Discovering Conceptual Metaphors Across Topics and Media Types

La pensée humaine repose souvent sur un échafaudage caché de comparaisons. Nous comprenons des idées complexes et abstraites en les projetant sur des expériences physiques plus simples que nous connaissons bien. C'est le cœur de la Théorie de la Métaphore Conceptuelle, un cadre suggérant que lorsque nous parlons de choses comme « payer des impôts » ou de « campagnes politiques », nous n'utilons pas seulement un langage fleuri ; nous empruntons inconsciemment la logique d'objets physiques, de voyages ou de batailles pour donner un sens au monde. Si un locuteur décrit les impôts comme un fardeau pesant qu'il doit porter, il cadre la question comme un poids physique, ce qui mène naturellement à un désir de le déposer. S'il décrit ces mêmes impôts comme un investissement dans une communauté, la logique change entièrement pour devenir celle de la croissance et du rendement futur. Ces cartes mentales sous-jacentes façonnent la façon dont les gens raisonnent, argumentent et perçoivent la réalité, pourtant elles sont difficiles à percevoir directement car elles sont enfouies sous la surface du discours quotidien.

Des chercheurs de l'Université du Colorado à Boulder ont développé une nouvelle manière de dévoiler ces cartes invisibles en analysant des milliers de mots parlés et écrits sans intervention humaine. Au lieu de demander aux gens ce qu'ils veulent dire, l'équipe a construit un système informatique qui lit de vastes collections de textes, identifie les mots spécifiques utilisés de manière métaphorique, puis les regroupe en fonction de la logique profonde qu'ils partagent. Le système trouve d'abord des paires de mots où un verbe est utilisé de manière non littérale, comme un politicien qui « manie » le pouvoir ou une économie qui « s'effondre ». Il demande ensuite à un grand modèle de langage d'expliquer ce que ces expressions impliquent concernant le problème, la cause et la solution, traduisant ainsi efficacement la métaphore en une déclaration claire du point de vue de l'orateur. Enfin, le système classe ces interprétations en grappes, mais avec une règle stricte : il refuse de regrouper les métaphores si elles décrivent des actions physiques fondamentalement différentes, même si elles traitent du même sujet. Cela garantit que les groupes résultants reflètent de réelles similitudes dans la façon dont les gens pensent, plutôt que de simples similités superficielles dans les mots qu'ils ont choisis.

Lorsque les chercheurs ont appliqué cette méthode à un ensemble massif de données de transcriptions de podcasts politiques, ils ont découvert des schémas distincts dans la façon dont les locuteurs de gauche et de droite cadrent le monde. L'analyse a révélé que les hôtes de gauche conceptualisent fréquemment l'information, les récits médiatiques et le pouvoir politique comme des armes. Ils utilisent souvent des verbes comme « écraser », « manier » et « saisir » pour décrire comment ces forces sont utilisées les unes contre les autres. En revanche, les sources de droite étaient beaucoup plus susceptibles de discuter des questions économiques en tant que systèmes soumis à des changements verticaux, utilisant un langage suggérant que les choses montent ou descendent, ou que l'économie est une structure qui peut être bâtie ou démolie. L'étude a également montré que les locuteurs de gauche étaient plus enclins à discuter de la violence politique par le biais d'un langage métaphorique, tandis que les locuteurs de droite se concentraient davantage sur les thèmes économiques.

L'équipe a testé sa méthode sur d'autres sujets, notamment l'immigration, le contrôle des armes et l'avortement, pour voir si elle pouvait retrouver des modèles de pensée bien connus. Dans les données sur l'immigration, le système a identifié avec succès la métaphore de longue date des immigrés comme parasites ou catastrophes naturelles, regroupant des expressions sur le fait de « inonder » les frontières ou de « drainer » les ressources. Il a également trouvé que les sources de droite présentaient souvent l'immigration comme une invasion active ou une crise en cours de combat, tandis que les sources de gauche utilisaient des métaphores différentes pour décrire les mêmes événements. Les chercheurs ont confirmé que ces regroupements n'étaient pas aléatoires ; lorsqu'ils ont utilisé la fréquence de ces grappes métaphoriques pour prédire le biais politique d'un épisode de podcast, le système pouvait distinguer avec précision les sources de gauche et de droite. Cela suggère que la façon dont les gens choisissent leurs métaphores est un signal fiable de leur cadre idéologique sous-jacent.

L'étude ne prétend pas avoir résolu le problème du biais médiatique ni avoir trouvé toutes les métaphores existantes. Les chercheurs reconnaissent que leur méthode repose sur des outils automatisés qui peuvent commettre des erreurs, comme identifier un mot littéral comme une métaphore ou assigner une phrase à la mauvaise catégorie. Ils notent également que leur analyse de podcasts couvre un ensemble spécifique de chaînes et une période limitée, de sorte que les résultats peuvent ne pas s'appliquer à tous les formats médiatiques ou à tous les locuteurs. Cependant, les résultats démontrent qu'il est possible d'utiliser l'apprentissage automatique non supervisé pour cartographier les structures conceptuelles qui guident le discours public. En révélant comment différents groupes utilisent la logique des objets physiques, des forces et des voyages pour cadrer des enjeux abstraits, cette approche offre une nouvelle manière de comprendre les processus subtils, et souvent inconscients, par lesquels le langage façonne notre réalité politique.