Contexte et motivations

Les grands modèles de langage (LLM) tels que GPT‑4 ou Claude sont entraînés sur des corpus massifs contenant des dialogues humains. Cette exposition conduit naturellement les modèles à générer des pronoms de première personne (« I », « me », « my »). Dans les interfaces conversationnelles, l’apparition de ces pronoms crée une impression d’identité propre au système, ce qui peut renforcer l’anthropomorphisme et influencer les attentes des utilisateurs quant à la responsabilité et à la transparence du bot.

Mécanismes de génération de pronoms

Le processus de décodage repose sur la probabilité conditionnelle de chaque token : P(token_n | token_1…token_{n‑1}). Les séquences contenant « I » ou « me » sont souvent parmi les plus probables parce que le texte d’entraînement associe fréquemment ces tokens à des réponses cohérentes. Pour réduire leur occurrence, les développeurs injectent un system message qui modifie la distribution de probabilité en imposant une contrainte sémantique. Par exemple, le message « You are a neutral assistant that never uses first‑person pronouns » agit comme un pré‑prompt qui décale le logit des tokens « I », « me » et « my » vers des valeurs négatives, diminuant ainsi leur sélection lors du décodage.

curl https://api.openai.com/v1/chat/completions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-4",
    "messages": [
      {"role": "system", "content": "You are a neutral assistant that never uses first‑person pronouns."},
      {"role": "user", "content": "Explain how photosynthesis works."}
    ],
    "temperature": 0.7,
    "max_tokens": 150
  }'

Le paramètre temperature contrôle la randomisation ; à 0.7 le modèle conserve une certaine créativité tout en respectant la contrainte du système. Le max_tokens limite la longueur de la réponse, évitant les digressions où le modèle pourrait réintroduire involontairement des pronoms de première personne.

Implications ergonomiques et éthiques

Des études en interaction homme‑machine montrent que les utilisateurs attribuent davantage de confiance et de compétence à un agent qui s’exprime à la première personne. En supprimant ces pronoms, on réduit ce biais d’attribution, ce qui rend plus explicite le statut d’outil. Cependant, la contrainte peut entraîner des réponses moins fluides : le modèle doit reformuler des phrases où le sujet implicite est naturellement « I », ce qui augmente la charge cognitive du système et peut générer des tournures moins naturelles ou des répétitions de noms propres.

Limites et perspectives

La suppression totale des pronoms de première personne n’est pas garantie ; le modèle peut contourner la contrainte en utilisant des synonymes (« the assistant », « this system ») ou en réintroduisant des pronoms dans des citations. De plus, la modification du logit impacte l’ensemble du vocabulaire, ce qui peut réduire la diversité lexicale et affecter la pertinence des réponses dans des contextes où le point de vue de l’utilisateur est essentiel (ex. : rédaction de lettres personnelles). Les futures recherches pourraient explorer des techniques de fine‑tuning ciblé, où le modèle est ré‑entraîné sur un jeu de données dépourvu de pronoms de première personne, offrant une solution plus robuste que le simple pré‑prompt.