💬 NLP

Internal narratives parameterise affective states

Grâce à deux études à grande échelle utilisant des représentations de modèles de langage de grande taille, cette recherche démontre que la structure et la dynamique des récits internes prédisent non seulement la sévérité de la dépression, mais influencent également de manière causale les états affectifs, suggérant que l'affect fonctionne comme un état computationnel qui contraint la construction narrative et intègre le contexte.

Auteurs originaux : Jakub Onysk, Quentin J. M. Huys

Publié 2026-05-22

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jakub Onysk, Quentin J. M. Huys

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

La Grande Idée : Vos Émotions Ont une « Forme »

Imaginez que votre humeur n'est pas juste un sentiment vague comme « triste » ou « heureux ». Au lieu de cela, pensez-y comme à un plan caché ou à une recette maîtresse qui dicte comment vous pensez, ce dont vous vous souvenez et comment vous décrivez votre journée.

Les auteurs de cet article proposent que ce « plan de l'humeur » agit comme un filtre. Lorsque vous êtes dans une humeur basse, ce filtre rend difficile la vision des choses positives et facile la vision des choses négatives. Ils voulaient voir s'ils pouvaient mesurer ce plan invisible en examinant les mots que les gens écrivent.

Pour ce faire, ils ont utilisé des Modèles de Langage de Grande Taille (LLM) — le même type d'IA qui alimente les chatbots. Ils ont traité l'IA non pas seulement comme un chatbot, mais comme un « microscope numérique » capable de regarder à l'intérieur de la structure du langage humain pour y trouver les motifs cachés de la dépression.

L'Expérience : Deux Études

Les chercheurs ont mené deux grandes études avec plus de 1 200 personnes pour tester leur théorie.

Étude 1 : Le Test de « Traduction »

Le Déroulement :
Imaginez que vous avez une liste de contrôle médicale standard pour la dépression (comme le PHQ-9), où vous cochez des cases comme « Je me sens fatigué » ou « Je me sens sans espoir ».

La Surprise : Au lieu de simplement cocher des cases, les participants ont été invités à écrire des histoires libres sur ce qu'ils ressentaient concernant ces sujets spécifiques.
Le Rôle de l'IA : Les chercheurs ont alimenté ces histoires écrites dans une IA. Ils ont demandé à l'IA : « Sur la base de cette histoire, si cette personne devait remplir la liste de contrôle standard, que cocherait-elle ? »

Les Résultats :

L'IA était étonnamment précise. Lorsque l'IA lisait l'histoire d'une personne se sentant « sans espoir », elle pouvait prédire son score sur la liste de contrôle standard avec une grande précision.
La « Géométrie » de la Dépression : C'est la partie la plus importante. Les chercheurs ont découvert que la dépression n'est pas juste une liste de symptômes séparés. C'est un réseau connecté. Par exemple, si quelqu'un écrit se sentir fatigué, l'IA prédisait qu'il écrirait aussi se sentir mal par rapport à lui-même.
La Métaphore : Imaginez les symptômes de la dépression comme un mobile suspendu au plafond. Si vous poussez une pièce (la fatigue), toute la structure oscille d'une manière spécifique et prévisible. L'IA ne devinait pas seulement la réponse ; elle comprenait la forme du mobile. Si l'IA se trompait sur la forme, elle ne pouvait pas prédire correctement les réponses. Cela a prouvé que l'IA capturait réellement la « structure » sous-jacente de l'humeur de la personne, et non pas simplement mémorisait des mots.

Étude 2 : Le Test de « Météo de l'Humeur »

Le Déroulement :
Si votre humeur est un « plan », change-t-elle lorsque l'environnement change ? Les chercheurs voulaient tester cela.

Ils ont demandé aux participants d'écouter des « entrées de journal » lues à haute voix. Certaines entrées étaient très tristes (comme quelqu'un décrivant une journée terrible), et d'autres étaient très heureuses (comme quelqu'un décrivant une journée formidable).
Les participants devaient « jouer » ces scènes en tapant leurs propres entrées de journal dans le même style.
Ensuite, ils devaient réévaluer leurs propres sentiments.

Les Résultats :

Le Changement d'Humeur : Lorsque les gens écoutaient les histoires tristes et écrivaient dans ce style, leur propre humeur et leur mémoire auto-rapportées devenaient plus négatives. Lorsqu'ils écoutaient des histoires heureuses, ils devenaient plus positifs.
L'IA comme Suiveur : Les chercheurs ont utilisé l'IA pour mesurer la « sévérité » des histoires que les participants ont écrites pendant l'expérience.
Le Résultat : L'IA a détecté le changement dans le « plan » interne des participants immédiatement. Plus un participant s'immergeait profondément dans le rôle (plus il correspondait au style de l'histoire triste ou heureuse), plus son propre humeur changeait.
La Métaphore : Imaginez le plan de l'humeur comme un courant de rivière. Si vous jetez une feuille (une personne) dans un courant rapide et sombre (histoires tristes), la feuille est emportée le long de ce chemin. L'IA pouvait mesurer exactement à quelle vitesse la feuille se déplaçait et dans quelle direction, prouvant que le « courant » de l'histoire changeait le « flux » de l'esprit de la personne.

Que Signifie Cela ? (Selon l'Article)

L'article soutient que nos émotions fonctionnent comme un état computationnel.

Contrainte : Votre humeur limite ce à quoi vous pensez. Si vous êtes triste, votre cerveau rétrécit son focus sur les choses tristes, tout comme un projecteur qui ne brille que sur des coins sombres.
Sensibilité : Votre humeur est sensible aux nouvelles informations. Si vous entendez une histoire triste, votre « projecteur » se déplace pour correspondre à cette histoire.

Les chercheurs ont découvert que les modèles d'IA sont étonnamment bons pour voir ce projecteur. Parce que les modèles d'IA sont entraînés à prédire le mot suivant dans une phrase basé sur le contexte, ils apprennent naturellement à imiter comment les humeurs humaines contraignent nos pensées.

Résumé

Le Problème : Nous ne comprenons pas pleinement comment nos sentiments façonnent nos pensées et nos mots.
La Solution : Utiliser l'IA pour lire nos écrits libres et cartographier la « forme » cachée de notre dépression.
La Découverte : L'IA a prédit avec succès les scores standards de dépression à partir d'écrits libres et a montré que la dépression a une structure spécifique et cohérente (comme un mobile).
La Dynamique : Lorsque nous changeons les histoires que nous nous racontons (ou que nous écoutons), notre « plan d'humeur » interne se déplace, et l'IA peut mesurer ce déplacement en temps réel.

L'article conclut qu'en traitant les émotions comme des « états computationnels » qui contraignent le langage, nous pouvons utiliser l'IA pour quantifier et comprendre la mécanique des sentiments humains, spécifiquement dans le contexte de la dépression.

Résumé technique : Les récits internes paramètrent les états affectifs

Énoncé du problème

La relation entre les récits internes (pensées et sentiments verbalisés) et les états affectifs sous-jacents, en particulier dans le contexte de la dépression, reste mal comprise. Bien que les évaluations psychologiques s'appuient fortement sur des descriptions verbales pour évaluer la santé mentale, la relation structurelle et dynamique entre ces récits et la géométrie latente des troubles affectifs n'est pas bien quantifiée. Des travaux antérieurs ont établi que les états affectifs biaisent l'attention, la mémoire et l'usage du langage, et que les humeurs peuvent être considérées comme des états computationnels contraignant le comportement. Cependant, il manque un cadre traitant les états affectifs comme des entités computationnelles capables d'être paramétrées par la structure des récits internes. Cet article aborde la question suivante : les grands modèles de langage (LLM), qui fonctionnent en maximisant la prédiction de tokens cohérents avec le contexte, peuvent-ils servir de proxy computationnel pour quantifier et prédire la structure latente et la dynamique des états affectifs humains ?

Méthodologie

Les auteurs ont mené deux études à grande échelle (total $N=1257$ ) utilisant des verbalisations ouvertes de symptômes dépressifs et des représentations de grands modèles de langage pour tester trois hypothèses.

Étude 1 : Paramétrisation structurelle

Participants : $N=704$ locuteurs anglophones courants présentant divers degrés de sévérité de la dépression.
Procédure : Les participants ont répondu à huit questions ouvertes dérivées du PHQ-9 (Patient Health Questionnaire) concernant des symptômes dépressifs spécifiques (par exemple, l'humeur, l'énergie, le sommeil). Ils ont ensuite complété des questionnaires standard à choix multiples : PHQ-9, GAD-7 (anxiété) et SDS (Self-rating Depression Scale).
Analyse par LLM :
- Prédiction : Les auteurs ont construit des prompts contenant la réponse ouverte d'un participant et ont demandé à divers LLM (Gemma2 2B/9B, Llama-3.1/3.2, Mistral-7B) de prédire l'étiquette à choix multiples correspondante (A-D) par échantillonnage de logits.
- Structure latente : Pour tester si les LLM capturent la covariance des symptômes (la géométrie latente), les auteurs ont comparé les corrélations par paires des items des questionnaires de vérité terrain avec les corrélations prédites par les LLM à partir des entrées ouvertes.
- Auto-encodeur creux supervisé (sSAE) : Un auto-encodeur creux supervisé a été entraîné sur les états cachés du LLM (moyennés sur les réponses ouvertes) pour prédire les scores PHQ-9 normalisés en z. Cela a permis l'extraction d'un « sous-espace des symptômes dépressifs ».
- Perturbation : Les auteurs ont perturbé les représentations latentes du sSAE dans des directions spécifiques (augmentant ou diminuant la sévérité des symptômes) et ont observé les déplacements résultants dans les réponses à choix multiples échantillonnées par le LLM pour tester la sensibilité.

Étude 2 : Dynamique temporelle et sensibilité contextuelle

Participants : $N=553$ participants.
Procédure : Les participants ont suivi un protocole d'induction d'humeur utilisant des « entrées de journal » émotionnellement évocatrices (représentant des extrêmes d'humeur élevée ou basse).
- Tâche : Les participants ont écouté et recréé ces entrées de journal, puis ont écrit de nouvelles continuations. Un sous-ensemble (autobiographique) a été invité à se souvenir d'événements de vie similaires, tandis que l'autre (non autobiographique) a joué un personnage.
- Mesures : Les évaluations de base et de suivi comprenaient l'humeur momentanée (Échelle visuelle analogique), le rappel de mots émotionnels (analyse de sentiment) et des réévaluations ouvertes de l'humeur/énergie.
Analyse : Les auteurs ont utilisé le modèle sSAE entraîné dans l'Étude 1 pour quantifier la sévérité du symptôme « Se sentir triste, déprimé ou sans espoir » dans les journaux de continuation des participants. Ils ont analysé comment les changements dans ces récits internes corrélaient avec les changements des mesures affectives auto-rapportées.

Résultats clés

1. Prédiction des scores auto-rapportés

Les LLM ont prédit avec succès les scores standard à choix multiples de dépression basés uniquement sur des verbalisations ouvertes.

Corrélation : Le modèle le plus performant (Gemma2 9B) a montré des corrélations modérées à élevées ( $r = 0,56 - 0,78$ ) entre les scores prédits et les scores de vérité terrain pour les huit items de symptômes. Cette performance est comparable à la fiabilité test-retest du PHQ-9 lui-même.
Biais : Un biais systématique a été observé où le modèle surestimait la sévérité pour les réponses « aucun symptôme » et la sous-estimait pour les réponses de haute sévérité, probablement en raison de l'absence de négation explicite dans le texte ouvert.

2. Récupération de la structure latente des symptômes

L'étude a démontré que les représentations des LLM capturent la structure de covariance sous-jacente de la dépression.

Matrices de corrélation : Les corrélations par paires des items prédites par les LLM à partir des entrées ouvertes correspondaient étroitement aux matrices de corrélation de vérité terrain du PHQ-9, du GAD-7 et du SDS.
Similarité structurelle : Des métriques incluant les bases de décomposition en valeurs singulières (SVD) et des mesures de projection ont confirmé que les structures dérivées des LLM s'alignaient sur la géométrie latente de vérité terrain. Les modèles moins performants ont échoué à capturer cette structure, suggérant que la capture du motif de covariance est essentielle pour la validité de construit.

3. Perturbation latente et sensibilité

L'espace latent du sSAE s'est avéré sensible à des perturbations spécifiques.

Pilotage : En perturbant les représentations d'états cachés dans la direction de symptômes spécifiques (par exemple, augmenter « le désespoir »), les auteurs ont réussi à orienter les réponses échantillonnées du LLM vers des scores de sévérité plus élevés ou plus faibles.
Taille d'effet : Des tailles d'effet de Cohen's $d$ significatives ont été observées pour la plupart des items, confirmant que l'espace latent contient une représentation significative et manipulable de la sévérité des symptômes.

4. Dynamique et sensibilité contextuelle

L'Étude 2 a confirmé que les états affectifs sont sensibles aux changements contextuels et que ces changements se reflètent dans les récits internes.

Succès de l'induction : L'induction d'humeur a réussi à modifier l'humeur momentanée, le sentiment de rappel de mots et la sévérité auto-rapportée des symptômes.
Suivi narratif : La sévérité des journaux de continuation, quantifiée par le sSAE, a prédit l'ampleur du changement affectif.
Adhésion : Le degré auquel les participants adhéraient au ton émotionnel de l'intervention (similitude de leur texte avec l'état induit) prédisait l'étendue du changement d'humeur.
Prédiction de base : La sévérité de base du récit interne d'un participant prédisait l'ampleur de son changement affectif ultérieur, soutenant l'hypothèse selon laquelle les états affectifs contraignent l'espace des pensées possibles.

Importance et affirmations

L'article prétend fournir un cadre computationnel pour comprendre les états affectifs humains en établissant des parallèles entre la fonction de l'affect et les mécanismes des LLM basés sur les transformateurs.

États affectifs en tant que contraintes computationnelles : Les auteurs soutiennent que les états affectifs fonctionnent pour maximiser la cohérence temporelle et contextuelle, contraignant l'espace des réponses langagières possibles. Cela correspond à la manière dont les LLM maximisent la prédiction du token suivant étant donné le contexte.
Quantification de la géométrie latente : L'étude démontre que les récits internes, lorsqu'ils sont quantifiés via des représentations de LLM, capturent la géométrie latente de la dépression. Cela suggère que la « structure » d'un trouble n'est pas seulement un artefact statistique des questionnaires, mais est intégrée dans les relations sémantiques de la manière dont les individus verbalisent leurs expériences.
Implications thérapeutiques : La capacité à quantifier les états affectifs et leur dynamique offre un outil potentiel pour :
- Évaluation : Évaluer la sévérité de la dépression à partir de n'importe quelle source de texte libre.
- Suivi thérapeutique : Suivre le processus et les résultats des thérapies psychologiques riches en langage.
- Psychiatrie de précision : Identifier les composantes individuelles du changement psychologique pour concevoir des interventions ciblées.
Parallèle méta-apprentissage : L'article postule que les LLM, entraînés sur d'immenses quantités de texte humain, ont méta-appris les dépendances entrée-sortie des états affectifs humains (par exemple, la faible estime de soi précédant le désespoir). Ce parallèle émergent permet aux LLM d'agir comme une sonde pour le méta-raisonnement humain et le « problème insoluble » de décider de quoi penser.

Les auteurs restent modestes, notant des limites telles que le focus spécifique sur la dépression (PHQ-9), la variabilité potentielle dans la qualité des réponses ouvertes, et la nécessité de validation auprès de populations diverses et d'autres syndromes de santé mentale. Ils ne prétendent pas remplacer le diagnostic clinique, mais plutôt offrir une méthode computationnelle évolutive pour paramétrer et comprendre la dynamique des états affectifs.