Assas Recherche | Extraction automatique d'arguments par le biais de grands modèles de langage adaptés

Extraction automatique d'arguments par le biais de grands modèles de langage adaptés (Document en Anglais)

Accès au(x) document(s)

Accéder au(x) document(s) :

https://docassas.u-paris2.fr/nuxeo/site/esupversions/ce238f6c-9b75-44ee-b843-4e7fb4c25961

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :

Thèse consultable sur internet, en texte intégral.

Informations sur les contributeurs

Auteur : Mushtaq Umer

Mushtaq, Umer

Nom

Mushtaq

Prénom

Umer

Nationalité

Français

Date de soutenance : 10-11-2023

Directeur(s) de thèse : Cabessa Jérémie

Cabessa, Jérémie

Nom

Cabessa

Prénom

Jérémie

Etablissement de soutenance : Université Paris-Panthéon-Assas

Université Paris-Panthéon-Assas

Nom

Université Paris-Panthéon-Assas

Ecole doctorale : École doctorale des sciences économiques et gestion, sciences de l'information et de la communication (Paris)

École doctorale des sciences économiques et gestion, sciences de l'information et de la communication (Paris)

Nom

École doctorale des sciences économiques et gestion, sciences de l'information et de la communication (Paris)

Informations générales

Discipline : Informatique
Classification : Informatique

Mots-clés libres : Intelligence artificielle, Apprentissage automatique, Traitement automatique du langage, Extraction automatique d'arguments, Classification de texte, Grands modéles de langage, Apprentissage par transfert, BERT, Features as Text (FeaTxt), Prompt ingénierie
Mots-clés :

Apprentissage automatique
Traitement automatique du langage naturel
Transfert d'apprentissage (enseignement des langues)

Résumé : Le traitement automatique du langage naturel (NLP) est un champ de l'intelligence artificielle d'une importance majeure. Dans ce domaine les transformeurs et les modèles de langage de grandes tailles (LLMs) subséquents ont représenté un changement de paradigme significatif. Dans le cadre du NLP, l'extraction d'arguments (AM) se concentre sur la détection automatique d'arguments structurés et de leurs relations au sein d'un corpus textuel. L'extraction d'arguments possède de multiples applications, telles que l'analyse de texte juridiques ou d'articles scientifiques. Ce travail de thèse concerne l'extraction d'arguments (AM) et les modèles de langage de grande taille (LLMs). Notre première contribution concerne la classification d'arguments. Nous proposons un modèle unifié de type BERT enrichi de caractéristiques contextuelle structurelles et syntaxiques additionnelles, données sous forme de texte. Notre deuxième contribution concerne également la classification d'arguments ainsi que l'identification des liens entre ces derniers. Cette fois, nous proposons BERT--MINUS, un modèle composé d plusieurs sous-modules de type BERT, capable d'intégrer des caractéristiques additionnelles sous forme de texte ainsi que d'accomplir du transfert d'apprentissage. Notre troisième contribution se situe à la jonction des systèmes argumentatifs et de la théorie de la décision. Dans ce contexte, nous définissons un formalisme appelé "Bipolar Layered Framework with Support and Weights" (BLFSW), qui offre un modélisation des structures argumentatives sous forme de graphes. L'expressivité étendue de ce formalisme permet à la fois d'affiner l'évaluation des processus décisionnelles.

Informations techniques

Type de contenu : Text
Format : PDF

Informations complémentaires

Entrepôt d'origine :

STAR : dépôt national des thèses électroniques françaises

Identifiant : 2023ASSA0049
Type de ressource : Thèse