💬 NLP

Do language models accommodate their users? A study of linguistic convergence

Cette étude démontre que les grands modèles de langage convergent fortement vers le style linguistique de leurs utilisateurs, souvent plus que les humains, bien que cette tendance diminue avec l'ajustement par instructions et l'augmentation de la taille du modèle, suggérant des mécanismes sous-jacents différents.

Auteurs originaux : Terra Blevins, Susanne Schmalwieser, Benjamin Roth

Publié 2026-02-13

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Terra Blevins, Susanne Schmalwieser, Benjamin Roth

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

Imaginez que vous êtes assis à une table avec un nouveau partenaire de conversation. Si vous parlez lentement et doucement, il a tendance à ralentir son rythme pour vous suivre. Si vous utilisez beaucoup d'argot, il essaie peut-être d'en utiliser aussi. En psychologie, on appelle cela l'accommodation linguistique : c'est notre façon naturelle de nous adapter à notre interlocuteur pour créer un lien.

Mais que se passe-t-il si votre partenaire est une intelligence artificielle (IA) ? Est-ce qu'elle fait de même ? C'est exactement ce que cette étude cherche à comprendre.

Voici l'explication de la recherche, imagée comme une grande expérience de "miroir linguistique".

1. L'Expérience : Le Jeu du "Remplacement"

Les chercheurs ont créé un jeu de rôle très ingénieux. Ils ont pris de vraies conversations (des interviews radio, des dialogues de films, des discussions quotidiennes) et ont demandé à 16 IA différentes de remplacer l'une des personnes qui parlait.

Le scénario : L'IA doit continuer la conversation en imitant le style de la personne qu'elle remplace.
Le test : Les chercheurs ont comparé ce que l'IA a dit avec ce que la vraie personne aurait dit (ou avec une phrase prise au hasard).

2. La Découverte : Les IA sont des Caméléons (parfois trop !)

Le résultat principal est surprenant : les IA s'adaptent incroyablement bien. Elles agissent comme des caméléons qui changent de couleur pour correspondre à leur environnement.

Elles copient le rythme : Si la phrase précédente est courte, l'IA fait une phrase courte. Si elle est longue, l'IA allonge la sienne.
Elles copient le vocabulaire : Si l'autre personne utilise beaucoup de mots techniques ou de noms propres, l'IA en utilise aussi.

Cependant, il y a une différence cruciale : les IA sont souvent des caméléons trop zélés.
Contrairement aux humains qui s'adaptent avec subtilité, les IA (surtout les versions non "entraînées" à suivre des instructions) ont tendance à sur-adapter. C'est comme si quelqu'un, en voulant trop bien faire, imitait votre voix à un point où cela devient étrange et artificiel. Elles "surjouent" le rôle.

3. La Taille et l'Entraînement Font la Différence

L'étude a révélé des nuances intéressantes selon le "type" d'IA :

Les IA "brutes" (Pré-entraînées) : Imaginez un acteur qui n'a pas encore lu le script. Il essaie de tout deviner en regardant ce qui se passe autour de lui. Ces modèles ont tendance à trop imiter (sur-adapter) pour essayer de coller parfaitement au contexte, ce qui les rend parfois moins naturels que les humains.
Les IA "instruites" (Instruction-tuned) : Ce sont les chatbots que nous utilisons souvent (comme ceux qui répondent à nos questions). Ils sont comme des acteurs qui ont lu le script et comprennent les règles sociales. Ils s'adaptent moins que les modèles bruts, et leur comportement ressemble davantage à celui d'un humain. Ils ne sur-imitent pas.
La taille compte : Les modèles géants (avec des milliards de paramètres) s'adaptent un peu moins que les petits modèles, se rapprochant un peu plus du comportement humain "normal".

4. Le Piège de la Confiance

Pourquoi est-ce important ? Parce que si une IA vous parle exactement comme vous, vous avez tendance à lui faire plus confiance.

C'est un peu comme si un vendeur imitait votre façon de parler pour vous vendre un produit. Si l'IA semble trop "humaine" et trop d'accord avec vous, vous pourriez penser qu'elle est fiable, même si elle donne une mauvaise réponse. L'étude suggère que cette capacité à imiter le style est une arme à double tranchant : elle rend la conversation agréable, mais elle peut aussi nous tromper sur la fiabilité réelle de la machine.

En Résumé

Cette étude nous dit que les intelligences artificielles sont d'excellents mimiques. Elles apprennent très vite à copier le style de celui avec qui elles parlent.

Les humains s'adaptent pour créer un lien social (c'est naturel).
Les IA s'adaptent parce que leur "cerveau" a été entraîné à prédire le mot suivant en fonction de ce qui précède (c'est mathématique).

Même si le résultat final ressemble à une conversation humaine, les mécanismes derrière sont très différents. Les IA ne cherchent pas à vous comprendre émotionnellement ; elles cherchent simplement à être statistiquement cohérentes avec ce que vous venez de dire. Et parfois, elles sont si bonnes à ce jeu qu'elles en deviennent... un peu trop parfaites.

1. Problématique

Bien que les grands modèles de langage (LLM) soient reconnus pour leur capacité à générer du langage fluide et grammaticalement correct, la similitude entre leur usage linguistique et celui des humains reste peu explorée. L'article se penche sur le concept d'accommodation linguistique, un phénomène pragmatique où les interlocuteurs ajustent leur style de parole ou d'écriture pour se rapprocher de celui de leur partenaire de conversation (convergence).

La question centrale de l'étude est la suivante : Les LLM adaptent-ils leur langage pour imiter les patterns linguistiques de leurs utilisateurs ? Si oui, cette adaptation suit-elle les mêmes tendances observées chez les humains ou suit-elle des mécanismes différents ?

2. Méthodologie

Les auteurs ont conçu une approche systématique pour mesurer la convergence des modèles par rapport à des conversations humaines existantes.

Paradigme Expérimental : Au lieu de créer de nouvelles conversations, les chercheurs ont demandé à divers LLM de compléter des tours de parole dans des dialogues préexistants issus de corpus humains. Le modèle remplace les réponses d'un interlocuteur spécifique à partir du 6ème tour, en se basant sur les 5 tours précédents.
Données : Trois corpus de dialogues en anglais ont été utilisés :
- DailyDialog (conversations quotidiennes).
- NPR (transcriptions d'entretiens radio).
- Movie Corpus (scénarios de films).
Modèles Testés : 16 modèles open-source de deux familles (Gemma 3 et Llama 3), variant en taille (de 1B à 70B paramètres) et en type d'entraînement (pré-entraînés vs. ajustés par instruction - instruction-tuned).
Mesures de Convergence (Caractéristiques Stylométriques) : L'alignement entre la réponse du modèle ( $r_t$ $r_{t}$ ) et le tour précédent de l'autre interlocuteur ( $r_{t-1}$ $r_{t - 1}$ ) a été quantifié via quatre métriques principales :
1. Longueur de l'énoncé : Similarité de la longueur des phrases.
2. Accord LIWC : Fréquence des classes de mots fonctionnels (pronoms, articles, conjonctions, etc.) selon la base de données LIWC 2007.
3. Chevauchement des Noms Propres (PROPN) : Pourcentage de noms propres partagés, indicateur de l'alignement sémantique.
4. Nouveauté des Tokens : Pourcentage de tokens nouveaux par rapport à l'énoncé de référence (une faible nouveauté indique une forte convergence lexicale).
Lignes de Base (Baselines) : Les performances des modèles ont été comparées à :
- Une lignée humaine (la réponse originale remplacée).
- Une lignée aléatoire (un énoncé tiré au hasard du même corpus).

3. Contributions Clés

Nouveau Paradigme Synthétique : Développement d'une méthode permettant de tester le comportement des modèles par rapport à un contrôle humain apparié dans le même contexte conversationnel, minimisant ainsi la charge d'annotation.
Analyse Quantitative de la Convergence : Première étude systématique mesurant l'ampleur de l'adaptation stylistique des LLM sur une large gamme de modèles et de caractéristiques linguistiques, au-delà de la simple syntaxe.
Distinction des Mécanismes : Mise en évidence que les motifs de convergence des modèles diffèrent fondamentalement de ceux des humains, suggérant des causes sous-jacentes distinctes (optimisation de distribution vs. objectifs sociaux).

4. Résultats Principaux

Convergence Forte et Sur-ajustement (Overfitting) : Les modèles s'adaptent significativement au style de leur contexte, surpassant souvent la ligne de base aléatoire. Cependant, dans de nombreux cas (notamment pour la longueur des énoncés et la nouveauté des tokens), les modèles sur-convergent par rapport à la ligne de base humaine. Ils imitent le style de manière excessive.
Impact de l'Entraînement et de la Taille :
- Les modèles pré-entraînés convergent généralement plus fortement (et parfois trop) que leurs versions ajustées par instruction (instruction-tuned).
- Les modèles ajustés par instruction tendent à se rapprocher davantage du comportement humain, bien qu'ils convergent globalement moins que les modèles pré-entraînés.
- L'effet de la taille du modèle est nuancé : les modèles plus grands convergent légèrement moins vers le contexte, se rapprochant parfois plus de la ligne de base humaine, mais la tendance n'est pas toujours significative.
Spécificité des Caractéristiques : La convergence n'est pas uniforme. Elle varie selon la métrique. Par exemple, les modèles pré-entraînés sur-convergent sur certains mots fonctionnels (comme les quantificateurs) simplement parce qu'ils les utilisent moins globalement, tandis que les modèles ajustés par instruction peuvent sur-utiliser d'autres classes (comme les conjonctions), menant à une sous-convergence.
Analyse Temporelle : Les modèles montrent une sensibilité aux rôles des interlocuteurs (s'adaptant différemment selon qu'ils parlent à $S_x$ ou qu'ils remplacent $S_y$ ), mais présentent un biais de récence marqué pour les noms propres, s'alignant excessivement sur le tour immédiatement précédent.

5. Signification et Implications

Différence de Mécanismes : L'étude conclut que la convergence observée chez les LLM ne résulte pas d'objectifs psychologiques ou sociaux (comme chez les humains pour faciliter la communication), mais plutôt de l'objectif de pré-entraînement qui pousse le modèle à produire un texte stylistiquement cohérent avec son entrée (distribution d'entraînement).
Risques de Confiance (Trust) : Le fait que les modèles (surtout ceux ajustés par instruction) imitent le comportement humain d'accommodation peut induire les utilisateurs en erreur. Une apparence d'« humanité » ou d'adaptation excessive peut augmenter la confiance de l'utilisateur envers le modèle, même si celui-ci est peu fiable ou fournit des réponses inutiles (phénomène de sycophancy).
Interprétation des Sorties : Comprendre que les modèles « sur-convergent » est crucial pour l'interprétation des textes générés. Ce n'est pas nécessairement une preuve de compréhension contextuelle profonde, mais souvent un artefact statistique de l'alignement sur la distribution d'entrée.

En résumé, bien que les LLM soient capables de s'adapter stylistiquement à leurs utilisateurs, cette adaptation est mécaniquement différente de l'accommodation humaine, souvent excessive, et porte des implications importantes pour l'interaction humain-machine et la perception de fiabilité des IA.