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

Laboratoire/Entreprise : CEDRIC@CNAM – LIP6@Sorbonne Université
Durée : 36 mois
Contact : cedric.du_mouza@cnam.fr
Date limite de publication : 2026-04-30

Contexte :
Le passage des sources historiques manuscrites vers des formats
numériques a longtemps été marqué par la dépendance aux bases de données relationnelles. Si le format tabulaire a permis
de quantifier certains phénomènes et de soutenir l’histoire sérielle, il se révèle peu adapté pour représenter des parcours
biographiques complexes ou des questionnements qui évoluent au fil du temps. L’adoption de graphes de connaissances
(KG) marque ainsi un tournant méthodologique majeur, en offrant un modèle où l’information n’est plus conçue comme
un enregistrement isolé, mais comme un réseau de relations dynamiques entre personnes, lieux, événements et documents
au sein de corpus historiques. Pour l’historien, le graphe devient un véritable outil d’enquête, capable de faire émerger
des structures de parenté, des réseaux de sociabilité et des configurations relationnelles qui restent difficiles à appréhender
dans une organisation purement tabulaire.
Cependant, cette modélisation se heurte à la nature même du document historique : l’incomplétude des archives et la
fragmentation des séries constituent une contrainte structurelle qui limite la complétude des graphes de connaissances
construits à partir de ces sources. À cela s’ajoutent l’ambiguïté des noms de personnes, les homonymies, la variabilité
orthographique et la présence d’identités partiellement attestées, qui rendent la désambiguïsation et le chaînage d’entités
particulièrement délicats dans les corpus historiques. Le défi n’est plus seulement de stocker l’information, mais de
représenter fidèlement le flou et l’incertitude [6] qui l’entourent sans trahir la rigueur de la critique historique.

Sujet :
La problématique de l’incertitude : une difficulté scientifique nouvelle. La problématique centrale de cette thèse
réside dans l’extraction et la quantification de l’incertitude, une dimension souvent ignorée par les systèmes de gestion de
données classiques qui privilégient un modèle déterministe et supposent des faits complets et certains. Dans un contexte
médiéval, l’incertitude est omniprésente : elle affecte les propriétés d’un noeud, comme une date de naissance approximative
ou un statut social mal attesté, mais aussi l’existence même d’une relation, par exemple une filiation simplement
supposée ou discutée dans des sources divergentes. La difficulté est ici double et constitue une nouveauté scientifique dans
le champ des graphes de connaissances appliqués aux sources historiques. D’une part, il faut pouvoir établir des stratégies
de liage d’entités dans un environnement où les données sont instables, fragmentaires et parfois contradictoires. Comment
affirmer que deux mentions de noms proches dans des documents différents désignent la même personne physique alors
que leurs attributs, tels que les lieux ou les dates, sont partiels, bruités ou incompatibles, tout en contrôlant explicitement
les taux d’erreur de liage ? D’autre part, la thèse devra résoudre le problème de l’agrégation : comment fusionner deux
noeuds représentant potentiellement la même entité tout en mettant à jour, de manière cohérente, les scores d’incertitude
associés aux faits et aux relations du graphe ? Il s’agit de traiter mathématiquement le renforcement, lorsque deux sources
indépendantes concordent, ou au contraire la contradiction, en modélisant la confiance dans les triplets et en intégrant des
mécanismes de fusion incertaine, tout en gardant une traçabilité fine des entités et des sources d’origine pour permettre à
l’historien de remonter systématiquement à la source primaire [4].
L’apport de l’Intelligence Artificielle : du NLP aux GNN. L’Intelligence Artificielle constitue le levier technologique
indispensable pour lever ces verrous en intervenant à chaque étape de la chaîne de traitement. Dans un premier temps,
les modèles de traitement du langage naturel (NLP) et les grands modèles de langage (LLM) seront mobilisés pour extraire
l’information tout en détectant les marqueurs linguistiques de l’incertitude, en s’appuyant sur les travaux de détection
automatique des hedge cues et des segments spéculatifs dans les textes. Cette approche dépasse le simple repérage d’entités
pour devenir une véritable évaluation de la fiabilité de l’information brute, où l’IA associe à chaque affirmation textuelle
un score de certitude ou de spéculation afin de distinguer les faits établis des informations hypothétiques ou douteuses.
Ensuite, l’IA appliquée aux graphes, et plus particulièrement les Graph Neural Networks (GNN), permettra de transformer le
liage d’entités en une tâche d’apprentissage profond exploitant le contexte relationnel global du graphe plutôt que les seuls
attributs locaux. Contrairement aux méthodes classiques, les GNN peuvent apprendre des représentations qui intègrent la
position d’un individu dans le réseau social et la structure des relations qui l’entourent, facilitant ainsi la réconciliation de
noeuds même lorsque leurs attributs textuels divergent ou sont incomplets. Enfin, l’apprentissage automatique sera utilisé
pour l’inférence de connaissances, permettant à la fois de découvrir des relations manquantes et de propager les scores
d’incertitude à travers le graphe, dans l’esprit des approches de knowledge graph completion.

Données. Le travail de recherche s’appuiera sur les données prosopographiques des bases Studium et Fasti, offrant un
terrain d’expérimentation d’une richesse rare sur les élites universitaires et ecclésiastiques médiévales. Ces corpus ne sont
pas seulement des réservoirs biographiques ; ils constituent des structures relationnelles complexes où le silence des sources et les contradictions documentaires sont la norme plutôt que l’exception. En mobilisant ces données, l’enjeu sera de transcender
le modèle déterministe traditionnel pour modéliser des graphes de connaissances intégrant la notion d’incrtitude.
Les bases Studium et Fasti recèlent en effet des attributs fragiles, tels que des dates de décès exprimées par des fourchettes
incertaines ou des fonctions dont la chronologie se chevauche de manière incohérente, qui serviront de variables pour
tester des algorithmes de liage d’entités sous contrainte d’incertitude.
Méthodologie : Extraction, Liage et Agrégation sous Incertitude. Le doctorant devra en premier lieu développer
des méthodes innovantes fondées sur le traitement du langage naturel (NLP) et l’apprentissage profond pour extraire non
seulement les entités nommées, mais aussi des indices de confiance et d’incertitude finement calibrés, en s’inspirant des
approches de détection de spéculation et de modélisation probabiliste des affirmations textuelles. Ces scores ne dépendront
pas uniquement de la clarté du texte, mais seront corrélés au contexte sémantique global et à une évaluation de la qualité
des sources historiques, suivant les travaux qui intègrent des métriques de fiabilité contextuelles dans l’extraction d’informations
incertaines. Cette étape est cruciale pour transformer une donnée textuelle brute en un objet probabiliste riche,
capable d’être intégré dans la structure du graphe de connaissances, comme le proposent les pipelines d’extraction enrichis
en incertitude pour des applications en KG.
Dans un second temps, les travaux porteront sur l’élaboration d’algorithmes de liage et d’agrégation spécifiquement
conçus pour être « uncertainty-aware », en ligne avec les cadres récents de entity resolution probabiliste et de fusion
sous incertitude. Plusieurs types d’approches sont envisagées pour relever ce défi. L’algorithmique de graphe couplée
à l’IA, notamment à travers les Graph Neural Networks (GNN), sera mobilisée pour capturer la topologie du réseau et
l’utiliser comme levier de réconciliation, en exploitant les représentations structurelles pour résoudre les ambiguïtés même
en présence de données bruitées ou partielles. Parallèlement, d’autres approches d’IA comme l’apprentissage par métrique
(metric learning) ou les modèles de bi‑encodeurs seront explorées pour le liage d’entités, en adaptant des techniques qui
génèrent des embeddings tenant compte de l’incertitude ou de la variabilité des sources.
La difficulté majeure, et l’un des verrous scientifiques de la thèse, résidera dans la nécessité d’adapter ces modèles, traditionnellement
déterministes, pour qu’ils intègrent nativement l’incertitude, comme le soulignent les analyses des limites
des approches classiques face à des données historiques fragmentaires. Il s’agira de proposer des fonctions de similarité
avancées capables de traiter des valeurs floues ou des intervalles de confiance, et de définir des opérateurs d’agrégation
aptes à gérer le renforcement ou l’atténuation de la confiance lors de la fusion de sources multiples. Ces opérateurs permettront
de mettre à jour dynamiquement les connaissances du graphe de connaissances (KG), en répercutant chaque
nouvelle information sur l’ensemble du réseau relationnel tout en préservant la traçabilité indispensable à l’analyse historienne,
conformément aux principes de provenance et de vérification probabiliste dans les KG.

Profil du candidat :
Titulaire d’un M2 ou ingénieur, avec de solides bases en informatique et en apprentissage automatique et idéalement de bonnes notions de graphes et une appétence pour l’histoire. La maîtrise d’un langage
de programmation (comme Python) est indispensable.

Formation et compétences requises :

Adresse d’emploi :
laboratoire CEDRIC, CNAM, 2 rue Conté 75003 Paris
laboratoire LIP6, 3 place Jussieur, 75005 Paris

Document attaché : 202604081251_sujetTheseSCAI2026.pdf