💬 NLP

Analysing Differences in Persuasive Language in LLM-Generated Text: Uncovering Stereotypical Gender Patterns

Cette étude évalue 13 grands modèles de langage à travers 16 langues et conclut qu'ils génèrent systématiquement un langage persuasif présentant des différences stéréotypées de genre significatives basées sur le genre du destinataire, reflétant ainsi des biais documentés en psychologie sociale et en sociolinguistique.

Auteurs originaux : Amalie Brogaard Pauli, Maria Barrett, Max Müller-Eberstein, Isabelle Augenstein, Ira Assent

Publié 2026-06-08

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Amalie Brogaard Pauli, Maria Barrett, Max Müller-Eberstein, Isabelle Augenstein, Ira Assent

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 avez une équipe de 13 robots super intelligents (des modèles de langage étendus, ou LLM). Vous leur demandez d'écrire un message persuasif, comme un e-mail pour demander à un frère ou une sœur d'apprendre une nouvelle langue avec vous. Vous donnez exactement la même instruction à chaque robot, mais avec une toute petite nuance : pour la moitié des robots, vous dites que le frère ou la sœur est un homme, et pour l'autre moitié, vous dites que c'est une femme.

Ce document est comme une histoire de détective où les chercheurs agissent en tant que « détectives du langage » pour voir si les robots changent leur style d'écriture en fonction de ce seul petit mot.

La grande découverte : Les robots portent des « lunettes de genre »

Les chercheurs ont découvert que les 13 robots ont changé leur style d'écriture selon qu'ils pensaient s'adresser à un homme ou à une femme. Ils n'ont pas seulement changé un pronom ; ils ont complètement réécrit la vibe du message.

Voyez cela comme un caméléon qui change de couleur non pas seulement pour se fondre dans le décor, mais pour correspondre à un stéréotype qu'il a appris en observant les humains.

Lorsqu'ils parlent à un « Homme » : Les robots agissent comme un coach coriace ou un stratège de haut niveau. Ils utilisent des mots liés aux « défis », aux « compétences », aux « carrières » et à la « victoire ». Le ton est direct, factuel et axé sur l'accomplissement d'une tâche.
- Analogie : C'est comme si le robot enfilait un costume et une cravate et commençait à parler de « plans de jeu » et de « mesures de performance ».
Lorsqu'ils parlent à une « Femme » : Les robots agissent comme un meilleur ami chaleureux et émotionnel. Ils utilisent des mots liés à « l'amour », aux « moments de qualité », au « plaisir » et à la « convivialité ». Le ton est plus doux, plus attentionné et axé sur les sentiments.
- Analogie : C'est comme si le robot enfilait un pull douillet et commençait à parler de « connexions sincères » et de « parcours partagés ».

Le robot « Juge »

Comment les chercheurs l'ont-ils su ? Ils n'ont pas seulement lu les e-mails ; ils ont utilisé un « Robot Juge » spécial (un autre IA) pour les noter.

Imaginez un jury lors d'un concours de talents. Au lieu de donner une note sur 10, ils ont examiné 19 différentes « saveurs » de persuasion, telles que :

Logique vs Émotion : Le robot a-t-il utilisé des faits (Logique) ou des sentiments (Émotion) ?
Direct vs Poli : A-t-il dit « Fais ceci » ou « Est-ce que tu pourrais ? »
Indépendant vs Communauté : S'est-il concentré sur « moi et mes objectifs » ou sur « nous et notre relation » ?

Le Robot Juge a confirmé que les messages destinés aux « Hommes » étaient systématiquement plus logiques et directs, tandis que les messages destinés aux « Femmes » étaient systématiquement plus émotionnels et relationnels.

Cela se produit-il partout ?

Les chercheurs ont testé cela dans 16 langues différentes (comme l'anglais, le chinois, l'allemand et le japonais). Même si les robots parlaient des langues différentes, le schéma se maintenait. Que le robot parle danois ou vietnamien, il écrivait toujours des messages de « dur à cuire » pour les hommes et des messages de « fille douce » pour les femmes.

Ils ont également vérifié si les robots étaient simplement paresseux ou si la longueur du texte importait. Ils ont découvert que la différence ne venait pas du fait qu'un message était plus long ; le style lui-même était fondamentalement différent.

Pourquoi est-ce important ?

Le document explique que ces robots n'inventent pas ces styles à partir de rien. Ils reflètent les stéréotypes humains qui existent dans notre société.

L'effet miroir : Tout comme un miroir reflète ce qui se trouve devant lui, ces modèles d'IA reflètent les biais qu'ils ont appris à partir de la masse de textes humains sur lesquels ils ont été entraînés. Si les humains écrivent souvent sur les hommes en termes de « réussite » et sur les femmes en termes de « relations », l'IA apprend que c'est la « bonne » façon d'écrire.
Le danger : Le document avertit que si nous utilisons ces robots pour rédiger des messages dans le monde réel (comme des candidatures d'emploi, des publicités politiques ou des arguments de vente), ils pourraient accidentellement renforcer des stéréotypes dépassés. Par exemple, un robot pourrait rédiger un e-mail de négociation de salaire pour une femme qui semble trop « doux » pour être efficace, ou pour un homme qui semble trop « agressif », simplement à cause de l'étiquette de genre dans l'instruction.

Ce que le document ne dit pas

Pour être clair, ce document est un rapport de diagnostic, pas un manuel de solutions.

Il ne nous dit pas comment réparer les robots.
Il ne dit pas si ces messages fonctionnent mieux ou moins bien sur de vraies personnes (il n'a mesuré que le style, pas le succès).
Il n'explique pas pourquoi ces robots possèdent ces biais profondément dans leur code, seulement qu'ils les possèdent.

L'essentiel à retenir

Ce document proule que même nos outils d'IA les plus avancés portent encore des « lunettes de genre ». Si vous leur demandez d'écrire un message pour un homme, ils enfilent une lentille « business ». Si vous demandez pour une femme, ils enfilent une lentille « émotionnelle ». Les chercheurs ont construit un cadre pour mesurer cela, et ils ont découvert que ce biais est constant dans presque tous les modèles d'IA et toutes les langues testés. C'est un rappel que, bien que l'IA soit intelligente, elle n'a pas encore dépassé les stéréotypes des humains qui l'ont enseignée.

Résumé technique : Analyse des différences de langage persuasif dans les textes générés par les LLM

Énoncé du problème
Les grands modèles de langage (LLM) sont de plus en plus déployés pour des tâches de communication interpersonnelle, incluant la rédaction de messages destinés à influencer et à persuader. Bien que des recherches antérieures aient établi que les LLM peuvent persuader avec succès les humains et amplifier le langage persuasif, il existe une lacune critique dans la compréhension de la manière dont les instructions spécifiques de l'utilisateur — particulièrement celles impliquant des attributs du destinataire — affectent le style du langage persuasif généré. Plus précisément, il reste à déterminer si les LLM modifient systématiquement leurs stratégies de persuasion en fonction du genre du destinataire, reflétant et amplifiant potentiellement les stéréotypes de genre sociétaux. Cet article examine si les attributs fournis par l'utilisateur dans le texte d'instruction, tels que le genre du destinataire, l'intention cadrée par l'utilisateur et la langue de sortie, induisent des changements mesurables dans les dimensions du langage persuasif généré par les LLM.

Méthodologie
Les auteurs proposent un cadre systématique pour évaluer les différences de langage persuasif généré par les LLM sous des conditions de prompts par paires contrôlées. La méthodologie comprend les composantes suivantes :

Construction des prompts : Deux ensembles de prompts d'instruction ont été générés couvrant des messages interpersonnels (ex. : demander à un collègue d'échanger des services) et des arguments politiques (ex. : abaisser l'âge du droit de vote). Pour chaque prompt, une version appariée a été créée en modifiant uniquement l'attribut de traitement (ex. : changer « collègue de sexe féminin » en « collègue de sexe masculin » ou « intention noble » en « intention ignoble »).
Évaluation des modèles : L'étude a évalué 13 LLM issus de cinq familles de modèles différentes (incluant GPT-5, Llama 3, DeepSeek, Qwen et Claude), variant en taille, alignement de sécurité et origine.
Dimensions d'évaluation : Les réponses ont été analysées à travers 19 catégories dérivées de cinq dimensions théoriques de la communication et de la persuasion :
- Appels rhétoriques : Logos, Pathos, Ethos.
- Principes de Cialdini : Réciprocité, Engagement, Liking (appréciation), Autorité, Rareté, Preuve sociale.
- Traits de psychologie sociale : Agentique (compétence, assertivité) vs Communautaire (chaleur, coopération).
- Objectifs d'interaction : Instrumentaux, Relationnels, Identitaires.
- Tons : Direct, Poli, Formel, Ludique, Affectueux.
LLM-as-Judge (Le LLM comme juge) : Une configuration d'évaluation automatisée utilisant GPT-4o comme juge a été employée pour noter les différences par paires entre les réponses. Le juge a attribué des scores relatifs sur une échelle ordinale (−3 à +3) pour chaque catégorie. Pour garantir la robustesse, l'évaluation a été effectuée deux fois avec l'inversion de l'ordre des entrées afin d'atténuer le biais de position.
Vérification : Le cadre comprenait des mesures de vérification étendues, notamment :
- Validité convergente : Annotation humaine d'un sous-ensemble de réponses pour vérifier si les perceptions humaines s'alignaient sur les conclusions du juge LLM.
- Tests de robustesse : Test de modèles de juges alternatifs (Qwen2.5), neutralisation des termes de genre dans les entrées, et traduction des entrées en anglais pour évaluer la cohérence translingue.
- Analyse statistique : Utilisation de tests de Wilcoxon signed-rank et de rééchantillonnage par bootstrap pour comparer les « écarts de genre » ( $G_T$ ) entre différents modèles.

Résultats clés
L'étude révèle des différences de génération de langage persuasif basées sur le genre, significatives et constantes, à travers tous les LLM testés :

Stéréotypes de genre dans le style :
- Les réponses ciblant les femmes présentaient systématiquement des scores plus élevés dans les traits Communautaires, le Pathos (appel émotionnel), les objectifs Relationnels, la Politesse et les tons Affectueux.
- Les réponses ciblant les hommes présentaient systématiquement des scores plus élevés dans les traits Agentiques, le Logos (appel logique), les objectifs Instrumentaux et les tons Directs.
Cohérence entre les modèles : Bien que l'ampleur du biais varie (ex. : GPT-5 montre un écart plus important que GPT-4.1), le schéma directionnel de la stéréotypie est présent dans les 13 modèles.
Persistance translingue : Lors du test d'un seul modèle (GPT-5-MINI) à travers 16 langues, les différences stylistiques de genre ont persisté. L'étude n'a trouvé aucune corrélation significative entre l'ampleur de l'écart de genre et l'Indice d'Inégalité de Genre (IIG) des pays associés, suggérant que le biais est piloté par des schémas internes au modèle plutôt que par des données sociétales externes seules.
Cadrage de l'intention : Lorsque l'intention de l'utilisateur était cadrée comme « noble » ou « ignoble », les modèles ajustaient leur style, les intentions « ignobles » étant évaluées plus haut en Pathos et en Ludisme, tandis que les intentions « nobles » étaient évaluées plus haut en Formalité.
Succès de la vérification : Les annotateurs humains ont confirmé les conclusions du juge LLM, identifiant les textes ciblant les femmes comme plus communautaires et les textes ciblant les hommes comme plus agentiques. Les modèles de juges alternatifs et les entrées neutralisées ont produit des résultats hautement corrélés, confirmant la robustesse des conclusions.

Signification et affirmations
L'article affirme fournir la première analyse systématique et multidimensionnelle de la manière dont les LLM adaptent les styles de langage persuasif en fonction du genre du destinataire et d'autres attributs. Ses principales contributions sont :

Un cadre d'évaluation : Une méthodologie rigoureuse pour détecter les biais subtils de style dans la génération de LLM qui vont au-delà du simple refus de contenu ou de la toxicité manifeste.
Preuve d'un biais omniprésent : Les conclusions démontrent que même les modèles dotés d'un alignement de sécurité étendu présentent des biais de genre profondément ancrés et stéréotypés dans leur production persuasive. Ces biais s'alignent sur la littérature établie en sociolinguistique et en psychologie sociale concernant les tendances linguistiques « agentiques » (masculines) et « communautaires » (féminines).
Généralisabilité : Le cadre est montré comme étant applicable au-delà du genre, détectant avec succès les différences basées sur l'intention de l'utilisateur et la langue, et applicable à une large gamme de langues et de familles de modèles.

Les auteurs notent modestement que leur analyse repose sur des traditions théoriques occidentales (rhétorique aristotélicienne, principes de Cialdini) et des traitements de genre binaires. Ils ne prétendent pas découvrir les causes profondes de ces biais, mesurer l'efficacité de la persuasion ou proposer des stratégies d'atténuation, mais établissent plutôt l'existence et l'omniprésence de ces biais stylistiques comme un domaine critique pour la recherche future et la sécurisation du déploiement de l'IA dans le monde réel.