analyse
ton couple

Comprendre · Guide

Étudier le couple par les données : ce qu’on sait faire

Bien avant les modèles de langue, la recherche sur le couple était déjà une affaire de données : des disputes filmées, codées une à une par des observateurs formés, et des milliers d’heures de travail pour en tirer quelques résultats solides. Voici comment on est passé de là aux messages écrits, ce que chaque méthode sait faire, et ce qu’aucune ne sait faire.

Observer plutôt que demander

Demandez à un couple comment il se dispute : il décrira la dispute telle qu’il la voit, et chacun la verra différemment. La psychologie du couple s’est longtemps appuyée sur ces questionnaires, puis une partie de la recherche a choisi de regarder plutôt que de demander. Dans le laboratoire de John Gottman et Robert Levenson, à partir des années 1980, des couples discutent d’un désaccord pendant un quart d’heure, filmés, le cœur et la peau reliés à des capteurs. Chaque expression est ensuite classée par des observateurs formés — critique, mépris, défensive, humour, affection — selon une grille publiée. Des années plus tard, on regarde quels couples sont restés ensemble.

C’est de la science des données avant le mot : une grille de mesure, des observations étiquetées, un résultat observé plus tard, et une association statistique entre les deux. Les quatre cavaliers et le ratio de cinq pour un viennent de là.

Un détail de ce travail compte plus que les autres : les observateurs ne sont pas crus sur parole. Deux personnes codent les mêmes enregistrements sans se consulter, et l’on mesure à quel point elles tombent d’accord. Une étiquette sur laquelle deux codeurs formés ne s’accordent pas n’est pas une mesure. Cette discipline, mesurer l’accord avant de croire une étiquette, est exactement celle qu’il faut imposer aujourd’hui aux machines.

Le prix de l’observation

Coder une interaction filmée est un travail long et coûteux : des codeurs formés au repérage des expressions, chaque enregistrement codé deux fois, l’accord entre les deux vérifié. D’où les limites de ces études : quelques dizaines à quelques centaines de couples, une discussion de quinze minutes dans une pièce inconnue, un sujet de désaccord choisi pour l’occasion. Leurs résultats sont solides dans ces conditions, et c’est pour cela qu’il faut toujours les rappeler : le cinq pour un est une moyenne observée pendant une dispute en laboratoire, pas une norme de la vie quotidienne.

Compter les mots

La deuxième voie est venue de la psychologie du langage. James Pennebaker et ses collègues ont construit des dictionnaires qui rangent les mots par catégories — émotions positives et négatives, « je » et « nous », mots de cause, de certitude — et comptent leur fréquence dans un texte. C’est peu coûteux, reproductible, et cela s’applique à n’importe quel volume.

Appliqué aux messages instantanés de couples, ce simple décompte a donné des résultats publiés. Dans une étude sur 86 couples d’étudiants, l’un des deux partenaires écrivait vingt minutes par jour, trois jours de suite, soit sur ses sentiments pour la relation, soit sur sa journée. Trois mois plus tard, 77 % des premiers étaient encore en couple, contre 52 % des seconds ; et dans leurs messages, les deux partenaires employaient davantage de mots d’émotion positive, ce qui explique une partie de l’écart. Sur les mêmes couples, une autre équipe a mesuré à quel point deux partenaires écrivent dans le même style — la même façon d’employer les petits mots : pronoms, articles, prépositions. Dans la moitié des couples dont le style s’accordait le plus, 77 % étaient encore ensemble trois mois après, contre 54 % des autres.

La limite est connue : un dictionnaire lit des mots, pas des phrases. Il ne voit ni l’ironie, ni le « ok » glacial après une dispute, ni le « t’es bête » affectueux, et il ne sait pas à qui s’adresse un reproche. C’est pour cela que ces études parlent de moyennes sur des groupes, où ces erreurs se compensent, et jamais d’un couple en particulier.

J’analyse mon couple

Les traces numériques

Avec les téléphones, chaque échange laisse une trace datée, à une échelle qu’aucun laboratoire n’atteint : qui écrit, quand, combien de temps l’autre met à répondre, qui relance une conversation éteinte. Ces métadonnées se mesurent exactement, sans rien lire du contenu, et elles parlent déjà beaucoup. C’est le terrain de ce qu’on appelle depuis 2009 la science sociale computationnelle.

Cette puissance a un revers. Des chercheurs ont montré que de simples mentions « J’aime » sur Facebook suffisaient à deviner, avec une précision troublante, des traits que personne n’avait déclarés. Une conversation de couple en dit infiniment plus : c’est une donnée sensible, et c’est aussi celle d’une autre personne, qui n’a rien demandé.

Et ces traces sont des observations, pas des expériences. Personne n’a tiré au sort qui répondrait tard. Un couple qui vit sous le même toit s’écrit surtout pour s’organiser ; un couple à distance se dit tout par écrit. Ce qui passe par les messages est un échantillon de la relation, et un échantillon qui n’a rien de représentatif.

Les modèles de langue comme codeurs

Depuis 2023, les modèles de langue savent faire ce que les dictionnaires ne savaient pas : lire un message dans sa suite, comprendre qu’un « ok » répond à une excuse, dire si une phrase sollicite l’autre et si elle obtient une réponse. Des chercheurs ont comparé leurs étiquettes à celles d’annotateurs humains payés à la tâche : sur la plupart des tâches de classement de textes testées, le modèle faisait mieux, pour environ trente fois moins cher. Mais l’accord qu’ils mesuraient pour le modèle était celui de deux passages du même modèle entre eux : sa constance, pas sa justesse. D’autres travaux, plus larges, concluent qu’ils sont utiles mais inégaux, et qu’on ne peut s’y fier qu’après les avoir mesurés sur la tâche précise qu’on leur confie.

Ce qui coûtait des mois de codage coûte désormais quelques euros. Mais la discipline des codeurs doit venir avec : mesurer l’accord, mesurer la précision face à une référence, vérifier que les erreurs ne vont pas toutes dans le même sens. Un modèle a des pièges que n’a pas un codeur formé. Il répond toujours, même quand il hésite. Il a tendance à aller dans le sens de la question qu’on lui pose. Son taux de « oui » varie avec ce qu’on lui montre autour. Et deux modèles également compétents ne lisent pas la même conversation de la même façon. Ce que cela donne sur une vraie conversation, chiffres compris, est détaillé dans ce que vaut une IA qui lit des messages.

Ce que les données ne permettent pas

Comment ce service s’y inscrit

Il reprend les trois dernières voies et la discipline de la première. Ce qui se compte est calculé sur la totalité des messages : volume, délais, initiatives, rythmes, périodes. Ce qui demande à être lu pour affiner l’analyse est lu après remplacement des prénoms : toutes les journées jusqu’à 8 000 prises de parole, et des journées tirées au hasard au-delà. Et ce qui est montré est vérifié : chaque extrait cité l’est mot pour mot, un chiffre trop incertain laisse place à « trop peu de messages lus pour conclure », et la fiabilité de la lecture a été mesurée sur une conversation réelle avant d’être vendue. Les travaux de référence.

Ce que le rapport montre

Des mesures exactes sur tous vos messages, des taux lus dans le contexte avec leur marge d’incertitude, les travaux de recherche qui encadrent chaque lecture, et une annexe qui dit sur combien de messages repose chaque constat.

Ce qu’il ne montre pas

Une prédiction, une explication ou un jugement sur l’un de vous. Les données décrivent ce qui s’écrit ; elles ne disent ni pourquoi, ni ce que deviendra votre couple.

Sources

  • Gottman, J. M., & Levenson, R. W. (1992). Marital processes predictive of later dissolution: Behavior, physiology, and health. Journal of Personality and Social Psychology, 63(2), 221–233.
  • Coan, J. A., & Gottman, J. M. (2007). The Specific Affect Coding System (SPAFF). In J. A. Coan & J. J. B. Allen (Eds.), Handbook of Emotion Elicitation and Assessment (pp. 267–285). Oxford University Press.
  • Heyman, R. E. (2001). Observation of couple conflicts: Clinical assessment applications, stubborn truths, and shaky foundations. Psychological Assessment, 13(1), 5–35.
  • Pennebaker, J. W., Boyd, R. L., Jordan, K., & Blackburn, K. (2015). The development and psychometric properties of LIWC2015. University of Texas at Austin.
  • Slatcher, R. B., & Pennebaker, J. W. (2006). How do I love thee? Let me count the words: The social effects of expressive writing. Psychological Science, 17(8), 660–664.
  • Ireland, M. E., Slatcher, R. B., Eastwick, P. W., Scissors, L. E., Finkel, E. J., & Pennebaker, J. W. (2011). Language style matching predicts relationship initiation and stability. Psychological Science, 22(1), 39–44.
  • Lazer, D., Pentland, A., Adamic, L., Aral, S., Barabási, A.-L., Brewer, D., Christakis, N., Contractor, N., Fowler, J., Gutmann, M., Jebara, T., King, G., Macy, M., Roy, D., & Van Alstyne, M. (2009). Computational social science. Science, 323(5915), 721–723.
  • Kosinski, M., Stillwell, D., & Graepel, T. (2013). Private traits and attributes are predictable from digital records of human behavior. PNAS, 110(15), 5802–5805.
  • Gilardi, F., Alizadeh, M., & Kubli, M. (2023). ChatGPT outperforms crowd workers for text-annotation tasks. PNAS, 120(30), Article e2305016120.
  • Ziems, C., Held, W., Shaikh, O., Chen, J., Zhang, Z., & Yang, D. (2024). Can large language models transform computational social science? Computational Linguistics, 50(1), 237–291.

Lire aussi

Par Théophile Ravillion · Mis à jour le 11 novembre 2026.

Analyser votre conversation

Déposez votre export et voyez ce qui a été détecté avant tout paiement.

J’analyse mon couple