Offre en lien avec l’Action/le Réseau : – — –/Doctorants

Laboratoire/Entreprise : ONERA
Durée : 3 ans
Contact : valentina.dragos@onera.fr
Date limite de publication : 2025-05-31

Contexte :
A. Problématique générale et contexte
—————————————————
Le sujet de thèse aura pour objectif central l’étude de l’apport de traits linguistiques de nature sémantique dans la caractérisation et la détection de contenus en ligne de nature toxique (e.g. contenu haineux, contenu extrémiste, contenu discriminant). Plus précisément, les connaissances linguistiques examinées seront en lien : (i) d’une part avec l’analyse du degré d’engagement (e.g. « X est Y » vs. « je vous jure/j’ai la preuve que X est Y ») ; (ii) d’autre part avec l’analyse des émotions (e.g. « quel horrible personnage ! »).

Concernant le trait linguistique (i), la problématique de la thèse prend place au sein de travaux visant à examiner de quelle manière les émotions peuvent constituer un trait linguistique pertinent en vue de l’amélioration de systèmes d’identification automatique de discours haineux en ligne, visée encore largement inexplorée en traitement automatique des langues (TAL) [1] et ce alors que plusieurs études ont montré pourtant que la présence d’émotions – en particulier négatives – est un facteur favorable à la propagation de contenus sur Internet (e.g.[2], [3]). Concernant le trait linguistique (ii), la thèse prend place au sein de réflexions menées autour du fait que le degré d’engagement constitue un signe de radicalité et l’on sait que des positionnements radicaux sont de nature à être à plus diffusés que d’autres sur internet, contribuant potentiellement à un phénomène de désinformation [4].
Le sujet prend place dans le contexte sociétal actuel dans lequel sont perceptibles diverses menaces liées à l’adhésion de différentes catégories de personnes aux à des idéologies et mouvances extrémistes (e.g. extrême droite, masculinisme). L’utilisation des plateformes sociales, adoptées par un nombre croissant d’utilisateurs, constitue un vecteur important de diffusion de ces idéologies et la production massive de données disponibles en ligne a déclenché une importante activité de recherche autour de l’analyse de la subjectivité, entendue comme l’expression des goûts, opinions, croyances ou convictions des utilisateurs [5].

Sujet :
B. Objectifs scientifiques
——————————–
Les objectifs scientifiques s’organiseront autour de deux volets principaux : 1. La construction de ressources linguistiques sous la forme de corpus annotés selon les traits (i) et (ii) ainsi que la construction d’ontologies relevant globalement de la représentation de la subjectivité ;
2. Le développement de méthodes de détection automatique de contenus toxiques capables d’exploiter les connaissances modélisées par ces ressources.

1. Construction de ressources linguistiques
Plusieurs corpus représentatifs seront constitués pour décrire les contenus toxiques sur Internet. La construction du corpus s’appuiera sur une liste d’éléments (mots clés, patrons lexicaux) dont l’équipe d’accueil dispose actuellement grâce aux résultats de projets antérieurs, dont notamment FLYER (Artificial intelligence for extremist content analysis, projet ANR ASTRID 2019). Cette liste sera enrichie et mise à jour en explorant de nouvelles données collectées au cours de la thèse.
L’annotation des données sera réalisée en utilisant des schémas d’annotation existants, pour décrire des unités linguistiques émotionnelles [6] et pour décrire le degré d’engagement [7], [8].

On visera également ici à construire des ontologies décrivant la subjectivité, incluant les traits d’émotions et d’’engagement des utilisateurs, et s’appuyant là aussi sur des travaux existants [9], [10], [11] .

2. Développement de méthodes de détection automatique de contenus toxiques capables d’exploiter les connaissances modélisées en 1.

Ce deuxième volet des recherches concernera l’augmentation des plongements sémantiques grâce aux annotations en s’appuyant sur des travaux récents qui ont étendu les principes des plongements sémantiques en considérant les représentations des concepts. Ces études utilisent des graphes conceptuels, des ontologies ou taxonomies, et intègrent ainsi les relations conceptuelles définies de manière explicite par ces ressources. Plusieurs travaux ont d’ailleurs étudié comment l’utilisation de relations telles que la synonymie, l’antonymie ou l’hyperonymie permet d’améliorer la qualité des plongements sémantiques, c’est-à-dire la précision de la sémantique capturée par les représentations vectorielles [14].

Ce deuxième volet de recherches abordera également l’utilisation de la génération augmentée de récupération (Retrieval Augmented Generation – RAG) afin de faciliter l’exploration des dimensions sémantiques principalement visées (émotions et engagement du locuteur) dans les corpus. Cette technique optimise les résultats fournis par un grand modèle de langue (Large Language Model – LLM) en faisant appel à une base de connaissances externe aux sources de données ayant été utilisées pour entraîner le modèle avant de générer une réponse. L’utilisation d’une ontologie peut alors améliorer la pertinence des réponses fournies par un LLM [12].

Tandis que les LLMs et les plongements sémantiques sont construits à partir de connaissances génériques, l’objectif de la thèse est donc d’intégrer des connaissances spécifiques, issues d’ontologies et d’annotations linguistiques pour le traitement des contenus toxiques collectés en ligne. La thèse étudiera ensuite l’impact de cette intégration sur les performances des modèles. Les recherches permettront de développer des méthodes d’intelligence artificielle hybrides, au carrefour de la représentation des connaissances et de l’apprentissage automatique [13] ainsi que dans une réflexion renouvelée sur l’apport des connaissances linguistiques aux systèmes de détection de discours de haine [15].

Profil du candidat :
Eq. Master en Traitement Automatique des Langues (TAL) ou Ingénierie des Connaissances (IC) ou Ecole d’ingénieurs (maths/info)
– Bonnes compétences en programmation, notamment sous Python
– Des connaissances en annotation linguistique sémantique seront un vrai plus
Modalités de candidature
———————————-

Co-direction : Valentina DRAGOS (ONERA, Palaiseau)/ Delphine BATTISTELLI (MoDyCo, Nanterre)
Salaire : 2488€/brut mensuel
Début : septembre 2025
Nationalité européenne requise
Date limite de candidature : 15 avril 2025

Dossier de candidature à envoyer au plus tard le 15 avril 2025 aux deux encadrantes ci-dessus désignées :
CV, lettre de motivation, relevés de notes du M1 et du M2, le nom d’un.e référent.e à contacter

Formation et compétences requises :
Eq. Master en Traitement Automatique des Langues (TAL) ou Ingénierie des Connaissances (IC) ou Ecole d’ingénieurs (maths/info)

Adresse d’emploi :
ONERA
6 Chem. de la Vauve aux Granges,
91120 Palaiseau

Document attaché : 202503241401_THESE_ONERA.pdf