Emanuela Boros

In contemporary hybrid conflicts, cultural heritage is targeted not only through physical destruction but increasingly also through digital manipulation. This study proposes a systematic framework for detecting and analyzing cultural weaponization such as the strategic distortion, reframing, or erasure of cultural narratives, on English Wikipedia, using Ukraine as a case study and combining large-scale revision analysis, semi-automatic LLM-based annotation, and expert validation to trace how contested cultural meanings evolve over time. Our contributions include a conceptual framework that distinguishes cultural weaponization from related phenomena such as propaganda, disinformation, and censorship, positioning it as a distinct form of symbolic and epistemic intervention, as well as a structured dataset of more than 70,000 culturally and politically salient Wikipedia revisions supported by a validated gold-standard subset. We further develop an LLM-assisted analytical pipeline capable of identifying subtle manipulative strategies, including selective omissions, terminological shifts, narrative reframings, and structural edits. Our findings show that cultural weaponization on open platforms rarely relies on explicit falsehoods, but instead emerges through accumulative, procedurally legitimate edits that reshape evidentiary authority and historical interpretation. From these patterns, we derive an emerging typology of epistemic, narrative, and structural weaponization, highlighting the need for context-sensitive approaches to safeguarding digital cultural heritage.

Méthodes neuronales pour l'extraction d'événements: Du point de vue du traitement automatique des langues (TAL), l’extraction des événements dans les textes est la forme la plus complexe des processus d’extraction d’information, qui recouvrent de façon plus générale l’extraction des entités nommées et des relations qui les lient dans les textes. Le cas des événements est particulièrement ardu car un événement peut être assimilé à une relation n-aire ou à une configuration de relations. Alors que la recherche en extraction d’information a largement bénéficié des jeux de données étiquetés manuellement pour apprendre des modèles permettant l’analyse des textes, la disponibilité de ces ressources reste un problème important. En outre, de nombreuses approches en extraction d’information fondées sur l’apprentissage automatique reposent sur la possibilité d’extraire à partir des textes de larges en sembles de traits définis manuellement grâce à des outils de TAL élaborés. De ce fait, l’adaptation à un nouveau domaine constitue un défi supplémentaire. Cette thèse présente plusieurs stratégies pour améliorer la performance d’un système d’extraction d’événements en utilisant des approches fondées sur les réseaux de neurones et en exploitant les propriétés morphologiques, syntaxiques et sémantiques des plongements de mots. Ceux-ci ont en effet l’avantage de ne pas nécessiter une modélisation a priori des connaissances du domaine et de générer automatiquement un ensemble de traits beaucoup plus vaste pour apprendre un modèle. Nous avons proposé plus spécifiquement différents modèles d’apprentissage profond pour les deux sous-tâches liées à l’extraction d’événements : la détection d’événements et la détection d’arguments. La détection d’événements est considérée comme une sous-tâche importante de l’extraction d’événements dans la mesure où la détection d’arguments est très directement dépendante de son résultat. La détection d’événements consiste plus précisément à identifier des instances d’événements dans les textes et à les classer en types d’événements précis. En préalable à l’introduction de nos nouveaux modèles, nous commençons par présenter en détail le modèle de l’état de l’art qui en constitue la base. Des expériences approfondies sont menées sur l’utilisation de différents types de plongements de mots et sur l’influence des différents hyperparamètres du modèle en nous appuyant sur le cadre d’évaluation ACE 2005, standard d’évaluation pour cette tâche. Nous proposons ensuite deux nouveaux modèles permettant d’améliorer un système de détection d’événements. L’un permet d’augmenter le contexte pris en compte lors de la prédiction d’une instance d’événement (déclencheur d’événement) en utilisant un contexte phrastique, tandis que l’autre exploite la structure interne des mots en profitant de connaissances morphologiques en apparence moins nécessaires mais dans les faits importantes. Nous proposons enfin de reconsidérer la détection des arguments comme une extraction de relation d’ordre supérieur et nous analysons la dépendance de cette détection vis-à-vis de la détection d’événements.

Emanuela Boros, Maud Ehrmann, Matteo Romanello, Sven Najem-Meyer, Frédéric Kaplan. Proceedings of the 8th Joint SIGHUM Workshop on Computational Linguistics for Cultural Heritage, Social Sciences, Humanities and Literature (LaTeCH-CLfL 2024). 2024.