Apprentissage profond et méthodes formelles pour la détection automatique d'énoncés contradictoires - application à la détection de désinformations

Deep learning and formal methods for the automatic detection of contradictory statements - application to misinformation detection

• Auteur / Autrice : Maximos Skandalis
• Direction : Richard Moot, Christian Retore
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2022
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique, de robotique et de micro-électronique (Montpellier ; 1992-....)

Mots clés

Mots clés libres

Traitement automatique du langage naturel

Démonstration automatique

Grammaires catégorielles

Apprentissage profond

Intelligence artificielle

Logique

Computational linguistics

Automated deduction

Categorial grammar

Deep learning

Artificial intelligence

Logic

Résumé

Les désinformations (fake news) sur les réseaux sociaux sont un enjeu sociétal majeur. L'objectif du présent projet est de créer un nouvel outil pour la détection automatique des désinformations en ligne, un sujet pour le moment assez peu étudié, en particulier lorsque les contenus sont en langue française. Le but est de développer des outils de linguistique informatique pour détecter les désinformations en utilisant les relations logiques entre énoncés, grâce à une analyse sémantique et logique profonde automatique de ces énoncés, et de les implémenter dans la plateforme d'analyse sémantique du français de l'équipe Texte (LIRMM). Le sujet de cette thèse s'inscrit dans une approche hybride, combinant apprentissage profond (méthodes quantitatives) et grammaires catégorielles et déduction logique (méthodes formelles). Le travail de recherche pour cette thèse consiste à 1) construire un corpus de phrases annotées avec leur représentation logique et en indiquant les contradictions, 2) utiliser des architectures neuronales pour produire le sens de phrases sous forme de formules logiques, 3) utiliser ces sorties dans un démonstrateur automatique, afin de détecter des contradictions, 4) évaluer la performance du système sur le jeu de données constitué.

Disinformation (fake news) on social networks is a major societal issue. The objective of this research project is to create a new tool for the automatic detection of online disinformation, a subject that has not been studied enough at the moment, especially when the content is in French. The aim is to develop computational linguistics tools to detect misinformation by using the logical relationships between statements, through an automatic deep semantic and logical analysis of these statements, and to implement them in the french semantic analysis platform of Texte team (LIRMM). For this purpose, the present dissertation follows a hybrid approach, combining deep learning (quantitative methods) with categorial grammars and logical deduction (formal methods). The research work includes 1) constructing a corpus of sentences annotated with their logical representation and indicating the contradictions, 2) using neural architectures to produce the meaning of sentences in the form of logical formulas, 3) using these outputs in an automatic demonstrator, in order to detect contradictions, 4) evaluating the performance of the system on the constituted dataset.