💬 NLP

Cognitive Linguistic Identity Fusion Score (CLIFS): A Scalable Cognition-Informed Approach to Quantifying Identity Fusion from Text

Ce papier présente le *Cognitive Linguistic Identity Fusion Score* (CLIFS), une nouvelle métrique automatisée utilisant la linguistique cognitive et les grands modèles de langage pour quantifier l'identité fusionnelle à partir de textes, surpassant les méthodes existantes et démontrant une efficacité accrue dans l'évaluation des risques de violence.

Auteurs originaux : Devin R. Wright, Jisun An, Yong-Yeol Ahn

Publié 2026-02-10

📖 3 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Devin R. Wright, Jisun An, Yong-Yeol Ahn

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

Le titre : CLIFS – Mesurer "l'âme" de l'appartenance par les mots

Imaginez que vous fassiez partie d'un club de supporters de football, ou d'un parti politique, ou même d'une communauté religieuse. Pour certains, c'est juste un passe-temps. Pour d'autres, c'est leur vie. Ils ne disent pas seulement "j'aime mon équipe", ils disent "nous sommes un seul corps". En psychologie, on appelle cela la fusion identitaire.

Le problème, c'est que mesurer ce sentiment est très difficile. Jusqu'ici, il fallait poser des questions directes aux gens (ce qui est lent et peu naturel) ou observer leurs actes (ce qui est dangereux ou impossible à grande échelle).

Les chercheurs ont donc créé le CLIFS, un outil intelligent qui utilise l'intelligence artificielle pour "lire entre les lignes" de ce que nous écrivons.

L'analogie du "Miroir Invisible" (Comment ça marche ?)

Pour comprendre la méthode des chercheurs, imaginez que chaque personne possède un miroir invisible dans son langage.

L'approche classique (Le questionnaire) : C'est comme si on demandait à quelqu'un : "Est-ce que vous vous sentez fusionné avec votre groupe ?". La personne peut mentir, être gênée, ou ne pas savoir répondre.
L'approche CLIFS (La métaphore cachée) : Au lieu de poser la question, l'IA observe comment vous utilisez les mots. Si vous êtes "fusionné" avec votre groupe, votre langage va agir comme un miroir : vous allez commencer à utiliser des mots qui appartiennent au groupe pour parler de vous-même, et vice versa.

L'astuce technique (La métaphore implicite) :
Les chercheurs utilisent une IA (un modèle de langage comme BERT) qui joue à un jeu de "trous". Ils cachent un mot dans une phrase et demandent à l'IA : "Quel mot irait ici ?".
Si une personne est très fusionnée avec son pays, elle dira naturellement : "Ma patrie est mon sang". L'IA détecte que les mots "Moi" et "Patrie" sont devenus si proches qu'ils sont presque interchangeables. C'est comme si les frontières entre "Je" et "Nous" s'étaient effacées.

Pourquoi est-ce une révolution ? (Le test de l'incendie)

Pour prouver que leur outil fonctionne, les chercheurs l'ont testé sur un sujet brûlant : le risque de violence.

Ils ont pris des textes écrits par des personnes extrémistes (des manifestes). En utilisant le CLIFS, l'IA a été capable de repérer les signes de fusion identitaire bien mieux que les méthodes précédentes et même mieux que des humains.

L'analogie de la météo :
Les anciennes méthodes étaient comme regarder si le ciel est gris pour savoir s'il va pleuvoir. Le CLIFS, lui, est comme un radar météorologique ultra-précis qui détecte les changements de pression et d'humidité bien avant que la première goutte ne tombe. Il a permis d'améliorer la prédiction des risques de violence de plus de 240 %.

En résumé : Ce qu'il faut retenir

C'est automatique : Plus besoin d'interroger des milliers de personnes ; l'IA peut analyser des millions de textes sur internet.
C'est subtil : L'outil ne cherche pas les mots grossiers ou violents, il cherche la proximité émotionnelle cachée dans la structure des phrases.
C'est un outil de prévention : En comprenant comment les gens se "fusionnent" avec des idéologies, on peut mieux comprendre les mécanismes de la radicalisation ou, au contraire, de la cohésion sociale.

En une phrase : Le CLIFS est une loupe numérique qui permet de voir quand le "Moi" d'une personne s'est dissous dans le "Nous" d'un groupe, simplement en écoutant l'écho de ses mots.

Résumé Technique : Cognitive Linguistic Identity Fusion Score (CLIFS)

1. Problématique (Le Problème)

L'identité fusionnée (identity fusion) est un phénomène psychologique où les frontières entre le "soi" et une entité externe (groupe religieux, parti politique, idéologie, etc.) deviennent poreuses, créant un sentiment de "fusion viscérale". Ce phénomène est un moteur puissant de comportements extrêmes, allant de la coopération prosociale au sacrifice de soi, jusqu'à la radicalisation et la violence.

Le problème majeur identifié par les auteurs est que la mesure actuelle de la fusion est soit subjective et manuelle (échelles verbales comme la VIFS ou échelles picturales nécessitant des enquêtes contrôlées), soit peu fiable et non scalable (indices linguistiques basés sur des dictionnaires de mots-clés qui ne capturent pas la nuance conceptuelle). Il manque donc un outil automatisé capable d'analyser de vastes corpus de textes (réseaux sociaux, manifestes) pour quantifier la force de cette fusion de manière longitudinale et à grande échelle.

2. Méthodologie (L'Approche)

Les auteurs introduisent le CLIFS, une métrique automatisée basée sur la linguistique cognitive et les grands modèles de langage (LLM). L'innovation repose sur la détection de métaphores implicites.

Hypothèse centrale : Un individu fortement fusionné exprime inconsciemment la proximité entre son identité et sa cible à travers un langage métaphorique où les concepts de "soi" et de "cible" sont interchangeables.
Détection par Masquage (Masked-LM) : En utilisant le modèle ModernBERT, les chercheurs masquent les termes d'identité (ex: "je", "moi") et mesurent la probabilité que le modèle prédise des termes liés à la cible de fusion (ex: "mon pays", "ma religion"). Plus la probabilité de substitution est élevée, plus la fusion est forte.
Composantes du score CLIFS :
- Proximité de fusion ( $f(I,T)$ ) : Utilise une moyenne harmonique pour capturer la réciprocité de la relation entre l'identité ( $I$ ) et la cible ( $T$ ).
- Parenté fictive ( $K_f$ ) : Mesure à quel point l'individu utilise des métaphores liées à la famille (frère, sang, ancêtres) pour décrire sa cible.
- Proximité directionnelle ( $S_{I \to T}$ et $S_{T \to I}$ ) : Analyse la probabilité de passer de l'identité à la cible et vice versa.
Architecture du modèle : Le système utilise un ensemble de caractéristiques (métriques CLIFS, plongements SBERT, probabilités de classification de ModernBERT et indices linguistiques traditionnels comme l'UAI) injectées dans un classifieur Random Forest.
Augmentation de données : Pour pallier la rareté des données, ils utilisent la traduction aller-retour (RTT) et la génération par IA (GPT-4o).

3. Contributions Clés

Nouvelle tâche de NLP : Définition et formulation de la prédiction du niveau de fusion d'identité à partir de texte libre.
Métrique innovante : Passage d'une analyse basée sur des mots-clés explicites à une analyse basée sur la proximité conceptuelle et métaphorique via les LLM.
Automatisation et Scalabilité : Un outil capable de traiter des millions de documents sans intervention humaine, contrairement aux méthodes psychométriques classiques.
Validation par application : Preuve de concept par l'amélioration de la prédiction des risques de violence.

4. Résultats

Performance de classification : CLIFS surpasse les approches automatisées existantes de 6 % à 154 %.
Comparaison humaine : Le modèle surpasse l'annotation humaine de 11 % à 22 % en termes de score F1 et réduit le taux d'erreur de 25 %.
Corrélation : Le modèle de régression montre une corrélation de Spearman ( $r_s = 0,633$ ) avec l'échelle d'or (VIFS), soit un gain de performance massif par rapport aux méthodes précédentes.
Évaluation du risque de violence : En intégrant CLIFS dans l'indice de risque de violence (VRI), les auteurs ont démontré une amélioration de la précision de la prédiction de plus de 240 %.

5. Signification et Implications

Cette recherche marque un tournant dans l'étude computationnelle de la psychologie sociale.

Sécurité et Contre-terrorisme : CLIFS offre un outil potentiel pour identifier les processus de radicalisation avant qu'ils ne mènent à des actes violents.
Analyse culturelle et sociale : Permet d'étudier comment les identités collectives se forment et se renforcent à travers les discours numériques.
Éthique : Les auteurs soulignent toutefois les risques de détournement par des régimes autoritaires pour marginaliser des groupes hautement soudés (fusion prosociale) et insistent sur le fait que l'outil doit augmenter le jugement humain et non le remplacer, en raison des biais culturels potentiels des modèles de langue.