données personnelles (1): le recueil des émotions -

Alors que les outils de suivi des émotions s’affinent se pose la question des perspectives qu’offre le recueil de ces nouvelles données personnelles.

Un approfondissement des recherches dans des domaines tels que celui-ci est d’autant plus probable que du contrôle social aux applications militaires, des habitudes de consommation aux performances professionnelles, beaucoup de monde s’intéresse à ce qui conditionne les comportements.

recueil des émotions: outils et méthodes

cataloguer les émotions

Étudier un objet revient, au moins dans un premier temps, à le décomposer. Ordonner cette décomposition amène à peu près systématiquement à en construire une arborescence.

En partant sur une base de huit émotions primaires, Robert Plutchik, un des pionniers du domaine, a ainsi proposé la classification suivante:

Une même démarche amène à cette arborescence de 102 émotions obtenue à partir de 6 émotions primaires

traquer les émotions

En dépit de diverses approches, notamment sur l’activité cardiaque , c’est sur le visage que ce sont focalisées les observations des émotions, reprenant une idée déjà ancienne, le nombre de muscles présents dans et autour du visage pouvant donner lieu à des milliers de combinaisons.

Paul Ekman fait aujourd’hui référence dans cette approche. Il a dressé un catalogue de 5000 micro-mouvements musculaires (*) du visage, supposés liés à des émotions et observables sur des vidéos à l’échelle de la fraction de seconde.

Ses émules sont nombreux:

Rival Affectiva affirme avoir mesuré sept milliards de réactions émotionnelles à partir de 2,4 millions de vidéos de visage dans 80 pays.

Toujours sur le visage, nombre de recherches se sont plus particulièrement appuyées sur l’encyclopédie que constitueraient l’oeil et le suivi oculaire (*) et qui iraient, en outre, bien au-delà de la simple détection d’émotions.

Ces nouveaux outils ont pour mérite de permettre une observation à distance et en dehors de procédures de test, toujours suspectes dans la mesure où le contexte lui-même est générateur d’émotions parasites pour un interrogé surtout préoccupé de savoir si ses réponses seront considérées comme les bonnes par l’interrogateur.

émotions & Big Data

L’analyse des comportements individuels se heurte à une difficulté majeure: isoler ce qu’il y a de permanent (motifs, mode opératoire…) – susceptible, une fois identifié, d’être assimilé à une connaissance acquise – et ce qui relève d’oscillations plus ou moins aléatoires autour de ces données de référence. Le recueil classique de données personnelles et le suivi des émotions pourraient ainsi apparaître complémentaires: le premier générant les connaissances de base, le second identifiant les principaux perturbateurs de comportement au travers des émotions ressenties par l’individu.

Cela supposerait néanmoins que l’ensemble de ces données puissent se rejoindre dans un même mode de traitement, d’autant que, qui s’intéresse au comportement de l’individu souhaitera également savoir quel sera celui-ci en situation de stress, de peur, d’euphorie, d’échec… c’est-à-dire dans des conditions considérées comme “anormales”.

le recueil massif “classique” des données personnelles

Le recueil massif de données personnelles impressionne alors que ses performances dans la prévision des comportements déçoivent. La connaissance acquise de la personne qu’on voudrait y trouver semble, dans les faits, sujette à caution. Il lui manque à l’évidence quelque chose.

De quoi se nourrit-il?

De ce qui est exploitable “en ligne”.
Des données tangibles de l’individu (achat, recherche, messages, rencontre, déplacements – d’un côté – identifiants et formulaires – de l’autre -).
De l’idée que les données s’inscrivent dans un contexte “normal”, donc reproductible. L’individu sera ainsi supposé refaire ce qu’il a déjà fait.
Le Big Data ne fonctionne pas sur des relations de causalité, que les corrélations de jeux de données obtenues ne font que… “questionner”. Ces questions n’en sont pas moins fréquemment vendues comme des réponses… ce qui constitue le biais principal de la démarche.

D’une manière générale, les données obtenues sont de type “bureaucratique”: l’individu “sait” que ces données existent et sont susceptibles d’être captées. À défaut d’être approuvé, le processus reste intelligible

le recueil des émotions

Les données d’émotions sont de type “médical”: l’individu n’a pas la moindre idée de ce qui aura été identifié chez lui.

L’observation concernera des manifestations physiques, les seules pouvant être posées comme authentiques, surtout par rapport aux écrits recueillis dans les réseaux sociaux
À la différence des données classiques, les émotions ne sont pas intimement liées à des actions objectives, mais plutôt à des données de contexte
Les émotions ne s’inscrivent pas facilement dans une normalité. Elles sont par essence instables et fugaces. L’émotion n’est pas supposée rester la même en présence d’un chien, avant et après… avoir été mordu par un chien. Devant un verre d’eau, elle n’est pas indépendante de la soif. Face à une perte d’emploi, elle n’est pas indépendante des moyens de vie dont on dispose par ailleurs … etc…
Une émotion peut s’inscrire dans des corrélations, mais à la différence des données classiques on ne la conçoit qu’intégrée à une chaîne de causalités: un événement génère une émotion qui va induire une manifestation corporelle et éventuellement une action plus ou moins volontaire.

C’est la raison pour laquelle même des recherches aussi approfondies que celles de Paul Ekman se limitent dans leurs applications à … moderniser les détecteurs de mensonges, pourtant disqualifiés de longue date comme procédures d’investigation, la relation du mensonge à l’expression d’une émotion demeurant très incertaine. Mais il n’en demeure pas moins qu’on dispose dans ce cas d’un espace-temps réduit à l’intérieur duquel un stimulus “supposé identifié” (le mensonge) est susceptible d’être directement associé à une réponse corporelle. Or, cette relation essentielle est impossible à obtenir dans un recueil massif d’émotions.

que faire des émotions faibles?

Un peu en retard, j’ai peur de rater mon bus (anxiété). Je me dépêche (rythme cardiaque). Je repense à une dispute de la veille (irritation). Là, un enfant lâche la main de sa mère au milieu de la rue au moment où une voiture arrive (frayeur). J’appréhende la réunion qui m’attend au bureau (anxiété). Mon téléphone vibre (surprise). Ce n’est pas l’appel que j’espérais (déception). La lumière sur la rivière est magnifique aujourd’hui (…). Presque arrivé à l’arrêt de bus, je le vois s’en aller (découragement). Il est immédiatement suivi par un autre (soulagement)…

Toute situation “normale” est composée d’un scintillement permanent d’émotions qui proviennent non seulement des données d’environnement, mais aussi de nos pensées, celles qui se remémorent, celles qui se projettent. Celles-ci provoquent très vraisemblablement, en continu, la plupart des 5000 micro-mouvements détectés par Paul Ekman.

On pourrait postuler que seules les émotions d’une certaine intensité sont susceptibles d’influencer le comportement.

Cependant, les émotions les plus spécifiquement intenses sont aussi les plus exceptionnelles (réciproquement, l’exceptionnel, de quelque nature qu’il soit, est producteur d’émotions). Leurs influences sur le comportement global sont ainsi probables, mais également peu utiles.
L’intensité émotionnelle peut également découler d’une mise en résonnance d’émotions faibles, chacune agissant par exemple de la même manière sur le rythme cardiaque. Mais comment interpréter ce phénomène de l’extérieur?

recueil massif des émotions: le commencement d’une révolution?

Que faut-il retenir de cette exploration?

Les outils les plus en pointe dans le domaine de la détection font émerger le recours à un langage commun: l’image animée (de l’œil ou du visage). Remarque importante: ce langage est le même que celui de la reconnaissance faciale

(*) Clearview AI est connue pour sa base de données de plus de 3 milliards de photos extraites du Web

L’emploi dans ce domaine des méthodes – et par là de la puissance – du Big Data impose la rupture des relations de causalité traditionnellement associées à la notion d’émotion qui supposent un espace-temps ingérable dans le domaine du recueil massif (la cause de l’émotion ne pouvant être identifiée et recueillie en même temps que l’émotion elle-même).

Pour pouvoir être exploitée, l’expression corporelle de l’émotion devra donc être saisie pour elle-même, sans relation à son motif. Une signification nouvelle sera obtenue par la voie statistique des écarts à la moyenne. L’émotion n’y sera perçue comme digne d’intérêt que lorsqu’elle sera particulièrement fréquente ou au contraire anormalement rare chez un individu, soit la seule procédure capable d’exploiter la finesse émotionnelle des typologies mentionnées ci-dessus.

Devrait en découler une approche nouvelle de la notion de personnalité…

… que nous allons tenter d’envisager dans le prochain billet.