💬 NLP

Coping in Crisis: Computational Modeling of Coping Styles in Digital Crisis Discourse During the 2023 Turkiye Earthquake

Cette étude utilise un classificateur multi-étiquettes BERTurk sur plus d'un million de tweets turcs pour démontrer que la théorie du coping de Lazarus et Folkman peut être opérationnalisée de manière fiable en temps réel à partir de données de crise numériques, révélant des trajectoires temporelles distinctes de styles de coping centrés sur le problème, sur l'émotion et sur la création de sens lors du séisme de 2023 en Turquie.

Auteurs originaux : Şevval Çakıcı

Publié 2026-06-15

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Şevval Çakıcı

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 qu'une tempête massive et chaotique frappe une ville. Autrefois, si des chercheurs voulaient savoir comment les gens géraient la catastrophe, ils devaient attendre des semaines ou des mois. Ils s'asseyaient avec des survivants dans une pièce calme et demandaient : « Qu'avez-vous ressenti ? Comment avez-vous fait pour tenir le coup ? » Mais la mémoire est capricieuse ; le temps que les gens répondent, ils ont déjà réécrit leurs propres histoires dans leur tête.

Ce document traite d'un type de recherche différent. Au lieu d'attendre, les chercheurs ont observé ce que les gens écrivaient pendant que la tempête faisait encore rage. Ils ont analysé plus d'un million de tweets publiés dans la suite immédiate du séisme de février 2023 en Turquie. Considérez ces tweets non pas comme des fenêtres parfaites sur l'âme des gens, mais comme un géant « moniteur de fréquence cardiaque » en temps réel pour une société en état de choc.

Voici la décomposition de ce qu'ils ont trouvé, en utilisant des analogies simples :

1. Les trois façons de « faire face » (La boîte à outils)

Les chercheurs ont utilisé une théorie appelée « Théorie du Coping » (ou théorie de l'ajustement) pour classer les tweets dans trois catégories principales. Imaginez que les gens possèdent une boîte à outils mentale, et qu'ils sortent différents outils selon l'étape de la crise :

L'outil « Réparer » (Axé sur le problème) : C'est pour quand vous devez résoudre un puzzle. Dans les tweets, cela se traduisait par le partage de coordonnées de sauvetage, la question « Où est l'hôpital le plus proche ? », ou la coordination de l'aide.
L'outil « Ressentir » (Axé sur l'émotion) : C'est pour quand le puzzle ne peut pas encore être résolu, donc vous devez gérer vos sentiments. Ces tweets étaient remplis de deuil, de prières, de « Tu me manques », ou d'expressions de peur et de tristesse.
L'outil « Pourquoi » (Recherche de sens) : C'est pour quand on essaie de donner un sens au chaos. Ces tweets demandaient : « Pourquoi cela est-il arrivé ? » ou « Qui est responsable ? ». Ils cherchaient une histoire ou une leçon morale pour expliquer la tragédie.

2. Le traducteur informatique (Le bibliothécaire robot)

Pour lire un million de tweets, les chercheurs ne pouvaient pas le faire à la main. Ils ont construit un programme informatique spécial (un modèle « BERTurk ») entraîné pour agir comme un bibliothécaire super rapide.

Ils ont formé ce bibliothécaire en lui montrant 500 exemples de tweets et en lui indiquant quel « outil » (Réparer, Ressentir ou Pourquoi) chaque tweet utilisait.
Une fois entraîné, le bibliothécaire pouvait lire le million de tweets restants en quelques secondes.
Le Résultat : Le bibliothécaire entraîné sur le turc était bien meilleur pour comprendre la langue locale et l'argot qu'un robot générique et « universel ». Il a accompli sa tâche avec une grande précision.

3. L'histoire du mois (La chronologie)

Lorsqu'ils ont observé comment les « outils » étaient utilisés sur 30 jours, ils ont vu un schéma très clair et prévisible, comme le changement des saisons après une catastrophe :

Jours 1 à 3 (L'urgence) : L'outil « Réparer » était le plus utilisé. Les gens étaient frénétiques, partageant des localisations et demandant de l'aide. C'était la pure survie.
Jours 4 à 7 (Le basculement) : À mesure que l'urgence immédiate du sauvetage s'estompait, les tweets « Réparer » ont chuté brutalement. Les tweets « Ressentir » ont commencé à augmenter. Les gens commençaient à traiter leur deuil.
Semaines 2 à 4 (Le plateau et la recherche) : Les tweets « Ressentir » se sont stabilisés (les gens étaient toujours tristes et en deuil). Mais l'outil « Pourquoi » a commencé à grimper régulièrement. Les gens commençaient à poser des questions difficiles : « Pourquoi les bâtiments sont-ils tombés ? » et « Qui est responsable ? ».

4. La connexion avec la colère

L'une des découvertes les plus intéressantes concernait la colère.
Les chercheurs ont constaté que lorsque les gens étaient en colère, ils utilisaient rarement l'outil « Réparer ». Au lieu de cela, la colère était fortement liée à l'outil « Pourquoi ».

L'analogie : Considérez la colère non pas comme un carburant pour l'action pratique (comme creuser sous les décombres), mais comme un projecteur. Quand les gens étaient en colère, ils utilisaient cette énergie pour braquer la lumière sur la responsabilité et la recherche de coupables. Ils ne demandaient pas seulement « Comment aider ? », ils demandaient « Qui a enfreint les règles qui ont permis que cela arrive ? ».

5. Pourquoi cela importe (L'enseignement pratique)

Le document suggère que si nous pouvons lire ce « rythme cardiaque » en temps réel, nous pouvons mieux aider les gens.

Si une population utilise principalement l'outil « Réparer », elle a besoin d'informations, de cartes et de coordination.
Si elle utilise principalement l'outil « Ressentir », elle a besoin d'espace pour le deuil, de reconnaissance de sa douleur et d'un soutien émotionnel.
Si elle bascule vers l'outil « Pourquoi », elle recherche de la transparence et des réponses sur les responsabilités.

L'essentiel :
Cette étude prouve que nous pouvons utiliser l'informatique pour comprendre comment une société traite un traumatisme en temps réel. Elle montre que même dans un environnement chaotique et polarisé, les réponses humaines face à une catastrophe suivent un rythme prévisible. En comprenant quel « outil » une communauté utilise à un moment donné, les travailleurs humanitaires et les dirigeants peuvent cesser de deviner et commencer à répondre exactement à ce dont les gens ont réellement besoin à cet instant précis.

Résumé technique : Faire face à la crise : Modélisation computationnelle des styles de coping dans le discours de crise numérique lors du séisme de 2023 en Turquie

Énoncé du problème
La recherche traditionnelle sur le coping (stratégies d'ajustement) psychologique lors de catastrophes repose sur des auto-évaluations rétrospectives (par exemple, des enquêtes, des entretiens) administrées des semaines après l'événement. Cette approche souffre de biais de reconstruction mémorielle et ne parvient pas à capturer les dynamiques psychologiques en temps réel sous un stress effectif. Bien que les réseaux sociaux offrent un enregistrement massif et horodaté des réponses publiques, les approches computationnelles existantes se sont principalement concentrées sur les données en langue anglaise et n'ont pas systématiquement opérationnalisé les théories psychologiques établies, telles que la théorie du coping de Lazarus et Folkman (1-1984), pour des contextes non anglophones et à faibles ressources. De plus, l'interaction spécifique entre le traumatisme collectif et la polarisation politique dans le discours de crise reste sous-explorée en sciences sociales computationnelles.

Méthodologie
L'étude utilise un corpus de 1 037 663 tweets originaux en langue turque postés entre le 6 février et le 6 mars 2023, suite au séisme en Turquie. Les données proviennent du corpus Politus, filtrées par mots-clés liés à la catastrophe, et divisées en quatre phases de crise théoriquement motivées : Urgence (Jours 1–3), Blâme (Jours 4–7), Deuil (Semaines 2–3) et Création de sens (Semaine 4+).

La principale contribution méthodologique est le développement d'un pipeline de classification multi-étiquettes utilisant BERTurk (un modèle BERT-base pré-entraîné sur un large corpus turc).

Annotation : Un échantillon aléatoire stratifié de 500 tweets a été annoté pour trois styles de coping dérivés de Lazarus et Folkman (1984) : axé sur le problème (problem-focused), axé sur l'émotion (emotion-focused) et création de sens (meaning-making). Une quatrième catégorie, l'évitement (avoidance), a été exclue en raison d'un accord inter-annotateurs quasi nul ( $\kappa = 0,021$ ).
Entraînement : Le jeu de données de 500 tweets a été divisé en ensembles d'entraînement (70 %), de développement (15 %) et de test (15 %). Le modèle BERTurk a été affiné pour la classification de séquences multi-étiquettes en utilisant une activation sigmoïde et une perte d'entropie croisée binaire.
Base de référence : La performance a été comparée à une base de référence "zero-shot" utilisant mDeBERTa (un modèle multilingue), où les catégories de coping étaient définies via des hypothèses en langage naturel.
Analyse : Le classificateur entraîné a été appliqué à l'ensemble du corpus pour suivre les dynamiques temporelles. Des corrélations de rang de Spearman ont été calculées entre les styles de coping et les métriques d'engagement (likes, retweets) ainsi que les scores d'émotions pré-calculés (colère, peur, tristesse, etc.) du modèle Politus.

Résultats clés

Performance du modèle : Le modèle BERTurk affiné a atteint un score F1 macro de 0,693, surpassant substantiellement la base de référence zero-shot mDeBERTa (F1 macro = 0,324). L'amélioration a été la plus significative pour le coping axé sur l'émotion ( $\Delta F1 = +0,542$ ), soulignant la nécessité de modèles spécifiques à la langue pour capturer les nuances émotionnelles du turc.
Dynamiques temporelles : L'analyse a révélé une trajectoire claire et non aléatoire du coping collectif :
- Le coping axé sur le problème a dominé la phase d'Urgence (56,2 %) et a décliné de manière monotone pour atteindre 19,4 % à la Phase 4.
- Le coping axé sur l'émotion est passé de 32,0 % en Phase 1 pour se stabiliser à environ 55 % dans les Phases 3 et 4.
- La création de sens a augmenté régulièrement à travers toutes les phases, passant de 12,4 % à 37,3 %.
Corrélats démographiques et émotionnels :
- Démographie : Les utilisatrices de sexe féminin présentaient des taux plus élevés de coping axé sur le problème, tandis que les utilisateurs de sexe masculin montraient des taux plus élevés de coping axé sur l'émotion et la création de sens. Les comptes organisationnels affichaient des taux de création de sens significativement plus bas que les comptes personnels.
- Lien Émotion-Coping : La colère a montré la corrélation la plus forte avec la création de sens ( $r = 0,387$ ) et une corrélation négative avec le coping axé sur le problème ( $r = -0,285$ ). Cela suggère que dans ce contexte polarisé, la colère a fonctionné comme une force de mobilisation pour l'attribution de blâme et l'interprétation politique plutôt que pour l'action pratique. La tristesse était fortement corrélée au coping axé sur l'émotion ( $r = 0,184$ ).

Contributions clés

Validation empirique : Cette étude fournit le premier test empirique à grande échelle de la théorie du coping dans le discours de crise numérique réel, étendant une littérature auparavant confinée aux cadres de laboratoire et aux auto-évaluations.
Faisabilité méthodologique : Elle démontre que la détection des styles de coping est réalisable dans des contextes non anglophones et à faibles ressources en utilisant des modèles de transformateurs spécifiques à la langue, comblant ainsi une lacune dans les sciences sociales computationnelles.
Perspectives de fond : Les résultats offrent une vue granulaire de la manière dont le coping collectif évolue à travers les phases de crise, révélant que les dynamiques de coping ne sont pas seulement psychologiques mais sont profondément liées au contexte politique (par exemple, la proximité d'une élection nationale et les questions de responsabilité de l'État).

Signification et affirmations
L'article affirme que la théorie du coping peut être fiablement opérationnalisée dans les données numériques pour révéler comment les sociétés traitent le traumatisme collectif. Les auteurs soutiennent que ces conclusions ne sont pas simplement descriptives mais possèdent une utilité pratique pour les organisations humanitaires et les communicateurs de crise. En détectant le style de coping dominant d'une population en temps réel, les intervenants peuvent adapter leurs interventions :

La dominance du coping axé sur le problème signale un besoin d'information, de coordination et d'accès aux ressources.
La dominance du coping axé sur l'émotion signale un besoin de reconnaissance, de présence et d'espace pour le deuil.
La dominance de la création de sens signale un besoin de transparence institutionnelle et de mécanismes de responsabilité.

L'étude conclut que bien que les tweets soient des traces textuelles publiques plutôt que des fenêtres transparentes sur la psychologie individuelle, les schémas agrégés fournissent un signal valide des états psychologiques collectifs. Les auteurs soulignent que ces outils doivent être utilisés pour comprendre et répondre aux besoins de la population plutôt qu'à des fins de surveillance, notant les responsabilités éthiques inhérentes à l'analyse de populations vulnérables en situation de crise.

1. Les trois façons de « faire face » (La boîte à outils)

2. Le traducteur informatique (Le bibliothécaire robot)

3. L'histoire du mois (La chronologie)

4. La connexion avec la colère

5. Pourquoi cela importe (L'enseignement pratique)

Articles similaires