Analyse des sentiments sur l'éducation en Algérie sur YouTube.

Abstract

Ce travail a été réalisé dans le cadre de notre projet de fin de cycle Master en informatique option System d'information avancé (SIA). Il consiste à proposer une approche hybride, combinant des techniques de machine learning et des méthodes basées sur un lexique pour l'analyse des sentiments des commentaires en dialecte algérienne des spectateurs des videos d'éducation sur Youtube algérien. Ce travail concerne donc l'analyse de sentiment aussi appelée opinion mining, il existe également de nombreux noms : extraction d'opinion, sentiment mining... etc, pour simplifier la présentation, tout au long de ce travail nous avons utilisé le terme analyse de sentiment. Cependant, ces concepts ne sont pas équivalents [20]. Le Dataset qu'on a utilisé a été pris d'une chaine de youtube d'éducation nommé il contient les commentaires des spectateurs en dialecte algérienne. L'analyse des sentiments a été effectuée sur chaque commentaire et ensuite classifier en utilisant une approche hybride. L'approche hybride combinant lexique et Machine Learning est particulièrement efficace pour l'analyse des sentiments. Elle permet de passer en revue des milliers de commentaires en utilisant un modèle qui intègre à la fois des règles basées sur un lexique et l'apprentissage automatique. Dans cette travail, les sentiments des consommateurs ont été analysés en utilisant un modèle de Random Forest,SVM et Naive bayes tout en exploitant un lexique de mots et phrases positifs et négatifs. Cette méthode permet non seulement de capturer des indices sentimentaux explicites, mais aussi d'apprendre des motifs plus subtils dans les données textuelles, améliorant ainsi la précision et la robustesse de la classification sentimentale. Dans ce mémoire, nous avons exploré et analysé en profondeur le domaine de l'analyse des sentiments appliquée aux vidéos éducatives. Il est constitué de six (6) chapitres organisés comme suit : Chapitre 1 (Introduction) a présenté le contexte de notre étude, en décrivant la problématique et les objectifs poursuivis. Il a également fourni un aperçu de l'organisation du mémoire, mettant en avant les principaux aspects que nous allions explorer. Chapitre 2 (Généralités sur l'analyse des sentiments), nous avons introduit les concepts fondamentaux de l'analyse des sentiments, expliquant son importance et ses différents domaines d'application. Nous avons également abordé les divers niveaux d'analyse, les types d'opinions, ainsi que les défis associés à cette discipline. Chapitre 3 (Etat de l'art) a passé en revue les travaux de recherche existants dans le domaine de l'analyse des sentiments. Une étude comparative et une analyse des différentes approches utilisées par d'autres chercheurs ont été effectuées, permettant de situer notre travail dans le contexte plus large de la recherche. Chapitre 4 (Analyse des sentiments sur les vidéos d'éducation), nous avons détaillé notre approche proposée pour analyser les sentiments dans les commentaires des vidéos éducatives. Cela inclut la collecte des données, le prétraitement, l'annotation, et les différentes techniques de classification utilisées, telles que les forêts aléatoires, les machines à vecteurs de support, et les modèles de Naive Bayes. Chapitre 5 (Expérimentation), nous avons décrit le cadre expérimental de notre étude. Nous avons présenté le dataset utilisé, l'environnement de travail, les bibliothèques Python employées, ainsi que le processus de mise en service et d'évaluation des modèles. Les résultats obtenus ont été analysés et comparés pour mesurer l'efficacité de notre approche. Nous avons développé le projet au maximum de nos capacités actuelles, mais de nombreuses étapes restent à franchir. Nous prévoyons de créer un site web pour notre modèle, une tâche déjà entamée avec l'extraction et le prétraitement des commentaires. Nous envisageons également d'enrichir notre dataset. Une difficulté rencontrée est la faible quantité de commentaires négatifs, car les vidéos éducatives ne génèrent pas beaucoup de ce type de commentaires donc le modèle manque d'exemples pour bien apprendre à les détecter à l'avenir. Ce projet a été très enrichissant à bien des égards. Il nous a permis d'acquérir de nouvelles compétences et de mettre en pratique les connaissances théoriques acquises au cours de notre cursus universitaire.