Etudiant : EL YOUSSOUFI KAOUTHAR

Filière : Master Big Data et Systèmes intelligents (BDSI)

Encadrant : Pr. Alami Hamza

Annèe : 2026

Résumé : L’analyse des sentiments constitue l’une des applications les plus importantes du traitement automatique du langage naturel, permettant d’extraire automatiquement les opinions et les sentiments exprimées dans les données textuelles. Cependant, la langue arabe présente plusieurs défis liés à sa richesse morphologique, à la diversité de ses dialectes et à la disponibilité limitée de ressources linguistiques adaptées. Dans ce contexte, ce projet s’intéresse à deux problématiques complémentaires : l’analyse automatique des sentiments en langue arabe et la transformation des sentiments (Sentiment Swapping). La première partie du travail vise à développer un modèle performant de classification des sentiments reposant sur des architectures Transformers enrichies par des techniques d’apprentissage contrastif supervisé et d’Ensemble Learning afin d’améliorer la qualité des représentations et la précision de la classification. La seconde partie est consacrée au développement d’un système de Sentiment Swapping capable de modifier la polarité de sentiment d’un texte arabe tout en préservant son contenu informationnel et sa cohérence linguistique. Pour atteindre cet objectif, une méthodologie basée sur le Retrieval-Augmented Generation (RAG), les bases vectorielles FAISS, LangChain et les grands modèles de langage (Large Language Models – LLMs) a été mise en œuvre. Une comparaison avec un modèle de référence basé sur T5 a également été réalisée afin d’évaluer les performances de la solution proposée. Les résultats obtenus mettent en évidence l’efficacité des approches modernes basées sur les Transformers et les LLMs pour le traitement des sentiments en langue arabe, aussi bien pour les tâches de classification que pour les tâches de transformation des sentiments. Mots-clés : Traitement automatique du langage naturel, Analyse des sentiments, Langue arabe, Transformers, Apprentissage contrastif supervisé, Ensemble Learning, Sentiment Swapping, Retrieval-Augmented Generation, FAISS, LangChain, Grands modèles de langage.