Etudiant : KOUROUMA NEMA ELISEE

Filière : LF Sciences Mathématiques et Informatique

Encadrant : Pr. AHERRAHROU NOURA

Annèe : 2024

Résumé : Ce projet vise à intégrer Chat GPT, une intelligence artificielle avancée, avec MongoDB, une base de données NoSQL, pour analyser les sentiments des tweets en temps réel. Dans un contexte où les données générées quotidiennement sont massives, l'analyse des sentiments devient cruciale pour comprendre les émotions humaines à grande échelle. Les réseaux sociaux, en particulier Twitter, offrent une source riche d'informations en temps réel. Cependant, la collecte et l'analyse de ces données posent des défis en raison de leur volume et de leur nature dynamique. Les tweets contiennent souvent des langages informels, des abréviations, des emojis et des références contextuelles. Les objectifs spécifiques du projet incluent l'utilisation de Chat GPT pour analyser et classifier les sentiments des tweets en catégories positives, neutres et négatives, la configuration de MongoDB pour stocker efficacement les tweets et les résultats des analyses, et la création d'un système robuste capable de traiter des flux de données continus et de fournir des insights en temps réel. Le projet utilise Python pour le développement des scripts et l'analyse des données, Flask comme Framework web pour créer les routes et contrôleurs, pymongo pour interagir avec MongoDB, OpenAI (Chat GPT) pour le traitement du langage naturel et l'analyse des sentiments, Selenium pour l'extraction des tweets en temps réel, ainsi que HTML, CSS, et JavaScript pour l'interface utilisateur et la visualisation des données. La modélisation du système est réalisée à l'aide de diagrammes UML, et MongoDB est choisi pour sa flexibilité, sa scalabilité et sa performance en gestion de données non structurées. Les résultats démontrent la faisabilité de l'intégration de Chat GPT avec MongoDB pour analyser les sentiments des tweets en temps réel, offrant des perspectives pour diverses applications stratégiques, notamment la veille médiatique et l'analyse des tendances de consommation. Les contributions principales incluent le développement de modèles de traitement du langage naturel, l'optimisation des processus d'analyse de données, et l'intégration de technologies avancées pour une compréhension approfondie des dynamiques sociales sur les réseaux sociaux. Les perspectives futures du projet incluent l'amélioration de la précision des modèles d'analyse des sentiments, l'exploration de l'application de cette technologie à d'autres types de données textuelles, et le développement d'interfaces utilisateur plus interactives et conviviales pour la visualisation des résultats.