Thèse Modélisation de la Persuasion dans les Débats Argumentatifs H/F - Doctorat.Gouv.Fr

Établissement : Université Côte d'Azur École doctorale : STIC - Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : I3S - Informatique, Signaux et Systèmes de Sophia-Antipolis Direction de la thèse : Elena CABRIO ORCID 0000000193747872 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-03T23:59:59 Dans les débats argumentatifs, même des arguments très persuasifs ne le sont que dans un contexte donné, en fonction de l'état de la discussion, des échanges précédents et de l'interlocuteur.
La persuasion émerge ainsi des interactions entre arguments et de la manière dont ils répondent aux points de vue opposés tout au long du dialogue, plutôt que d'énoncés isolés. La modélisation de tels phénomènes est difficile, car les effets persuasifs dépendent de la structure des arguments, de leurs relations (comme le soutien et l'attaque) et de la dynamique des échanges entre participants. Si les approches en traitement automatique des langues capturent des régularités statistiques dans les débats, et si l'argumentation computationnelle propose des représentations structurées, aucune ne permet à elle seule d'expliquer comment la persuasion émerge dans des interactions réelles. Cette thèse vise à relever ce défi en apprenant des modèles interprétables de la persuasion fondés sur des structures argumentatives, capables de prédire et d'expliquer les changements d'opinion, tout en s'adaptant à différents profils d'utilisateurs.
Cette thèse se situe à la croisée du traitement du langage naturel et de l'argumentation computationnelle, et s'attache à modéliser la persuasion dans les débats du monde réel. En TAL, les approches existantes s'appuient sur des ensembles de données de débats en ligne tels que ChangeMyView [9] et mettent en évidence des schémas statistiques liés à la dynamique des interactions, à l'organisation du discours, aux stratégies rhétoriques et aux facteurs liés aux utilisateurs [5, 6, 4, 3]. Cependant, ces approches restent largement basées sur la corrélation et n'offrent qu'un aperçu limité des mécanismes argumentatifs sous-jacents à la persuasion. En revanche, l'argumentation computationnelle fournit des modèles structurés d'arguments et de leurs interactions [1]. Dans ce cadre, plusieurs travaux ont étudié la persuasion d'un point de vue formel, par exemple en modélisant la manière dont les agents sélectionnent, organisent ou échangent des arguments afin d'influencer les autres [2, 7]. Pourtant, ces approches s'appuient généralement sur une sémantique prédéfinie et ne sont pas conçues pour apprendre la persuasion à partir de données. Cette thèse s'appuie sur un dataset conversationnel [8] et l'étend afin de développer des modèles de persuasion interprétables qui combinent la structure argumentative, les stratégies rhétoriques, la qualité des arguments et l'adaptation au profil de l'utilisateur. La thèse s'articulera autour de deux questions de recherche principales :
- comment représenter les structures argumentatives afin de saisir les facteurs qui influencent la persuasion,
notamment la qualité des arguments, les relations de soutien et d'attaque, ainsi que les stratégies rhétoriques ;
- apprendre, à partir de débats annotés avec des résultats de persuasion, la manière dont les structures argumentatives conduisent à la persuasion, et comment ces effets varient selon les différents profils d'utilisateurs ;
L'originalité de la thèse réside dans la modélisation de la persuasion au niveau des interactions argumentatives structurées, en combinant des cadres d'argumentation avec un apprentissage fondé sur les données.
Cela permet à la fois de prédire les résultats en matière de persuasion et de réaliser une analyse interprétable de la
manière dont les arguments influencent le changement d'opinion selon les différents profils d'utilisateurs. La méthodologie consistera à : (i) modéliser les débats sous forme de graphes d'argumentation enrichis et multidimensionnels rendant compte des interactions argumentatives complexes, ainsi que des diverses propriétés des arguments ; (ii) enrichir des dataset de débats avec les structures argumentatives, les profils d'utilisateurs et la qualité des arguments [8] ; (iii) l'apprentissage d'un modèle de persuasion interprétable fondé sur l'argumentation computationnelle, en étendant les cadres existants afin qu'ils puissent être appris à partir de données du monde réel et adaptés à différents profils ou groupes d'utilisateurs.
Ces étapes seront développées de manière itérative, les choix de modélisation guidant le processus d'annotation, et les résultats empiriques seront utilisés pour affiner à la fois la représentation et les mécanismes d'apprentissage afin d'identifier les modèles qui capturent le mieux les effets de persuasion.

- Un master en science des données, ou en informatique est requis.
- Des connaissances en traitement du langage naturel et en apprentissage automatique sont souhaitées.
- Des connaissances en argumentation computationnelle et en argumentation formelle seront un atout.
- Anglais courant requis, à l'oral comme à l'écrit. Le français est apprécié mais pas obligatoire.