Improving Neural Argumentative Stance Classification in Controversial Topics with Emotion-Lexicon Features

1. Problématique

La classification de la stance (l'identification de la position d'un auteur pour ou contre un sujet) dans les textes argumentatifs, en particulier sur des sujets controversés, est une tâche complexe. Bien que les arguments fassent souvent appel à l'émotion (Pathos), la plupart des travaux antérieurs n'ont pas systématiquement intégré une analyse fine des émotions pour améliorer les performances. De plus, les recherches existantes souffrent souvent de limitations de généralisation, étant restreintes à des domaines spécifiques ou à des corpus non argumentatifs.

L'objectif principal de cet article est de démontrer comment l'enrichissement et l'expansion d'un lexique d'émotions peuvent améliorer la classification de la stance dans des textes argumentatifs variés, en surmontant les lacunes de couverture sémantique des lexiques traditionnels.

2. Méthodologie

L'approche proposée, nommée NASCA (Neural Argumentative Stance Classification), repose sur deux piliers principaux : l'expansion du lexique d'émotions et l'intégration de ces features dans un modèle neuronal.

A. Développement du lexique étendu (eNRC)

Les auteurs ont développé une méthode pour étendre le NRC Emotion Lexicon (version corrigée des biais) en utilisant des embeddings contextuels :

• Embeddings : Utilisation de DistilBERT pour générer des représentations vectorielles (768 dimensions) pour chaque mot.
• Clustering et Normalisation :
  • Réduction de dimensionnalité via PCA (Analyse en Composantes Principales) pour visualiser la structure des données.
  • Application d'un Modèle de Mélange Gaussien (GMM) à 3 composantes pour partitionner l'espace d'embedding en clusters denses.
  • Normalisation par cluster : Les scores de similarité (cosinus) sont normalisés au sein de chaque cluster pour éviter les chevauchements de catégories et gérer les densités variables. Cela permet de calculer une similarité robuste indépendamment de la densité du lexique original.
• Expansion basée sur le seuil : Pour chaque mot candidat, la similarité avec les mots du lexique NRC est calculée. Si elle dépasse un seuil $\theta$ optimisé (trouvé à 0.4), le mot candidat hérite des étiquettes d'émotion du mot le plus proche. Ce processus crée le eNRC (expanded NRC).

B. Architecture du Modèle de Classification

Le modèle est conçu pour prédire la stance ($y \in \{For, Against\}$) d'un segment argumentatif $x$ par rapport à un sujet cible $t$.

• Encodage : Utilisation d'un encodeur BERT pré-entraîné. L'entrée est construite sous la forme : [CLS] Topic: t [SEP] Argument: x [SEP].
• Représentation : Extraction du vecteur [CLS] comme représentation agrégée du texte.
• Fusion des features : Le vecteur d'émotion $f_{emo}$ (dérivé du lexique eNRC, représentant les 8 catégories d'émotions du NRC) est concaténé avec le vecteur [CLS].
• Classification : La représentation combinée passe à travers deux couches cachées (avec activation ReLU et Dropout) pour une classification binaire finale.

3. Contributions Clés

1. Méthode d'expansion de lexique (eNRC) : Une nouvelle approche systématique utilisant des embeddings contextuels (DistilBERT) et une normalisation basée sur le clustering pour étendre les lexiques d'émotions tout en préservant la structure catégorielle et la cohérence sémantique.
2. Cadre de classification unifié : Présentation d'un modèle neuronal capable d'intégrer ces features d'émotion pour la tâche de stance classification sur des sujets controversés.
3. Évaluation multi-domaines : Réévaluation de cinq corpus bien connus (AMT1, AMT2, Persuasive Essays, IBM Debater, UKP) couvrant divers domaines et longueurs de texte, avec une prétraitement standardisé pour la tâche de stance.
4. Ressources ouvertes : Mise à disposition du code, des corpus adaptés et du lexique eNRC pour assurer la reproductibilité.

4. Résultats

Les expériences ont été menées sur cinq corpus, comparant trois variantes du modèle (sans lexique, avec NRC original, avec eNRC) contre des baselines (Majorité, LLM Qwen2.5-7B).

• Performance Globale : L'utilisation du lexique étendu (eNRC) améliore systématiquement les performances par rapport à la baseline sans lexique (noNRC) et au lexique original (NRC) sur tous les jeux de données.
  • Gain maximal observé : +6,2 points de pourcentage en score F1 macro sur le corpus Persuasive Essays (PE).
  • Sur le corpus UKP, le score atteint 68,4% avec eNRC.
• Comparaison avec les LLM : Le modèle NASCA avec eNRC surpasse l'approche basée sur le LLM Qwen2.5-7B sur presque tous les corpus. Le LLM a montré des difficultés significatives, notamment sur les corpus PE et UKP, soulignant que les grands modèles de langage ne sont pas encore optimaux pour cette tâche spécifique sans adaptation fine.
• Robustesse du seuil : Le seuil de similarité $\theta = 0.4$ s'est avéré être le choix le plus robuste, offrant un équilibre optimal entre l'expansion du vocabulaire et la précision sémantique.
• Impact du fine-tuning : L'ajout des features eNRC réduit la dépendance au fine-tuning complet de BERT. Le modèle maintient des performances compétitives même avec un encodeur BERT gelé, ce qui est un avantage majeur pour les déploiements à ressources limitées.

5. Signification et Conclusion

Cet article démontre que l'intégration explicite de l'analyse émotionnelle, via un lexique enrichi contextuellement, est cruciale pour la classification de la stance sur des sujets controversés.

• Généralisation : Contrairement aux travaux précédents limités à un seul domaine, cette méthode prouve sa généralisabilité sur des corpus hétérogènes (tweets, essais, micro-textes, débats).
• Efficacité des ressources : La méthode permet d'atteindre des performances de pointe (State-of-the-Art) sans nécessiter le fine-tuning coûteux de modèles LLM massifs, rendant la solution plus accessible et efficace.
• Apport théorique : L'étude valide l'hypothèse que les émotions (Pathos) sont des indicateurs fiables de la stance, souvent plus révélateurs que le contenu propositionnel seul dans les débats polarisés.

En résumé, l'approche proposée offre un cadre robuste et reproductible pour améliorer la compréhension des discours argumentatifs en combinant la puissance des modèles de langage modernes avec des ressources lexicales d'émotions enrichies de manière intelligente.