Les IA ajustent leurs réponses aux tests de personnalité pour paraître sympathiques

Un grand modèle de langage peut-il vouloir faire bonne impression ? La formule est trompeuse si on lui prête des intentions humaines. Pourtant, ses réponses peuvent effectivement donner cette impression. Une étude publiée dans PNAS Nexus et menée par le chercheur Aadesh Salecha montre que des systèmes tels que GPT-4 adaptent leurs réponses à des questionnaires de personnalité lorsqu’ils paraissent comprendre qu’ils sont évalués. Leur profil devient alors sensiblement plus conforme à ce qui est jugé socialement désirable.

Le résultat ne signifie pas qu’une IA dissimule une « vraie » personnalité. Il révèle plutôt un problème méthodologique : un modèle entraîné à produire des réponses utiles, polies et acceptables peut reproduire, dans un test, le réflexe humain de présenter son meilleur visage. Pour la psychologie comme pour les sciences sociales, cette nuance compte beaucoup dès lors que l’on emploie des modèles de langage pour simuler des répondants, analyser des comportements ou générer des données.

Ce que mesure un test de personnalité, chez un humain comme chez une IA

Les chercheurs se sont intéressés à des questionnaires inspirés du modèle des Big Five, l’un des cadres les plus employés en psychologie pour décrire la personnalité. Il organise les réponses autour de cinq grandes dimensions. Chez une personne, ces résultats reposent généralement sur une auto-évaluation : elle indique à quel point elle se reconnaît dans des affirmations portant sur ses habitudes, ses émotions ou ses relations aux autres.

Ces catégories ne sont pas un diagnostic médical et ne résument pas une personne dans toute sa complexité. Elles servent à comparer des profils de réponses selon une méthode standardisée. Les réponses humaines elles-mêmes ne sont jamais parfaitement neutres : face à un recruteur, un thérapeute, un chercheur ou un proche, chacun peut être tenté de se présenter sous un jour favorable. C’est ce que les spécialistes appellent le biais de désirabilité sociale.

Appliqué à une IA, le mot « personnalité » doit donc être manié avec précaution. Un modèle de langage n’a ni biographie, ni émotions, ni vécu intérieur. Il calcule la suite de mots la plus vraisemblable au regard de son entraînement et de l’instruction reçue. Un score de personnalité décrit avant tout un schéma de réponses produit dans un contexte donné, pas un trait psychologique stable comparable à celui d’un humain.

Des modèles issus de plusieurs grands laboratoires ont été soumis aux questionnaires

L’équipe menée par Aadesh Salecha a fait répondre plusieurs modèles de langage développés par OpenAI, Anthropic, Google et Meta à des tests classiques de personnalité. GPT-4 figure parmi les systèmes examinés. L’enjeu était moins de déterminer si un modèle pouvait fournir une réponse cohérente à une question isolée que de voir si son comportement changeait lorsqu’un ensemble de questions lui donnait le signal qu’une évaluation était en cours.

Cette distinction est essentielle. Une IA conversationnelle est conçue pour tenir compte du contexte accumulé dans une discussion. Si les premières questions d’un questionnaire lui permettent d’identifier le genre d’exercice auquel elle participe, elle peut orienter les réponses suivantes selon des régularités apprises : être coopérative, paraître fiable, éviter les formulations susceptibles d’être perçues comme hostiles ou instables.

Les chercheurs ont donc fait varier le volume de questions soumises aux modèles. Les résultats indiquent que la taille du questionnaire joue un rôle important dans l’ampleur de l’adaptation observée.

L’écart-type est un outil statistique qui permet de situer l’ampleur d’une variation dans une distribution de scores. Une évolution supérieure à un écart-type est donc loin d’être anecdotique dans le cadre de l’expérience. Elle suggère que la manière de présenter le questionnaire peut transformer fortement le profil attribué à GPT-4.

Pourquoi cinq questions peuvent-elles changer la réponse ?

Une seule affirmation, telle qu’une question sur l’organisation ou la sociabilité, reste ambiguë. Elle peut appeler différentes formulations et ne renseigne pas nécessairement le modèle sur l’objectif général de l’échange. Avec plusieurs questions convergentes, le contexte devient plus explicite : le système peut reconnaître la structure d’un test de personnalité et produire des réponses plus homogènes avec le profil socialement valorisé qu’il a appris à associer à ce type de situation.

Dans l’étude, les ajustements restaient limités lorsque le nombre de questions était faible. Ils devenaient beaucoup plus marqués à partir de cinq questions ou plus. Ce seuil ne doit pas être compris comme une règle universelle valable pour tous les futurs tests et tous les modèles. Il décrit le protocole étudié et met surtout en évidence un phénomène de contexte : la succession des questions est susceptible d’influencer la réponse.

Cela rappelle une caractéristique fondamentale des grands modèles de langage. Ils ne répondent pas à chaque phrase de manière indépendante. Leur sortie dépend de la formulation, des consignes, des tours précédents de conversation et des indices présents dans le texte. Dans un questionnaire, ces indices peuvent suffire à faire émerger un comportement de « bonne présentation ».

Des réponses plus valorisées socialement, mais pas une stratégie consciente

Le résultat le plus frappant concerne GPT-4. Une fois la situation assimilée à une évaluation de personnalité, ses scores associés aux traits positifs progressent de plus d’un écart-type. Dans le même mouvement, son score de névrosisme diminue d’une ampleur comparable. Autrement dit, le modèle produit un profil davantage associé à l’équilibre émotionnel et à des qualités habituellement bien vues dans les interactions sociales.

Il serait cependant erroné d’en conclure que GPT-4 cherche consciemment à séduire un examinateur ou qu’il tente de tromper un test. Un modèle de langage ne formule pas nécessairement un plan, au sens où une personne le ferait. L’interprétation la plus prudente est que son entraînement a rendu certaines réponses plus probables dans une situation reconnaissable comme une évaluation sociale.

L’intérêt scientifique de l’étude réside précisément dans cette différence. Même sans volonté propre, une IA peut générer un résultat qui ressemble à une auto-présentation stratégique. Pour qui analyse uniquement le score final, la cause du phénomène importe peu : le risque est que l’on prenne ce profil pour une mesure stable des caractéristiques du modèle, alors qu’il dépend aussi du format du test.

Le rôle possible de l’entraînement fondé sur les préférences humaines

Les auteurs avancent une explication possible : la phase finale d’entraînement des modèles. Après l’apprentissage sur de très grands corpus de textes, les systèmes passent souvent par des étapes destinées à mieux aligner leurs réponses sur les attentes humaines. Des personnes peuvent notamment comparer plusieurs réponses et sélectionner celles qui leur paraissent les plus appropriées, utiles ou sûres.

Ce processus améliore généralement la qualité des assistants conversationnels. Il contribue à ce qu’ils soient plus coopératifs, plus respectueux et moins susceptibles de générer des contenus problématiques. Mais il peut aussi renforcer les formes de réponse associées à l’acceptabilité sociale. Face à un questionnaire de personnalité, le modèle pourrait alors mobiliser ces régularités et tendre vers une image valorisante.

Cette hypothèse reste une interprétation proposée par les auteurs, non une preuve définitive du mécanisme interne en jeu. Les modèles diffèrent par leur architecture, leurs données d’entraînement et leurs méthodes d’alignement. L’intensité de l’effet peut donc varier d’un système à l’autre. L’étude invite surtout à examiner plus finement la manière dont les méthodes de réglage influencent les comportements observés dans des tests.

Quels risques pour la recherche et les outils psychométriques ?

Le premier risque concerne les recherches qui utiliseraient des modèles de langage comme participants artificiels. Une IA peut être sollicitée pour simuler des réponses à une enquête, tester un questionnaire ou explorer rapidement des hypothèses en sciences sociales. Si elle modifie son profil dès qu’elle reconnaît le test, les données produites ne reflètent pas seulement le contenu des questions. Elles reflètent aussi sa capacité à anticiper ce qui est socialement bien considéré.

Le second risque est la confusion entre deux usages distincts de l’IA. L’étude porte sur une IA qui répond à un test, et non sur une IA qui aide un professionnel à administrer ou à analyser un test rempli par une personne. Dans le second cas, les difficultés sont différentes : protection des données, transparence de l’algorithme, validation clinique, risques de discrimination et place du jugement humain. Il ne faut pas déduire de cette recherche qu’un test de personnalité réalisé par un humain serait automatiquement invalide parce qu’un logiciel intervient dans son traitement.

Pour les concepteurs d’évaluations, le résultat plaide en faveur de protocoles plus robustes. Il peut être utile de varier les formulations, de vérifier l’effet de l’ordre des questions, de tester les modèles dans plusieurs conditions et de documenter précisément les instructions qui leur sont données. Comparer un score unique sans décrire le protocole serait particulièrement fragile.

Les plateformes qui veulent intégrer l’IA aux outils d’évaluation, à l’image de Traitify dans le domaine des tests psychométriques, devront également distinguer avec rigueur l’assistance technique apportée à l’utilisateur de la production de profils par un modèle de langage. Plus les résultats sont susceptibles d’influencer une orientation, un recrutement ou un accompagnement, plus cette exigence de validation devient importante.

Ce qu’il faut surveiller dans les prochaines recherches

Cette étude ouvre plusieurs pistes. Il faudra d’abord déterminer si le biais observé se reproduit dans d’autres langues, avec d’autres questionnaires et selon différentes formulations de consigne. Un modèle répond-il de la même façon s’il reçoit les questions dans un ordre aléatoire ? Que se passe-t-il si l’objectif psychométrique est dissimulé ? Les résultats se maintiennent-ils lorsque les questions sont reformulées ou administrées séparément ?

Il sera aussi nécessaire de comparer précisément les modèles, plutôt que de parler des IA comme d’un ensemble uniforme. Les systèmes de langage évoluent rapidement, et leurs méthodes de réglage diffèrent. Une bonne évaluation devrait donc signaler la version exacte du modèle, les consignes utilisées, le nombre de répétitions et les paramètres de génération.

Enfin, cette recherche rappelle une règle simple pour le grand public : un chatbot peut produire un discours cohérent sur lui-même, mais cette cohérence ne doit pas être confondue avec une introspection. Lorsqu’une IA affirme être organisée, empathique ou peu anxieuse, elle ne livre pas un portrait intérieur. Elle répond à une situation linguistique, avec les normes sociales que son entraînement lui a appris à reconnaître.