Un chercheur utilise l’apprentissage automatique pour identifier les sautes d’humeur via les médias sociaux

Les chercheurs ont montré il y a longtemps que les modèles d’intelligence artificielle pouvaient identifier les traits psychologiques de base d’une personne à partir de ses empreintes numériques dans les médias sociaux.

Ce n’est peut-être qu’un début. Une nouvelle étude, co-écrite par Johannes Eichstaedt et Aaron Weidman de Stanford (Université du Michigan), fournit des preuves solides que les modèles d’apprentissage automatique peuvent également cartographier les sautes d’humeur et la volatilité d’une personne d’une semaine à l’autre.

En utilisant des outils de traitement du langage naturel pour analyser les publications Facebook, le nouveau modèle d’apprentissage automatique permet de déduire à la fois à quel point une personne se sent heureuse ou triste à un moment donné, ainsi que son excitation ou son absence de sens. Au fil du temps, cet algorithme peut même produire une vidéo à partir des hauts et des bas émotionnels d’une personne.

Les résultats pourraient susciter de nouvelles inquiétudes au sujet de la confidentialité ou de l’utilisation des médias sociaux pour faire du marketing auprès des gens. En théorie, les spécialistes du marketing ou les partisans politiques pourraient un jour adapter leurs messages en fonction du message qui suscite la réaction émotionnelle la plus forte.

Mais Eichstaedt, professeur adjoint de psychologie à Stanford Humanities & Sciences et chercheur à l’Institut de Stanford pour l’intelligence artificielle centrée sur l’homme, dit que l’approche pourrait aider à diagnostiquer les personnes souffrant de troubles de l’humeur et à voir dans quelle mesure elles réagissent à un médicament, à une thérapie un changement de mode de vie.

«Si ce type d’approche est utilisé de manière éthique et légale, avec une protection stricte de la vie privée, nous pourrions un jour avoir des moyens de comprendre l’esprit par ordinateur», dit Eichstaedt. « Cela pourrait aider au diagnostic et à l’évaluation pharmaceutique. Cela pourrait également nous aider à suivre l’impact psychologique d’événements sociaux traumatisants, comme la pandémie COVID. »

Pour le moment, les bonnes et les mauvaises possibilités sont encore bien dans le futur. D’une part, les résultats sont préliminaires, basés sur un petit nombre de super-utilisateurs Facebook pour la plupart américains qui ont posté beaucoup plus souvent que la plupart des gens. En conséquence, avertissent les chercheurs, les résultats peuvent ne pas être représentatifs de tous les Américains. Ils peuvent être encore moins représentatifs des personnes d’autres cultures.

Cela dit, le chercheur a noté que le programme d’apprentissage automatique offrait des preuves alléchantes qu’il était sur la bonne voie. En fait, bon nombre des modèles d’humeur qu’il a trouvés étaient cohérents avec les études précédentes d’autres chercheurs qui étaient basées sur des personnes déclarant elles-mêmes leurs propres sentiments.

Machines de formation pour suivre les sentiments

Eichstaedt et Weidman ont commencé par demander à des assistants de recherche humains d’annoter les publications publiques sur Facebook de près de 3000 volontaires d’une étude antérieure. Les assistants de recherche ont évalué chaque message sur sa «valence» – dans quelle mesure il exprimait des émotions positives ou négatives – et sur «l’excitation» – ou l’intensité de ces sentiments.

Une fois ces évaluations terminées, les publications ont été utilisées pour former un modèle d’apprentissage automatique qui prédirait quels types de langage véhiculaient quels types de sentiments. Eichstaedt et Weidman ont ensuite testé leur modèle sur un ensemble entièrement différent de publications de 640 gros utilisateurs de Facebook. Les personnes de ce deuxième groupe ont posté en moyenne 17 fois par semaine pendant 28 semaines. Cela a produit un ensemble de données (désormais public) de suivi de la dynamique émotionnelle sur 18 000 semaines-personnes – le plus grand ensemble de données sur la dynamique émotionnelle hebdomadaire jamais compilé, qui est disponible pour l’exploration par la communauté de recherche.

Évaluation du modèle

Pour savoir si le modèle d’apprentissage automatique lisait correctement les gens, Eichstaedt et Weidman ont examiné dans quelle mesure les modèles qu’il révélait correspondaient aux prédictions basées sur des études psychologiques classiques en personne.

Les résultats s’alignaient sur des prédictions basées sur une liste de ce que les chercheurs en psychologie appellent les «cinq grands» traits de personnalité – ouverture, sympathie, extraversion, conscience et névrosisme. Tous les utilisateurs de Facebook de l’étude s’étaient portés volontaires pour participer à une étude «Ma personnalité», qui mesurait les traits des Big Five au moyen d’un questionnaire. Conformément aux prévisions précédentes, les personnes que le modèle d’apprentissage automatique a mieux notées en matière d’extraversion, d’agréabilité et de conscience avaient tendance à se sentir à la fois plus optimistes et plus excitées.

En fait, les résultats de l’apprentissage automatique se sont également parfaitement coordonnés avec des études antérieures sur la relation entre le bien-être des gens et leur excitation à un moment donné. Tout comme les études précédentes l’avaient théorisé, les résultats de l’apprentissage automatique ont montré une relation «en V» déséquilibrée: l’excitation augmente à la fois lorsque les gens se sentent de plus en plus bas, mais la relation était plus forte pour les émotions optimistes; il est difficile de ressentir quelque chose de très positif sans se sentir optimiste.

Écarts de genre

Les chercheurs ont également constaté que les hommes et les femmes présentaient des schémas émotionnels quelque peu différents.

Les femmes avaient tendance à être un peu plus optimistes que les hommes et à avoir un «point de repos» émotionnel plus large, ou un niveau typique de sentiments agréables et / ou excités. En d’autres termes, dit Eichstaedt, les hommes ont tendance à être plus grincheux et moins sensibles émotionnellement à leur environnement que les femmes. Cela concorde, dit Eichstaedt, avec l’idée que les femmes ont une plus grande «flexibilité émotionnelle».

Eichstaedt prévient qu’il est trop tôt pour savoir si l’apprentissage automatique pourrait éventuellement fournir l’équivalent d’une image IRM précise de l’humeur. Mais étant donné toutes les données disponibles sur les médias sociaux, dit-il, cela pourrait bien ouvrir de nouvelles opportunités pour comprendre la dynamique émotionnelle humaine à une échelle beaucoup plus grande.