STAGE en identification et validation de nouvelles catégories dans des corpus textuels F/H (2026-186674)

Description de l'offre

Contexte

La R&D d’EDF (2000 chercheurs) mène des recherches pour accompagner les activités du Groupe et préparer leurs évolutions. Le département Services, Économie, Outils Innovants et IA, SEQUOIA, réunit des compétences en sciences de l’ingénieur et en sciences humaines et sociales. Au sein de ce département, ce stage sera rattaché au groupe « Statistiques et Outils d’Aide à la Décision » (SOAD). Cette équipe compte une vingtaine d’ingénieurs chercheurs spécialisés en IA et data science avec des compétences fortes autour du machine learning et du deep learning.

La catégorisation de documents repose souvent sur une liste de catégories définies à l’avance. Lorsque les corpus évoluent, de nouveaux sujets peuvent rester absents ou mal couverts. Le stage portera sur les méthodes permettant de repérer ces sujets et de proposer des catégories dont la pertinence pourra être vérifiée en aval par des experts.

Une première application pourra porter sur une enquête d’opinion sur le véhicule électrique, menée avec des sociologues du groupe EDF. Les catégories actuelles ont été construites sur d’anciennes données à l’aide de BERTopic, un modèle de langue pour nommer les différents groupes et une validation humaine pour juger de leur pertinence. Les réponses annotées servent ensuite d’exemples pour classer les nouveaux textes. Des données plus récentes pourront être étudiées pour rechercher des sujets mal couverts par les catégories existantes. La méthode devra pouvoir être appliquée à d’autres corpus.

Objectifs

• Réaliser un état de l’art sur la découverte de thèmes et de catégories dans les textes. Étudier le regroupement sémantique, la modélisation de sujets et les approches utilisant des modèles de langue, en précisant leurs limites.

• Comparer plusieurs approches sur les corpus retenus, avec une méthode de référence. Distinguer une catégorie nouvelle d’une reformulation ou d’un raffinement de catégories existantes.

• Définir un protocole d’évaluation pour vérifier la cohérence des catégories proposées, leur différence avec les catégories existantes et leur intérêt pour l’analyse.

• Développer un prototype Python, ou reprendre un code existant, présentant les catégories proposées avec leur définition et des textes représentatifs reliés au corpus source. Prévoir les tests et la documentation nécessaires pour reproduire les expériences.

• Restituer les méthodes comparées, leurs résultats, leurs limites et les conditions de réutilisation sur un autre corpus. Présenter le prototype et les catégories retenues ou écartées lors de la validation.

Le développement du prototype pourra conduire à des améliorations ciblées du code existant. Une simplification ou une réécriture de certaines briques pourra être envisagée si elle facilite la maintenance ou l’intégration de nouvelles méthodes. Ce volet sera limité au temps disponible.