Analyse, détection et quantification de la controverse dans les médias sociaux par l’utilisation de modèle d’apprentissage profond sur des données structurelles et textuelles
- 8 April 2026
- thesis
- Published by Agence Bibliographique de l'Enseignement Supérieur
Abstract
Ces dernières années, l’utilisation massive des réseaux sociaux et le nombre im-portant d’utilisateurs impliqués a été une source incontournable pour les études etanalyses, sur différentes tâches. La controverse sur les médias sociaux est une de cestâches étudiées dans la littérature scientifique. Les sujets controversés sont définiscomme des sujets portant un désaccord entre les utilisateurs sur un événement spéci-fique, montrant une grande divergence d’opinions. Ils sont souvent représentés pardes débats ou contestations parfois très polémiques autour de sujets sensibles ou dedéclarations ne faisant pas l’unanimité. Ce projet a pour objectif d’étudier la contro-verse dans son ensemble sur les réseaux sociaux, en étudiant à la fois les propriétéstextuelles et structurelles de ces sujets, en se basant sur des méthodes d’apprentissageprofond récent.L’avènement de l’apprentissage automatique et plus spécifiquement de l’apprentis-sage profond a conduit à une amélioration de la représentation des données de touttype, à l’aide de techniques d’apprentissage plus complexes. Dans cette thèse, nousnous intéressons en particulier à 2 types de domaines en particulier :• Le traitement automatique de la langue (TAL), afin d’apprendre à représenter letexte à partir de modèles complexes, tels que BERT.• Le traitement des graphes, permettant d’apprendre à représenter des données nonstructurées telles que les graphes. Nous étudions pour cela les progrès faits dansl’apprentissage des réseaux de neurones graphiques (GNNs), et les méthodesqui en découlent.Dans cette thèse, nous présenterons à travers quatre parties : (1) l’état de l’artautour des méthodes d’analyse de la controverse ainsi que des réseaux de neuronesgraphiques, (2) une méthode de prédiction des sujets controversés à partir des réponsesentre utilisateurs sur Reddit, (3) une méthode permettant d’expliquer d’un point devue textuelle les sujets controversés en analysant les communautés sur Twitter, (4)Une méthode basée sur les graphes et le texte pour quantifier la controverse des sujetssur Twitter, en se basant sur la polarisation des utilisateurs autour de communautés.Mots-clés –Apprentissage automatique, Réseau de neurones graphiques, Traitement auto-matique de la langue, Détection automatique, Controverse, Explicabilité, Médias sociauxKeywords
This publication has 91 references indexed in Scilit:
- RETRACTED ARTICLE: An optimal deep learning-based LSTM for stock price prediction using twitter sentiment analysisApplied Intelligence, 2022
- Controversy Detection: A Text and Graph Neural Network Based Approach2021
- Measuring Controversy in Social Networks Through NLP2020
- Vocabulary-Based Method for Quantifying Controversy in Social Media2020
- A Hybrid Approach for Fake News Detection in Twitter Based on User Features and Graph Embedding2019
- How to Fine-Tune BERT for Text Classification?2019
- Graph Classification with 2D Convolutional Neural Networks2019
- Unsupervised Explainable Controversy Detection from Online News2019
- Modeling Relational Data with Graph Convolutional Networks2018
- Automated Controversy Detection on the Web2015