Antonin Descampe — Augmented Images (ULiège)

Antonin Descampe — Augmented Images (ULiège)

Antonin Descampe — Images augmentées (ULiège)

par Antonin Descampe · Voir la chaîne sur PSI

Sciences humaines, sociales & pensée Informatique & Cybersécurité UYInformatiqueUYWRéalité augmentée (RA)
🎙 Antonin Descampe 👥 178 📅 15 octobre 2022 ⏱ 38 min 👁 44 📄 étude originale 🧭 2026-10-09
Disponible en : Français (actuel) English

Mots-clés

subjectivitécadrages médiatiquesanalyse multimodalemodèles de langageTransformers visuels

Résumé

Antonin Descampe, ingénieur de formation, présente un projet de recherche interdisciplinaire visant à détecter la subjectivité dans les médias d’information à l’aide de méthodes d’apprentissage automatique. Il contextualise d’abord la crise de confiance envers les médias et souligne le rôle des biais et de l’opinion dans les contenus. Il distingue la subjectivité linguistique (mesurable dans le texte) de la subjectivité journalistique (impliquant le choix des images, les stéréotypes, l’agenda setting). Le projet se déroule en trois étapes : 1) évaluer la subjectivité linguistique en français avec des caractéristiques artisanales (syntaxe, lexique, ponctuation) et des modèles de langage (type BERT), atteignant 90% et 99% de précision, mais avec un problème d’explicabilité ; 2) analyser les biais et stéréotypes dans les articles via les représentations vectorielles des mots, montrant par exemple des associations genrées pour certaines professions ; 3) étendre l’analyse aux images avec des Transformers visuels et multimodaux, permettant une détection automatique des cadres médiatiques combinant texte et image. L’orateur illustre le potentiel de ces outils pour quantifier la subjectivité, mais insiste sur la nécessité de combiner performance et explicabilité. Il termine sur les perspectives d’automatisation de l’analyse des cadres visuels, en s’appuyant sur des concepts comme la dénotation, la connotation et l’idéologie.

202 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur de l’information est bonne : l’orateur propose une approche méthodique et transparente, avec des résultats concrets (taux de précision) et des exemples parlants (associations de mots, traitement différent de ‘vaccination’ dans deux journaux). L’argumentation est solide : il justifie la nécessité de passer d’une analyse purement textuelle à une analyse multimodale, et souligne les limites des modèles de type ‘boîte noire’. La discussion sur les biais sociaux incorporés dans les modèles de langage est pertinente et ouvre des pistes de recherche originales. Toutefois, certaines conclusions restent spéculatives (l’exemple des présidents de partis belges) et la démonstration repose sur des travaux en cours, ce qui limite la portée définitive.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est correcte : l’orateur cite des rapports (Reuters Institute Digital News Report), des théories (agenda setting, framing), et des travaux académiques. Les sources sont crédibles, mais les références précises (URLs) ne sont pas fournies dans la description. La qualité des sources est bonne, mais on peut regretter l’absence de citations complètes. L’adéquation titre/contenu est bonne : le titre évoque bien le thème de l’image augmentée et de l’IA, et la présentation s’y conforme. Aucun commentaire public n’a été fourni, donc aucune tendance de commentaires n’est analysable.

214 mots

Adéquation titre / contenu

Le titre correspond au contenu : il s'agit bien d'une intervention sur l'analyse d'images augmentées par l'IA dans le cadre du symposium. La mention 'ULiège' précise l'institution hôte. Adéquation correcte.

Qualité & fiabilité

7/10

La conférence repose sur une méthodologie scientifique explicite (combinaison de caractéristiques linguistiques et de modèles de langage, puis vision multimodale), avec des résultats chiffrés et une discussion critique des limites (explicabilité, biais). Les sources sont principalement des références académiques et des rapports institutionnels, mais l'exposé reste une présentation de travaux en cours sans publication formelle citée en détail.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

  • Reuters Institute Digital News Report 2021 — Cité pour illustrer la crise de confiance dans les médias.
  • Goffman (1974) - Frame Analysis — Théorie du cadrage (framing) mentionnée pour définir les cadres médiatiques.
  • Wesley Lowery (Washington Post) — Citation sur l'objectivité journalistique et la nécessité d'être juste plutôt qu'objectif.

Sources concordantes

Apport & nouveautés

L’apport original réside dans la proposition d’un cadre intégrant le traitement automatique du langage (NLP) et la vision par ordinateur pour détecter et quantifier la subjectivité dans les médias, en dépassant l’analyse textuelle seule. La combinaison de caractéristiques artisanales explicables avec des modèles de langage performants vise à concilier les deux avantages. De plus, l’idée d’utiliser les modèles de langage comme outils de détection des biais sociaux (et non seulement de neutralisation) est une perspective intéressante pour les sciences sociales.

Pour aller plus loin :

  • Transformer (modèle) — Architecture de base des modèles de langage et visuels évoqués.
  • BERT (modèle) — Représentant des modèles de langage pré-entraînés cité dans la présentation.
  • Analyse de sentiments — Domaine connexe à la détection de subjectivité dans les textes.
  • Détection d’objets — Technique de vision par ordinateur permettant d’identifier des entités dans les images.

140 mots

Profil radar

Le profil radar montre une bonne quantité d'information (8) et une qualité correcte (7), avec un niveau technique élevé (7) et une fiabilité globale de 7. La vidéo est dense et présente des résultats détaillés, mais la fiabilité est atténuée par le manque de références complètes et le caractère 'en cours' des travaux.

Fiabilité 7/10