Informatique de la personnalité
L'informatique de la personnalité (Personality computing) est un domaine de recherche centrée sur l'intelligence artificielle appliquée à la psychologie de la personnalité.
Il s'agit de décrire et modéliser une personnalité (par exemple, à partir des cinq grands traits de personnalité) et en se basant sur des informations captées et évaluées (par exemple : des textes écrits, des empreintes numériques, des photos, des données audio ou vidéo (on peut maintenant finement cartographier la qualité de la voix et l’intonation, qui reflètent des différences fines de personnalité)[2], ou multimédia, l’utilisation d’un smartphone et des réseaux sociaux, des comportements non verbaux, des modèles de parole, des jeux, etc.). Il est, inversement, également devenu possible de doter des chatbots ou avatars d'une apparence de personnalité complexe et de plus en plus « crédible ».
Ces capacités soulèvent des questions éthiques complexes, notamment liées à la rapidité des progrès de l'IA et à l'expansion des outils de surveillance (caméras notamment)
Vocabulaire
[modifier | modifier le code]L'expression Personality Computing a été créée par Vinciarelli et Mohammadi[3], mais d'autres auteurs utilisent d'autres expressions :
Synonymies
- évaluation computationnelle des traits de personnalité (ex : Ilmini et Fernando, 2017)[4]
- phénotypage numérique (ex : Onnela et Rauch, 2016)[5]
- psychoinformatique (ex : Markowetz et al., 2014)[6]
- détection de la personnalité (ex Harari et al., 2020)[7],[8]
- détection automatique de la personnalité (ex : Mehta et al., 2019)[9]
- évaluation de la personnalité par apprentissage automatique (p. ex., Bleidorn et Hopwood, 2019)[10]
- évaluation automatique de la personnalité (ex:Kedar et Bormane, 2015)[11].
Définition
[modifier | modifier le code]L'informatique de personnalité aborde trois principaux problèmes liés à la personnalité :
- la reconnaissance automatique de la personnalité, sa perception et sa synthèse[12].
- la reconnaissance automatique de la personnalité concerne en général une déduction du type de personnalité et de traits de personnalités d' individus cibles, à partir de leur empreinte numérique,
- la perception automatique de la personnalité est la déduction de la personnalité attribuée par un observateur à un individu cible sur la base d'un comportement observable
La synthèse automatisée de personnalités, généralement par une IA générative est la génération de traits de comportement ou d'un style de personnalité artificielle, par exemple pour des avatars et des agents virtuels.
Les tests de personnalité auto-évalués ou les évaluations des observateurs sont toujours exploités comme vérité terrain pour tester et valider les performances des algorithmes d’intelligence artificielle pour la prédiction automatique des types de personnalité[13]. Il existe une grande variété de tests de personnalité, comme le Myers Briggs Type Indicator (MBTI) [14] ou le MMPI, mais les plus utilisés sont les tests basés sur le modèle à cinq facteurs comme le Revised NEO Personality Inventory[15].
L'informatique de la personnalité peut être considérée comme une extension ou un complément de l'informatique affective, où la première se concentre sur les traits de personnalité et la seconde sur les états affectifs. Une autre extension des deux domaines est le Character Computing qui combine divers états et traits de caractère, y compris, mais sans s'y limiter, la personnalité et l'affect.
Histoire
[modifier | modifier le code]L'informatique de la personnalité date des environs de l'année 2005, lancée par quelques travaux de recherche pionniers en matière de reconnaissance de la personnalité, montrant que les traits de personnalité pouvaient être déduits avec une précision raisonnable à partir de textes, tels que des blogs, des présentations personnelles [16],[17],[18], et des adresses e-mail[19].
En 2008, un concept de « personnalité portable » pour la gestion distribuée des profils de personnalité a été développé[20].
Quelques années plus tard, ont commencé les recherches sur la reconnaissance et la perception de la personnalité à partir de signaux multimodaux et sociaux, tels que les réunions enregistrées [21] et les appels vocaux [22].
Dans les années 2010, les recherches se sont surtout concentrées sur la reconnaissance et la perception de la personnalité à partir des médias sociaux, en particulier de Facebook[23],[24],[25] Twitter[26] et Instagram[27]. Dans les mêmes années, la synthèse automatique de personnalité a contribué à améliorer la cohérence des comportements simulés chez les agents virtuels[28].
Des travaux scientifiques ont démontré la validité du "Personality Computing" à partir de différentes empreintes numériques, notamment des préférences des utilisateurs telles que les likes des pages Facebook [29] ; puis les progrès de l'IA, de l'apprentissage automatique et de l'apprentissage profond 10.1007/s10462-019-09770-z ont permis des mesures sophistiquées et fines de différences individuelles ; des mesures qui résistent à la falsification[30]. Dans bien des cas, les machines peuvent mieux reconnaître la personnalité que les humains, y compris pour des aspects intimes tels que la sexualité[31], et mettre au jour des modèles complexes qui ne peuvent pas être récupérés par les approches statistiques traditionnelles[32] , en éventuelle contradiction avec la protection de la vie privée, l’autonomie. Des inquiétudes concernent l’équité, car on sait que des biais de l'IA concernent l’origine ethnique, religieuse, le genre, la sexualité, le handicap, la confession, la classe ou la culture ; ils peuvent être source de graves discriminations[33].
La puissance de l'IA fait qu'elle pourrait parfois se jouer de l’anonymisation ou du masquage des données, or connaitre finement les traits d'une personnalité permet un profilage de personnalité non consensuel, illégal et intrusif, portant atteinte à l’autonomie de la personne et à sa liberté de choix éclairé, pouvant menacer tous les processus démocratiques et d'autodétermination éclairée (Boyd et al., 2020)[34] ; comme on l'a vu à grande échelle avec Cambridge Analytica et AggregateIQ[35]. Ces possibilités posent des questions morales, juridiques, sociales et éthiques nouvelles, et complexes, notamment dans le contexte du capitalisme de surveillance et du scoring social notamment.
Applications
[modifier | modifier le code]Selon Alexander et al. en 2020, potentiellement, des applications pourraient aider les psychologues et médecins à mieux comprendre leurs patients, et améliorer la santé et le bien-être, en permettant des interventions plus adaptées à la personnalisé de chacun[36].
Mais les techniques de l'informatique des personnalités, en particulier la reconnaissance et la perception de la personnalités, ont aussi et déjà des applications dans le marketing des médias sociaux, où elles aident, à mieux cibler, et à moindre coût, les campagnes publicitaires, de lobbying ou de désinformation, grâce à un ciblage psychologique discrets[37],[38], avec des risques de graves d'amplifier des dérives du type du scandale Facebook-Cambridge Analytica/Aggregate IQ (cf utilisation secrète de l'IA de Ripon pour sciemment miner les processus démocratiques).
Articles connexes
[modifier | modifier le code]Aspects juridiques
- Législation sur l'intelligence artificielle, aussi appelée AI Act
- Digital Services Act, ou loi sur les services numériques de l'Union européenne
Notions générales
- Agent intelligent
- Empreinte numérique
- Agent virtuel
- Algorithme
- Algorithme génétique
- Alignement des intelligences artificielles
- Applications de l'intelligence artificielle
- Automation
- Déclaration de Montréal pour un développement responsable de l'intelligence artificielle
- Effet IA
- Éthique de l'intelligence artificielle
- Histoire de l'intelligence artificielle
- Intelligence artificielle générale
- Interactions homme-machine
- Philosophie de l'intelligence artificielle
- Réseau de neurones artificiels
- Singularité technologique
- Vie artificielle
Notions techniques
- Agent conversationnel
- Apprentissage automatique
- Apprentissage par renforcement
- Apprentissage profond (Deep learning)
- Architecture cognitive
- Diagnostic
- Exploration de données
- Intelligence artificielle amicale
- Intelligence artificielle distribuée
- Intelligence artificielle faible
- Intelligence artificielle dans la fiction
- Métaheuristiques
- Réseaux de neurones
Bibliographie
[modifier | modifier le code]- (en) Hao Lin, Chundong Wang et Qingbo Hao, « A novel personality detection method based on high-dimensional psycholinguistic features and improved distributed Gray Wolf Optimizer for feature selection », Information Processing & Management, vol. 60, no 2, , p. 103217 (DOI 10.1016/j.ipm.2022.103217, lire en ligne, consulté le )
- (en) Kalpana Rangra, Virender Kadyan et Monit Kapoor, « Emotional speech-based personality prediction using NPSO architecture in deep learning », Measurement: Sensors, vol. 25, , p. 100655 (DOI 10.1016/j.measen.2022.100655, lire en ligne, consulté le )
- Botong She, « Deep Learning-Based Text Emotion Analysis for Legal Anomie », Frontiers in Psychology, vol. 13, (ISSN 1664-1078, PMID 35783806, PMCID PMC9247634, DOI 10.3389/fpsyg.2022.909157, lire en ligne, consulté le )
Notes et références
[modifier | modifier le code]- (en) Yanou Ramon, R.A. Farrokhnia, Sandra C. Matz et David Martens, « Explainable AI for Psychological Profiling from Behavioral Data: An Application to Big Five Personality Predictions from Financial Transaction Records », Information, vol. 12, no 12, , p. 518 (ISSN 2078-2489, DOI 10.3390/info12120518, lire en ligne, consulté le )
- (en) Gelareh Mohammadi, Antonio Origlia, Maurizio Filippone et Alessandro Vinciarelli, « From speech to personality: mapping voice quality and intonation into personality differences », ACM, , p. 789–792 (ISBN 978-1-4503-1089-5, DOI 10.1145/2393347.2396313, lire en ligne, consulté le )
- Alessandro Vinciarelli et Gelareh Mohammadi, « A Survey of Personality Computing », IEEE Transactions on Affective Computing, vol. 5, no 3, , p. 273–291 (ISSN 1949-3045, DOI 10.1109/TAFFC.2014.2330816, lire en ligne, consulté le )
- Ilmini, W. M. K. S., & Fernando, T. G. I. (2017, December). Computational personality traits assessment: A review. In 2017 IEEE International Conference on Industrial and Information Systems (ICIIS) (pp. 1–6). IEEE
- (en) Jukka-Pekka Onnela et Scott L Rauch, « Harnessing Smartphone-Based Digital Phenotyping to Enhance Behavioral and Mental Health », Neuropsychopharmacology, vol. 41, no 7, , p. 1691–1696 (ISSN 0893-133X et 1740-634X, PMID 26818126, PMCID PMC4869063, DOI 10.1038/npp.2016.7, lire en ligne, consulté le )
- (en) Alexander Markowetz, Konrad Błaszkiewicz, Christian Montag et Christina Switala, « Psycho-Informatics: Big Data shaping modern psychometrics », Medical Hypotheses, vol. 82, no 4, , p. 405–411 (DOI 10.1016/j.mehy.2013.11.030, lire en ligne, consulté le )
- (en) Gabriella M. Harari, Sandrine R. Müller, Clemens Stachl et Rui Wang, « Sensing sociability: Individual differences in young adults’ conversation, calling, texting, and app use behaviors in daily life. », Journal of Personality and Social Psychology, vol. 119, no 1, , p. 204–228 (ISSN 1939-1315 et 0022-3514, DOI 10.1037/pspp0000245, lire en ligne, consulté le )
- (en) Gabriella M. Harari, Sumer S. Vaid, Sandrine R. Müller et Clemens Stachl, « Personality Sensing for Theory Development and Assessment in the Digital Age », European Journal of Personality, vol. 34, no 5, , p. 649–669 (ISSN 0890-2070 et 1099-0984, DOI 10.1002/per.2273, lire en ligne, consulté le )
- (en) Wiebke Bleidorn et Christopher James Hopwood, « Using Machine Learning to Advance Personality Assessment and Theory », Personality and Social Psychology Review, vol. 23, no 2, , p. 190–203 (ISSN 1088-8683 et 1532-7957, DOI 10.1177/1088868318772990, lire en ligne, consulté le )
- S. V. Kedar et D. S. Bormane, « Automatic personality assessment: A systematic review », IEEE, , p. 326–331 (ISBN 978-1-4673-7758-4, DOI 10.1109/INFOP.2015.7489402, lire en ligne, consulté le )
- [1] Vinciarelli, Alessandro, and Gelareh Mohammadi. "A survey of personality computing." IEEE Transactions on Affective Computing 5.3 (2014): 273-291.
- Celli, Fabio, et al. "Workshop on computational personality recognition (shared task)." Proceedings of the Workshop on Computational Personality Recognition. 2013.
- Isabel Briggs Myers and Peter B Myers. 2010. Giftsdiffering: Understanding personality type. Davies-Black Publishing.
- Paul T Costa and Robert R McCrae. 2008. The re-vised neo personality inventory (neo-pi-r).In G.J.Boyle, G Matthews and D. Saklofske (Eds.). TheSAGE handbook of personality theory and assessment2:179–198
- Argamon, Shlomo, et al. "Lexical predictors of personality type." (2005).
- Oberlander, Jon, and Scott Nowson. "Whose thumb is it anyway?: classifying author personality from weblog text." Proceedings of the COLING/ACL on Main conference poster sessions. Association for Computational Linguistics, 2006.
- Mairesse, François, et al. "Using linguistic cues for the automatic recognition of personality in conversation and text." Journal of artificial intelligence research 30 (2007): 457-500.
- Back, Mitja D., Stefan C. Schmukle, and Boris Egloff. "How extraverted is honey. bunny77@ hotmail. de? Inferring personality from e-mail addresses." Journal of Research in Personality 42.4 (2008): 1116-1122.
- Artur Lugmayr, Simon Reymann, Stefan Kemper, Tillmann Dorsch et Roman, 2008 IEEE International Symposium on Parallel and Distributed Processing with Applications, , 516–521 p. (ISBN 978-0-7695-3471-8, DOI 10.1109/ISPA.2008.141, S2CID 15455459), « Bits of Personality Everywhere: Implicit User-Generated Content in the Age of Ambient Media »
- Pianesi, Fabio, et al. "Multimodal recognition of personality traits in social interactions." Proceedings of the 10th international conference on Multimodal interfaces. ACM, 2008.
- Mohammadi, Gelareh, and Alessandro Vinciarelli. "Automatic personality perception: Prediction of trait attribution based on prosodic features." IEEE Transactions on Affective Computing 3.3 (2012): 273-284.
- Quercia, Daniele, et al. "The personality of popular Facebook users." Proceedings of the ACM 2012 conference on computer supported cooperative work. ACM, 2012.
- Schwartz, H. Andrew, et al. "Personality, gender, and age in the language of social media: The open-vocabulary approach." PLOS ONE 8.9 (2013): e73791.
- [2] Celli, Fabio, Elia Bruni, and Bruno Lepri. "Automatic personality and interaction style recognition from Facebook profile pictures." Proceedings of the 22nd ACM international conference on Multimedia. ACM, 2014.
- Golbeck, Jennifer, et al. "Predicting personality from twitter." Privacy, Security, Risk and Trust (PASSAT) and 2011 IEEE Third International Conference on Social Computing (SocialCom), 2011 IEEE Third International Conference on. IEEE, 2011.
- Ferwerda, Bruce, Markus Schedl, and Marko Tkalcic. "Predicting personality traits with instagram pictures." Proceedings of the 3rd Workshop on Emotions and Personality in Personalized Systems 2015. ACM, 2015.
- Faur, Caroline, et al. "PERSEED: a self-based model of personality for virtual agents inspired by socio-cognitive theories." Affective Computing and Intelligent Interaction (ACII), 2013 Humaine Association Conference on. IEEE, 2013.
- Kosinski, Michal, David Stillwell, and Thore Graepel. "Private traits and attributes are predictable from digital records of human behavior." Proceedings of the National Academy of Sciences (2013): 201218772.
- (en) Gabriella M. Harari, Samuel D. Gosling, Rui Wang et Andrew T. Campbell, « Capturing Situational Information with Smartphones and Mobile Sensing Methods », European Journal of Personality, vol. 29, no 5, , p. 509–511 (ISSN 0890-2070 et 1099-0984, DOI 10.1002/per.2032, lire en ligne, consulté le )
- Youyou, Wu, Michal Kosinski, and David Stillwell. "Computer-based personality judgments are more accurate than those made by humans." Proceedings of the National Academy of Sciences 112.4 (2015): 1036-1040.
- (en) Le Vy Phan et John F. Rauthmann, « Personality computing: New frontiers in personality assessment », Social and Personality Psychology Compass, vol. 15, no 7, (ISSN 1751-9004 et 1751-9004, DOI 10.1111/spc3.12624, lire en ligne, consulté le )
- (en) Matt J. Kusner et Joshua R. Loftus, « The long road to fairer algorithms », Nature, vol. 578, no 7793, , p. 34–36 (ISSN 0028-0836 et 1476-4687, DOI 10.1038/d41586-020-00274-3, lire en ligne, consulté le )
- (en) Ryan L. Boyd, Paola Pasca et Kevin Lanning, « The Personality Panorama: Conceptualizing Personality through Big Behavioural Data », European Journal of Personality, vol. 34, no 5, , p. 599–612 (ISSN 0890-2070 et 1099-0984, DOI 10.1002/per.2254, lire en ligne, consulté le )
- (en-US) Nicholas Confessore et Danny Hakim, « Data Firm Says ‘Secret Sauce’ Aided Trump; Many Scoff », sur The New York Times, (ISSN 0362-4331, consulté le )
- Leo Alexander, Evan Mulfinger et Frederick L. Oswald, « Using Big Data and Machine Learning in Personality Measurement: Opportunities and Challenges », European Journal of Personality, vol. 34, no 5, , p. 632–648 (ISSN 0890-2070 et 1099-0984, DOI 10.1002/per.2305, lire en ligne, consulté le )
- Matz, S. C., et al. "Psychological targeting as an effective approach to digital mass persuasion." Proceedings of the National Academy of Sciences (2017): 201710966.
- Celli, Fabio, Pietro Zani Massani, and Bruno Lepri. "Profilio: Psychometric Profiling to Boost Social Media Advertising." Proceedings of the 2017 ACM on Multimedia Conference. ACM, 2017.