ChatGPT dans le cerveau, montres contre dépression, et l'IA qui triche.

Comment vous utilisez l'IA change votre cerveau — pas toujours dans le bon sens.

Deux étudiants utilisent ChatGPT autant l'un que l'autre — mais leur cerveau, lui, ne se ressemble plus.

Une équipe de chercheurs a scanné le cerveau de 222 étudiants universitaires chinois et leur a demandé comment ils utilisaient les agents conversationnels d'IA — pensez ChatGPT ou ses équivalents. L'idée : distinguer deux usages très différents. D'un côté, l'usage « fonctionnel » — on pose des questions pour apprendre, résoudre un problème, rédiger. De l'autre, l'usage « socio-émotionnel » — on confie ses états d'âme à l'IA, on lui parle comme à un ami. Le résultat est une fourche nette. Les étudiants qui utilisent l'IA de façon fonctionnelle ont de meilleures notes et, sur les images IRM, un volume de matière grise plus important dans le cortex préfrontal dorsolatéral — la zone impliquée dans la prise de décision et la mémoire de travail. Imaginez ce cortex comme le chef de cuisine d'un restaurant : plus il est entraîné, plus il orchestre bien. A contrario, les étudiants qui parlent à l'IA de leurs émotions, de leurs angoisses, de leur vie affective, présentent plus de dépression et d'anxiété sociale. Leur amygdale — la structure cérébrale liée à la détection des menaces sociales — occupe moins de volume. Le hic, et il est important : c'est une étude transversale. On a photographié 222 personnes à un instant T. On ne peut pas dire si l'usage émotionnel de l'IA *cause* la dépression, ou si les personnes déjà déprimées *se tournent davantage* vers l'IA pour du réconfort. La causalité reste ouverte. Et l'échantillon — des étudiants chinois, en bonne santé — ne représente pas tout le monde. Je simplifie, mais le signal est là.

Une IA qui lit votre montre connectée pour détecter la dépression.

L'heure à laquelle vous vous endormez varie d'un soir à l'autre — et cette irrégularité seule prédit votre niveau de dépression.

Des chercheurs ont développé CoDaS, un système multi-agents basé sur des grands modèles de langage, qui analyse automatiquement les données de montres connectées et de capteurs portables pour trouver des biomarqueurs numériques — des signaux mesurables qui reflètent un état de santé. Pensez à CoDaS comme à un assistant de labo infatigable : il génère des hypothèses, les teste statistiquement, les tente de réfuter lui-même, puis les passe en revue avec la littérature existante. Sur 9 279 participants issus de trois cohortes indépendantes, CoDaS a identifié 41 candidats biomarqueurs pour la santé mentale. Le résultat le plus solide : l'irrégularité de la durée de sommeil — le fait que vous dormez tantôt 6h, tantôt 9h, sans rythme stable — est associée à des niveaux de dépression plus élevés. Et surtout, ce signal a été retrouvé dans deux cohortes séparées, ce qui renforce sa fiabilité. C'est un peu comme une recette qu'on teste deux fois dans deux cuisines différentes : si ça marche les deux fois, on commence à lui faire confiance. Autre trouvaille : un indice de forme cardiovasculaire dérivé simplement du ratio « pas par jour divisé par fréquence cardiaque au repos » prédit des marqueurs de résistance à l'insuline. Le hic : « associé » ne veut pas dire « diagnostique ». L'amélioration de prédiction apportée par ces biomarqueurs reste modeste — une variance expliquée supplémentaire de 4 % pour la dépression sur une ligne de base démographique. On est loin d'un test clinique. Et CoDaS n'a été évalué que rétrospectivement sur des données existantes, pas en conditions réelles.

L'IA qui « détecte la dépression » lisait le script de l'interviewer, pas le patient.

Un modèle d'IA atteint 0,98 de précision pour détecter la dépression — en lisant uniquement ce que dit l'interviewer, jamais le patient.

Des chercheurs ont pris trois bases de données publiques utilisées pour entraîner des outils automatiques de détection de la dépression — ANDROIDS, DAIC-WOZ, E-DAIC. Dans ces bases, chaque entretien clinique contient les tours de parole du patient *et* ceux de l'interviewer. L'expérience est simple mais brutale : ils ont entraîné deux modèles séparés. L'un apprend uniquement à partir des mots du patient. L'autre apprend uniquement à partir des mots de l'interviewer. Résultat sur ANDROIDS : le modèle entraîné sur l'interviewer atteint un score de 0,98 — quasiment parfait — contre 0,79 pour le modèle patient. L'effet se retrouve sur les deux autres bases de données. Comment est-ce possible ? Parce que ces entretiens sont semi-structurés : les interviewers suivent un script, avec des questions dans un ordre prévisible. Un patient déprimé reçoit souvent une question de relance à un moment précis. Le modèle n'a pas appris à « sentir » la détresse dans les mots du patient — il a appris à reconnaître *à quel moment de l'entretien un patient déprimé se retrouve*, grâce aux indices laissés dans les questions de l'interviewer. C'est comme un détective qui « résout » l'enquête en lisant la façon dont le commissaire rédige ses rapports, pas en écoutant les témoins. Le hic, ou plutôt l'alarme : des dizaines d'articles publiés ces dernières années vantent des outils de détection automatique de la dépression entraînés sur ces mêmes données. Leurs scores flatteurs pourraient être, en partie, du bruit de script. C'est un problème méthodologique sérieux, pas une curiosité. Et il ne concerne pas uniquement ces trois bases de données.

Ces trois papiers ne parlent pas de la même chose en surface, mais ils posent collectivement une même question : à quel point sait-on ce qu'on mesure quand on mesure la santé mentale avec de l'IA ? L'étude sur ChatGPT nous rappelle que l'usage d'un outil n'est pas neutre — la façon dont vous vous en servez compte autant que le fait de vous en servir. CoDaS montre qu'on peut extraire des signaux réels du flux banal de la vie quotidienne — votre sommeil irrégulier dit quelque chose. Mais le troisième papier est un avertissement franc : des années de résultats impressionnants dans la détection automatique de la dépression reposent peut-être sur des artefacts de protocole, pas sur une compréhension réelle de la souffrance humaine. C'est la tension centrale du domaine en ce moment. On a des outils de plus en plus puissants. La question n'est plus « est-ce que ça marche ? » — c'est « sait-on pourquoi ça marche, et est-ce que ça marchera là où ça compte vraiment ? »

Sur le biais des entretiens cliniques, il faut surveiller si d'autres équipes tentent de reproduire ce résultat sur des bases de données non anglophones — le problème pourrait être encore plus sévère là où les scripts sont plus rigides. Pour CoDaS et les biomarqueurs portables, la question ouverte que j'aimerais voir répondue d'ici fin 2026 : est-ce que ces signaux tiennent dans une étude longitudinale, quand on suit les mêmes personnes dans le temps ?

• INSERM — Dossier dépression : causes, diagnostic et traitements
• Wikipedia FR — Cortex préfrontal
• Wikipedia FR — Biomarqueur