💬 NLP

Cognitive Linguistic Identity Fusion Score (CLIFS): A Scalable Cognition-Informed Approach to Quantifying Identity Fusion from Text

Dit artikel introduceert de Cognitive Linguistic Identity Fusion Score (CLIFS), een nieuwe, geautomatiseerde methode die gebruikmaakt van cognitieve linguïstiek en taalmodellen om de mate waarin individuen zich psychologisch versmelten met groepen of ideologieën te kwantificeren op basis van tekst.

Oorspronkelijke auteurs: Devin R. Wright, Jisun An, Yong-Yeol Ahn

Gepubliceerd 2026-02-10

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Devin R. Wright, Jisun An, Yong-Yeol Ahn

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een superkracht hebt: je kunt niet alleen horen wat mensen zeggen, maar je kunt ook aan hun woorden voelen hoe diep ze verbonden zijn met iets of iemand. Niet zomaar een vriendschap, maar een soort "versmelting" van hun ziel met een groep, een ideaal of zelfs een merk.

Dit wetenschappelijke artikel introduceert een nieuwe digitale "gevoelssensor" genaamd CLIFS. Hier is de uitleg in begrijpelijke taal.

Het probleem: De onzichtbare lijm

In de psychologie noemen we dit 'Identity Fusion' (identiteitsversmelting). Denk aan iemand die niet alleen zegt "ik ben een supporter van deze voetbalclub", maar iemand die voelt: "Als de club verliest, voelt het alsof ik zelf een klap in mijn gezicht krijg." De grens tussen 'ik' en 'de groep' is weg.

Dit is een tweesnijdend zwaard:

De mooie kant: Het zorgt voor enorme saamhorigheid, vrijwilligerswerk en sociale steun.
De gevaarlijke kant: Het kan leiden tot extremisme, waarbij mensen bereid zijn geweld te gebruiken omdat ze denken dat ze de groep zijn.

Het probleem is dat we tot nu toe altijd mensen moesten vragen hoe ze zich voelen via lange vragenlijsten. Dat is traag, duur en mensen liegen soms (of weten het zelf niet eens).

De oplossing: De CLIFS-scanner

De onderzoekers hebben CLIFS ontwikkeld. In plaats van mensen te ondervragen, laat CLIFS een computer (een slim taalmodel zoals we die kennen van ChatGPT) naar teksten kijken die mensen al hebben geschreven—zoals berichten op sociale media of dagboeken.

Hoe werkt dat? De metafoor van de "Spiegel-test"
Stel je voor dat je naar een tekst kijkt. Als iemand heel erg versmolten is met een ideaal (bijvoorbeeld "vrijheid"), dan gebruikt diegene onbewust taal die die twee dingen als één maakt.

CLIFS zoekt naar verborgen metaforen. Het kijkt niet naar de woorden "ik hou van vrijheid", maar naar de subtiele manier waarop iemand praat. Als iemand zegt: "Vrijheid is mijn ademhaling," dan ziet de computer dat. De computer speelt een soort spelletje: hij vervangt het woord "ik" door het woord "vrijheid" en kijkt of de zin nog steeds logisch voelt voor de computer. Als dat zo is, weet de computer: Aha! Voor deze persoon zijn 'ik' en 'vrijheid' eigenlijk hetzelfde.

Waarom is dit een doorbraak?

Het is razendsnel en schaalbaar: Je kunt miljoenen teksten scannen in een fractie van de tijd die een mens nodig heeft.
Het ziet wat wij missen: De computer is beter in het herkennen van deze hele subtiele, onderbewuste taalpatronen dan een menselijke lezer.
Het kan gevaar voorspellen: De onderzoekers testten het op teksten van extremisten. Ze ontdekten dat CLIFS veel beter kan voorspellen wie een risico vormt voor geweld dan de huidige methoden. Het verbeterde de nauwkeurigheid met maar liefst 240%.

Samenvattend

CLIFS is als een digitale röntgenfoto voor de menselijke ziel. Het kijkt door de oppervlakkige woorden heen om de diepe, emotionele lijm te vinden die mensen aan hun overtuigingen bindt. Dit helpt ons om de wereld beter te begrijpen: van het voorspellen van geweld tot het begrijpen van hoe sociale groepen samenwerken.

Technische Samenvatting: Cognitive Linguistic Identity Fusion Score (CLIFS)

1. Het Probleem (Problem Statement)

Identiteitsfusie (identity fusion) is een psychologisch fenomeen waarbij de grens tussen het persoonlijke zelf en een externe entiteit (zoals een religie, politieke partij of ideologie) vervaagt, wat leidt tot een "viscerale eenheid". Dit kan zowel prosociaal gedrag als extreem geweld of radicalisering aansturen.

Het huidige probleem is dat het kwantificeren van identiteitsfusie momenteel afhankelijk is van:

Zelfrapportage: Traditionele methoden zoals de Verbal Identity Fusion Scale (VIFS) vereisen gecontroleerde enquêtes, wat niet schaalbaar is voor grote populaties of historische analyses.
Kwalitatieve analyses: Bestaande geautomatiseerde methoden (zoals de Unquestioning Affiliation Index) zijn vaak onbetrouwbaar of meten fusie niet direct, maar slechts indirecte linguïstische markers.
Er is dus een gebrek aan een geautomatiseerde, schaalbare en nauwkeurige methode om identiteitsfusie direct uit natuurlijke taal te extraheren.

2. Methodologie (Methodology)

De auteurs introduceren de CLIFS, een nieuwe metriek die cognitieve linguïstiek combineert met Large Language Models (LLMs). De kern van de methode is gebaseerd op de detectie van impliciete metaforen.

De technische aanpak omvat:

Masked Contextual LLMs: Gebruikmakend van ModernBERT wordt een techniek toegepast waarbij identiteitswoorden (bijv. "ik", "mij") worden gemaskeerd. De methode meet hoe waarschijnlijk het is dat woorden die gerelateerd zijn aan het fusiedoel (de target) de plaats van het 'zelf' innemen. Dit kwantificeert de conceptuele nabijheid tussen het individu en het doel.
Reciprociteit (Wederkerigheid): Omdat fusie een tweerichtingsrelatie is, berekent CLIFS zowel de nabijheid van het zelf naar het doel ( $S_{I \to T}$ ) als van het doel naar het zelf ( $S_{T \to I}$ ), en combineert deze via een harmonisch gemiddelde.
Fictive Kinship ( $K_f$ ): Er wordt gemeten in hoeverre de taal familie-gerelateerde termen (zoals "broeder", "bloedverwanten") gebruikt om de relatie met het doel te beschrijven, wat een sterke indicator is voor fusie.
Feature Ensemble: De uiteindelijke score wordt berekend via een Random Forest classifier die verschillende features combineert: de CLIFS-metrieken, lexicale markers (UAI/VRI), en semantische embeddings (SBERT).
Data Augmentatie: Om het beperkte aanbod aan datasets aan te pakken, gebruiken de auteurs Round-Trip Translation (vertalen naar Duits/Chinees en terug) en generatieve AI (GPT-4o) om synthetische trainingsdata te creëren.

3. Belangrijkste Bijdragen (Key Contributions)

Nieuwe NLP-taak: De definitie van het voorspellen van identiteitsfusie uit vrije tekst als een formele Natural Language Processing taak.
CLIFS-metriek: Een innovatieve, geautomatiseerde methode die impliciete metaforen gebruikt om de psychologische staat van fusie te vangen zonder directe vragenlijsten.
Verbeterde Risico-analyse: De integratie van CLIFS in bestaande geweldsvoorspellingsmodellen (Violence Risk Index), wat de nauwkeurigheid drastisch verhoogt.
Open Source: De publicatie van modellen en code om verdere wetenschappelijke validatie mogelijk te maken.

4. Resultaten (Results)

De resultaten van de experimenten zijn zeer significant:

Identiteitsfusie Voorspelling: CLIFS presteert beter dan bestaande geautomatiseerde methoden en overtreft zelfs menselijke annotatoren met 11% tot 22% in nauwkeurigheid. De classificatieprestaties verbeterden met 6% tot 154% ten opzichte van baselines.
Regressie: De correlatie met de gouden standaard (VIFS) steeg aanzienlijk (tot wel 419% winst in correlatiestuctuur vergeleken met eerdere methoden).
Geweldsvoorspelling (Proof of Concept): Door CLIFS toe te passen op de analyse van manifesten, verbeterde de nauwkeurigheid van de geweldsvoorspelling met meer dan 240% vergeleken met de huidige methoden.

5. Betekenis en Implicaties (Significance)

De ontwikkeling van CLIFS heeft grote maatschappelijke en wetenschappelijke implicaties:

Wetenschappelijk: Het stelt onderzoekers in staat om op enorme schaal (bijv. via sociale media of historische archieven) de dynamiek van groepsidentiteit en sociale cohesie te bestuderen.
Veiligheid: Het biedt een krachtig instrument voor terrorismebestrijding en het evalueren van radicaliseringsrisico's door subtiele linguïstische verschuivingen vroegtijdig te detecteren.
Ethische Waarschuwing: De auteurs benadrukken dat de methode moet dienen als aanvulling op menselijk oordeel en niet als vervanging, vanwege het risico op misclassificatie en het potentieel voor autoritaire regimes om de technologie te misbruiken voor de marginalisering van groepen.