💬 NLP

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

Este estudo apresenta uma nova ferramenta baseada em linguagem e modelos de linguagem de grande escala (LLMs) para medir a fusão de identidade, revelando que extremistas seguem dois caminhos distintos para a violência: ideólogos que se fundem ao grupo por laços de parentesco e indivíduos movidos por queixas que projetam sua identidade pessoal no grupo.

Autores originais: Devin R. Wright, Justin E. Lane, F. LeRon Shults

Publicado 2026-02-10

📖 3 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Devin R. Wright, Justin E. Lane, F. LeRon Shults

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

🧠 O "Detector de Fusão": Como a linguagem revela quem está prestes a cruzar a linha do extremismo

Imagine que a nossa mente é como um grande mapa de ilhas. Cada ilha é uma parte de quem nós somos: "eu sou um estudante", "eu sou um músico", "eu sou um torcedor de tal time". Normalmente, essas ilhas são separadas por canais de água; você sabe onde termina o "músico" e onde começa o "estudante".

Mas, em alguns casos, acontece algo psicológico chamado Fusão de Identidade. É como se o canal de água secasse e as ilhas se fundissem em um único supercontinente. Para essa pessoa, o grupo (seja uma religião, uma ideologia ou um movimento político) não é algo que ela segue, é algo que ela é. Se alguém ataca o grupo, é como se estivesse esfaqueando o próprio coração da pessoa.

O problema: Quando essa "fusão" é extrema, ela pode levar à violência. O desafio é: como saber quem está nesse estado de "fusão perigosa" apenas olhando para o que elas escrevem na internet, sem precisar de um psicólogo lendo cada postagem?

🔍 A Ferramenta: O CLIFS (O "Scanner de Metáforas")

Os pesquisadores criaram uma ferramenta de Inteligência Artificial chamada CLIFS. Em vez de apenas procurar "palavras proibidas" ou xingamentos (que é o que as redes sociais fazem hoje), o CLIFS funciona como um "Scanner de Metáforas Invisíveis".

Pense assim: se eu digo "Eu amo meu país", isso é comum. Mas se eu começo a usar metáforas que dizem "Nós somos o sangue desta nação" ou "O grupo é minha família de sangue", eu não estou apenas falando de política; eu estou usando uma linguagem que mostra que minha identidade e o grupo se tornaram uma coisa só. O CLIFS consegue "ler nas entrelinhas" essas conexões profundas que o olho humano ou filtros comuns de palavras não percebem.

🛣️ Dois Caminhos para o Perigo

O estudo descobriu algo fascinante: existem duas formas diferentes de chegar à violência, como dois rios que deságuam no mesmo oceano de perigo:

O Ideólogo (O "Soldado da Causa"): Este é o tipo que vê o grupo como uma família. Ele usa palavras de parentesco e conexão. Ele luta pelo grupo porque sente que o grupo é o seu "sangue". É uma fusão baseada em valores e crenças compartilhadas.
A Vítima (O "Indivíduo Ferido"): Este é um caminho diferente. Ele não necessariamente ama um grupo gigante, mas ele projeta sua dor no mundo. Ele sente que o mundo o atacou e ele começa a ver o "eu" e o "outro" de uma forma distorcida. Ele não busca uma "família", ele busca justiça para sua própria dor, muitas vezes projetando sua identidade em causas de forma muito intensa e pessoal.

🚀 Por que isso é importante?

Atualmente, as redes sociais tentam apagar incêndios apagando as chamas (censurando palavras). O CLIFS tenta entender a temperatura do solo antes do fogo começar.

Ao identificar quem está desenvolvendo esse nível de "fusão" psicológica através da linguagem, as autoridades e as plataformas podem entender o risco de violência real muito antes de um ataque acontecer, sem precisar de censura política, focando apenas no mecanismo psicológico que move o extremismo.

Em resumo: O estudo mostra que a forma como usamos metáforas para falar de nós mesmos e dos nossos grupos funciona como uma "assinatura digital" da nossa mente, revelando se estamos apenas expressando uma opinião ou se estamos nos fundindo a uma causa de uma forma que pode se tornar perigosa.

Resumo Técnico: A Linguagem Prediz a Fusão de Identidade entre Culturas e Revela Caminhos Divergentes para a Violência

1. O Problema

O aumento da polarização política e da violência extrema (incluindo ataques de "lobos solitários" e radicalização online) exige ferramentas eficazes para identificar riscos de violência no mundo real. A pesquisa psicológica identificou a Fusão de Identidade (Identity Fusion) como um preditor crucial: um estado psicológico onde a fronteira entre o "eu" e um grupo social (ou ideologia) se dissolve, levando o indivíduo a agir em defesa do grupo de forma extrema.

Os métodos atuais de moderação de conteúdo em redes sociais falham por dois motivos principais:

Escalabilidade: O volume de dados é humanamente impossível de monitorar.
Reatividade: Sistemas baseados em palavras-chave ou tópicos políticos são reativos e não conseguem detectar novos perfis de extremistas que utilizam linguagens ou temas diferentes, mas que compartilham os mesmos mecanismos psicológicos subjacentes.

2. Metodologia (CLIFS)

Os autores propõem o Cognitive Linguistic Identity Fusion Score (CLIFS), uma abordagem baseada em processamento de linguagem natural (NLP) que estima o nível de fusão de identidade apenas através do texto escrito.

O CLIFS integra quatro componentes principais:

Padrões linguísticos cognitivos: Identificados em pesquisas anteriores.
Embeddings opacos de LLMs: Para capturar sinais semânticos complexos não descritos na literatura.
Classificador ModernBERT: Para estimar probabilidades de níveis de fusão (grosseiro).
Detecção de Metáforas Implícitas (Masked-LM): A inovação central. O modelo utiliza modelos de linguagem mascarados para medir como o indivíduo conceitualiza o alvo de fusão em relação a si mesmo através de três métricas:
- Fictive-Kinship ( $K_f$ ): O quanto o indivíduo vê o grupo como "família".
- Fusion Proximity ( $f(I,T)$ ): A sobreposição conceitual entre o "eu" e o "alvo".
- Scores Direcionais ( $S_{I \to T}$ e $S_{T \to I}$ ): A medida de quanto a identidade do indivíduo se funde ao grupo e vice-versa.

O estudo validou o modelo usando três conjuntos de dados: dados do Amazon Mechanical Turk (Reino Unido e Singapura), entrevistas de campo em igrejas (Singapura) e um corpus de manifestos extremistas.

3. Principais Contribuições

Validação Transcultural: Demonstrou que o CLIFS funciona de forma consistente em diferentes contextos culturais (Singapura vs. Reino Unido) e domínios de comunicação (religião vs. manifestos violentos).
Superioridade sobre Métodos Tradicionais: O CLIFS superou significativamente métodos baseados em dicionários (como o VRI-Fusion e o UAI), que dependem de correspondência de strings ou pressupostos de distribuição que não se aplicam a contextos de extremismo.
Refinamento Teórico: O estudo identifica dois caminhos distintos para a violência baseados na forma de fusão.

4. Resultados

Generalização: O CLIFS apresentou correlações de Spearman significativamente mais altas com as pontuações psicométricas reais (VIFS) do que qualquer método de linha de base, mantendo um erro absoluto médio (MAE) muito menor.
Caminhos para a Violência (Ideólogos vs. Vítimas):
- Ideólogos: Apresentam uma fusão baseada em parentesco fictício (fictive-kinship). Eles conceituam o grupo em termos familiares e alinham sua identidade com a semântica coletiva.
- Indivíduos movidos por vitimização (Grievance-driven): Embora apresentem níveis de fusão comparáveis, sua fusão é diferente. Eles exibem maior proximidade de fusão e maior direcionalidade do grupo para o eu ( $S_{T \to I}$ ), projetando sua visão de si mesmos no grupo, mas sem o forte componente de "família" visto nos ideólogos.

5. Significância

Este trabalho tem implicações profundas tanto para a ciência cognitiva quanto para a segurança pública:

Para a Ciência: Refina a Teoria da Fusão de Identidade Abrangente (CIFT), mostrando que a fusão pode ser assimétrica e não baseada apenas em laços sociais/familiares, mas também em valores e abstrações.
Para a Segurança e Redes Sociais: Oferece uma ferramenta escalável e proativa. Em vez de censurar tópicos políticos (o que pode aumentar a polarização), as plataformas podem usar o CLIFS para identificar usuários que estão atingindo um "limiar de radicalização" psicológica, permitindo intervenções mais precisas e menos controversas.