Sur la détection explicable des positions, la distribution et la vérification des affirmations

Les avancées récentes en apprentissage automatique et en apprentissage profond ont étendu les applications du Traitement Automatique du Langage Naturel (TALN) à la détection de position, à l'analyse de distribution des positions et à la vérification des affirmations. Pourtant, de nombreux modèles performants restent opaques, produisant des prédictions précises sans révéler comment les décisions ont été prises. Construire des systèmes fournissant des prédictions accompagnées d’explications claires et fidèles est essentiel pour la confiance, la responsabilité et l'affinement des modèles. Les techniques d'explicabilité existantes, telles que les visualisations d'attention, ne montrent que des signaux superficiels, tandis que les chaînes de raisonnement post-hoc peuvent produire des justifications convaincantes mais non fidèles. Cette thèse développe des cadres ciblés produisant des explications structurées, fondées sur des preuves, pour la détection de position, la distribution des positions, et la vérification des affirmations. La détection de position détermine si un article soutient, s'oppose ou reste neutre vis-à-vis d'une affirmation, ce qui est crucial pour la vérification des faits et la compréhension de la couverture médiatique. Nous introduisons Stance Tree, un cadre non supervisé basé sur la théorie de la structure rhétorique. Stance Tree organise les articles en structures discursives hiérarchiques, évalue les positions des unités discursives élémentaires et les combine à l'aide de la théorie de Dempster-Shafer. Cela produit des prédictions précises et des explications structurées mettant en évidence les unités argumentatives les plus pertinentes. Comprendre la distribution des opinions dans des collections d’articles révèle des schémas dans le discours public. Notre cadre basé sur un graphe organise les arguments en communautés où les nœuds représentent des arguments et les arêtes capturent les relations. Le cadre explique l'homogénéité (communautés à position unique), la controverse (communautés à positions concurrentes) et comment les sous-thèmes connectent des arguments de plusieurs auteurs. Cela peut aider les lecteurs à naviguer dans un discours complexe et à identifier où se situent alignements ou conflits. Nous abordons la vérification des affirmations à partir de données tabulaires, essentielle pour la publication scientifique, l'audit financier et le reporting de durabilité. Nous proposons le cadre Multi-Agentic Claim vErification (MACE), un système basé sur des prompts utilisant des agents spécialisés qui collaborent pour vérifier des affirmations et générer des explications pas à pas indiquant les étiquettes de véracité, les stratégies de raisonnement, les opérations mathématiques et les hypothèses. Ces travaux font progresser l'explicabilité dans trois tâches interconnectées. Stance Tree fournit des explications structurées au niveau de l’article. L'analyse de distribution des positions étend les aperçus aux collections d’articles, révélant comment les perspectives se regroupent ou entrent en conflit. MACE permet une vérification transparente des affirmations par rapport à des preuves tabulaires. En ancrant les explications dans les structures discursives, les communautés argumentatives et le raisonnement basé sur des agents, cette thèse contribue des cadres rendant le raisonnement de position et l’utilisation des preuves plus interprétables et pratiquement utiles.