Talking Politics with Artificial Intelligence

Résumé technique : Parler de politique avec l'intelligence artificielle

Problématique et cadre théorique
Cet article examine le rôle des modèles de langage de grande taille (LLM) dans la communication politique, en s'interrogeant plus précisément sur la question de savoir si ces systèmes fonctionnent comme de nouveaux espaces d'expression politique publique ou comme des intermédiaires conversationnels pour la demande politique de routine. La littérature existante traite largement les modèles d'IA comme des objets d'évaluation (par exemple, des sources de biais ou de persuasion) ou analyse leurs résultats. Cette étude déplace l'attention vers le « côté de la demande » : les requêtes (prompts) des utilisateurs elles-mêmes. Les auteurs avancent deux possibilités théoriques concurrentes :

1. Politique expressive : Si les LLM fonctionnent comme les réseaux sociaux, l'usage devrait ressembler à des dynamiques tournées vers le public (opinion, argumentation, signalement d'identité).
2. Intermédiaire civique : Si les LLM fonctionnent comme des outils pour naviguer au sein de l'État, l'usage devrait être pratique (explication, résumé, rédaction, traitement de documents).

L'article soutient que les LLM occupent un espace unique dans la communication politique : privé, orienté vers la tâche et dyadique, se distinguant ainsi de la nature orientée vers l'audience des réseaux sociaux. La question de recherche centrale est de savoir comment le contenu politique se manifeste dans cet environnement conversationnel privé et comment il réagit aux événements politiques majeurs.

Méthodologie
L'étude utilise un ensemble de données de 4,3 millions de conversations humain-IA provenant de trois corpus publics : WildChat (interactions ChatGPT publiques consenties avec géolocalisation), LMSYS-Chat (interactions de plateformes de comparaison de modèles) et ShareChat (liens de conversations partagés par les utilisateurs). Les données couvrent la période de 2023 à 2025.

• Stratégie de mesure : L'unité d'analyse est le message de l'utilisateur. Les auteurs emploient une procédure de codage structurée, assistée par LLM via GPT-4.1-mini et Claude-Haiku-4.5, pour classer les messages.
  • Contenu politique : Défini largement pour inclure les élections, les politiques, la loi, l'administration publique et la navigation institutionnelle, en excluant la fiction ou la « politique de bureau ».
  • Cas d'usage : Catégorisés en recherche d'information, rédaction/élaboration, traitement de documents, expression d'opinion, mobilisation et aide institutionnelle.
  • Idéologie : Mesurée uniquement pour les messages où l'utilisateur exprime explicitement une position, évaluée sur les axes gauche-droite économiques et sociaux (−2 à +2) et l'intensité affective (0 à 3).
• Validation : Les classificateurs automatisés ont été validés par rapport à un échantillon de référence codé par des humains de 3 000 messages. Le classificateur politique/non-politique a atteint une précision de 84,9 %, une précision de 0,77 et un rappel de 0,92. La fiabilité entre les deux codeurs LLM était élevée ($\kappa$ de Cohen = 0,80 pour la classification politique).
• Conception causale : Pour tester la réactivité de la conversation avec l'IA aux événements politiques, les auteurs utilisent un plan de régression sur discontinuité dans le temps (RDiT) centré sur l'annonce de l'Associated Press (AP) concernant l'élection présidentielle américaine de 2024 (6 novembre 2024). Ce plan compare les conversations américaines immédiatement avant et après l'annonce du résultat, en utilisant les conversations hors des États-Unis comme groupe de contrôle géographique pour isoler l'effet du résultat partisan spécifique de l'attention médiatique mondiale générale.

Résultats clés

1. Prévalence et nature de l'usage politique :

   • Le contenu politique apparaît dans 3,9 % des conversations au total (variant de 3,3 % dans WildChat à 18,7 % dans ShareChat).
   • L'usage politique est prédominamment pratique. Parmi les tours de parole politiques, 64,7 % visent l'information/l'explication, 13,0 % concernent la rédaction/l'élaboration, et 11,8 % le traitement de documents. Seuls 9,4 % impliquent l'opinion ou l'argumentation.
   • La dimension publique compte : ShareChat (liens partagés) montre des taux d'expression d'opinion nettement plus élevés (25,0 %) par rapport aux corpus non partagés, suggérant que la présence d'une audience déplace l'usage de l'assistance vers l'expression.
   • La profondeur compte : La prévalence politique augmente de manière monotone avec la longueur de la conversation, passant d'environ 2,6 % pour les échanges à un seul tour à plus de 12 % pour les fils de discussion plus longs, indiquant que l'engagement politique nécessite souvent une résolution de problèmes itérative.

2. Variation géographique :

   • Le partage politique est plus élevé dans les régions à faible revenu et politiquement contraintes (par exemple, l'Afrique subsaharienne à 5,8 %) par rapport aux démocraties riches comme l'Amérique du Nord (2,3 %). Cela suggère que l'IA peut servir de substitut à l'information politique rare ou censurée dans les environnements contraints.

3. Expression idéologique :

   • La prise de position explicite est rare dans l'ensemble (8,2 % des conversations politiques dans WildChat).
   • Lorsque la position est prise, les positions économiques penchent légèrement à gauche, tandis que les positions sociales penchent légèrement à droite. L'intensité affective est modérée, et l'extrémisme idéologique est présent mais non dominant.

4. Réponse aux événements (Élection américaine 2024) :

   • Attention vs Expression : L'annonce du résultat par l'AP a augmenté la prévalence de la conversation politique mondialement (y compris hors des États-Unis), ce qui est cohérent avec la théorie de l'agenda-setting.
   • Décalage expressif : Cependant, le caractère de la conversation a changé de manière significative uniquement pour les utilisateurs américains. Après l'annonce, les conversations politiques américaines ont connu une augmentation de 8,5 points de pourcentage de la prise de position et une augmentation de 6,4 points de la charge affective.
   • Spécificité géographique : Aucun changement comparable n'a eu lieu dans les conversations non américaines, écartant ainsi les artefacts liés à la plateforme ou les chocs d'actualité mondiaux généraux.
   • Mécanisme : L'augmentation de l'expression n'est pas uniquement due à un pic de requêtes sur le thème de l'élection ; l'effet a persisté sur des sujets politiques non électoraux (politiques publiques, immigration, etc.), suggérant que le résultat a agi comme un signal ayant activé la politique expressive à travers divers domaines.

Signification et contributions
Le papier apporte deux contributions principales :

1. Méthodologique : Il développe et valide une procédure pour mesurer le contenu politique, les cas d'usage et l'expression idéologique dans de grands corpus humains-IA multilingues. Il démontre que ces traces révèlent une forme de communication politique (demande privée, orientée vers la tâche) largement ignorée par les sondages et les données des réseaux sociaux.
2. Théorique : Il repositionne les LLM comme des intermédiaires civiques plutôt que comme de simples places publiques. Les résultats suggèrent que les citoyens utilisent principalement l'IA pour naviguer dans les charges administratives et informationnelles de l'État (interpréter des politiques, rédiger des recours, traduire des règles). Cependant, le système est capable de basculer vers des dynamiques expressives, partisanes et affectives lorsque des événements politiques majeurs rendent les enjeux explicites pour l'utilisateur.

Les auteurs concluent que les LLM absorbent la demande civique de routine mais enregistrent les chocs partisans et affectifs des événements publics, fonctionnant comme une interface à double usage qui est pratique par défaut, mais expressive sous des conditions politiques spécifiques.