Skip to content

Premières conclusions

Notre question était la suivante :

Quelle est l’évolution des communautés affiliées politiquement (affiliation mesurée par le score et/ou un sentiment positif) en correspondance avec les événements médiatiques (cités dans les soumissions et ou corrélation externe) ?

Au travers de notre analyse voici les premières conclusions que nous pouvons tirer :

  • on observe de premiers exemples de pics de « sentimentalité » qui corrèlent avec les événements: par exemple, le pic du sentiment seasonality fluctue surtout entre février et mars 2017 ce qui coincide avec la mise en examen de François Fillon, notamment pour détournement de fonds publics et recel d’abus de biens sociaux, dans l’enquête sur les soupçons d’emplois fictifs de son épouse et ses enfants comme assistants parlementaires.

  • Les graphes permettent d’observer l’évolution des réseaux autours des candidats et des couleurs politiques et la corrélation avec les événements. Pour le cas de Fillon, le réseau qui gravite autour de lui augmente après sa mise en examen, vu qu’il est beaucoup cité dans les commentaires. Puis il est de moins en moins cité, ce qui correspond à la baisse de sa popularité.

Les interactions que nous proposons permettent de travailler aux niveaux macro (hypergraphes), mezzo (hypergraphes, arbres à palabres) et micro (hypergraphes, arbres à palabres) et micro (arbres à palabres).

Pistes pour la suite

De nombreuses pistes se profilent pour la suite :

  • Amélioration de la recherche dans les arbres à palabres (retour sous forme de liste tabulées cliquables)
  • Analyse de sentiments sur l’ensemble des niveaux (actuellement : fils de discussion)
  • Classification multi-labels des commentaires : il existe des algorithmes qui permettent de classer un objet en le faisant appartenir à plusieurs classes, voir par exemple scikit multi-classe
  • UX : Prise en compte itérative des patterns d’interaction et de recherche des chercheurs (ex : singulariser des fils de discussion, rechercher des patterns plus complexes)
  • Traitement des scores négatifs
  • Export depuis l’arbre à palabres