L'IA progresse vite.
Mais elle ne comprend pas encore les humains.
Tes mots peuvent changer ça. En une case cochée, tu contribues à construire des intelligences artificielles capables de mieux détecter la souffrance, reconnaître la bienveillance, et protéger les personnes les plus vulnérables.
Le problème
🤖 L'IA de 2026 est émotionnellement aveugle
Les modèles d'IA actuels sont capables de rédiger des rapports, de coder des programmes, de résumer des livres. Mais face à un message de détresse, un texte porteur de honte ou une lettre d'amour inachevée, ils restent souvent à côté. Ils comprennent les mots, pas ce que les mots portent.
Ce n'est pas un détail. C'est le cœur du problème quand on cherche à utiliser l'IA pour aider — accompagner des personnes en souffrance, détecter des signaux d'alarme précoces, soutenir des aidants. Sans données émotionnelles authentiques, ces IA restent des outils froids dans des situations chaudes.
Détresse non détectée
Un message de crise peut passer inaperçu si l'IA ne reconnaît pas le registre émotionnel.
Réponses froides
Les chatbots d'aide répondent souvent avec des formules qui manquent d'empathie contextuelle.
Signaux faibles ignorés
La honte, la vulnérabilité, la résignation — ces émotions subtiles sont invisibles pour la plupart des modèles.
Voix minoritaires effacées
Les datasets existants surreprésentent certaines cultures et langues, laissant des millions de personnes sans représentation.
La solution
🌊 Des récits vrais pour des IA plus humaines
MWA construit un corpus de récits émotionnels annotés par leurs auteurs. Pas des données fabriquées. Pas des tweets scraped sans consentement. Des histoires vraies, vécues, écrites avec soin — où chaque auteur a indiqué lui-même ce qu'il ressentait en les écrivant.
"La pièce qui manque aux ingénieurs, ce n'est pas plus de données. C'est de la vérité émotionnelle. Un texte où quelqu'un a dit franchement : là j'avais honte, là j'espérais, là j'aimais malgré tout."
Ce corpus sert à entraîner des modèles capables de distinguer la tristesse de la résignation, la gratitude sincère de la politesse de façade, la vulnérabilité choisie de la détresse cachée. Des IA qui comprennent les nuances — pour mieux protéger plutôt qu'amplifier.
Comment ça fonctionne
⚙️ Du texte au modèle : le parcours de ta contribution
Tu écris et tu choisis
Tu soumets ton récit avec les curseurs émotionnels. Si tu coches la case, ta contribution rejoint le corpus. La case n'est jamais présélectionnée.
Anonymisation automatique
Tous les éléments identifiants (emails, téléphones, noms détectés) sont masqués. Le texte devient un texte — plus une trace de toi.
Structuration en JSONL
Le texte + tes annotations émotionnelles (valence, intensité, agency, lien) forment une entrée structurée dans le corpus ouvert.
Fine-tuning de modèles
Des chercheurs et développeurs accèdent au corpus sous licence CC-BY-NC 4.0 pour entraîner des modèles à vocation thérapeutique, préventive ou d'aide à la décision.
IA plus protectrices
Ces modèles peuvent alors mieux accompagner les personnes en souffrance, alerter sur des signaux d'alarme, et éviter les réponses froides dans des situations émotionnellement intenses.
Les 4 dimensions émotionnelles
📐 Ce que tu annotes sans t'en rendre compte
Quand tu déplaces les curseurs à l'étape 2 de l'éditeur, tu renseignes quatre vecteurs. Ces chiffres — entre −1 et +1 pour le premier, 0 et 1 pour les trois autres — sont la colonne vertébrale du dataset. Voici ce qu'ils signifient, en humain.
Tonalité (Valence · de −1 à +1)
La couleur générale de l'émotion. Est-ce que ce souvenir laisse un goût sombre ou lumineux ?
Exemple : une lettre de pardon peut avoir une tonalité légèrement positive (+0.4) même si elle parle d'une blessure ancienne.
Intensité (Arousal · de 0 à 1)
Le niveau d'activation émotionnelle. Étais-tu calme et posé, ou bouillonnant en écrivant cela ?
Exemple : une tendresse douce = 0.2. Un cri de colère retenu = 0.9. Les deux peuvent avoir la même tonalité négative — mais l'intensité les distingue.
Ma posture (Agency · de 0 à 1)
Est-ce que tu subissais cette situation, ou tu agissais dessus ? La différence entre victime et acteur d'un même moment.
Exemple : un enfant qui écrit sur une violence reçue = 0.1. Un adulte qui décide de pardonner = 0.85. Ce vecteur est clé pour les modèles d'aide psychologique.
Connexion (Lien · de 0 à 1)
Te sentais-tu seul dans ce moment, ou profondément relié à d'autres — à une personne, à une communauté, à l'humanité ?
Exemple : une lettre écrite pour une seule personne avec toute son âme = 0.98. Une réflexion solitaire sans destinataire = 0.2. Les deux peuvent être magnifiques — mais disent des choses différentes à un modèle.
"Chaque récit annoté est une phrase dans la grammaire des émotions humaines. Plus le corpus est riche, plus les modèles apprendront à lire entre les lignes — et à répondre avec la nuance qu'une situation fragile exige."
Tes droits, noir sur blanc
🛡️ Ce que tu ne cèdes jamais
L'impact concret
💡 Ce que ça change dans le monde réel
En 2026, tout le monde se sent un peu dépassé par la vitesse à laquelle l'IA monte en puissance. On en parle comme d'un risque, d'une menace, d'un mystère. Mais l'IA ne devient dangereuse que lorsqu'elle est construite sans les humains, sans leur vérité émotionnelle.
Ta contribution à MWA, c'est l'opposé exact de ce risque. C'est toi — avec ta lettre, ta honte, ta gratitude, ton courage — qui donnes aux modèles de demain ce qui leur manque le plus : un ancrage dans l'humain.
Des IA formées sur des récits vrais peuvent apprendre à détecter qu'une personne souffre avant qu'elle ne le dise clairement. À reconnaître quand un message anodin cache une détresse profonde. À répondre avec la nuance qu'une situation émotionnelle exige. Ce sont ces garde-fous que MWA contribue à construire — avec toi.
Prêt(e) à contribuer ?
Partage ta vague
La case de consentement IA t'attend à l'étape 3 de l'éditeur. Elle n'est jamais présélectionnée. Tu décides.