Le 15 octobre 2026, des comptes rendus ont décrit une approche de l’Universitat Politècnica de València (UPV) qui associe l’analyse du texte et des images aux réactions physiologiques de personnes regardant des vidéos TikTok. L’objectif est d’aider à repérer le sexisme, y compris lorsqu’il repose sur l’ironie ou le contexte. Les détails de l’étude vidéo sont rapportés par RUVID et Actualidad Valencia. Le chiffre de 26,3 %, lui, concerne une étude distincte sur les mèmes.

Pour analyser les vidéos, l’IA croise contenus et réactions

Selon ces comptes rendus, le modèle vidéo traite le texte et les images, puis combine ces informations avec le suivi du regard, l’électroencéphalographie (EEG) et le rythme cardiaque des personnes qui visionnent les vidéos. Les chercheurs ont étudié environ 2 500 vidéos TikTok en espagnol et en anglais, avec dix participants dans l’expérience vidéo.

Iván Arcos, chercheur au PRHLT, explique que l’humour, l’ironie, les stéréotypes ou des commentaires en apparence anodins peuvent masquer le sexisme. Ce contexte complique la classification : deux contenus peuvent évoquer une situation similaire sans avoir la même intention. Les comptes rendus décrivent aussi des temps de réaction plus longs, davantage de fixations du regard et des variations du rythme cardiaque face aux contenus sexistes.

Paolo Rosso rapporte que l’ajout des signaux physiologiques aurait amélioré d’environ 4 % la détection binaire — déterminer si une vidéo est sexiste ou non — et de plus de 6 % certaines tâches de classification, dont la distinction entre sexisme direct et évaluatif. Ces pourcentages sont ceux rapportés pour l’étude vidéo ; ils ne doivent pas être confondus avec les résultats chiffrés de l’étude sur les mèmes.

Les 26,3 % mesurent une hausse du score F1 pour une classe de mèmes

Le préprint publié le 27 février 2026 porte sur les mèmes, pas sur les vidéos TikTok. Les auteurs ont évalué leur modèle sur la partition d’entraînement d’EXIST 2025, qui comprend 3 984 mèmes : 1 979 en espagnol et 2 005 en anglais. Seize personnes ont participé à deux expériences, et chaque mème a été vu par au moins deux participants. Le préprint décrit les données et les résultats.

Pour la classe « Misogyny and Non-Sexual Violence », le score F1 passe de 0,259 à 0,327, soit une hausse relative de 26,3 %. Le score F1 combine précision et rappel : il mesure dans quelle mesure un système repère les cas pertinents sans multiplier les faux positifs. Ici, le gain porte sur cette classe précise, et non sur l’exactitude globale du modèle.

Le préprint rapporte aussi une aire sous la courbe (AUC) de 0,794 pour la détection binaire du sexisme, avec une hausse relative de 3,4 % par rapport à un modèle de référence fondé sur le contenu. Pour la détection de l’intention, l’AUC passe de 0,628 à 0,655, soit une progression relative de 4,3 %.

Dans l’étude sur les mèmes, le rythme cardiaque n’a pas montré d’effet significatif

Les auteurs du préprint ne trouvent pas d’effet significatif des caractéristiques du rythme cardiaque dans leurs expériences sur les mèmes. Ils avancent que des images statiques présentées brièvement n’ont peut-être pas suscité une activation physiologique suffisante. Cette observation concerne les mèmes étudiés.

Le préprint relève également que la complexité visuelle et textuelle des mèmes n’a pas été contrôlée et que les étiquettes de référence comportent une part de subjectivité. Avec seize participants, ces limites invitent à considérer les scores dans le cadre précis de cette évaluation, plutôt qu’à en déduire que chaque signal physiologique améliore toutes les tâches de détection.