Traitement automatique du langage naturel pour la reconnaissance des émotions : vers des assistants virtuels empathiques

Noktehdan Esfahani, Seyed Hamed (2025). Traitement automatique du langage naturel pour la reconnaissance des émotions : vers des assistants virtuels empathiques. Mémoire. Rimouski, Université du Québec à Rimouski, Département de mathématiques, informatique et génie, 45 p.

PDF Télécharger (13MB) | Prévisualisation

Résumé

« L'objectif de cette recherche est d'explorer la détection et l'intégration des états affectifs des personnes lors des interactions avec des assistants virtuels. Le développement d'assistants virtuels empathiques, capables de comprendre et de répondre aux émotions des utilisateurs, présente un potentiel significatif pour améliorer leur expérience et leur satisfaction. Cette recherche se concentre sur l'étape fondamentale de la détection des émotions à partir des entrées textuelles, en s'appuyant sur des techniques avancées d'apprentissage automatique et des grands modèles de langage (GML ou LLM pour l'abréviation en anglais) pour obtenir une reconnaissance précise des émotions. Dans cette recherche, nous nous sommes concentrés sur le jeu de données de International Survey on Emotion Antecedents and Reactions (ISEAR), qui inclut des données textuelles représentant sept émotions distinctes : la joie, la colère, la tristesse, la honte, la culpabilité, le dégoût et la peur. Le jeu de données ISEAR est une collection exhaustive d'expressions textuelles de ces émotions, fournissant une ressource riche pour l'entraînement et l'évaluation des modèles de détection des émotions. Ce jeu de données capture une large gamme d'états émotionnels, ce qui en fait un choix idéal pour le développement et le test des capacités des assistants virtuels empathiques. En utilisant ce jeu de données, nous avons visé à s'assurer que nos modèles puissent détecter et classer avec précision ces sept émotions clés à partir des entrées textuelles, formant ainsi la base des interactions empathiques avec les assistants virtuels. L'hypothèse de travail de cette recherche est que les GML avancés, en particulier ceux affinés avec des techniques appropriées, peuvent améliorer significativement la précision de la détection des émotions à partir des textes comparés aux modèles d'apprentissage automatique classiques. Les résultats de la recherche indiquent que les GML avancés, en particulier le modèle Mistral 7B, affiné, surpassent les modèles d'apprentissage automatique classiques dans la tâche de détection des émotions à partir des textes. Le modèle Mistral 7B, affiné en utilisant des techniques d'ajustement fin (en anglais : fine tuning) efficace des paramètres (AFEP), a atteint une précision de 76 %, ce qui est nettement supérieur à la performance d'autres modèles comme Falcon 7B et des algorithmes classiques tels que le MNB et le SVM. Ces résultats valident l'hypothèse de cette recherche, démontrant la capacité supérieure des GML avancés à capturer et à reconnaître des états émotionnels nuancés à partir des entrées textuelles. Cette recherche démontre avec succès le potentiel de l'utilisation des GML avancés pour la détection des émotions dans le développement d'assistants virtuels empathiques. Les résultats montrent que le modèle Mistral 7B affiné améliore de manière significative la précision de la détection des émotions, fournissant une base solide pour créer des assistants virtuels capables de comprendre et de répondre aux états émotionnels des utilisateurs. -- Mot(s) clé(s) en français : assistant virtuel empathique, détection des émotions, analyse textuelle, grand modèle de langage, traitement automatique des langues. »--
« The aim of this research is to explore the detection and integration of people's affective states during interactions with virtual assistants. The development of empathetic virtual assistants, which can understand and respond to users' emotions, holds significant potential for enhancing user experience and satisfaction. This research focuses on the foundational step of detecting emotions from text inputs, leveraging advanced machine learning techniques and large language models (LLMs) to achieve accurate emotion recognition. In this research, we focused on the International Survey on Emotion Antecedents and Reactions (ISEAR) dataset, which includes textual data representing seven distinct emotions: joy, anger, sadness, shame, guilt, disgust, and fear. The ISEAR dataset is a comprehensive collection of textual expressions of these emotions, providing a rich resource for training and evaluating emotion detection models. The dataset captures a wide range of emotional states and scenarios, making it an ideal choice for developing and testing the capabilities of empathetic virtual assistants. By utilizing this dataset, we aimed to ensure that our models could accurately detect and classify these seven key emotions from text inputs, forming the foundation for empathetic interactions in virtual assistants. The working hypothesis of this research is that advanced LLMs, particularly those fine-tuned with appropriate techniques, can significantly improve the accuracy of emotion detection from text compared to classical machine learning models. The research findings indicate that advanced LLMs, particularly the fine-tuned Mistral 7B model, outperform classical machine learning models in the task of emotion detection from text. The Mistral 7B model, fine-tuned using PEFT techniques, achieved an accuracy of 76%, notably higher than the performance of other models such as Falcon 7B and classical algorithms like MNB and SVM. These findings confirm our initial hypothesis that advanced LLMs excel at identifying and interpreting subtle emotional nuances in textual data. This research successfully demonstrates the potential of using advanced LLMs for emotion detection in developing empathetic virtual assistants. The findings show that the fine-tuned Mistral 7B model significantly improves emotion detection accuracy, providing a robust foundation for creating virtual assistants that can understand and respond to users' emotional states. -- Mot(s) clé(s) en anglais : Empathetic Virtual Assistant, Emotion Detection, Text Analysis, Large Language Models, Natural Language Processing. »--

Type de document :	Thèse ou mémoire de l'UQAR (Mémoire)
Directeur(trice) de mémoire/thèse :	Adda, Mehdi
Information complémentaire :	Mémoire présenté dans le cadre du programme de maîtrise en informatique en vue de l'obtention du grade de maître ès sciences.
Mots-clés :	Assistants personnels virtuels (Logiciels) ; Analyse de sentiments (Intelligence artificielle) ; Émotions - Identification ; Analyse de données textuelles ; Grands modèles de langage ; Traitement automatique des langues naturelles ; Gml ; Llm ; Isear ; Mistral 7B.
Départements et unités départementales :	Département de mathématiques, informatique et génie > Informatique
Date de dépôt :	15 déc. 2025 20:48
Dernière modification :	15 déc. 2025 20:48
URI :	https://semaphore.uqar.ca/id/eprint/3397