Vers l'intelligence émotionnelle dans les tâches linguistiques à l'aide de grands modèles de langage

Alors que les systèmes de traitement du langage naturel (NLP) s'intègrent de plus en plus dans les technologies sociales interactives, sensibles aux émotions et décisionnelles, le besoin d'intelligence émotionnelle dans les modèles de langage devient une priorité essentielle de recherche. Si les techniques traditionnelles d'analyse des sentiments permettent de détecter les états émotionnels de base, elles ont toutefois une capacité limitée à interpréter les nuances émotionnelles, cognitives et psychologiques plus profondes du langage humain. La création de systèmes émotionnellement intelligents nécessite non seulement une reconnaissance fine des émotions, mais aussi la capacité de raisonner sur leurs causes sous-jacentes et de personnaliser l'interprétation en fonction des traits de personnalité individuels et des facteurs contextuels. Cette thèse aborde ces défis en étudiant comment les caractéristiques émotionnelles, la modélisation psychologique et les mécanismes de raisonnement peuvent être systématiquement intégrés dans des modèles de langage à grande échelle afin de permettre une compréhension émotionnelle plus profonde et plus adaptative. Les recherches commencent par explorer le rôle des émotions fines dans deux tâches linguistiques complexes et socialement importantes : la détection des discours haineux implicites, où la haine est exprimée indirectement à travers des sous-entendus émotionnels, et l'identification des valeurs humaines dans les discours argumentatifs, où les valeurs morales et culturelles sont souvent signalées par un langage affectif. Dans ces deux tâches, l'intégration d'indices émotionnels fins améliore les performances et l'interprétabilité du modèle. S'appuyant sur ces observations, la thèse présente un nouveau cadre qui combine les traits de personnalité, dérivés de modèles établis tels que le Big Five et Myers-Briggs, avec une méthode de tuning basée sur des prompts afin de personnaliser l'interprétation et le raisonnement émotionnels. Ce cadre permet aux modèles de langages d'ajuster leurs réponses en fonction des profils psychologiques spécifiques à chaque utilisateur, ce qui permet une inférence plus précise des causes émotionnelles dans des contextes émotionnellement ambigus ou subjectifs. La thèse propose également un protocole d'évaluation adapté à l'évaluation du raisonnement émotionnel en relation avec la personnalité, ainsi qu'à des techniques d'apprentissage multitâche et de contrastive training qui renforcent la représentation émotionnelle et contextuelle. Les résultats expérimentaux obtenus à partir de plusieurs datasets confirment que les méthodes proposées conduisent à des améliorations substantielles en matière de compréhension des émotions, de personnalisation et de capacités de raisonnement. En résumé, ce travail contribue au développement de technologies linguistiques émotionnellement intelligentes en établissant un lien entre la reconnaissance des émotions, la modélisation des utilisateurs et le raisonnement, ouvrant la voie à des systèmes plus sensibles au contexte, socialement responsables et alignés sur l'expérience émotionnelle humaine.