A Structured Clustering Approach for Inducing Media Narratives

Cet article présente un cadre de clustering structuré qui modélise conjointement les événements et les personnages pour induire des schémas narratifs explicables, permettant ainsi de capturer les nuances de la construction du sens à grande échelle sans annotation manuelle exhaustive.

L'essentiel

🌍 Le Problème : La Cuisine des Médias

Imaginez que les médias (journaux, télévisions) sont de grands chefs cuisiniers. Leur travail n'est pas seulement de nous dire ce qui se passe (les ingrédients bruts), mais de nous préparer un plat (une histoire) qui a un goût spécifique.

Quand un événement arrive (par exemple, une nouvelle loi sur l'immigration ou le contrôle des armes), les médias ne le racontent pas tous de la même façon.

• L'un peut dire : "C'est une protection pour nos travailleurs" (le plat est rassurant).
• L'autre peut dire : "C'est un gaspillage d'argent public" (le plat est amer).

C'est ce qu'on appelle le cadrage (ou framing). Le défi pour les ordinateurs, c'est qu'ils sont très forts pour compter les mots, mais très mauvais pour comprendre pourquoi une histoire est racontée d'une certaine manière. Ils voient les ingrédients, mais pas la recette secrète.

🕵️‍♂️ La Solution : Le Détective de l'Histoire

Les auteurs de ce papier ont créé un nouveau système pour aider les ordinateurs à comprendre ces recettes secrètes. Ils appellent cela une "approche de regroupement structurée".

Pour faire simple, imaginez que vous avez une montagne de milliers de petites cartes, chacune racontant un petit bout d'histoire. Votre but est de trier ces cartes en paquets cohérents.

Voici comment leur système fonctionne, étape par étape, avec une analogie :

1. Repérer les Personnages et leurs Rôles (Le Casting)

Dans n'importe quelle histoire, il y a toujours des personnages. Le système identifie qui est qui :

• Le Héros : Celui qui sauve la mise ou défend une cause.
• Le Méchant : Celui qui crée le problème ou le danger.
• La Victime : Celui qui subit les conséquences.

Analogie : C'est comme si le système regardait un film et disait : "Ah, ici, le policier est le Héros, et le voleur est le Méchant." Mais attention, dans un autre film, le policier pourrait être le Méchant ! Le système est assez malin pour voir ce changement.

2. Relier les Événements (La Chaîne de Cause à Effet)

Le système ne regarde pas juste les mots isolés. Il cherche les liens : "A a causé B".

• Exemple : "Le maire a voté une loi" -> Cela a causé -> "Les permis ont été refusés".

Analogie : C'est comme relier les points d'un dessin pour voir la forme globale, au lieu de juste regarder les points isolés.

3. Le Tri Intelligent (Le Regroupement Contraint)

C'est ici que la magie opère. Traditionnellement, les ordinateurs trient les histoires en se basant sur les mots utilisés (si deux textes parlent d'immigration, ils sont ensemble).
Mais ce système est plus fin. Il dit : "Attends, même si ces deux textes parlent d'immigration, dans l'un, les immigrants sont des Victimes, et dans l'autre, ils sont des Menaces. Donc, ils ne doivent PAS être dans le même panier !"

Analogie : Imaginez un tri de vêtements. Un ordinateur classique mettrait tous les "pulls rouges" ensemble. Ce système, lui, dit : "Même si c'est un pull rouge, si celui-ci est un pull de Noël (joyeux) et l'autre un pull de deuil (triste), on ne les met pas ensemble !"

🎁 Le Résultat : Des "Recettes" Claires

À la fin de ce processus, le système produit des schémas narratifs. Ce sont comme des fiches de recette résumées qui expliquent comment une histoire est construite.

Par exemple, pour le contrôle des armes, le système peut découvrir deux grandes "recettes" :

1. Recette A : Les juges (Héros) protègent la sécurité publique contre les lois trop laxistes (Menace).
2. Recette B : Les citoyens (Héros) défendent leur droit de se défendre contre un gouvernement envahissant (Menace).

Pourquoi est-ce important ?

1. C'est transparent : On ne sait pas juste que l'ordinateur a classé un texte, on sait pourquoi (à cause des rôles des personnages).
2. C'est à grande échelle : Cela fonctionne sur des milliers d'articles sans qu'un humain ait besoin de les lire un par un.
3. C'est utile : Cela aide les chercheurs à voir comment l'opinion publique est façonnée. On peut voir si les médias nous montrent toujours les mêmes groupes comme des "victimes" ou des "menaces".

En Résumé

Ce papier propose une nouvelle façon de lire les médias avec un ordinateur. Au lieu de simplement compter les mots, l'ordinateur apprend à jouer au réalisateur de cinéma : il identifie qui joue quel rôle, comment l'histoire avance, et regroupe les films qui racontent la même "morale", même s'ils parlent de sujets différents.

C'est un outil puissant pour comprendre comment les histoires que nous entendons chaque jour construisent notre vision du monde.

Résumé technique

1. Problématique

Les récits médiatiques jouent un rôle crucial dans la formation de l'opinion publique en structurant la réalité à travers des cadres interprétatifs (framing). Cependant, les approches computationnelles actuelles en traitement du langage naturel (NLP) peinent à capturer la finesse de ces structures narratives.

• Limites des méthodes existantes : Les approches actuelles se divisent en deux catégories imparfaites :
  1. Analyse grossière (Coarse-grained) : Elles se concentrent sur des étiquettes thématiques larges (ex: « politique », « économie ») ou des partis pris (gauche/droite), ignorant les nuances narratives et les structures thématiques subtiles.
  2. Taxonomies spécifiques au domaine : Elles capturent les subtilités idéologiques mais manquent de généralisabilité et nécessitent une annotation manuelle intensive, ce qui limite leur évolutivité.
• Objectif : Combler le fossé entre la théorie de la communication (qui voit le récit comme un schéma de sens partagé) et le NLP (qui construit les récits de bas en haut à partir d'unités atomiques), afin de générer automatiquement des schémas narratifs riches, explicables et évolutifs sans annotation exhaustive.

2. Méthodologie

Les auteurs proposent un pipeline multi-étapes pour induire des schémas narratifs à partir de grands corpus de nouvelles, en combinant la modélisation des événements et celle des personnages via un clustering structuré.

A. Construction de Chaînes Narratives

1. Extraction d'événements : Les événements sont représentés sous forme de tuples (verbe, objet). L'outil ETypeClus est utilisé pour extraire ces mentions.
2. Extraction des relations causales : Une méthode adaptée de DAPrompt (utilisant un modèle LLM distillé) identifie les paires d'événements liés causalement au sein d'un article, générant des triplets (événement, causalité, événement).
3. Vérbalisation : Un modèle de raisonnement (DeepSeek-R1-Distill-Llama-70B) transforme ces triplets en phrases narratives concises et cohérentes, intégrant le contexte causal.

B. Extraction des Personnages et de leurs Rôles

1. Identification des groupes de personnages : Les mentions de personnages sont extraites et regroupées (clustering) en groupes sémantiques (ex: « immigrants », « forces de l'ordre », « politiciens ») en utilisant des centres de graine initiaux.
2. Attribution des rôles narratifs : En s'inspirant du cadre de politique narrative (Shanahan et al., 2011), chaque personnage est classé dans l'un des rôles archétypaux suivants au sein de la chaîne causale :
   • Héros : Agents produisant des résultats positifs.
   • Menace : Personnages créant le conflit ou le dommage.
   • Victime : Ceux qui subissent les conséquences.
   • Neutre : Acteurs fonctionnels sans jugement moral fort.
   • Le modèle détermine également la posture globale (Pro/Anti) par rapport au sujet.

C. Clustering Structuré (Cœur de l'approche)

Contrairement au clustering traditionnel basé uniquement sur la similarité textuelle (qui regroupe des récits superficiellement similaires mais idéologiquement opposés), cette méthode utilise les attributions de rôles comme contraintes.

• Contraintes « Cannot-Link » : Si deux chaînes narratives ont des configurations de rôles contradictoires (ex: dans l'une, les « immigrants » sont des victimes ; dans l'autre, ils sont des menaces), elles ne peuvent pas être regroupées dans le même cluster.
• Algorithme : Une variante de l'algorithme k-means est utilisée, intégrant ces contraintes dans la fonction objectif pour minimiser la distance intra-cluster tout en pénalisant les violations de contraintes. L'initialisation des centroïdes est également « consciente des contraintes » (constraint-aware k-means++).

D. Attribution des Schémas Narratifs

Une fois les clusters formés, un LLM génère un résumé (schéma) pour chaque cluster, identifiant les éléments de cadrage d'Entman (1993) : le problème (issue), l'évaluation (evaluation) et la résolution (resolution).

3. Contributions Clés

• Cadre Unifié : Première approche computationnelle combinant systématiquement l'information au niveau des événements (causalité) et au niveau des personnages (rôles archétypaux) pour l'analyse des médias.
• Clustering Contraint par la Théorie : Introduction de contraintes de type « cannot-link » basées sur la théorie du cadrage pour séparer des récits qui seraient autrement confondus par des modèles sémantiques standards.
• Évolutivité et Explicabilité : Le système fonctionne sur de grands corpus sans annotation manuelle exhaustive et produit des schémas interprétables alignés avec la théorie de la communication.
• Validation Rigoureuse : Évaluation sur deux domaines politiques distincts (Immigration et Contrôle des armes à feu) avec des métriques de pureté, de prédiction de cadres et de tests d'intrusion.

4. Résultats Expérimentaux

L'évaluation a été menée sur le Media Frames Corpus (Immigration et Contrôle des armes à feu).

• Qualité des Chaînes Narratives : Les chaînes générées ont obtenu des scores élevés de fidélité sémantique et de complétude (moyenne de ~3.4/4), avec peu d'hallucinations.
• Performance du Clustering :
  • La méthode de clustering structuré surpasse systématiquement le k-means standard.
  • Pureté Exacte (Exact Match Purity) : Amélioration de 5 à 7 points pour les chaînes les plus proches des centroïdes.
  • Prédiction de Cadres (Frame Prediction) : Amélioration de 3 à 4 points en F1-score, démontrant que les clusters induits capturent mieux les cadres idéologiques sous-jacents.
• Test d'Intrusion : Les clusters structurés permettent une meilleure identification des intrus (récits ne correspondant pas au groupe), bien que des variations aient été observées selon le domaine (probablement dues à la complexité des données d'immigration).
• Analyse Explicable (SHAP) : L'analyse SHAP montre que les caractéristiques narratives (rôles, clusters) capturent des motifs prédictifs similaires aux embeddings contextuels (RoBERTa) mais offrent une transparence supérieure, permettant d'identifier quels rôles (ex: « Immigrants » vs « Forces de l'ordre ») pilotent les cadres spécifiques.

5. Signification et Implications

Cette recherche démontre qu'il est possible d'automatiser l'analyse des récits médiatiques complexes en respectant les principes de la théorie de la communication.

• Pour la recherche en sciences sociales : Elle offre un outil scalable pour étudier comment les mouvements sociaux construisent le soutien, comment les débats publics évoluent et comment les stéréotypes sont renforcés ou contestés.
• Pour le NLP : Elle propose une voie pour dépasser l'analyse purement statistique en intégrant des contraintes sémantiques et structurelles issues de théories humaines, améliorant ainsi l'interprétabilité des modèles.
• Limites et Perspectives : L'approche dépend de la qualité des modèles LLM sous-jacents (risque de biais) et traite les articles comme des instantanés statiques. Les travaux futurs pourraient intégrer la dimension temporelle et affiner les taxonomies de personnages pour des contextes interculturels.

En résumé, l'article présente une avancée majeure vers une analyse de médias computationnelle qui ne se contente pas de classifier des sujets, mais qui comprend et structure la narration elle-même, révélant les mécanismes de pouvoir et d'idéologie sous-jacents dans les discours publics.