Modélisation de thématiques appliquée à la sensibilisation aux risques de catastrophes (Topic modeling on disaster risk awareness)

Details

Supervisors

Pircalabelu, Eugen ; Delforge, Damien

Faculty

Faculté des sciences

Degree label

Master [120] en science des données, orientation statistique, à finalité spécialisée

Abstract

Ce mémoire se situe à la croisée du traitement automatique du langage (TAL) et des sciences de l’environnement. Il porte sur la modélisation de thématiques (topic modelling) appliquée à l’étude de l’évolution du discours médiatique sur les risques de catastrophes naturelles en Belgique francophone. S’appuyant sur le corpus RTBF (Escouflaire et al., 2023) — 767 204 articles publiés entre 2008 et 2021 par la Radio-Télévision Belge Francophone. Nous isolons, après un tri lexical fondé sur un dictionnaire d’aléas climatiques et l’algorithme d’Aho-Corasick (1975), 8 958 articles pertinents couvrant cinq catégories d’aléas : inondations, tempêtes, intempéries, sécheresses et vagues de chaleur. Quatre modèles sont implémentés, optimisés et comparés : la Latent Dirichlet Allocation (LDA), le Dynamic Topic Model (DTM), BERTopic et le BERTopic dynamique. L’évaluation repose sur la cohérence sémantique (𝐶𝑣, 𝐶𝑈mass ), la stabilité lexicale (indice de Jaccard) et la capacité à capturer des évolutions diachroniques, mesurée par la divergence de Jensen-Shannon et le taux de renouvellement lexical (𝑇𝑟). Les résultats révèlent que le discours médiatique de la RTBF sur les catastrophes naturelles présente une forte inertie thématique sur l’ensemble de la période étudiée. On observe néanmoins une transition progressive, amorcée autour de 2016–2018 : la couverture, longtemps centrée sur la réaction immédiate aux événements — secours, évacuations, dégâts — intègre désormais de manière croissante les causes structurelles que sont le changement climatique, la perte de biodiversité et la pression sur les ressources hydriques. Cette inflexion coïncide avec la montée en puissance des épisodes de sécheresse et de vagues de chaleur dans le corpus, et se manifeste plus nettement dans les modèles dynamiques (DTM, BERTopic dynamique) que dans leurs homologues statiques. Sur le plan méthodologique, les modèles probabilistes (LDA, DTM) offrent une meilleure interprétabilité et un périmètre thématique mieux contrôlé, tandis que BERTopic produit une cohérence sémantique supérieure mais génère une contamination thématique plus importante sur ce corpus généraliste. Pour l’analyse de corpus journalistiques traitant de thématiques environnementales, les approches probabilistes conservent un avantage décisif lorsque la transparence des résultats et le dialogue avec des experts non informaticiens constituent des exigences premières (Tanguy et al., 2025).