💻 informatique

Emotional Differences Between Human- and AI-Generated Texts

Cette étude remet en question la vision de l'IA comme un simple outil cognitif en démontrant que, à travers 25 langues, les textes générés par l'IA présentent systématiquement une valence, une activation et une dominance plus élevées, avec moins d'émotions négatives que l'écriture humaine, révélant ainsi des profils affectifs distincts ayant des implications significatives pour diverses applications.

Auteur original : Vinh Truong

Publié 2026-11-11

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteur original : Vinh Truong

Article original sous licence CC BY 4.0 (https://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 l'auteur. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Pendant des décennies, nous avons traité l'intelligence artificielle comme une machine à penser, un outil conçu pour extraire des faits, résumer des données et réorganiser l'information avec une efficacité froide. Dans cette vision traditionnelle, la tonalité émotionnelle des mots d'une IA était considérée comme un sous-produit, un effet secondaire de motifs statistiques plutôt que comme un signal significatif en soi. Cependant, à mesure que ces systèmes passent de la réponse à des questions simples à des rôles d'agents de service client, d'assistants d'écriture et de compagnons, la manière dont ils s'expriment importe tout autant que ce qu'ils disent. La qualité émotionnelle d'un message façonne la façon dont une personne lui fait confiance, s'y engage et ressent l'interaction. Ce changement a conduit les chercheurs à poser une question fondamentale : le langage généré par les machines porte-t-il une empreinte émotionnelle distincte qui le distingue de l'écriture des êtres humains ? Pour y répondre, les scientifiques n'étudient pas l'émotion comme un sentiment unique, mais à travers plusieurs prismes différents. Ils examinent si un texte semble généralement positif ou négatif, quelle quantité d'énergie ou d'enthousiasme il transmet, quel sentiment de contrôle ou d'autorité il projette, et quels sentiments spécifiques comme la joie, la colère ou la peur sont présents.

Un chercheur s'est donné pour mission de cartographier ces différences à grande échelle, en allant au-delà de l'anglais habituel pour inclure vingt-cinq langues différentes. Il a rassemblé une vaste collection de textes, puisant dans diverses sources publiques pour s'assurer d'avoir un mélange d'écrits humains et de textes provenant de plusieurs générateurs d'intelligence artificielle différents. Le jeu de données final comprenait près de neuf cent mille échantillons, allant de langues largement parlées comme l'anglais et l'espagnol à des langues plus petites telles que l'irlandais et l'estonien. Pour établir une comparaison équitable, le chercheur a équilibré les chiffres, s'assurant que pour chaque langue, il analysait une quantité égale d'écrits humains et d'écrits d'IA. Il a ensuite passé chaque texte au crible d'une suite de différents outils d'analyse. Certains outils mesuraient l'humeur générale, tandis que d'autres décomposaient le texte en catégories émotionnelles spécifiques, et d'autres encore mesuraient l'intensité du sentiment et le sens du pouvoir ou de la dominance au sein des mots.

Les résultats ont révélé un motif clair et cohérent qui s'est avéré vrai dans presque toutes les langues et domaines étudiés, à l'exception d'une limite notée concernant la notation des scripts non latins comme l'ourdou. Comparés à l'écriture humaine, les textes produits par l'intelligence artificielle étaient systématiquement plus positifs et plus assertifs. Alors que l'écriture humaine avait tendance à osciller près d'un point neutre ou à pencher légèrement vers le négatif, le texte de l'IA penchait systématiquement du côté positif de l'échelle. Cette différence n'était pas seulement une question d'être plus « gentil » ; c'était une caractéristique structurelle de la manière dont les machines écrivaient. Le texte généré par l'IA exprimait nettement moins de colère, de dégoût, d'agacement et de désapprobation que l'écriture humaine. Au lieu des émotions réactives, critiques ou jugeantes qui colorent souvent la conversation humaine, les machines privilégiaient des sentiments de sollicitude, d'optimisme, d'admiration et de joie.

L'étude a également mis en lumière une nuance surprenante dans la distribution de ces émotions. La différence entre l'écriture humaine et celle de la machine ne consistait pas simplement à ce que les machines évitent tous les sentiments négatifs. Lorsqu'il sait question d'émotions vulnérables ou internes comme le chagrin, la tristesse ou la peur, l'écart entre l'écriture humaine et celle de l'IA était beaucoup plus faible. Les machines n'éliminaient pas complètement ces sentiments. Cependant, les machines étaient beaucoup moins susceptibles de produire les émotions négatives tranchantes, conflictuelles ou évaluatives que les humains utilisent fréquemment. En termes de sentiment de contrôle ou d'autorité au sein du texte, l'écriture de l'IA obtenait un score plus élevé, paraissant plus dominante et assurée que l'écriture humaine. Le niveau d'énergie, ou l'éveil, des deux groupes était le seul domaine où ils étaient presque identiques, suggérant que si les machines semblaient plus confiantes et positives, elles n'étaient pas nécessairement plus excitées ou agitées que les humains.

Ces conclusions suggèrent que la tonalité émotionnelle de l'intelligence artificielle n'est pas accidentelle, mais est probablement le résultat des processus d'entraînement utilisés pour rendre ces systèmes utiles et inoffensifs. Les machines ont été alignées pour être agréables et solidaires, ce qui filtre naturellement les aspects plus rudes ou critiques de l'expression humaine. Cela crée une signature émotionnelle distincte qui est cohérente à travers différentes langues et sujets, bien qu'avec des variations dans la manière dont ces modèles se manifestent selon les scripts. Pour quiconque utilise ces outils dans des contextes réels, du service client au soutien en santé mentale, cela signifie que le ton d'une IA ne peut être supposé identique à celui d'un humain, même lorsque le contenu semble similaire. La machine aura presque toujours l'air plus positive, plus en contrôle et moins critique qu'une personne. Comprendre cette différence systématique est crucial car, dans des situations sensibles, un ton trop uniformément positif ou confiant pourrait sembler déplacé ou même trompeur, créant un fossé entre ce que l'utilisateur attend et ce que la machine livre réellement.

Résumé technique : Différences émotionnelles entre les textes générés par l'humain et par l'IA

Énoncé du problème

L'intelligence artificielle (IA) a traditionnellement été conceptualisée comme un outil cognitif axé sur la récupération et la réorganisation de l'information, son contenu émotionnel étant souvent traité comme un sous-produit incident de l'appariement de modèles statistiques plutôt que comme une propriété systématique digne d'investigation. Bien que des recherches existantes aient comparé les textes de l'IA et de l'humain, des lacunes importantes subsistent :

Limites méthodologiques : La plupart des études s'appuient sur des mesures uniques (par exemple, la polarité du sentiment), qui ne parviennent pas à distinguer la positivité calme de la neutralité émotionnelle, ou manquent de cadres complémentaires tels que la Valence-Arousal-Dominance (VAD) et l'analyse catégorielle des émotions.
Contraintes de portée : Les travaux antérieurs se concentrent souvent sur des ensembles de données, des domaines ou des langues uniques, limitant la généralisabilité des résultats à travers les contextes académiques, informels, commerciaux et d'instruction.
Biais linguistique : Les preuves sont principalement basées sur l'anglais, bien que les modèles de langage de grande taille (LLM) soient utilisés mondialement et entraînés sur des langues présentant une représentation inégale.

Par conséquent, il n'est pas clair si le langage généré par l'IA présente une signature émotionnelle systématique qui le distingue de l'écriture humaine à travers plusieurs langues et dimensions émotionnelles.

Méthodologie

Cette étude emploie une comparaison systématique à grande échelle utilisant une approche triangulée pour examiner les propriétés émotionnelles à travers 25 langues et de multiples domaines.

Collecte de données :

Sources : Le corpus a été construit à partir de quatre ensembles de données distincts : Multitude, Multisocial, ViDetect et le M4 Benchmark.
Échelle et diversité : Le corpus brut contient 874 325 échantillons de texte (181 870 écrits par des humains ; 692 455 générés par l'IA) couvrant 25 langues. Cela inclut des langues à hautes ressources (ex. anglais, espagnol, chinois) et des langues à faibles ressources (ex. irlandais, gaélique écossais, slovaque, estonien) afin de remédier à la sous-représentation.
Équilibrage : Pour éviter le biais dû à l'asymétrie de la taille des ensembles de données, une procédure d'équilibrage a été appliquée, limitant les observations à un maximum de 1 000 échantillons par combinaison langue-auteur.

Cadre analytique :
L'étude utilise cinq mesures émotionnelles complémentaires pour assurer la convergence des preuves :

Polarité du sentiment : Mesurée via tabularisai/multilingual-sentiment-analysis (basé sur les Transformers, cinq classes) et vaderSentiment (fondé sur des règles, trois classes).
Valence-Arousal-Dominance (VAD) : Mesurée à l'aide de hplisiecki/word2affect_english, un modèle de régression basé sur les Transformers prédisant les scores par mot, moyennés par document.
Classification des émotions de base : Utilisation de bhadresh-savani/bert-base-uncased-emotion basée sur la taxonomie des six classes d'Ekman.
Classification fine des émotions : Utilisation de fyaronskiy/ModernBERT-large-english-go-emotions basée sur la taxonomie GoEmotions (28 catégories).

Résultats clés

Les tests univariés d'effets entre sujets ont révélé que les sept variables dépendantes différaient significativement entre les textes générés par l'humain et par l'IA ( $p < .001$ pour la plupart, $p = .001$ pour l'arousal).

1. Sentiment et Valence :

Différence directionnelle : Le texte écrit par l'humain présentait un score de sentiment composé moyen légèrement négatif ( $\approx -0,022$ ), tandis que le texte généré par l'IA était légèrement positif ( $\approx 0,006$ ).
Valence : Le texte de l'IA présentait une valence moyenne plus élevée ($0,515$) que le texte humain ($0,500$). Bien que modeste en magnitude, cette différence est directionnellement cohérente avec les résultats de sentiment.

2. Dimensions VAD :

Dominance : Cette dimension a présenté la plus grande taille d'effet ( $F(1) = 545,20$ ). Le texte généré par l'IA affichait une dominance moyenne plus élevée ( $\approx 0,550$ ) que le texte humain ( $\approx 0,535$ ), indiquant une perception de force ou d'assertivité accrue.
Arousal (Activation) : A présenté le plus faible effet ( $F(1) = 10,67$ ) avec un quasi-chevauchement entre les groupes (Humain $\approx 0,428$ ; IA $\approx 0,430$ ), suggérant que l'intensité de l'activation émotionnelle est similaire entre les deux sources.

3. Émotions catégorielles :

Texte écrit par l'humain : Présentait une représentation relative plus élevée dans les émotions réactives, évaluatives ou conflictuelles, notamment l'amusement (57 %), la colère (54 %), la désapprobation (51 %), l'agacement (50 %) et le dégoût (50 %).
Texte généré par l'IA : Présentait une représentation relative plus élevée dans les émotions de soutien et d'encouragement, notamment la bienveillance (64 %), le remords (63 %), l'optimisme (62 %), l'admiration (62 %) et la joie (62 %), la curiosité, l'amour et le désir penchant également vers l'IA (57–58 %).
Nuance : La distinction n'est pas un simple évitement de la négativité par l'IA. Les émotions négatives vulnérables ou orientées vers l'intérieur, telles que le deuil, la déception, la peur et la tristesse, se situaient dans une plage étroite (43–48 % de part humaine), montrant une divergence minimale. L'écart principal réside dans les émotions négatives « réactives » par rapport aux émotions positives « de soutien ».

Globalement, les résultats des émotions catégorielles offrent une interprétation plus nuancée de l'effet d'auteur que les scores de sentiment ou de VAD agrégés. Le texte écrit par l'humain est relativement plus associé aux émotions réactives, critiques et évaluatives — colère, dégoût, agacement, désapprobation, surprise et amusement — tandis que le texte généré par l'IA est relativement plus associé à la bienveillance, l'admiration, l'optimisme, la joie, la curiosité et l'amour. Ce schéma indique que la distinction émotionnelle entre les deux sources n'est pas simplement une différence générale de positivité, mais reflète des différences dans les types de réponses émotionnelles exprimées : le texte généré par l'IA semble plus fortement associé à des registres de soutien et d'encouragement, tandis que le texte écrit par l'humain montre une plus grande représentation de réponses émotionnelles évaluatives.

Contributions clés

Signature émotionnelle systématique : L'étude établit que le texte généré par l'IA possède un profil émotionnel robuste et systématique, distinct de l'écriture humaine, caractérisé par une positivité, une neutralité et une dominance perçue plus élevées, plutôt que d'être un simple outil de transmission d'informations.
Validation multidimensionnelle : En faisant converger les preuves à travers les cadres de sentiment, de VAD et de classification catégorielle, l'étude dépasse les limites des mesures uniques pour fournir une vue complète des différences affectives.
Généralisabilité cross-linguistique : Les conclusions se maintiennent à travers 25 langues et de multiples domaines, abordant le manque de preuves concernant les langues à faibles ressources et les contextes diversifiés.
Lien théorique avec l'alignement : L'article lie ces schémas émotionnels à l'apprentissage par renforcement à partir de la rétroaction humaine (RLHF) et aux mécanismes d'alignement, suggérant que l'effet de « positivité de l'IA » est un sous-produit des processus d'entraînement conçus pour produire des réponses agréables.

Signification et affirmations

L'article affirme que les sorties de l'IA générative portent une signature émotionnelle mesurable qui n'est pas fortuite mais systématique. Cela a des implications spécifiques :

Détection : Les caractéristiques émotionnelles peuvent servir de classificateurs efficaces pour distinguer le texte de l'IA de celui de l'humain.
Risques d'application : Dans des domaines sensibles comme le service client, l'éducation et la santé mentale, supposer qu'un ton d'IA est cohérent à travers les langues est risqué. Un ton validé en anglais peut ne pas se traduire de la même manière dans d'autres langues (ex. ourdou ou vietnamien), créant potentiellement des décalages entre le comportement prévu et le comportement réel du système.
Recherche future : L'étude offre une voie testable pour des travaux futurs, tels que la comparaison des modèles de base avec les versions ajustées par instructions afin d'isoler les effets de l'alignement sur l'expression émotionnelle.

L'auteur maintient une position modeste, notant que bien que l'écart émotionnel soit un phénomène plus large, sa magnitude et sa direction peuvent varier en fonction du modèle de génération spécifique et du domaine contextuel.