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 Monsieur Amir Reza JAFARI TEHRANI

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

Informatique

« Vers l’intelligence émotionnelle dans les tâches linguistiques à l’aide de grands modèles de langage »

le MERCREDI 19 NOVEMBRE 2025 à 14h00

https://teams.microsoft.com/dl/launcher/launcher.html?url=%2F_%23%2Fl%2Fmeetup-join%2F19%3Ameeting_NWY3NzIwZWItY2FhYi00YWNjLTkyYTgtYjk1YmEwMWM3YWE4%40thread.v2%2F0%3Fcontext%3D%257b%2522Tid%2522%253a%25222b1be215-5cf1-43de-8bc7-946bdf57f9cd%2522%252c%2522Oid%2522%253a%25223cafa483-f4f1-448e-b2d7-1e675507fe9e%2522%257d%26anon%3Dtrue&type=meetup-join&deeplinkId=cd405daa-06f2-4d5c-97df-e0bb60d46364&directDl=true&msLaunch=true&enableMobilePage=true&suppressPrompt=true
Join the meeting now Meeting ID: 357 646 733 405 45 Passcode: L7d9im2t

Membres du jury :

M. Noel CRESPI, Full professor, Télécom SudParis, FRANCE – Directeur de these
M. Reza FARAHBAKHSH, Assistant professor, Télécom SudParis, FRANCE – Co-encadrant de these
M. Bruce MAGGS, Full professor, Duke University, ETATS-UNIS – Examinateur
M. Ángel CUEVAS RUMíN, Associate Professor, Universidad Carlos III de Madrid, ESPAGNE – Examinateur
M. Gareth TYSON, Associate Professor, Hong Kong University of Science and Technology, HONG-KONG – Examinateur
M. Marius PREDA, Associate Professor, Télécom SudParis, FRANCE – Examinateur
Mme Elena CABRIO, Full professor, Université Côte d’Azur, FRANCE – Rapporteur
M. Tossapon BOONGOEN, Full professor, Aberystwyth University, ROYAUME-UNI – Rapporteur

Invité :

AJAPAKSHA Praboda, ASSISTANT PROFESSOR, Aberystwyth University

« Vers l’intelligence émotionnelle dans les tâches linguistiques à l’aide de grands modèles de langage »

présenté par Monsieur Amir Reza JAFARI TEHRANI

Résumé :

Alors que les systèmes de traitement du langage naturel (NLP) s’intègrent de plus en plus dans les technologies sociales interactives, sensibles aux émotions et décisionnelles, le besoin d’intelligence émotionnelle dans les modèles de langage devient une priorité essentielle de recherche. Si les techniques traditionnelles d’analyse des sentiments permettent de détecter les états émotionnels de base, elles ont toutefois une capacité limitée à interpréter les nuances émotionnelles, cognitives et psychologiques plus profondes du langage humain. La création de systèmes émotionnellement intelligents nécessite non seulement une reconnaissance fine des émotions, mais aussi la capacité de raisonner sur leurs causes sous-jacentes et de personnaliser l’interprétation en fonction des traits de personnalité individuels et des facteurs contextuels. Cette thèse aborde ces défis en étudiant comment les caractéristiques émotionnelles, la modélisation psychologique et les mécanismes de raisonnement peuvent être systématiquement intégrés dans des modèles de langage à grande échelle afin de permettre une compréhension émotionnelle plus profonde et plus adaptative. Les recherches commencent par explorer le rôle des émotions fines dans deux tâches linguistiques complexes et socialement importantes : la détection des discours haineux implicites, où la haine est exprimée indirectement à travers des sous-entendus émotionnels, et l’identification des valeurs humaines dans les discours argumentatifs, où les valeurs morales et culturelles sont souvent signalées par un langage affectif. Dans ces deux tâches, l’intégration d’indices émotionnels fins améliore les performances et l’interprétabilité du modèle. S’appuyant sur ces observations, la thèse présente un nouveau cadre qui combine les traits de personnalité, dérivés de modèles établis tels que le Big Five et Myers-Briggs, avec une méthode de tuning basée sur des prompts afin de personnaliser l’interprétation et le raisonnement émotionnels. Ce cadre permet aux modèles de langages d’ajuster leurs réponses en fonction des profils psychologiques spécifiques à chaque utilisateur, ce qui permet une inférence plus précise des causes émotionnelles dans des contextes émotionnellement ambigus ou subjectifs. La thèse propose également un protocole d’évaluation adapté à l’évaluation du raisonnement émotionnel en relation avec la personnalité, ainsi qu’à des techniques d’apprentissage multitâche et de contrastive training qui renforcent la représentation émotionnelle et contextuelle. Les résultats expérimentaux obtenus à partir de plusieurs datasets confirment que les méthodes proposées conduisent à des améliorations substantielles en matière de compréhension des émotions, de personnalisation et de capacités de raisonnement. En résumé, ce travail contribue au développement de technologies linguistiques émotionnellement intelligentes en établissant un lien entre la reconnaissance des émotions, la modélisation des utilisateurs et le raisonnement, ouvrant la voie à des systèmes plus sensibles au contexte, socialement responsables et alignés sur l’expérience émotionnelle humaine.
Abstract :

As natural language processing systems become increasingly embedded in socially interactive, emotionally sensitive, and decision-making technologies, the need for emotional intelligence in language models is becoming a critical research priority. While traditional sentiment analysis techniques can detect basic emotional states, they are limited in their ability to interpret the deeper emotional, cognitive, and psychological nuances of human language. Building emotionally intelligent systems requires not only fine-grained recognition of emotions, but also the ability to reason about their underlying causes and to personalize interpretation according to individual personality traits and contextual factors. This thesis addresses these challenges by investigating how emotional features, psychological modeling, and reasoning mechanisms can be systematically integrated into large-scale language models to enable deeper and more adaptive emotional understanding. The research begins by exploring the role of fine-grained emotions in two complex and socially significant language tasks: detecting implicit hate speech, where hate is expressed indirectly through emotional undertones, and identifying human values in argumentative discourse, where moral and cultural values are often signaled through affective language. In both tasks, incorporating fine-grained emotional cues improves model performance and interpretability. Building on these insights, the thesis introduces a new framework that combines personality traits, derived from established models such as the Big Five and Myers-Briggs, with a prompt-based tuning method to personalize emotional interpretation and reasoning. This framework allows language models to adjust their responses based on user-specific psychological profiles, enabling more accurate emotion cause inference in emotionally ambiguous or subjective contexts. The thesis also contributes to an evaluation protocol tailored to assessing emotion reasoning in relation to personality, along with techniques for multi-task learning and contrastive training that strengthen emotional and contextual representation. Experimental results across multiple datasets confirm that the proposed methods lead to substantial improvements in emotion understanding, personalization, and reasoning capabilities. In summary, this work contributes to the development of emotionally intelligent language technologies by bridging emotion recognition, user modeling, and reasoning, paving the way toward systems that are more context-aware, socially responsible, and aligned with human emotional experience.