Description

La complexité des dynamiques sociales contemporaines, exacerbée par la prolifération des flux d'information numériques, exige des outils d'analyse capables de capturer non seulement la présence d'interactions, mais aussi leur valence et leur structure logique. Les réseaux sociaux signés, où les relations sont caractérisées comme positives (soutien, amitié, confiance) ou négatives (opposition, hostilité, méfiance) (Cartwright & Harary, 1956), (Heider, 1944), offrent un cadre formel rigoureux pour cette étude. Cette thèse se propose de perfectionner les méthodologies d'extraction de ces structures à partir de corpus textuels médiatiques et d'explorer la génération de données synthétiques comme vecteur de simulation et de validation, tout en garantissant une cohérence logique stricte entre les assertions discursives et les propriétés topologiques des graphes résultants.

Compétences requises

Le candidat doit avoir un master (ou équivalent) en informatique ou domaine connexe. Excellentes aptitudes à la rédaction et à la présentation claire des résultats de recherche. Maîtrise de Python, R, Julia ou C++, avec expérience des algorithmes d'optimisation, NLP et/ou théorie des graphes. La bourse de thèse fera l’objet d’un concours au sein de l’Ecole Doctorale 536 de l’université d’Avignon, avec une audition préalable du candidat retenu par les encadrants de thèse. Pour postuler merci d’envoyer un mail à Tania Jiménez (tania.jimenez@univ-avignon.fr) incluant : votre CV, une lettre de motivation avec votre positionnement sur les propositions d’études ci-dessous, d’éventuelles lettres de recommandation et vos relevés de notes.

Bibliographie

Cartwright, D., & Harary, F. (1956). Structural balance: A generalization of Heider’s theory. Psychological Review, 63, 277–293. https://doi.org/10.1037/h0046049

Heider, F. (1944). Social perception and phenomenal causality. Psychological Review, 51(6), 358–374. https://doi.org/10.1037/h0055425

Pangtey, L., Bhatnagar, A., Bansal, S., Dar, S. S., & Kumar, N. (2026). Large Language Models Meet Stance Detection: A Survey of Tasks, Methods, Applications, Challenges and Future Directions. https://arxiv.org/abs/2505.08464

Bian, H. (2025). LLM-empowered knowledge graph construction: A survey. https://arxiv.org/abs/2510.20345

Branzan, C. (n.d.). From LLMs to Knowledge Graphs: Building Production-Ready Graph Systems in 2025. https://medium.com/@claudiubranzan/from-llms-to-knowledge-graphs-building-production-ready-graph-systems-in-2025-2b4aff1ec99a

Walker V, Angst M. Promises and pitfalls of using LLMs to identify actor stances in political discourse. PLoS One. 2025;20(11):e0335547. Published 2025 Nov 19. doi:10.1371/journal.pone.0335547

Burnham, M. (2025). Stance detection: a practical guide to classifying political beliefs in text. Political Science Research and Methods, 13(3), 611–628. https://doi.org/10.1017/psrm.2024.35

Ma, J., Wang, C., Xing, H., Zhao, D., & Zhang, Y. (2024). Chain of Stance: Stance Detection with Large Language Models. https://arxiv.org/ abs/2408.04649

Buyl M, Rogiers A, Noels S, et al. Large language models reflect the ideology of their creators. NPJ Artif Intell. 2026;2(1):7. doi:10.1038/s44387-025-00048-0

Teixeira, A.S., Talaga, S., Swanson, T.J. et al. Revealing semantic and emotional structure of suicide notes with cognitive network science. Sci Rep 11, 19423 (2021). https://doi.org/10.1038/s41598-021-98147-w

Mots clés

traitement du langage naturel (NLP) , Graphes signés, données synthétiques