AVIS DE SOUTENANCE de Madame Khouloud MNASSRI

L’Ecole doctorale : Ecole Doctorale de l’Institut Polytechnique de Paris

et le Laboratoire de recherche SAMOVAR – Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux

présentent

l’AVIS DE SOUTENANCE de Madame Khouloud MNASSRI

Autorisée à présenter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, préparé à l’Institut Polytechnique de Paris Télécom SudParis en :

Mathématiques et Informatique

« Compréhension du langage subjectif en traitement automatique des langues : de l’acquisition des connaissances à leur réutilisation gouvernée »

le VENDREDI 27 NOVEMBRE 2026 à 9h30

à

Salle E206
Télécom SudParis, 9 rue Charles Fourier, 91011 Évry-Courcouronnes

Membres du jury :

M. Noel CRESPI, Professeur, Institut Polytechnique de Paris Télécom SudParis, FRANCE – Directeur de thèse
M. Gareth TYSON, Professor, University of Oxford, ROYAUME-UNI – Rapporteur
M. Rubén CUEVAS RUMIN, Associate Professor, Universidad Carlos III de Madrid, ESPAGNE – Rapporteur
Mme Elena CABRIO, Professeure des universités, Université Côte d’Azur, Inria, CNRS, I3S, FRANCE – Examinateur
Mme Silvia GIORDANO, Full professor, SUPSI – University of Applied Sciences and Arts of Southern Switzerland, SUISSE – Examinateur
M. Reza FARAHBAKHSH, Associate Professor, Institut Polytechnique de Paris Télécom SudParis,, FRANCE – Co-encadrant de thèse

« Compréhension du langage subjectif en traitement automatique des langues : de l’acquisition des connaissances à leur réutilisation gouvernée »

présenté par Madame Khouloud MNASSRI

Résumé :

La compréhension du langage subjectif constitue un défi majeur en traitement automatique des langues. Dans l’analyse des sentiments et la détection des discours haineux, l’interprétation dépend du contexte linguistique et culturel, suscitant parfois des désaccords même entre annotateurs. Ces difficultés s’accentuent dans les environnements multilingues, où les données annotées sont inégalement disponibles. L’entraînement des modèles et leur sollicitation répétée soulèvent également des questions de passage à l’échelle. Cette thèse examine comment acquérir, transférer et réutiliser les connaissances, tout en étudiant les conditions dans lesquelles les décisions antérieures restent fiables. La première partie explore des alternatives à l’annotation intensive et à l’entraînement spécifique aux tâches. Un cadre adversarial génératif semi-supervisé exploite des données non annotées pour la détection multilingue des discours haineux, atteignant des performances comparables à celles d’une méthode de référence avec environ six fois moins de données annotées dans la configuration étudiée. Si cette approche réduit les besoins en annotation, elle nécessite toujours un entraînement spécifique. Cela motive le recours à la récupération de connaissances externes au moment de l’inférence. Une base de connaissances multilingue partagée combine des données structurées et non structurées pour permettre cette approche. D’abord appliquée à la détection des discours haineux, elle est ensuite étendue à l’analyse des sentiments dans douze langues, y compris en configuration zero-shot interlingue, où elle permet des gains de performance substantiels sans entraînement spécifique à la tâche. Face à la récurrence d’opinions similaires et de contenus haineux, solliciter systématiquement les modèles pour les analyser augmente les coûts d’inférence. La réutilisation des décisions antérieures offre une possibilité de réduire ces coûts, mais soulève également une question de fiabilité. Les expériences révèlent que cette réutilisation améliore les performances dans certaines langues, mais les dégrade dans d’autres. Dans le langage subjectif, des messages similaires peuvent véhiculer des significations différentes, ce qui rend la seule similarité sémantique insuffisante pour décider de leur réutilisation. Ce constat motive MAMA, une architecture de mémoire multi-agents qui détermine quand réutiliser une décision antérieure et quelles nouvelles connaissances conserver. Évaluée sur cinq jeux de données, MAMA maintient des performances proches de celles du modèle de référence tout en réduisant jusqu’à 93 % le coût des appels à celui-ci. Ensemble, ces contributions font progresser la compréhension du langage subjectif en réduisant la dépendance aux données annotées et en facilitant le transfert des connaissances entre les langues. Elles soulignent également l’importance de gouverner la réutilisation des décisions antérieures, ouvrant la voie à des systèmes de traitement automatique des langues plus accessibles, efficaces et fiables.

Abstract :

Understanding subjective language is a major challenge in Natural Language Processing. In sentiment analysis and hate speech detection, interpretations depend on linguistic and cultural context, sometimes leading even human annotators to disagree. These difficulties grow in multilingual settings with uneven access to annotated data. Training and repeatedly querying models also raise scalability concerns. This thesis examines how knowledge can be acquired, transferred and reused while assessing when previous decisions remain reliable. The first part explores alternatives to extensive annotation and task-specific training. A semi-supervised generative adversarial framework uses unlabelled data for multilingual hate speech detection, achieving performance comparable to a baseline with approximately one-sixth of the labelled data in the setting studied. Although annotation needs are reduced, task-specific training remains necessary. This motivates a shift towards retrieval, allowing models to access external knowledge at inference time. A shared multilingual knowledge base combines structured and unstructured data to support this process. First applied to hate speech detection, the approach is then extended to sentiment analysis across twelve languages, including a zero-shot cross-lingual setting, where it achieves substantial performance gains without task-specific training. As similar opinions and harmful content recur, repeatedly asking models to assess them increases inference costs. Reusing previous decisions offers an opportunity to reduce this burden, but also raises a question of reliability. Experiments reveal that direct reuse improves performance in some languages while degrading it in others. In subjective language, similar messages may convey different meanings, making semantic similarity an insufficient basis for reuse. This finding motivates MAMA, a multi-agent memory framework that governs both when past decisions can be reused and what new knowledge should be retained. Across five benchmarks, MAMA maintains performance close to the reference model while reducing the cost of invoking it by up to 93%. Together, these contributions advance subjective language understanding by reducing dependence on annotated data and enabling knowledge transfer across languages. They also establish the importance of governing how previous decisions are reused, supporting more accessible, efficient and reliable language processing systems.