de rôle. L'étude est fondée sur la théorie de Roseman (2013), qui associe 16 émotions spécifiques à quatre stratégies de coping génériques : Attaquer (Attack), Contacter (Contact), Se distancier (Distance) et Rejeter (Reject).

Création des données

Étant donné la difficulté de trouver des textes naturels annotés avec des stratégies de coping, les auteurs ont employé une approche de jeu de rôle par crowdsourcing :

Définition des personnages : Quatre personnages fictifs (X) ont été définis, chacun incarnant l'une des quatre stratégies de coping. Ces définitions ont été affinées par des cycles de pré-tests itératifs pour s'assurer que les annotateurs puissent identifier correctement la stratégie visée.
Génération de scénarios : En utilisant ChatGPT-4, les auteurs ont généré des scénarios controversés sur cinq thèmes socialement pertinents (avortement, immigration, racisme, droits LGBTQ+ et drogues). Dans chaque scénario, un interlocuteur fictif (Y) fait une déclaration litigieuse menaçant l'identité du personnage X.
Tâche de jeu de rôle : Les travailleurs du crowdsourcing ont été chargés d'incarner le personnage X. Ils devaient :
- Générer une réponse verbale s'opposant à la déclaration de Y.
- Décrire le comportement non verbal de X.
- Évaluer les réponses émotionnelles de X selon la taxonomie de Roseman.
- Réfléchir de manière réflexive pour savoir s'ils réagiraient de la même manière que X.
Ciblage démographique : Pour susciter des expressions de coping plus fortes et plus authentiques, les participants ont été sélectionnés sur la base de données démographiques pertinentes pour les sujets (par exemple, des personnes LGBTQ+ pour les scénarios LGBTQ+).

Le corpus COPING résultant contient 1 200 points de données, équilibrés entre les stratégies, les thèmes et les scénarios. Chaque entrée comprend le texte généré, les descriptions comportementales et les évaluations émotionnelles.

Configuration expérimentale

L'article examine deux questions de recherche (RQ) primaires :

RQ1 : Les stratégies de coping peuvent-elles être suscitées dans le langage et annotées ?
RQ2 : Les stratégies de coping peuvent-elles être identifiées automatiquement ?

Pour répondre à la RQ2, les auteurs ont évalué la faisabilité de la détection automatique en utilisant :

Apprentissage supervisé : Le réglage fin (fine-tuning) de trois petits modèles de langage (SLM) — BERT, DistilBERT et RoBERa — sur le corpus.
Prompting Zero-Shot : L'utilisation de quatre grands modèles de langage (LLM) — phi-2, mistral-2, nous-hermes-2 et dolphin-2 — dans un contexte zero-shot.
Variations d'entrée : Les modèles ont été testés sur trois types d'entrées : la réponse verbale uniquement, la description comportementale uniquement, et une concaténation des deux.

Contributions clés

Intégration théorique : L'article constitue une première étape dans l'étude des quatre catégories de coping (Attaquer, Contacter, Se distancier, Rejeter) qui sous-tendent les étiquettes d'émotions standards, en les liant à des fonctions comportementales et des groupes d'émotions spécifiques tels que définis par Roseman (2103).
Corpus COPING : La publication d'un corpus hautement structuré construit avec une nouvelle stratégie de jeu de rôle pour la collecte d'informations centrées sur l'émotion. Cela répond à la rareté des données annotées avec des mécanismes de coping.
Évaluation de la tâche (Benchmarking) : L'introduction et l'évaluation de la tâche d'identification de la stratégie de coping. L'étude fournit la première preuve empirique de la faisabilité de la détection de ces stratégies dans le texte.

Résultats

Annotation humaine et compréhension

Suscitation de la stratégie : Les analyses quantitatives et qualitatives confirment que les stratégies de coping peuvent être suscitées par le langage. Les travailleurs du crowdsourcing ont démontré une compréhension robuste des stratégies, avec une grande précision dans la correspondance entre les descriptions de personnages et les stratégies correctes (par exemple, 100 % de précision pour l'Attaque et le Contact lors des pré-tests).
Alignement émotionnel : Les profils émotionnels générés par les joueurs correspondaient largement au cadre théorique de Roseman (par exemple, la frustration est corrélée à l'Attaque, l'espoir au Contact). Cependant, certains écarts ont été notés, comme la difficulté à distinguer le « Rejet » des autres stratégies.
Subjectivité : L'accord inter-annotateurs sur les textes générés était faible ( $\kappa = .34$ ), indiquant que la perception des stratégies de coping dans le texte est hautement subjective. Le « Contact » était la stratégie la plus reconnaissable, tandis que le « Rejet » était la moins identifiable.

Classification automatique

Limites de performance : L'identification automatique des stratégies de coping s'est avérée difficile. Tous les modèles, tant les SLM ajustés que les LLM en zero-shot, ont obtenu des scores F1 inférieurs à 0,55.
Sensibilité aux entrées :
- DistilBERT a obtenu les meilleurs résultats sur les réponses verbales (F1 = 0,523).
- RoBERTa a obtenu les meilleurs résultats sur les descriptions comportementales (F1 = 0,537).
- La combinaison des réponses et des comportements n'a pas amélioré la performance de manière constante par rapport aux entrées uniques.
- Les LLM en zero-shot ont performé au même niveau que les modèles ajustés, les entrées basées sur le comportement donnant généralement de meilleurs résultats que les entrées basées uniquement sur la réponse.
Difficulté des stratégies : Conformément à l'annotation humaine, le Contact était la stratégie la plus facile à classifier (F1 $\approx$ 0,64), tandis que le Rejet restait la plus difficile (F1 $\approx$ 0,41).

Signification et affirmations

Les auteurs affirment que leur travail ouvre une voie de recherche prometteuse pour améliorer la capacité des modèles à capturer les mécanismes émotionnels à partir du texte. En déplaçant l'attention des étiquettes d'émotions statiques vers les stratégies de coping dynamiques, l'étude comble le fossé entre les théories psychologiques de l'interaction émotion-comportement et le NLP computationnel.

L'article conclut modestement que si l'émergence du coping à partir du texte est moins directe qu'initialement supposé — particulièrement pour les stratégies impliquant un désengagement comme « Se distancier » et « Rejeter » — le corpus et les liens observés entre les stratégies et les émotions valident le potentiel de cette approche. Les auteurs soulignent que leur configuration, bien qu'artificielle, a réussi à démontrer que les données sur ce concept psychologique peuvent être obtenues via le crowdsourcing et que ces stratégies sont théoriquement fondées dans le texte, même si leur détection automatique reste un défi important. Ce travail suggère que l'intégration des stratégies de coping pourrait améliorer les tâches en aval telles que l'analyse de l'argumentation et l'analyse de l'émotion centrée sur l'événement.