Structured Emotion Analysis from Arabic Text

Abstract

Dans le domaine du traitement automatique des langues (TAL), l’analyse des émotions vise à associer un contenu textuel à un ensemble prédéfini d’émotions humaines, incluant généralement la joie, la colère, la peur, la surprise, le dégoût et la tristesse. Les recherches récentes se concentrent principalement sur l’identification des émotions dans les textes en s’appuyant sur des catégories inspirées par les théories psychologiques, telles que les émotions de base proposées par Ekman (1992). Malgré l’importance de la détection des émotions, la majorité des analyses restent superficielles et insuffisantes pour des tâches nécessitant une compréhension plus approfondie du sens émotionnel en contexte. De telles applications exigent de répondre à des questions clés, notamment l’identification de la cause ayant déclenché l’émotion (Cause), la détermination de la personne qui l’a ressentie (Expérient), et, plus généralement, la prise en compte d’informations structurelles telles que qui a fait quoi (Indice), à qui (Cible), pourquoi (Cause) et comment (Manière). Cette thèse doctorale vise à proposer des solutions originales et efficaces pour pallier le manque de ressources et de modèles dédiés à l’analyse structurelle des émotions dans les textes arabes. Pour ce faire, nous introduisons une nouvelle approche d’analyse de la structure argumentaire des émotions en arabe, en tirant parti des avancées récentes des modèles fondés sur les Transformers et, en particulier, des capacités des grands modèles de langue (LLMs) pour l’arabe. Les principales contributions de cette thèse sont multiples. La première contribution consiste en la construction et l’annotation du premier corpus arabe dédié à l’analyse structurée des émotions, nommé ”AraERL”. La thèse propose également une étude approfondie de l’impact de chaque argument sémantique sur la performance de l’identification des émotions. Elle explore ensuite l’utilisation de ChatGPT pour annoter des textes arabes avec des rôles sémantiques et des émotions à travers une approche de projection interlinguale. Ce travail évalue également la capacité de ChatGPT à projeter avec précision en arabe les annotations sémantiques et émotionnelles issues de l’anglais. Enfin, il offre une comparaison complète des performances des modèles ouverts de grande taille (open-LLMs) pour ces différentes tâches.