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

Resumo Técnico: Cognitive Linguistic Identity Fusion Score (CLIFS)

1. O Problema

A fusão de identidade é um fenômeno psicológico onde o "eu" de um indivíduo se funde com um alvo (um grupo social, ideologia, religião ou marca), criando uma sensação visceral de unidade. Essa fusão pode motivar tanto comportamentos pró-sociais quanto comportamentos extremos, como radicalização e violência.

Atualmente, a medição da fusão de identidade enfrenta dois grandes obstáculos:

• Métodos Tradicionais: Dependem de questionários autorrelatados (como a escala VIFS) ou métodos pictóricos, que são difíceis de escalar, exigem contato direto com os sujeitos e não permitem análises longitudinais ou históricas em larga escala.
• Métodos Automatizados Existentes: Abordagens baseadas em dicionários de palavras (como o UAI ou VRI) são limitadas por serem baseadas em correspondência de strings (palavras explícitas) e muitas vezes falham em capturar a nuance psicológica da fusão, apresentando baixa correlação com as escalas de "padrão ouro".

2. Metodologia

Os autores propõem o CLIFS (Cognitive Linguistic Identity Fusion Score), uma métrica automatizada que utiliza Processamento de Linguagem Natural (PLN) para quantificar a fusão diretamente de textos naturais.

A base teórica: Metáforas Implícitas
A inovação central é a hipótese de que a fusão de identidade se manifesta subconscientemente através de metáforas implícitas. Em indivíduos altamente fundidos, os conceitos de "eu" e "alvo" tornam-se semanticamente intercambiáveis.

Componentes Técnicos:

• Detecção de Metáforas com LLMs Mascarados: Utilizando o modelo ModernBERT, o sistema mascara termos de identidade (ex: "eu", "meu") e mede a probabilidade de o modelo prever termos do alvo de fusão (ex: "meu país", "minha religião") no lugar deles.
• Métricas de Proximidade:
  • Proximidade de Fusão ($f(I,T)$): Calcula a reciprocidade da relação entre o Eu ($I$) e o Alvo ($T$) usando uma média harmônica para capturar a natureza bidirecional da fusão.
  • Parentesco Fictício ($K_f$): Mede o quanto o indivíduo usa termos de parentesco (família, sangue, irmãos) para descrever sua relação com o alvo.
• Arquitetura de Aprendizado de Máquina: O CLIFS utiliza um modelo de Random Forest que integra essas métricas de metáfora, marcadores lexicais tradicionais, embeddings de SBERT e probabilidades de um classificador ModernBERT finetunado.
• Aumento de Dados (Data Augmentation): Para lidar com conjuntos de dados pequenos, os autores utilizaram Tradução de Ida e Volta (RTT) e geração de texto via IA Generativa (GPT-4o).

3. Principais Contribuições

1. Novo Framework de PLN: Introdução de uma nova tarefa de PLN: a predição de níveis de fusão de identidade a partir de linguagem natural livre.
2. Métrica Baseada em Cognição: Diferente de métodos baseados em contagem de palavras, o CLIFS foca na estrutura conceitual e metafórica da linguagem.
3. Escalabilidade e Automação: Fornece uma ferramenta que pode analisar grandes volumes de dados históricos ou de redes sociais sem intervenção humana.
4. Validação de Downstream: Demonstra que a métrica não é apenas teórica, mas útil para tarefas críticas como a avaliação de risco de violência.

4. Resultados

• Desempenho de Predição: O CLIFS superou os métodos automatizados existentes em uma margem de 6% a 154% em tarefas de classificação.
• Comparação Humana: O modelo superou a anotação humana em termos de precisão, apresentando uma redução de erro de 25% e uma correlação de Spearman ($r_s$) significativamente superior.
• Avaliação de Risco de Violência: Ao integrar o CLIFS ao Violence Risk Index (VRI) existente, os autores demonstraram um ganho de desempenho superior a 240% na classificação de riscos de violência em manifestos ideológicos.
• Regressão: O modelo de regressão alcançou uma correlação de $r_s = 0,633$, mostrando forte alinhamento com as pontuações reais da escala verbal VIFS.

5. Significância

O trabalho tem implicações profundas em diversas áreas:

• Segurança e Contraterrorismo: Permite monitorar o risco de radicalização de forma escalável.
• Ciências Sociais e Comportamentais: Abre caminho para estudos longitudinais sobre como a identidade de grupos se forma e se transforma ao longo do tempo.
• Análise Cultural: Oferece uma ferramenta para entender a coesão social e a dinâmica de comunidades online.

Nota Ética: Os autores ressaltam que, devido ao risco de erro de classificação, o CLIFS deve ser usado para aumentar o julgamento humano, e não para substituí-lo, especialmente em contextos de alta sensibilidade.