SBSamy Benslimane

Samy Benslimane

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article

Previous Organizations / Institutes

The organizations / institutes from the scholar's other articles in the past ten years


Samy Benslimane has a total of 9 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • 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

    by Samy Benslimane

    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 sociaux

  • Open Access

    Explaining controversy through community analysis on Twitter

    by Samy Benslimane, Thomas Papastergiou, Jérôme Azé, Sandra Bringay, Caroline Mollevi, Maximilien Servajean

    Controversy refers to content attracting different point-of-views, as well as positive and negative feedback on a specific event, gathering users into different communities. Research on controversy led to two main categories of works: controversy detection/quantification and controversy explainability. When the former aims to quantify controversy on a topic, the latter aims to understand why a topic is controversial or not. This paper mainly contributes to the controversy explainability. We analyze topic discussions on Twitter from the community perspective to investigate the power of text in classifying tweets into the right community. We propose a SHAP-based pipeline to quantify impactful text features on predictions of three tweet classifiers. We also rely on the use of different text features namely BERT, TF − IDF, and LIWC. The results we obtain from both SHAP plots and statistical analysis show clearly significant impacts of some text features in classifying tweets.It also highlights the relevance of the study as well as the potential benefits of combining text and user interactions to quantify controversy.


  • A text and GNN based controversy detection method on social media

    by Samy Benslimane, Jérôme Azé, Sandra Bringay, Maximilien Servajean, Caroline Mollevi


  • Controversy Detection: A Text and Graph Neural Network Based Approach

    by Samy Benslimane, Jérome Azé, Sandra Bringay, Maximilien Servajean, Caroline Mollevi