Personal Salience: Highlighting Is Social, but Individuality Lives in Selection

Résumé technique : Saillance personnelle dans le surlignage numérique

Énoncé du problème
L'article étudie dans quelle mesure l'identité unique d'un individu peut être récupérée à partir de traces de surlignage naturalistes (marquer des passages lors de la lecture). Alors que la recherche sur les jumeaux numériques suppose souvent que les traces comportementales révèlent des intérêts distincts et prédisent des choix, ce travail remet en question la question de savoir si le surlignage est une « empreinte digitale personnelle » ou principalement le reflet d'une saillance partagée. Le défi central consiste à démêler trois quantités confondues dans la recherche sur la personnalisation :

1. Saillance générique : Importance structurelle ou sémantique inhérente au document (ex. : phrases clés, conclusions).
2. Saillance de la foule (Crowd Salience) : Passages marqués par d'autres lecteurs (consensus collectif).
3. Saillance personnelle : Le résidu unique propre à un utilisateur spécifique.

Les auteurs exploitent Glasp, un surligneur Web, pour matérialiser la « co-lecture » — un scénario rare où plusieurs utilisateurs surlignent exactement le même document. Cela permet un contrôle de l'identité au sein du document, maintenant le document et le sujet constants pour isoler le comportement individuel.

Méthodologie
L'étude définit deux tâches de prédiction distinctes et emploie un cadre d'évaluation rigoureux et exempt de fuites (leakage-free) :

1. Tâches :

   • Saillance intra-document : Prédire quelles phrases un utilisateur surligne à partir de l'ensemble du document.
   • Sélectivité : Prédire lesquels des passages déjà surlignés (par la foule) appartiennent à un utilisateur spécifique.

2. Scorers et lignes de base (Baselines) :

   • Foule (Crowd) : Le décompte des autres co-lecteurs ayant marqué un segment candidat (estimé à partir d'une foule dense, médiane de 38 lecteurs).
   • Générique : Centralité de la phrase (similitude cosinus avec le centroïde de l'embedding du document).
   • Modèles personnels :
     • Profil d'embedding (M1) : Similitude cosinus avec un embedding moyen (mean-pooled) des surlignages passés de l'utilisateur.
     • Jumeau (Twin) : Un LLM de pointe propriétaire (gpt-5.5) conditionné par l'historique de l'utilisateur pour classer les candidats.
   • Contrôle d'identité (Autre) : La même méthode de scoring appliquée au profil d'un autre co-lecteur. Cela contrôle la compétence générale de l'extracteur ; un écart positif « propre-versus-autre » indique une véritable personnalisation.

3. Contrôles méthodologiques critiques :

   • Profils sans fuite (Leakage-Free) : Les profils personnels sont construits par paire, excluant explicitement le document cible. Les auteurs démontrent que les pipelines naïfs laissent souvent fuiter le document cible dans le profil (~42 % des paires), gonflant artificiellement les scores personnels de +0,07 à +0,15 en Précision Moyenne (AP).
   • Foule dense : Utilisation de l'ensemble des co-lecteurs (médiane de 38) plutôt que de petits sous-ensembles (≤5), qui ont été jugés comme sous-estimant artificiellement la performance de la foule.
   • Décomposition thématique : Comparaison des utilisateurs avec des pairs « thématiquement proches » pour déterminer si le signal personnel est piloté par des préférences thématiques stables ou par un style plus fin.

Résultats clés

1. Le surlignage est social (Saillance intra-document) :

   • La foule est le prédicteur dominant de quelles phrases un utilisateur surligne (AP 0,321), surpassant la structure générique (0,187), les profils d'embedding personnels (0,172) et même les jumeaux LLM de pointe (0,247).
   • Le signal personnel récupérable dans cette tâche est minimal. L'écart d'identité « propre-versus-autre » n'est que de +0,017 AP pour le scoreur d'embedding (faible mais significatif) et de +0,012 AP (non significatif) pour le jumeau.
   • Même un a priori de « position/ordre » (prédire les marques basées sur l'ordre des phrases) surpasse l'historique personnel, bien que la foule l'emporte toujours sur l'a priori de position.
   • Conclusion : L'individualité est largement absente de la détermination de ce qui est saillant ; le consensus règne.

2. L'individualité réside dans la sélection :

   • Lorsque la tâche passe à la sélection de quels passages déjà saillants un utilisateur a choisis, le signal personnel devient fort. L'écart d'identité bondit à +0,143 AP.
   • La popularité de la foule est anti-prédictive ici (AP 0,157, en dessous du taux de base) car les segments les plus marqués sont partagés par tout le monde, n'offrant aucune différenciation individuelle.
   • Asymétrie : Sous le même scoreur, le signal individuel dans la sélection est 6 à 8 fois plus fort que dans la saillance.

3. Nature du signal de sélection :

   • La décomposition révèle que le signal de sélection est largement une préférence thématique stable. Lors de la comparaison d'un utilisateur avec un pair « thématiquement apparié », l'écart d'identité diminue d'environ 8× (de +0,212 à +0,026).
   • Un mince résidu (+0,026) subsiste même contre des jumeaux thématiques quasi identiques, mais les auteurs avertissent que cela peut représenter une nuance thématique plus fine plutôt qu'un « style » non thématique.
   • Loi d'échelle (Scaling Law) : Pour les utilisateurs ayant des historiques riches, le signal de sélection plafonne après environ 60 surlignages passés (quelques dizaines), suggérant qu'un historique modeste suffit à capturer la signature individuelle.

4. Observation secondaire (Consensus vs Popularité) :

   • Il existe une tendance suggestive selon laquelle le consensus de la foule décline à mesure que la popularité du document augmente. Avec une taille de foule fixe, les documents ayant plus de lecteurs totaux montrent un accord moindre sur ce qu'il faut surligner.

Signification et revendications
L'article prétend renverser une prémisse commune de la personnalisation : l'idée que les individus diffèrent principalement par ce qu'ils trouvent intéressant (saillance). Les preuves suggèrent plutôt que :

• La saillance est partagée : Ce qui est intéressant est largement déterminé par la structure du document et le consensus collectif.
• L'individualité est sélective : L'identité personnelle émerge dans la sélection de segments spécifiques intéressants parmi un ensemble partagé.
• Correction méthodologique : Les affirmations précédentes selon lesquelles les « jumeaux numériques » surpassaient la foule étaient probablement des artefacts de défauts méthodologiques : utilisation de foules artificiellement petites et échec de la prévention des fuites de données du document cible dans le profil de l'utilisateur.

Les auteurs concluent que les surlignages offrent une « fenêtre partielle, façonnée par la sélection » sur une personne, plutôt qu'un clone complet. La signature individuelle est réelle mais existe comme une « fine couche » sur une base partagée robuste, émergeant principalement dans les tâches de sélection plutôt que dans la détection de saillance.