Classification d’information dans les média sociaux en utilisant les techniques du Machine Learning afin d’améliorer la Situational Awereness dans les situations d’urgence

Abstract

Dans beaucoup de discussions autour des catastrophes et des situations d'urgence, on a rme couramment qu'une catastrophe fait emerger l'urgence, et le plus souvent, les deux termes sont utilis es de mani ere interchangeable. Les r eseaux sociaux sont consid er es comme un moyen de communication able durant les situations d'urgence en raison de son omnipr esence croissante, de sa rapidit e de communication, et de son accessibilit e multi-plateforme. De plus, les r eseaux sociaux comme Twitter ont des caract eristiques sp eci ques, comme l'existence des m etadonn ees telles que les hashtags. Ceci rend notre t^ache plus complexe, malgr e que ces hashtags ont et e d e nis par Twitter dans le but de regrouper les tweets selon leurs sujets de discussion (Farzindar et Roche, 2013). Beaucoup d'informations sont maintenant di us ees en cas d'une crise qu'il est impossible pour les humains de bien les trouver, et encore moins les organiser, leur donner un sens et agir en cons equence. Pour ltrer ces informations actionnables et situationnelles, des m ethodes de ltrage et de classi cation doivent ^etre d evelopp ee et mis en uvre pour augmenter les e orts humains de compr ehension et d'int egration de donn ees. Ces informations partag ees doivent ^etre transmises en temps r eel aux bonnes personnes et/ou stocker pour des besoins ult erieurs. La classi cation et cat egorisation d'informations est l'activit e du traitement automatique des langues naturelles qui consiste a classer de fa con automatique des ressources documentaires, g en eralement en provenance d'un corpus. Notre travail, r ealis e dans ce m emoire, vise a proposer une solution technique pour am eliorer la Situational Awareness dans les situations d'urgence. Cette solution propos ee permet de l'utilisation des m ethodes d'apprentissage automatique pour classer les tweets li es aux catastrophes a n d'extraire le maximum d'informations pertinentes et actionnables aux d ecideurs. Nous avons compar e les performances de deux des algorithmes de classi cation les plus courants, Na ve Bayes et les arbres de d ecision. L' evaluation de la performance est bas ee sur la validation des r esultats a travers les param etres d'exactitude, de pr ecision, et le rappel, avec l'application d'outils statistiques.