Modélisation émotionnelle : comment une IA estime une humeur

Derrière l’« empathie » d’un compagnon, un modèle d’état émotionnel mis à jour par des signaux. Concepts et pseudo-code.

« Le compagnon sent que tu vas mal. » Concrètement, il n’éprouve rien : il estime un état émotionnel probable à partir de signaux, et le met à jour dans le temps. Voici comment, techniquement.

Représenter une émotion

Plutôt qu’une étiquette unique (« triste »), on modélise l’émotion sur des axes continus, par exemple valence (négatif↔positif) et activation (calme↔agité). C’est le modèle « circumplex » : un point dans un plan, plus nuancé qu’une catégorie.

Les signaux exploités

Lexical : analyse de sentiment du texte, champs lexicaux.
Temporel : longueur et fréquence des messages, heure tardive.
Prosodie (si voix) : débit, hauteur, pauses.

Fusionner et lisser

Une estimation instantanée est bruitée. On la lisse avec une moyenne mobile exponentielle pour éviter les sautes d’humeur du modèle :

signal = analyse(message)          # ex. valence = -0.6
etat = 0.7 * etat + 0.3 * signal   # mise à jour douce (EMA)

Le facteur (0.3) règle la réactivité : trop haut, le compagnon sur-réagit ; trop bas, il met du temps à percevoir un changement réel.

De l’état à la réponse

L’état estimé module ensuite le prompt et le ton : un état de valence basse oriente vers une réponse plus douce, plus à l’écoute. Il ne dicte pas la réponse, il l’infléchit.

Les limites à assumer

Cette estimation est probabiliste et faillible. La concevoir avec des marges d’erreur, sans prétendre au diagnostic, et avec des garde-fous (orienter vers de l’aide humaine en cas de détresse), est ce qui sépare un outil de bien-être responsable d’une illusion d’empathie.