💬 NLP

Language Predicts Identity Fusion Across Cultures and Reveals Divergent Pathways to Violence

Dit onderzoek introduceert een nieuwe methode om op basis van taalpatronen en AI 'identity fusion' te meten, waarbij werd ontdekt dat extremisten via twee verschillende wegen naar geweld leiden: de één door zichzelf te identificeren met de groep, de ander door de groep te identificeren met zichzelf.

Oorspronkelijke auteurs: Devin R. Wright, Justin E. Lane, F. LeRon Shults

Gepubliceerd 2026-02-10

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Devin R. Wright, Justin E. Lane, F. LeRon Shults

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

De "Psychologische DNA-test" voor radicalisering: Hoe taal verraadt hoe diep je in een groep zit

Stel je voor dat je naar een enorme menigte mensen kijkt. De meeste mensen dragen hun eigen kleding, hebben hun eigen mening en denken aan hun eigen leven. Maar tussen die mensen staan er een paar die niet zomaar 'lid' zijn van een club of een beweging; ze zijn de club geworden. Als de club wordt aangevallen, voelt het voor hen alsof hun eigen lichaam wordt geraakt.

In de psychologie noemen we dit 'Identity Fusion' (identiteitsversmelting). Dit onderzoek heeft een nieuwe, slimme manier gevonden om via taal te voorspellen wie die mensen zijn, nog voordat ze iets geks doen.

1. De Metafoor: De "Spiegel en de Familie"

Om te begrijpen wat de onderzoekers hebben ontdekt, kunnen we kijken naar twee verschillende manieren waarop mensen 'versmelten' met een groep. De onderzoekers ontdekten dat er twee verschillende routes naar geweld zijn:

De Ideoloog (De 'Familie'-route): Dit is de persoon die de groep ziet als zijn nieuwe familie. Ze gebruiken taal die klinkt als: "Wij zijn één bloed, wij zijn broeders." Voor hen is de groep een warme, maar ook strikte familie waarvoor je bereid bent te vechten. Hun taal is vol met woorden die wijsheid, traditie en familiebanden uitstralen.
De Slachtoffer (De 'Spiegel'-route): Dit is een ander type. Deze persoon is vaak boos omdat hij zich persoonlijk onrecht is aangedaan (bijvoorbeeld gepest of ontslagen). Zij gebruiken de groep niet als familie, maar als een spiegel. Ze zeggen eigenlijk: "De wereld ziet mij niet, maar deze groep ziet mij wel, en zij zijn precies zoals ik." Hun taal draait minder om 'familie' en meer om het trekken van een lijn tussen "ik en mijn gelijk" versus "de vijand die mij niet begrijpt".

2. Hoe werkt die nieuwe methode (CLIFS)?

Vroeger probeerden computers radicalisering te herkennen door simpelweg te zoeken naar 'gevaarlijke woorden' (zoals haatzaaien). Maar dat is alsof je een diep gesprek probeert te begrijpen door alleen te tellen hoe vaak iemand het woord "boos" zegt. Dat werkt niet; een politicus kan heel beleefd zijn terwijl hij toch gevaarlijke ideeën verspreidt.

De onderzoekers hebben CLIFS ontwikkeld. Zie CLIFS als een soort 'super-gevoelige psychologische scanner'. In plaats van naar losse woorden te kijken, kijkt CLIFS naar de onderliggende structuur van de zinnen.

Het gebruikt AI om te kijken naar verborgen metaforen. Het kijkt bijvoorbeeld of iemand onbewust taal gebruikt die suggereert dat de groep en de persoon hetzelfde zijn. Als iemand schrijft over een groep alsof het zijn eigen hartslag of zijn eigen huid is, dan weet de computer: "Pas op, hier is sprake van extreme versmelting."

3. Waarom is dit belangrijk?

Op dit moment proberen sociale media platforms radicalisering te stoppen door berichten te verwijderen (censuur). Maar dat is als het proberen te stoppen van een overstroming door alleen de bovenste laag water weg te scheppen; de druk blijft onder de oppervlakte groeien.

Dit onderzoek biedt een alternatief: in plaats van te kijken naar wat mensen zeggen (de politieke mening), kijkt CLIFS naar hoe ze zich verhouden tot hun groep (de psychologische staat). Dit helpt om de "naald in de hooiberg" te vinden: de mensen die niet alleen een mening hebben, maar die psychologisch zo versmolten zijn met een ideaal, dat ze bereid zijn tot geweld.

Samenvatting in één zin:

Wetenschappers hebben een AI-methode ontwikkeld die aan de manier waarop we praten kan zien of we zo diep met een groep zijn versmolten dat we bereid zijn om voor die groep te vechten, waarbij ze ontdekten dat 'ideologen' en 'slachtoffers' dit op totaal verschillende manieren doen.

Technische Samenvatting: Taal voorspelt identiteitsfusie over culturen en onthult uiteenlopende paden naar geweld

1. Het Probleem (Problem Statement)

De onderzoekers adresseren de groeiende uitdaging van politiek geweld en radicalisering, zowel online als offline. Traditionele methoden voor het modereren van online extremisme zijn gebaseerd op inhoudelijke moderatie (het detecteren van specifieke verboden woorden of haatzaaiende taal). Deze methoden schieten tekort omdat:

Schaalbaarheid: Het volume aan sociale media-interacties is te groot voor menselijke controle.
Adaptiviteit: Systemen die getraind zijn op bestaande datasets kunnen nieuwe, afwijkende profielen van extremisten niet herkennen.

De psychologische kern van extremisme ligt volgens de literatuur bij identiteitsfusie (identity fusion): een staat waarin de grens tussen het individuele zelf en een sociale groep (of abstract ideaal) vervaagt. Het probleem is dat er tot nu toe geen schaalbare, cognitief gefundeerde methode bestond om dit psychologische construct te meten via taal.

2. Methodologie (Methodology)

De kern van het onderzoek is de introductie en validatie van de Cognitive Linguistic Identity Fusion Score (CLIFS).

A. De CLIFS-methode:
CLIFS is een computationele benadering die identiteitsfusie schat op basis van geschreven tekst alleen. Het systeem integreert vier componenten:

Cognitief-linguïstische patronen: Gebaseerd op bestaand psychologisch onderzoek.
Opaque embeddings: Gebruik van Large Language Models (LLM's) om subtiele signalen te vangen die niet in de literatuur beschreven zijn.
ModernBERT classifier: Een fijnmazige classificatie van fusie-niveaus.
Implicit Metaphor Detection: De belangrijkste innovatie. Door gebruik te maken van Masked Language Models (MLM) detecteert het systeem hoe individuen hun doelwit (de groep) conceptualiseren ten opzichte van zichzelf. Dit leidt tot vier cruciale maten:
- Fictive-Kinship (Kf): De mate waarin de groep als familie wordt gezien.
- Fusion Proximity ( $f(I,T)$ ): De wederzijdse overlap tussen zelf en groep.
- Directional Identity Scores ( $SI \to T$ en $ST \to I$ ): De richting van de identiteitsoverlap (van zelf naar doelwit en vice versa).

B. Datasets:
Het onderzoek valideerde CLIFS met drie diverse datasets:

MTurk-dataset: 521 individuen uit Singapore en het VK (religieuze ervaringen).
Veldwerk-dataset: 33 deelnemers uit Singapore (semi-gestructureerde interviews).
Manifesto-corpus: 18 gewelddadige manifesten, onderverdeeld in "Ideologen" en "Slachtoffers" (grievance-driven).

3. Belangrijkste Bijdragen (Key Contributions)

Ontwikkeling van CLIFS: Een schaalbaar, reproduceerbaar en theoretisch onderbouwd instrument dat verder gaat dan simpele trefwoorddetectie.
Cross-culturele validatie: Het bewijs dat CLIFS werkt over verschillende culturele contexten (Singapore vs. VK) en communicatiedomeinen.
Methodologische kritiek: Het onderzoek toont aan dat bestaande methoden, zoals de Violence Risk Index (VRI), niet generaliseerbaar zijn en te veel afhankelijk zijn van handmatige filtering en circulaire data-analyse.
Nieuwe theoretische inzichten: Het verfijnt de Comprehensive Identity Fusion Theory (CIFT) door aan te tonen dat fusie niet alleen sociaal-groepsgebonden is, maar ook abstracte waarden kan omvatten.

4. Resultaten (Results)

A. Generalisatie en Nauwkeurigheid:

CLIFS presteerde significant beter dan alle baseline-methoden (zoals UAI en VRI-Fusion).
In de MTurk- en Singapore-datasets vertoonde CLIFS de hoogste Spearman-correlatie ( $r_s$ ) met de psychometrisch gevalideerde scores (VIFS) en de laagste Mean Absolute Error (MAE).
De baseline-methoden faalden vaak om statistische significantie te bereiken in out-of-domain scenario's.

B. Divergerende paden naar geweld:
Het onderzoek identificeerde twee verschillende psychologische profielen bij extremisten:

Ideologen: Vertonen een sterke mate van fictieve verwantschap (fictive kinship). Zij zien de groep als een familie en hun identiteit is diep verweven met de collectieve semantiek.
Slachtoffers (Grievance-driven): Vertonen een hogere mate van fusie-nabijheid ( $f(I,T)$ ) en een sterkere projectie van het zelf op de groep ( $ST \to I$ ), maar minder nadruk op de groep als "familie". Zij projecteren hun persoonlijke identiteit op de groep of een abstract concept van onrecht.

5. Betekenis en Implicaties (Significance)

Veiligheid en Defensie: CLIFS biedt een manier om de "naald in de hooiberg" te vinden: het identificeren van individuen die een psychologisch radicaliseringsdrempel naderen, zonder noodzakelijkerwijs te focussen op politieke inhoud.
Sociale Media: Het stelt platforms in staat om interventies te plegen die gericht zijn op de onderliggende motivatie (identiteitsfusie) in plaats van op oppervlakkige censuur, wat de polarisatie kan verminderen.
Wetenschappelijk: Het biedt een krachtig nieuw instrument voor de sociale wetenschappen om identiteitsfusie op grote schaal te bestuderen in natuurlijke, digitale omgevingen.