L’IA peut-elle déduire des traits de personnalité de vos textes ?

Un texte n’est jamais une radiographie de son auteur. Pourtant, le vocabulaire employé, la manière de raconter une expérience ou de formuler une opinion peuvent contenir des régularités que les algorithmes savent repérer. Publiée dans PLOS ONE, une étude menée à l’Université de Barcelone s’intéresse précisément à cette frontière : jusqu’où des modèles d’intelligence artificielle peuvent-ils relier des écrits à des traits de personnalité, et surtout, sur quels indices fondent-ils leur réponse ?

Les chercheurs ont étudié deux modèles de langage, BERT et RoBERTa, à travers deux cadres connus de la psychologie de la personnalité : le Big Five et l’indicateur Myers-Briggs, ou MBTI. Leur apport ne tient pas seulement à la prédiction de caractéristiques psychologiques à partir d’un texte. Ils cherchent aussi à rendre le raisonnement statistique des modèles plus lisible, afin de vérifier que ces derniers ne tirent pas leurs conclusions de raccourcis trompeurs.

Ce que l’étude cherche à mesurer

L’objectif est de détecter, dans des productions écrites, des motifs linguistiques associés à des dimensions psychologiques. Il ne s’agit donc pas de demander à une IA de poser un diagnostic ou de révéler une vérité cachée sur une personne. Le système apprend une relation statistique entre des textes et des étiquettes de personnalité présentes dans ses données d’apprentissage ou d’évaluation.

Cette nuance est essentielle. Une prédiction peut sembler convaincante sans pour autant mesurer fidèlement la personnalité de son auteur. Elle peut refléter le sujet du texte, le contexte dans lequel il a été écrit, les habitudes d’un groupe social ou encore la manière dont les données ont été collectées. C’est pourquoi les chercheurs ont examiné les mécanismes de décision des modèles au lieu de se contenter d’un résultat final.

BERT et RoBERTa appartiennent à une famille de modèles capables de prendre en compte ce qui entoure un mot. Cette capacité est importante dans l’analyse psychologique du langage, car les mêmes termes peuvent prendre des sens très différents selon la phrase. Dans une approche plus rudimentaire, un programme pourrait simplement compter des mots jugés positifs ou négatifs. Un modèle contextualisé tente au contraire de relier les mots entre eux et à leur emploi dans la phrase.

Pourquoi le contexte d’un mot change tout

Le travail de l’Université de Barcelone met en avant un exemple parlant : le mot « haine » pourrait facilement être associé à un registre négatif. Mais il peut apparaître dans une phrase qui exprime de la compassion, du rejet de la violence ou une intention bienveillante. Une analyse qui isole le terme de son contexte risque donc de produire une interprétation inverse à celle que porte réellement le texte.

Pour examiner ce problème, les auteurs utilisent une technique d’explicabilité appelée gradients intégrés. Son principe est de mesurer l’influence de chaque élément d’un texte sur la décision du modèle. Les chercheurs peuvent ainsi visualiser les mots ou segments qui ont le plus contribué à l’attribution d’un trait donné.

Cette méthode est souvent présentée comme une manière d’« ouvrir la boîte noire » de l’IA. L’expression ne signifie pas qu’un modèle devient soudain transparent comme une règle grammaticale. Elle signifie plutôt que l’on dispose d’indices concrets pour contrôler son comportement : quels mots ont compté, dans quel passage, et ce signal paraît-il cohérent avec l’interprétation psychologique recherchée ?

L’explicabilité sert donc aussi à détecter les mauvaises raisons. Si un système prédit un trait parce qu’il s’appuie systématiquement sur une formule de politesse, un thème récurrent ou une particularité propre à un jeu de données, il ne mesure peut-être pas la personnalité. Il exploite alors un artefact, c’est-à-dire une régularité accidentelle ou non pertinente sur le plan psychologique.

Big Five et MBTI : deux cadres qui ne se prêtent pas de la même façon à l’IA

Les chercheurs ont confronté deux manières largement connues de décrire la personnalité. Le modèle des Big Five s’appuie sur cinq dimensions : l’ouverture à l’expérience, le caractère consciencieux, l’extraversion, l’agréabilité et le neuroticisme. Il situe une personne sur un continuum pour chacune d’elles, plutôt que de la ranger dans une catégorie unique.

Le MBTI, pour sa part, est couramment utilisé pour décrire des préférences sous la forme de profils. Il est notamment connu pour son axe extraversion-introversion. L’étude souligne toutefois ses limites dans le cas d’une détection automatisée : les modèles peuvent s’appuyer davantage sur des artefacts des données que sur des motifs psychologiques solides.

Cette différence est importante pour quiconque imagine confier un texte à une IA afin d’obtenir un « type » de personnalité. Plus la catégorie à prédire repose sur des signaux instables, plus le résultat risque de refléter la façon dont les exemples ont été annotés plutôt qu’une propriété durable de l’individu.

Des usages possibles, à condition de ne pas surinterpréter les résultats

L’intérêt de ces méthodes est réel pour la recherche en psychologie. Analyser des corpus volumineux peut aider à repérer des tendances linguistiques associées à certains traits, sans imposer à chaque participant un long questionnaire. Cette approche peut être particulièrement utile pour étudier de grandes populations, à condition que les données aient été recueillies de façon légitime et que les conclusions restent prudentes.

Dans un cadre clinique, l’analyse automatisée du langage pourrait aussi offrir un appui lors d’une évaluation initiale ou d’un suivi. Des évolutions dans l’expression écrite ou verbale peuvent constituer un élément supplémentaire pour les professionnels. Mais elles ne sauraient suffire à établir un état psychologique, encore moins à décider d’un traitement. Le langage varie avec la fatigue, les événements vécus, la langue utilisée, la relation avec l’interlocuteur et de nombreux autres facteurs.

Les auteurs évoquent également des applications dans l’éducation, la recherche sociale, les assistants virtuels et les agents conversationnels. Une meilleure compréhension des manières de s’exprimer pourrait, en théorie, conduire à des interactions numériques plus adaptées. Là encore, l’objectif ne devrait pas être de faire croire à une machine qu’elle « connaît » la personne face à elle, mais de concevoir des outils capables de mieux prendre en compte le contexte d’un échange.

Le recrutement constitue un cas particulièrement sensible. Évaluer la personnalité d’un candidat à partir d’un courriel, d’une lettre de motivation ou de messages publiés en ligne peut donner une illusion d’objectivité. Or, un modèle peut pénaliser des styles d’écriture liés à l’origine linguistique, au niveau de maîtrise d’une langue, à un handicap, à une culture professionnelle ou à des contraintes de temps. Une décision d’embauche ne devrait jamais reposer sur une inférence opaque produite à partir d’un texte.

Vie privée, biais et consentement : les garde-fous indispensables

Déduire des traits de personnalité à partir d’un texte est une forme de profilage lorsqu’elle concerne une personne identifiable. Même un message écrit pour une finalité banale peut alors être réemployé pour estimer des caractéristiques que son auteur n’a jamais souhaité révéler. Le consentement, l’information des personnes, la sécurité des données et la limitation de la finalité sont donc des questions centrales.

L’explicabilité apporte un début de réponse, mais elle ne résout pas tout. Savoir quels mots ont guidé un modèle aide à repérer certains biais. Cela ne garantit ni que le jeu de données représente équitablement les populations concernées, ni que les étiquettes de personnalité employées sont fiables, ni que le résultat sera valable dans une autre langue ou une autre culture.

Dans l’Union européenne, les usages d’IA liés à l’emploi font l’objet d’une attention particulière dans le cadre du règlement sur l’intelligence artificielle, l’AI Act. Cette vigilance est cohérente avec le risque de décisions injustes ou difficilement contestables. Pour les organisations, la question n’est donc pas seulement de savoir si un outil produit une prédiction techniquement impressionnante. Il faut pouvoir justifier son usage, évaluer ses erreurs et préserver la possibilité d’un véritable recours humain.

Vers des analyses multimodales et plus proches du terrain

Les chercheurs envisagent d’élargir leur travail à des données multimodales, en combinant le texte avec d’autres formes d’expression, notamment la voix. L’ambition est de mieux refléter la richesse des communications humaines et d’évaluer ces outils dans des situations concrètes, en collaboration avec des professionnels.

Cette extension ouvre de nouvelles pistes, mais accroît aussi les précautions nécessaires. Ajouter la voix à un texte signifie collecter davantage d’informations sur les individus. Cela peut enrichir une analyse, mais également multiplier les sources de biais et les risques de réidentification. La performance d’un outil doit être vérifiée séparément selon les langues, les cultures et les contextes d’usage.

L’équipe souhaite aussi explorer d’autres constructions psychologiques que la personnalité, telles que les états émotionnels. Ici encore, un état émotionnel détecté dans un message ne constitue pas une vérité définitive sur la personne : il peut dépendre de l’instant, du sujet abordé ou de la manière dont le texte a été sollicité.

Ce qu’il faut surveiller

La recherche de l’Université de Barcelone rappelle une idée simple : pour juger une IA qui analyse des personnes, il faut examiner à la fois ses résultats et ses raisons. Les modèles de langage peuvent mettre au jour des corrélations que l’analyse humaine à grande échelle aurait du mal à repérer. Leur utilité scientifique dépendra néanmoins de leur capacité à rester robustes lorsque les textes, les langues et les populations changent.

Trois questions devront guider les futurs travaux. Premièrement, les signaux identifiés sont-ils véritablement liés aux traits étudiés ou seulement aux particularités d’un corpus ? Deuxièmement, les conclusions se maintiennent-elles d’une culture et d’une langue à l’autre ? Enfin, les personnes concernées savent-elles que leurs textes sont analysés et peuvent-elles contester une décision qui les affecte ?

L’enjeu n’est pas de donner à une IA le pouvoir de définir qui nous sommes. Il est de vérifier si ces outils peuvent fournir, avec transparence et prudence, un indice utile parmi d’autres à des chercheurs ou des professionnels formés. Dans ce domaine, la promesse technique ne vaut que si elle s’accompagne d’une validation psychologique, d’un cadre éthique et d’un contrôle humain effectif.