Aller au contenuAller au menuAller à la rechercheAller à la page d'actualités

Groupe de recherche angevin en économie et management

Navigation principale

    Recherche

    Fil d'ariane

    RSSA

    RSSA

    • Partager la page sur les réseaux sociaux
    • Envoyer cette page par mail

      Envoyer par mail


      Séparés par des virgules
    • Imprimer cette page

    RSSA

    Analyse des Réseaux Sociaux pour améliorer l’Anticipation et l’Adaptation de la réponse d’ordre public

     

    Ce projet est une étude de 6 mois cofinancée par le Fonds d’Investissement en Études Stratégiques et Prospectives (FIESP), portée par Camille Baulant et Guillaume Sylvestre.

    Équipe de recherche

    Direction du projet

    Camille Baulant, professeure en Sciences Économiques au GRANEM, Université d'Angers
    Guillaume Sylvestre, directeur de l'innovation numérique à l'ADIT, expert en social network analysis

    Membres de l'équipe

    Promotion 2019-2020 du Master 2 IESCI
    Serge Blondel, professeur en Sciences Économiques au GRANEM, Université d'Angers
    Mouna El Haddani, consultante indépendante en Statistique, Management par l'Intelligence économique et Logiciels d’entreprise

     

    Objectifs

    • Appliquer des algorithmes d’intelligence artificielle à l’analyse des réseaux sociaux pour améliorer l’anticipation et l’adaptation de la réponse d’ordre public, en particulier dans les cas de la diffusion de fausses informations ;
    • Identifier l’apparition de nouvelles thématiques/signaux faibles ;
    • Caractériser la typologie des échanges liés à ces signaux faibles pour comprendre la logique de structuration des communautés : centralisée, éclatée, indépendantes, artificielles …

    Nous appliquons dans ce projet une démarche innovante de Social Graph Learning.

     

    Résumé du projet

    Le champ de recherche de la Social Network Analysis a développé des méthodologies d’analyse des réseaux sociaux permettant d’identifier des communautés qui correspondent à des thématiques précises, et de caractériser les leaders qui influencent ces communautés.
    A chacune de ces caractéristiques correspondra un calcul statistique précis et transparent, basé sur la recherche en sciences sociales. Ces calculs peuvent par ailleurs être croisés entre eux pour affiner l’analyse. Plusieurs études ont montré la pertinence de la Social Network Analysis pour analyser les échanges en ligne, notamment pour révéler :

    • Des campagnes / stratégies d’influence, ponctuelles ou structurées sur le long terme ;
    • L’emploi de robots / comptes inactifs pour pousser une thématique ;
    • L’apparition de sous-communautés liées à un sujet donné et donc de signaux faibles concernant la montée en puissance d’une nouveau sujet / d’une thématique spécifique.

    Exploiter des outils d’intelligence artificielle à partir de corpus Twitter enrichis d’analyses statistiques liées à la Social Network Analysis permettra de générer des modèles d’algorithmes qui auront vocation à générer des alertes à destination d’experts : apparition de nouvelles thématiques, génération d’une sous-communauté, identification de nouveaux influenceurs …

    Nous exploiterons les données Twitter correspondant à plusieurs corpus thématiques qui ont donné lieu à une forte mobilisation, notamment dans le cadre de la diffusion de fausses informations, comme sur l’exemple du Pacte de Marrakech. Ces données sont collectées via l'outil de veille Visibrain, qui a développé un format d'export spécifique à la Social Network Analysis.

     


    Enjeux

    Ce travail d’analyse comparative débouchera sur différents modèles d’algorithmes visant à définir des alertes à partir de données Twitter sur la détection d’évènements spécifiques : apparition de nouvelles thématiques d’échanges, évolution de la typologie des communautés, propagation de fausses informations … Ces alertes qualifiées pourront ensuite être vérifiées par un analyste confirmé.

    L’enjeu est double : éviter la surcharge de signaux liée à la recherche par mots-clés / aux algorithmes cherchant de nouvelles thématiques, qui au final ne sont pas pris en compte faute de temps suffisant pour les traiter ; et permettre de comprendre / caractériser le signal faible détecté avec une grille de lecture caractérisant des typologies de communautés sur les réseaux sociaux.