Samy Benslimane
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:
- Caroline Mollevi
Institut du Cancer Montpellier (ICM), Montpellier, France
2 shared publications - Jérôme Azé
LIRMM, Laboratory of Computer Science, Robotics and Microelectronics in Montpellier, CNRS Montpellier University Montpellier France
2 shared publications - Maximilien Servajean
Inria, Univ Montpellier, LIRMM, CNRS Montpellier France
2 shared publications - Sandra Bringay
LIRMM, CNRS, University of Montpellier
2 shared publications Caroline Mollevi
Institut du Cancer Montpellier (ICM)
1 shared publicationJérome Azé
University of Montpellier
1 shared publication
Latest Publications
- 8 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
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
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
- 8 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
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
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
- 5 May 2023
- Published by Association for Computing Machinery (ACM)
- p. 148-155
Explaining controversy through community analysis on Twitter
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.
- 5 May 2023
- Published by Association for Computing Machinery (ACM)
- p. 148-155
Open AccessExplaining controversy through community analysis on Twitter
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.
- 17 November 2022
- Published by Springer Nature in World Wide Web
- Vol. 26 (2) , 799-825
A text and GNN based controversy detection method on social media
- 17 November 2022
- Published by Springer Nature in World Wide Web
- Vol. 26 (2) , 799-825
A text and GNN based controversy detection method on social media
- 1 January 2021
- Published by Springer Nature
- p. 339-354
Controversy Detection: A Text and Graph Neural Network Based Approach
- 1 January 2021
- Published by Springer Nature
- p. 339-354
Controversy Detection: A Text and Graph Neural Network Based Approach