L’IA comme aide à la délibération : enseignements de Polis à la Habermas Machine

La démocratie délibérative s’est toujours heurtée à un problème d’échelle : la discussion approfondie fonctionne dans des salles réunissant quelques dizaines de personnes, alors que les communautés politiques comptent des millions d’individus. Les logiciels et, depuis 2022, les grands modèles de langage (LLM) promettent d’atténuer cette contrainte en regroupant les opinions, en modérant les discussions, en résumant les arguments et en rédigeant des déclarations susceptibles d’être acceptées par de nombreuses personnes. Cette étude examine les principaux déploiements dans le monde réel et les expériences contrôlées : la plateforme Polis et le processus vTaiwan à Taïwan ; les Alignment Assemblies organisées par le Collective Intelligence Project, notamment Collective Constitutional AI avec Anthropic ; la plateforme Online Deliberation de Stanford et son modérateur automatisé ; et la « Habermas Machine » de Google DeepMind, présentée dans Science en 2024. Elle confronte ensuite ces initiatives aux données expérimentales sur les risques : l’IA fait évoluer les opinions, persuade plus efficacement que les humains et restreint l’éventail des idées. Dans l’ensemble, ces outils aident de manière mesurable les personnes à trouver et à exprimer un terrain d’entente. Jusqu’à présent, ils ont surtout été utilisés dans des cadres consultatifs, tandis que des éléments probants solides montrent que ces mêmes capacités pourraient servir à orienter les participants autant qu’à les aider. La question de conception n’est donc pas de savoir si l’IA peut soutenir la délibération, mais qui contrôle l’outil, ce qu’il est autorisé à faire et comment son influence est auditée.

Principaux constats

• L’IA peut rédiger des déclarations que les groupes préfèrent. Lors d’expériences menées auprès de 5,734 participants, les déclarations produites par un médiateur IA ont été préférées à celles rédigées par des médiateurs humains et jugées plus informatives, plus claires et plus impartiales ; les participants ont souvent fait évoluer leurs opinions vers une position commune, et le résultat a été reproduit dans une assemblée citoyenne virtuelle constituée à partir d’un échantillon britannique représentatif sur le plan démographique (Tessler et ses collègues, 2024).
• Les outils de cartographie des opinions ont influencé des politiques publiques réelles, principalement dans le cadre de consultations. Utilisé dans le processus vTaiwan depuis 2014, Polis regroupe les participants selon leurs votes sur de courtes déclarations et met en évidence celles qui recueillent un soutien dans plusieurs groupes. Il a contribué à l’élaboration de lois et de réglementations, notamment dans le cas UberX, mais ses résultats restent consultatifs.
• La participation du public peut modifier le comportement d’un modèle sans nuire à ses capacités. Environ 1,000 Américains ont fourni 1,127 déclarations et exprimé 38,252 votes pour une « constitution publique » destinée à un modèle d’Anthropic ; le modèle qui en a résulté a affiché moins de biais sur neuf dimensions sociales qu’un modèle entraîné à partir de la constitution propre à Anthropic, tout en obtenant des performances équivalentes sur les tests de référence de capacités (Huang et ses collègues, 2024).
• La modération automatisée est déjà utilisée à grande échelle. La plateforme de délibération en ligne de Stanford gère les files de prise de parole, les ordres du jour minutés et les comportements discourtois, et indique compter plus de 50,000 utilisateurs uniques dans plus de 40 pays ; elle a notamment accueilli le Forum communautaire de Meta de 2023 (1,545 participants dans quatre pays) et une délibération taïwanaise de 2024 sur l’IA et l’intégrité de l’information (447 participants).
• Les mêmes outils peuvent orienter les opinions. Écrire avec un modèle de langage exprimant des opinions a fait évoluer les opinions des participants eux-mêmes (N=1,506) ; des débatteurs GPT-4 personnalisés se sont montrés plus persuasifs que des débatteurs humains dans 64.4% des cas sans égalité (N=900) ; et l’accès à des idées générées par l’IA a amélioré individuellement les travaux créatifs, tout en les rendant collectivement plus similaires.
• Les données sur la légitimité sont limitées. Presque toutes les études mesurent les évaluations des participants et l’évolution de leurs attitudes dans le cadre d’expériences ou de consultations ponctuelles. Il existe peu de données permettant de savoir si les processus assistés par l’IA sont perçus comme légitimes par les non-participants, ou quel est leur effet sur les décisions réelles.

Question de recherche et portée

L’étude pose la question suivante : que montrent les données sur les outils d’IA comme auxiliaires de la délibération démocratique, et quels risques mettent-elles en évidence ? L’expression « aide à la délibération » couvre quatre fonctions : (1) cartographier les opinions au sein d’une population nombreuse (Polis) ; (2) faciliter les discussions (modération automatisée) ; (3) synthétiser les opinions sous forme de résumés ou de déclarations de groupe (synthèse par LLM, Habermas Machine) ; et (4) agréger les contributions du public pour établir des règles régissant les systèmes d’IA eux-mêmes (Collective Constitutional AI, Alignment Assemblies). L’IA utilisée pour prendre des décisions au nom des citoyens, les candidats IA et l’IA dans l’administration électorale sont hors du champ de cette étude.

Contexte

La théorie délibérative, de la conception de l’agir communicationnel de Jürgen Habermas aux sondages délibératifs de James Fishkin, considère que la légitimité des décisions collectives dépend de la qualité du raisonnement qui les précède : inclusion, égalité de parole, recours aux raisons plutôt qu’au pouvoir et ouverture à la révision. Ses formes institutionnelles (assemblées citoyennes, jurys et sondages délibératifs) reposent sur la sélection aléatoire et des facilitateurs humains formés, et leur coût par participant est élevé. En revanche, les consultations en ligne sont peu coûteuses, mais tendent à privilégier les voix les plus fortes et à attirer les provocateurs.

Les outils informatiques ont comblé progressivement cette lacune. Polis, un « wikisurvey » open source développé au début des années 2010, évitait entièrement les réponses en fil de discussion : les participants soumettent de courtes déclarations et votent pour dire s’ils sont d’accord, en désaccord ou s’ils passent sur les déclarations des autres, et le logiciel utilise la réduction de dimensionnalité et le regroupement en grappes pour faire apparaître la structure de l’opinion. La communauté taïwanaise des technologies civiques l’a adopté pour vTaiwan, un processus de consultation lié au gouvernement. Depuis 2022, les grands modèles de langage (LLM) ont apporté la capacité de lire et de rédiger du langage naturel à grande échelle, ce qui permet la synthèse, la modération par le texte et la rédaction de propositions de consensus.

Méthode et sources

Il s’agit d’une revue structurée d’expériences évaluées par des pairs, de prépublications et de la documentation primaire des organisations qui mettent en œuvre les processus. Les principales sources sont : les travaux de Small et de ses collègues sur Polis (2021) et sur les LLM dans Polis (2023) ; ceux de Hsiao et de ses collègues sur vTaiwan (2018) ; la description par le Collective Intelligence Project de ses Alignment Assemblies de 2023 ; les travaux de Huang et de ses collègues sur Collective Constitutional AI (FAccT 2024) et le rapport d’Anthropic qui les accompagne ; les travaux du Deliberative Democracy Lab de Stanford et du Human-Centered AI Institute sur l’Online Deliberation Platform ; Tessler et ses collègues dans Science (2024) ; Argyle et ses collègues dans PNAS (2023) ; et, sur les risques, Jakesch et ses collègues (CHI 2023), Costello, Pennycook et Rand (Science 2024), Hackenburg et Margetts (PNAS 2024), Salvi et ses collègues (Nature Human Behaviour 2025) et Doshi et Hauser (Science Advances 2024). Lorsque les organisations qui mettent en œuvre un processus en sont également les évaluatrices, le texte le signale.

Résultats

Cartographier l’opinion : Polis et vTaiwan

Small et ses collègues décrivent Polis comme une application web open source « capable de recueillir et de synthétiser les réactions des participants de manière évolutive et distribuée » et indiquent qu’elle a favorisé une compréhension partagée, découragé le trollage et fait ressortir des points de consensus dans le journalisme, la recherche universitaire et les instances décisionnelles aux niveaux local et national. Le choix de conception le plus important est l’absence de réponses : les participants ne peuvent pas s’attaquer directement les uns les autres, et le logiciel valorise les déclarations qui suscitent l’accord de groupes aux opinions différentes plutôt que l’accord au sein d’un même groupe.

Lancé en 2014, vTaiwan associait Polis à des réunions publiques, des consultations retransmises en direct et la participation de responsables publics. Hsiao, Lin, Tang, Narayanan et Sarahe ont documenté son processus, de la proposition et du recueil des opinions à la réflexion, puis à la législation, et ont étudié la consultation de 2015 sur UberX comme étude de cas dans laquelle un « consensus approximatif » entre chauffeurs, exploitants de taxis, passagers et responsables publics a alimenté la réglementation. Audrey Tang, qui a participé à vTaiwan puis est devenue ministre du Numérique de Taïwan, est devenue la principale porte-parole de cette approche.

Deux limites sont bien documentées dans les travaux sur vTaiwan. Ses résultats dépendaient de la décision des ministères de participer et d’agir ; le processus n’avait aucun caractère contraignant. Par ailleurs, la participation était fondée sur le volontariat : le processus était ouvert à tous, ce qui ne signifie pas qu’il était représentatif de tous.

Faciliter les discussions : la modération automatisée

Le Deliberative Democracy Lab et l’équipe Crowdsourced Democracy de Stanford ont créé l’Online Deliberation Platform pour des discussions vidéo en petits groupes. Selon la description publiée par Stanford HAI en 2020, son modérateur automatisé gère une file d’attente de participants souhaitant prendre la parole, limite chaque intervention à 45 secondes, suit un ordre du jour minuté et demande au groupe s’il souhaite poursuivre ou passer au point suivant, invite les participants silencieux à s’exprimer et transcrit les interventions en leur attribuant un score de toxicité à l’aide de l’API Perspective de Google ; si une personne dépasse un seuil, les autres participants sont sondés et, si la majorité est d’accord, cette personne est mise en sourdine pendant quelques minutes. Les développeurs ont reconnu que le système ne peut pas lire le langage corporel ni détecter les sujets sensibles comme le ferait un modérateur humain.

En 2026, la page de la plateforme indiquait qu’elle était utilisée dans plus de 40 langues et dans plus de 40 pays, et comptait plus de 50,000 utilisateurs uniques et plus de 100,000 heures de délibération. Parmi les exemples :

• Forum communautaire de Meta sur l’IA générative, 28-29 octobre 2023 : 1,545 participants issus de groupes sélectionnés selon une méthode d’échantillonnage scientifique au Brésil, en Allemagne, en Espagne et aux États-Unis ont délibéré sur l’IA générative ; un autre forum, en octobre 2024, a porté sur les agents d’IA.
• Sondage délibératif de Taïwan sur l’utilisation de l’IA pour renforcer l’intégrité de l’information, 23 mars 2024 : 447 citoyens taïwanais, réunis à l’initiative du ministère des Affaires numériques, du Deliberative Democracy Lab de Stanford et de la National Yang Ming Chiao Tung University, ont débattu de l’autorégulation des plateformes par opposition à la supervision gouvernementale, ainsi que de la manière dont les grandes plateformes devraient utiliser l’IA contre les fausses informations et les hypertrucages.

Les développeurs de la plateforme ont publié une évaluation. Gelauff et ses collègues ont analysé les enquêtes et les indicateurs de participation d’un sondage délibératif organisé au Japon sur la plateforme et indiquent que ses résultats étaient comparables à ceux d’une délibération antérieure, en présentiel et modérée par un humain, sur un sujet très similaire ; des éléments préliminaires suggèrent une participation plus égalitaire entre les genres, et une équité comparable selon le revenu et le niveau d’études. La comparaison porte sur deux événements distincts plutôt que sur un essai randomisé, et elle a été menée par l’équipe qui a conçu l’outil.

Une expérience connexe menée par Argyle et ses collègues a utilisé un LLM pour suggérer, en temps réel, des reformulations de messages dans des conversations en ligne sur un sujet clivant, afin que l’interlocuteur se sente compris. Les interventions ont amélioré la qualité perçue des conversations et la « réciprocité démocratique », ainsi que le ton, « sans modifier systématiquement le contenu de la conversation ni faire évoluer les opinions des personnes sur les politiques publiques ». Cette aide est plus limitée que la modération, mais elle montre que des interventions de l’IA peu intrusives peuvent modifier la manière dont les gens parlent sans changer ce qu’ils pensent.

Synthétiser les points de vue : la machine Habermas

Tessler et ses collègues de Google DeepMind ont entraîné un système fondé sur un LLM, qu’ils ont appelé Habermas Machine, afin de faciliter la délibération de groupe au Royaume-Uni. Les participants ont écrit leurs opinions sur une question sociale ou politique ; l’IA a rédigé une déclaration collective ; les participants l’ont critiquée ; l’IA a produit des déclarations révisées ; puis les participants ont classé les résultats. Lors d’expériences menées auprès de 5,734 participants, les personnes ont préféré les déclarations générées par l’IA à celles rédigées par des médiateurs humains, les jugeant plus informatives, plus claires et plus impartiales. Les participants à la délibération ont souvent révisé leurs opinions après la délibération et convergé vers une perspective commune. L’analyse des représentations vectorielles des textes a montré que les déclarations réussies intégraient les voix dissidentes tout en respectant la position majoritaire. Les résultats ont été reproduits dans une assemblée citoyenne virtuelle constituée d’un échantillon représentatif de la population du Royaume-Uni sur le plan démographique.

L’étude constitue la preuve contrôlée la plus solide que l’IA peut remplir la fonction de « terrain d’entente » d’un facilitateur. Ses limites sont également importantes. Le processus se déroule par écrit plutôt qu’à l’oral ; les participants n’ont pas délibéré directement les uns avec les autres ; le système a été optimisé pour produire des déclarations auxquelles les groupes adhéreraient, ce qui n’équivaut pas à produire des déclarations vraies ou judicieuses ; et la convergence qu’il suscite pourrait, entre d’autres mains, devenir un outil de fabrication du consentement.

Agréger les contributions pour l’IA elle-même : les assemblées d’alignement et l’IA constitutionnelle collective

Le Collective Intelligence Project (CIP) a organisé une série d’« assemblées d’alignement » en 2023 afin d’intégrer les contributions du public aux décisions concernant l’IA : un projet pilote autour du Sommet pour la démocratie (mars 2023) ; un exercice de classement des risques avec OpenAI (juin 2023) ; un processus avec le ministère taïwanais des Affaires numériques, qui a adapté vTaiwan pour demander comment les politiques gouvernementales devraient répondre à l’IA générative, sur des sujets comprenant le droit d’auteur, la rémunération, les biais et les services publics (juillet 2023) ; l’IA constitutionnelle collective avec Anthropic (octobre 2023) ; et une consultation pour Creative Commons sur l’utilisation d’œuvres sous licence dans l’entraînement de l’IA.

L’IA constitutionnelle collective est le processus le mieux documenté. Environ 1,000 adultes américains, recrutés de manière à refléter la population selon l’âge, le genre, le revenu et la répartition géographique, et dont la familiarité élémentaire avec l’IA avait été vérifiée, ont utilisé Polis pour soumettre et voter sur des principes applicables à un assistant d’IA. Ils ont contribué 1,127 déclarations et 38,252 votes. Les déclarations ayant recueilli un consensus dans chacun des deux groupes d’opinion identifiés par Polis ont été conservées ; le CIP a supprimé les déclarations haineuses, redondantes ou hors sujet, n’en laissant que 275, qui ont été fusionnées et reformulées dans le format utilisé pour l’entraînement d’Anthropic à l’IA constitutionnelle. La constitution publique recoupait à peu près pour moitié celle d’Anthropic en matière de concepts et de valeurs, et accordait davantage de poids à l’objectivité et à l’accessibilité ; elle tendait aussi à promouvoir les comportements souhaités plutôt qu’à interdire les comportements indésirables.

Source : Huang et ses collègues (2024) et le rapport Anthropic/CIP (octobre 2023).

Les auteurs énumèrent eux-mêmes les réserves : un petit échantillon limité aux États-Unis ; des choix de jugement subjectifs lors de la conversion des déclarations en principes ; des évaluations limitées et préliminaires ; et un entraînement qui s’est révélé plus complexe que prévu. Le processus était également consultatif au sens fort : l’entreprise a décidé de le mettre en place, a choisi la question, a modéré les déclarations et a décidé de la suite à donner aux résultats.

Ce que les dispositifs mis en œuvre ont en commun

Aucun de ces processus n’avait force obligatoire pour un organe législatif ou une entreprise. Les éléments disponibles portent donc sur la question de savoir si l’IA améliore l’expérience délibérative et la qualité des résultats, et non sur celle de savoir si elle modifie l’exercice du pouvoir.

Les risques : orientation, persuasion et homogénéisation

Les capacités qui rendent l’IA utile à la délibération la rendent potentiellement dangereuse pour celle-ci.

• Persuasion latente. Jakesch et ses collègues ont demandé à 1,506 participants de rédiger une publication sur la question de savoir si les réseaux sociaux sont bénéfiques à la société ; certains disposaient d’un assistant d’écriture par IA configuré pour défendre un point de vue. L’utilisation de l’assistant orienté a modifié à la fois les opinions exprimées dans les textes et les attitudes des participants, mesurées lors d’une enquête ultérieure. Un facilitateur ou un synthétiseur doté d’un biais intégré pourrait infléchir un groupe sans que personne ne s’en aperçoive.
• Pouvoir de persuasion. Costello, Pennycook et Rand ont engagé 2,190 personnes qui croyaient à des théories du complot dans des dialogues personnalisés et fondés sur des éléments probants avec GPT-4 Turbo ; la croyance a diminué d’environ 20 % et l’effet a persisté pendant au moins deux mois. Salvi et ses collègues ont constaté que les débatteurs utilisant GPT-4, disposant d’informations sociodémographiques de base sur leur adversaire, étaient plus persuasifs que les débatteurs humains dans 64.4 % des cas où les deux n’étaient pas également persuasifs (N=900). Hackenburg et Margetts, dans une expérience préenregistrée menée auprès de 8,587 participants, ont constaté que les messages de GPT-4 étaient globalement persuasifs sur les questions politiques, mais que le microciblage ne présentait aucun avantage statistiquement significatif. Ces résultats vont dans les deux sens : l’IA peut corriger des croyances fausses et modifier des croyances exactes.
• Homogénéisation. Doshi et Hauser ont constaté que les auteurs auxquels un LLM fournissait des idées d’histoires produisaient des récits jugés plus créatifs et mieux écrits, mais aussi plus semblables entre eux que les récits rédigés sans IA. Dans la délibération, le risque analogue est que les déclarations rédigées par l’IA convergent vers un centre insipide et écartent les cadrages minoritaires, alors même que chaque participant se sent mieux représenté.
• Opacité et contrôle. Les travaux pilotes de Small et de ses collègues sur les LLM dans Polis ont montré que la synthèse et la modération pouvaient rendre les conversations plus efficaces, mais que la quantité limitée de texte qu’un modèle pouvait traiter affectait « considérablement » la profondeur et la qualité des résultats ; ils ont également relevé des risques nécessitant l’élaboration de principes pour les caractériser et les atténuer. Le choix du modèle, de ses instructions et de ses données d’entraînement par une personne détermine la production.

Ce que les données probantes ne montrent pas

• Effets sur les décisions. Aucune étude examinée ici ne mesure si la délibération assistée par l’IA a produit de meilleures politiques, ou modifié les décisions d’un gouvernement ou d’une entreprise, par rapport à un processus sans IA.
• Légitimité aux yeux des non-participants. La Habermas Machine et Collective Constitutional AI ont mesuré les préférences des participants. La question de savoir si le grand public accepterait une déclaration parce qu’une IA a contribué à sa rédaction n’a pas été testée ; les enquêtes sur les attitudes du public indiquent un scepticisme à l’égard de l’IA comme décideur au sein du gouvernement.
• Modération automatisée ou humaine. La seule comparaison publiée entre le modérateur automatisé de Stanford et une modération humaine, réalisée par ses concepteurs, met en regard un sondage délibératif en ligne et un événement en personne antérieur ; aucune comparaison randomisée n’a été publiée.
• Durabilité. Les changements d’attitude ont été mesurés sur des périodes de quelques heures ou, tout au plus, de quelques semaines ; on ignore si la convergence persiste.
• Généralisation à d’autres cultures. La plupart des expériences ont été menées aux États-Unis et au Royaume-Uni, en anglais, auprès d’échantillons en ligne.

Implications pour la conception des institutions

1. Confier à l’IA le rôle de facilitateur, et non de décideur. La cartographie, la modération et la rédaction sont des aides ; l’approbation doit rester du ressort des participants, et les décisions, de celui d’instances responsables.
2. Séparer le propriétaire de l’outil des parties prenantes concernées par la question. Une entreprise qui organise une délibération sur son propre produit, ou un gouvernement sur sa propre politique, ne devrait pas également contrôler le modèle qui rédige le consensus.
3. Publier la configuration. Les instructions, la version du modèle, les règles de modération et la transformation des déclarations brutes en résultats devraient être accessibles au public et vérifiables, comme le sont en partie le code open source de Polis et la documentation du CIP.
4. Protéger les cadrages minoritaires. Exiger que les synthèses présentent les positions dissidentes et la taille des groupes qui les défendent, plutôt qu’une seule déclaration de « terrain d’entente ».
5. Vérifier les risques d’influence. Comparer les processus assistés par l’IA à des groupes témoins constitués aléatoirement (facilitation humaine, absence de synthèse) et mesurer les changements d’attitude, et pas seulement la satisfaction.
6. Associer l’IA au tirage au sort. L’IA réduit le coût par participant ; la sélection aléatoire assure la représentativité. Le forum Meta de 2023 et le sondage délibératif de Taïwan de 2024 montrent que les deux peuvent être combinés.

Questions ouvertes

• Une assemblée citoyenne dotée d’un pouvoir décisionnel utiliserait-elle un outil de rédaction par IA, et comment ses membres vérifieraient-ils ce que l’outil a fait ?
• Les algorithmes de « rapprochement » qui récompensent les accords entre groupes pourraient-ils être détournés par des groupes coordonnés, comme l’ont été d’autres systèmes de classement ?
• Les résultats des délibérations assistées par l’IA devraient-ils comporter une mention à cet effet, et cette mention modifierait-elle la manière dont ils sont reçus ?
• Qui devrait certifier la neutralité d’un modèle de délibération, et selon quelle norme ?
• Si l’IA peut réduire les croyances fausses par le dialogue, les institutions publiques devraient-elles la déployer, et avec quelles garanties contre son utilisation à des fins de plaidoyer ?

Sources

1. Small, C., Bjorkegren, M., Erkkilä, T., Shaw, L. et Megill, C. (2021). Polis: Scaling Deliberation by Mapping High Dimensional Opinion Spaces. Recerca. Revista de Pensament i Anàlisi 26(2).
2. Hsiao, Y. T., Lin, S.-Y., Tang, A., Narayanan, D. et Sarahe, C. (2018). vTaiwan: An Empirical Study of Open Consultation Process in Taiwan. SocArXiv.
3. Small, C. T., Vendrov, I., Durmus, E., Homaei, H., Barry, E., Cornebise, J., Suzman, T., Ganguli, D. et Megill, C. (2023). Opportunities and Risks of LLMs for Scalable Deliberation with Polis. arXiv:2306.11932.
4. Tessler, M. H., Bakker, M. A., Jarrett, D., Sheahan, H., Chadwick, M. J., Koster, R. et leurs collègues (2024). AI can help humans find common ground in democratic deliberation. Science 386(6719), eadq2852.
5. Huang, S., Siddarth, D., Lovitt, L., Liao, T. I., Durmus, E., Tamkin, A. et Ganguli, D. (2024). Collective Constitutional AI: Aligning a Language Model with Public Input. Dans Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency, p. 1395-1417.
6. Anthropic et Collective Intelligence Project (2023). Collective Constitutional AI: Aligning a Language Model with Public Input, 17 octobre 2023.
7. Collective Intelligence Project. Alignment Assemblies.
8. Stanford Deliberative Democracy Lab. Online Deliberation Platform.
9. Stanford HAI (2020). A Moderator ChatBot for Civic Discourse, 6 février 2020.
10. Stanford Deliberative Democracy Lab. Meta Community Forum on Generative AI: results (forum d’octobre 2023).
11. Stanford Deliberative Democracy Lab. Taiwan Deliberative Poll on Utilizing AI to Enhance Information Integrity (23 mars 2024).
12. Argyle, L. P., Bail, C. A., Busby, E. C., Gubler, J. R., Howe, T., Rytting, C., Sorensen, T. et Wingate, D. (2023). Leveraging AI for democratic discourse: Chat interventions can improve online political conversations at scale. PNAS 120(41), e2311627120.
13. Jakesch, M., Bhat, A., Buschek, D., Zalmanson, L. et Naaman, M. (2023). Co-Writing with Opinionated Language Models Affects Users' Views. Dans Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems.
14. Costello, T. H., Pennycook, G. et Rand, D. G. (2024). Durably reducing conspiracy beliefs through dialogues with AI. Science 385(6714), eadq1814.
15. Hackenburg, K. et Margetts, H. (2024). Evaluating the persuasive influence of political microtargeting with large language models. PNAS 121(24), e2403116121.
16. Salvi, F., Horta Ribeiro, M., Gallotti, R. et West, R. (2025). On the conversational persuasiveness of GPT-4. Nature Human Behaviour 9(8), 1645-1653.
17. Doshi, A. R. et Hauser, O. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances 10(28), eadn5290.
18. Gelauff, L., Nikolenko, L., Sakshuwong, S., Fishkin, J., Goel, A., Munagala, K. et Siu, A. (2023). Achieving parity with human moderators: A self-moderating platform for online deliberation. Dans The Routledge Handbook of Collective Intelligence for Democracy and Governance. Routledge.