La méthode
L'émotivité et la polarisation ont-elles augmenté au Parlement suisse entre 1999 et 2026 ? Pour répondre a cette question, ce projet a combiné trois approches : la classification par intelligence artificielle, des méthodes basées sur des dictionnaires et la validation manuelle.
Nous avons appliqué le traitement automatique du langage naturel à plus de 180'000 discours parlementaires suisses en allemand, en français et en italien. À l'aide de GPT-4o-mini, nous avons suivi le contenu émotionnel et le registre des discours à grande échelle, en deux étapes : d'abord, le modèle distinguait les discours rationnels des discours émotionnels ; ensuite, pour ceux identifiés comme émotionnels, l'une des huit dimensions suivantes leur était attribuée : colère, espoir, enthousiasme, peur, joie, tristesse, fierté ou dégoût.
Afin de garantir la fiabilité des résultats, un sous-ensemble d'environ 500 discours a été codé manuellement et comparé aux classifications du modèle. Après plusieurs cycles de validation, le prompt a été affiné de manière itérative jusqu'à ce que le taux de concordance entre les codeurs humains et le modèle atteigne un niveau satisfaisant. Dans l'échantillon final validé, le taux d'accord global s'élevait à 72%, ce qui signifie que deux codeurs humains et le modèle s'accordaient sur le caractère émotionnel ou non d'un discours. Pour l'émotion dominante spécifique, le taux était légèrement inférieur, à 61%, en raison principalement de la tendance du modèle à surestimer l'enthousiasme. C'est pour la colère que la concordance entre les trois évaluateurs était la plus forte, à 72%.
Chaque discours a également été assigné à l'un des dix thèmes substantiels définis par le modèle Multilingual ParlaCAP, un classificateur de type BERT affiné développé par Pungeršek et al. (2026). Les thèmes couvraient un spectre allant de la politique étrangère et de la santé à la migration, à l'énergie et à la justice pénale, nous offrant une grille d'analyse structurée pour examiner non seulement comment les parlementaires s'expriment, mais aussi sur quoi. Enfin, des statistiques descriptives ont été utilisées pour retracer l'évolution de l'émotivité dans le temps, entre les chambres et selon les partis.
Notre expérience
Travailler avec une telle profondeur et densité de données s'est révélé à la fois fascinant et exigeant. La mise en forme des données, l'ajustement des prompts et le perfectionnement du code nous ont appris à quel point la rigueur en amont est essentielle parce que les erreurs commises tôt ont tendance à se multiplier. Ce Capstone nous a offert l'opportunité d'acquérir une expérience pratique concrète en parallèle de nos études, en développant des compétences en programmation et en grands modèles de langage qui prennent une place croissante dans la recherche en sciences sociales. Lorsque nous avons enfin pu explorer les jeux de données finaux, les résultats étaient véritablement stimulants — même si en tirer des enseignements significatifs ressemblait parfois à chercher une aiguille dans une botte de foin. Chacun d'entre nous a apporté des intérêts, des approches et des perspectives légèrement différents, ce qui nous a permis d'avoir une vision plus complète et nuancée de l'habitus parlementaire.
L'un des défis qui nous a le plus surpris est la difficulté qu'il y a à attribuer une émotion à un discours transcrit. La validation manuelle s'est avérée bien plus ardue que prévu, nous rappelant à quel point la communication dépasse les mots eux-mêmes : gestes des mains, expressions du visage, hauteur de la voix, tonalité, volume et bien plus encore. En même temps, ce processus a mis en lumière comment l'IA peut contribuer à réduire les biais humains qui surgissent lorsqu'on écoute ou observe un orateur dont on a déjà une opinion, rendant la classification plus cohérente et plus extensible. Cela dit, l'IA n'a pas encore maîtrisé l'art de lire les émotions humaines avec précision, et une grande part de ce qui se cache sous les mots demeure hors de portée des capacités actuelles. La validité de notre analyse repose autant sur la cohérence des erreurs de mesure inhérentes selon le genre, le parti et le temps que sur la précision brute de la classification. Saisir le spectre complet de l'expression humaine au-delà du texte reste une question ouverte et fascinante pour les recherches futures.
L'équipe
Quatre étudiant(e)s en master de science politique à l'Université de Zurich, dans le cursus Démocratie, Développement et Politique internationale : Jens Weirich, Laura Platz, Patrik György et Simon Birrer. Supervision de Hugo Subtil et Victor Kristof.
¹Pungeršek, Kuzman, Taja Rupnik, Daniela Širinić et Nikola Ljubešić. 2026. « Supercharging Agenda Setting Research: The ParlaCAP Dataset of 28 European Parliaments and a Scalable Multilingual LLM-Based Classification. » arXiv. https://arxiv.org/abs/2602.16516.
Politique étrangère & sécurité ; Défense & budget militaire ; Fiscalité & finances publiques ; Justice pénale & droits ; Santé ; Énergie & environnement ; Agriculture & alimentation ; Migration & asile ; Politique sociale & travail ; Économie & infrastructures ; Questions procédurales (exclues de l'analyse)