Fouille de données, apprentissage, deep learning, sociolinguistique, traitement du langage naturel, représentation des connaissances, ontologies, sociologie, sciences de l’éducation

Données concernées

Données issues de sources ouvertes : corpus de tweets collectés avec des mots-clés spécifiques, collections de blogs et forums en lien avec les idéologies extrêmes (extrême droite, white supremacy, etc…), données issues de réseaux sociaux (interaction, graphes de réseaux). L’action considère principalement des données textuelles, non structurées, en français et en anglais.

Mots clés

Emergence de contenus extrémistes ou haineux, propagation

Contexte et positionnement scientifique

LEMON réunit des chercheurs en sociologie, linguistique, TAL et intelligence artificielle autour de plusieurs défis sociétaux, scientifiques et techniques. La principale évolution dans cette seconde étape de l’action réside dans son orientation vers l’analyse de l’émergence et de la propagation des contenus extrémistes ainsi que leurs connexions avec les contenus haineux. Dans ce contexte, l’analyse des données en ligne permet de dépasser les limites des régions géographiques ou le cercle des liens sociaux pour se focaliser sur l’usage des plateformes sociales (tweets, retweets, likes, etc.). Nous visons des éclairages nouveaux complétant les résultats des méthodes utilisées traditionnellement par les sociologues, dont notamment les interviews et les questionnaires sur des sujets représentatifs.

Les défis scientifiques sont nombreux et impactent chaque thématique : pour le TAL, le défi est lié à la mise au point de méthodes capables de traiter des contenus hétérogènes (différents topics, structures et volumes diverses) et bruités (présence possible d’abréviations ou de textes en plusieurs langues). Pour les méthodes d’apprentissage, un défi majeur reste l’adaptation à un domaine en permanente évolution à la fois dans son contenu (exemple : topics émergents dans la rhétorique de la propagande) et sa forme. Un verrou transversal est la constitution d’un socle cohérent des connaissances soutenu par une model formel mettant en évidence à la fois les indices et facteurs de risque fournis par les modèles sociologiques ainsi que leur ancrage linguistique dans les données récupérées sur Internet.

Dans cette seconde étape de l’action, un défi majeur sera la mise en place de synergies interdisciplinaires supplémentaires. LEMON pourra notamment profiter de sa synchronisation avec FLYER, un projet ANR sélectionné dans le cadre du programme ASTRID 2019. FLYER aborde le développement des méthodes hybrides d’intelligence artificielle pour l’identification des contenus extrémistes sur Internet et prévoit plusieurs cas d’usage pour la validation des techniques. Ces cas d’usage s’inscrivent dans la thématique de l’action.

Tout en gardant son orientation dans le continuum « données, connaissances, interactions » adopté par le GDR MADICS, LEMON visera plus particulièrement :

• L’analyse des contenus extrémiste dans la blogosphère française ;
• La constitution de collections de données brutes et annotées pour mettre au point les algorithmes d’extraction ;
• L’exploration de ces collections d’un point de vue linguistique et sociolinguistique afin de mettre en évidence des indices pertinents ;
• L’exploitation de ces collections par les sociologues et experts du domaine afin de valider leurs hypothèses : associations de facteurs de risque, corrélation des indices, retour vers le corpus ;
• • Le développement du dialogue avec la société civile, autours des aspects éthiques de l’exploration de l’Internet.

Pendant ses deux premières années, LEMON a réuni plusieurs partenaires académiques et industriels : le laboratoire de recherche Education, Formation, Travail, Savoirs (EFTS, Université Toulouse 2), représenté par Séraphin Alava, le laboratoire de Linguistique et Didactique des Langues Etrangères et Maternelles (LIDILEM , Université Stendhal, Grenoble 3) représenté par Claudine Moïse, le laboratoire Modèles, Dynamiques, Corpus, (MoDyCo, Université Paris Nanterre), représenté par Delphine Battistelli, le Centre d’Etudes des Sociétés Arabes et Musulmanes (CESAM, Université Paris 8), représenté par Mathieu Guidère, l’equipe de Recherche Textes, Informatique, de l’Institut National des Langues et Civilisations Orientales (INALCO, représenté par Mathieu Valette et le Département de Traitement de l’Information et Systèmes (DTIS, Office National d’Etudes et de Recherches Aérospatiales – ONERA), représenté par Claire Saurel, Romain Kervarc et Valentina Dragos.

Plusieurs changements interviennent dans le consortium de l’action pour cette seconde étape : le CESAM ne fera plus partie du consortium suite à la nouvelle affectation de Mathieu Guidère à l’INSERM. Deux nouvelles équipes seront ajoutées : DINO (Data Intensive and Knowledge Oriented Systems), une équipe du laboratoire LIPADE (Laboratoire d’Informatique de l’Université Paris) et MELODI (MEthodes et ingénierie des Langues, des Ontologies et du DIscours), une équipe de l’Institut de Recherche en Informatique de Toulouse (IRIT).

Positionnement dans le paysage de la recherche

Au sein du GDR MADICS, LEMON peut tisser des liens avec plusieurs actions en cours : RoCED , MADONA et également PLATFORM.

LEMON pourra également interagir avec le pré GDR TAL (Traitement Automatique de Langues), ainsi qu’avec le groupe de travail « Apprentissage et raisonnement » du GDR IA (Aspects formels et algorithmiques de l’Intelligence artificielle).

Au niveau international, l’action LEMON pourra continuer ses interactions avec le groupe de travail ETUR (Evaluation of Technologies for Uncertainty Reasoning), une initiative soutenue par ISIF (International Society for Infirmation Fusion) pour investiguer la propagation de l’incertitude dans la fusion des données et informations. ETUR adopte plusieurs cas d’usage pour illustrer l’analyse de l’incertitude, et récemment un cas d’usage autour de l’exploration des données sociales a été mis en place par Valentina Dragos et Claie Laudy (Thales TRT). La thématique commune de LEMON et ETUR concerne la caractérisation des données recueillies sur Internet et l’analyse de leur incertitude.