💬 NLP

Comparative Analysis of AutoML and BiLSTM Models for Cyberbullying Detection on Indonesian Instagram Comments

Cette étude évalue et compare les modèles d'apprentissage automatique et d'apprentissage profond pour détecter le cyberharcèlement dans les commentaires indonésiens d'Instagram, concluant que, bien que le BiLSTM avec mécanismes d'attention atteigne les meilleures performances globales, la régression logistique demeure une alternative compétitive et économe en ressources.

Auteurs originaux : Raihana Adelia Putri, Aisyah Musfirah, Anggi Puspita Ningrum, Luluk Muthoharoh, Ardika Satria, Martin Clinton Tosima Manullang

Publié 2026-04-30

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Raihana Adelia Putri, Aisyah Musfirah, Anggi Puspita Ningrum, Luluk Muthoharoh, Ardika Satria, Martin Clinton Tosima Manullang

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez Instagram comme une immense et animée place publique numérique. Bien qu'il s'agisse d'un lieu pour partager des photos et se connecter, il possède un côté sombre : le cyberharcèlement. Cela se produit lorsque des personnes utilisent Internet pour harceler, menacer ou humilier autrui. En Indonésie, il s'agit d'un problème grave touchant de nombreux jeunes.

Ce document est comparable à un rapport d'enquête visant à déterminer la meilleure façon de construire un « garde de sécurité numérique » capable de repérer automatiquement ces commentaires méchants en langue indonésienne avant qu'ils ne blessent qui que ce soit.

Voici l'histoire de leur enquête, décomposée simplement :

1. Les Suspects (Les Données)

Les chercheurs ont rassemblé une « liste de recherchés » de 650 commentaires Instagram.

La Source : Ils proviennent des sections de commentaires de célèbres artistes et influenceurs indonésiens.
Le Mélange : La liste était parfaitement équilibrée : 325 commentaires étaient méchants (Harcèlement) et 325 étaient gentils (Non-Harcèlement).
Le Défi : Il ne s'agissait pas d'essais formels. Ils étaient désordonnés, courts et pleins d'argot, d'abréviations et d'émojis — tout comme de vrais adolescents qui parlent.

2. L'Équipe de Nettoyage (Prétraitement)

Avant que les ordinateurs ne puissent lire ces commentaires, ils devaient être nettoyés. Imaginez essayer de lire un livre écrit dans une langue où les gens font constamment des fautes d'orthographe ou étirent les mots (comme « baaanget » au lieu de « banget »).

Les chercheurs ont construit une machine de nettoyage spéciale en six étapes :

Mise en minuscules (Case Folding) : Tout mettre en minuscules (pour que « Bonjour » et « bonjour » soient identiques).
Nettoyage : Suppression des hashtags, des liens et des @mentions.
Normalisation de l'argot : Correction de l'argot (transformer « bgt » en « banget »).
Suppression des mots vides (Stopwords) : Jeter les mots courants comme « et » ou « le » qui n'aident pas à identifier le harcèlement.
Racinement (Stemming) : Réduire les mots à leur racine (transformer « courant » en « courir »).
Tokenisation : Découper la phrase en morceaux de mots individuels.

Sans cette étape, les ordinateurs seraient confus par l'argot désordonné d'Internet.

3. Les Concurrents (Les Modèles)

Les chercheurs ont opposé deux types différents de « détectives » pour voir qui pourrait attraper les harceleurs le mieux.

Équipe A : Les Détectives Classiques (Apprentissage Automatique)

Ce sont les méthodes anciennes et fiables. Elles examinent les mots et comptent la fréquence d'apparition de certains « mauvais » mots.

Naive Bayes : Un devineur rapide basé sur la probabilité.
Régression Logistique : Un calculateur stable qui trace une ligne entre le bien et le mal.
SVM (Machine à Vecteurs de Support) : Un classificateur à l'œil perçant qui tente de trouver la frontière parfaite entre les deux groupes.
Outil : Ils ont utilisé une méthode appelée TF-IDF, comparable à un surligneur qui marque les mots uniques et importants pour la phrase.

Équipe B : Les Penseurs Profonds (Apprentissage Profond)

Ce sont les détectives d'IA avancés qui tentent de comprendre le contexte et le flux de la phrase, et pas seulement les mots.

Bi-LSTM : Un modèle qui lit la phrase de gauche à droite ET de droite à gauche en même temps, comme lire un livre tout en se souvenant de ce que vous venez de lire.
Bi-LSTM + Attention : Le même modèle, mais avec un « projecteur » (mécanisme d'Attention). Ce projecteur indique au modèle de prêter une attention particulière aux mots les plus émotionnels ou importants de la phrase.

4. Les Résultats : Qui a gagné ?

Les chercheurs ont organisé une course pour voir quel modèle pouvait correctement identifier les commentaires de harcèlement.

Le Vainqueur Classique : Parmi les détectives anciens, la Régression Logistique était le champion. Elle avait raison environ 85,25 % du temps. Elle était rapide, efficace et ne nécessitait pas un superordinateur pour fonctionner.
Le Vainqueur de l'Apprentissage Profond : Le Bi-LSTM avec le « Projecteur » (Attention) a pris la couronne globale. Il avait raison environ 84,62 % du temps.
- Attendez, n'est-ce pas moins ? En fait, c'est très proche ! Le « Projecteur » a aidé le modèle à mieux comprendre la nuance du harcèlement que les autres, même si le pourcentage brut était légèrement inférieur à celui du meilleur modèle classique.
- Le Bi-LSTM standard (sans le projecteur) s'est moins bien comporté (78,46 %), prouvant que le « projecteur » était crucial.

5. Le Verdict

Le document conclut par quelques enseignements clés :

L'Apprentissage Profond est le « Plus Intelligent » : Le modèle avec le « projecteur » (Bi-LSTM + Attention) est le meilleur pour comprendre le contexte complexe et désordonné de l'argot indonésien et des attaques émotionnelles.
L'Apprentissage Automatique est le « Plus Efficace » : Si vous n'avez pas un ordinateur puissant ou si vous avez besoin de quelque chose qui fonctionne très vite, la Régression Logistique classique est un choix très solide et pratique. Elle a presque aussi bien performé que l'IA complexe mais est beaucoup plus légère.
Le Nettoyage est Essentiel : L'étude souligne que si vous ne nettoyez pas l'argot et ne corrigez pas les fautes d'orthographe au préalable, même l'IA la plus intelligente échouera.

Les Limites (Le Petit Caractère)

Les auteurs sont honnêtes sur les limites de leur étude :

Petite Échantillon : Ils n'ont utilisé que 650 commentaires. C'est comme juger les goûts musicaux d'un pays entier sur la base d'une enquête auprès de 650 personnes. Un ensemble de données plus important rendrait les résultats plus fiables.
Source Spécifique : Tous les commentaires provenaient des pages d'artistes célèbres. Le harcèlement pourrait avoir une apparence différente sur la page d'une personne ordinaire.
Étiquettes Simples : Ils n'ont étiqueté les commentaires que comme « Harcèlement » ou « Non-Harcèlement ». Ils ne l'ont pas décomposé plus loin (par exemple, « Body Shaming » contre « Discours de Haine »).

En résumé : Pour attraper les cyberharceleurs dans les commentaires Instagram indonésiens, vous avez d'abord besoin d'une bonne équipe de nettoyage. Ensuite, vous pouvez choisir entre un détective classique rapide et fiable (Régression Logistique) ou une IA hautement intelligente et consciente du contexte avec un projecteur (Bi-LSTM + Attention), selon la puissance de calcul dont vous disposez.

1. Énoncé du problème

Le cyberharcèlement sur les plateformes de médias sociaux, en particulier Instagram, constitue une menace grave pour la santé mentale des jeunes indonésiens. Bien que des systèmes de détection automatisée existent, la plupart des recherches se concentrent sur les données Twitter/X. Les commentaires Instagram présentent des défis uniques en raison de leur nature informelle, de l'usage intensif d'argot, d'émojis, d'allongements de caractères et de langues mixtes. De plus, il existe un manque d'études comparatives évaluant les compromis entre les approches d'apprentissage automatique (ML) traditionnelles et les architectures d'apprentissage profond (DL) spécifiquement pour le contenu Instagram en langue indonésienne.

2. Méthodologie

Jeu de données

Source : 650 commentaires Instagram extraits des comptes d'artistes et d'influenceurs indonésiens.
Structure : Jeu de données d'équilibrage binaire avec 325 étiquettes « Harcèlement » et 325 étiquettes « Non-harcèlement ».
Caractéristiques : Texte indonésien informel avec une longueur moyenne de 63 caractères. Le jeu de données est propre (pas de doublons ni de valeurs manquantes) et couvre des contextes linguistiques diversifiés.

Pipeline de prétraitement

Un pipeline spécialisé a été développé pour gérer les nuances linguistiques indonésiennes en utilisant des bibliothèques spécifiques (indoNLP, nlp-id, PySastrawi) :

Mise en minuscules (Case Folding) : Conversion en minuscules.
Nettoyage : Suppression des mentions, hashtags, URL et caractères non alphabétiques.
Normalisation de l'argot : Remplacement de l'argot et des allongements de caractères (par exemple, "bgt" $\rightarrow$ "banget").
Suppression des mots vides (Stopwords) : Élimination des mots communs non discriminants.
Racinement (Stemming) : Réduction des mots à leurs formes racines basées sur la morphologie indonésienne.
Tokenisation : Découpage du texte en tokens.

Approches de modélisation

L'étude a comparé deux voies de modélisation distinctes :

Voie Apprentissage Automatique (ML) (AutoML) :
- Outils : Framework PyCaret avec recherche par grille pour le réglage des hyperparamètres.
- Extraction de caractéristiques : TF-IDF (Fréquence du terme-fréquence inverse de document).
- Algorithmes testés : Naive Bayes, Régression logistique et Machine à vecteurs de support (SVM).
- Validation : Validation croisée à 5 plis.
Voie Apprentissage Profond (DL) :
- Outils : PyTorch.
- Architectures :
  1. Bi-LSTM : Mémoire à court et long terme bidirectionnelle pour capturer le contexte séquentiel.
  2. Bi-LSTM + Attention Bahdanau : Ajout d'un mécanisme d'attention pour pondérer les mots-clés significatifs.
- Configuration : Taille de lot 32, taille d'embedding 128, optimiseur Adam, perte d'entropie croisée, arrêt anticipé (patience=3).
- Validation : Répartition statique 80/10/10 (Entraînement/Validation/Test) avec graine aléatoire 42.

3. Contributions clés

Analyse comparative : Une comparaison directe de trois algorithmes ML classiques contre deux architectures DL spécifiquement pour les commentaires Instagram indonésiens, comblant une lacune dans la littérature qui se concentre souvent sur Twitter.
Prétraitement spécifique au domaine : Démonstration de l'impact critique d'un pipeline NLP adapté (normalisation de l'argot et racinement morphologique) sur la performance des modèles pour le texte informel indonésien.
Cadre pratique : Identification du modèle optimal pour différents scénarios de déploiement (haute précision vs contraintes de ressources), fournissant une base pour les systèmes de modération de contenu automatisés en Indonésie.

4. Résultats expérimentaux

Performance de l'apprentissage automatique :

La Régression logistique s'est imposée comme le modèle ML le plus performant.
- Précision : 85,25 %
- Score F1 : 85,22 %
Le SVM a suivi avec une précision de 82,61 %.
Le Naive Bayes a obtenu les résultats les plus faibles avec une précision de 77,99 %.

Performance de l'apprentissage profond :

Le Bi-LSTM + Attention a atteint la performance globale la plus élevée.
- Précision : 84,62 %
- F1-Macro : 84,58 %
Le Bi-LSTM standard a été en retrait avec une précision de 78,46 %, soulignant la boost significative (environ 6 %) apportée par le mécanisme d'attention.

Insight comparatif :

Précision : La Régression logistique (ML) a légèrement surpassé le Bi-LSTM+Attention (DL) de 0,63 point de pourcentage.
Compréhension contextuelle : Bien que les modèles ML aient été hautement compétitifs, les modèles DL ont démontré une capacité supérieure à capturer des dépendances séquentielles complexes et un contexte émotionnel, comme en témoigne le saut de performance significatif lors de l'ajout du mécanisme d'Attention.
Efficacité : Les modèles ML ont offert des temps d'entraînement plus rapides et des exigences de calcul plus faibles, les rendant viables pour des environnements aux ressources limitées.

5. Importance et conclusion

Sélection de modèle : Pour des exigences de haute précision où des ressources de calcul sont disponibles, le Bi-LSTM avec Attention est l'approche recommandée. Cependant, pour un déploiement léger et rapide, la Régression logistique offre des performances comparables avec une surcharge significativement moindre.
Importance du prétraitement : L'étude confirme que le prétraitement spécifique au domaine (normalisation de l'argot et racinement) n'est pas optionnel mais essentiel pour atteindre des performances élevées sur les données de médias sociaux informelles indonésiennes.
Limites et travaux futurs : L'étude est limitée par un jeu de données relativement petit (650 échantillons) et un schéma d'étiquetage binaire qui ne capture pas des catégories nuancées (par exemple, l'insulte corporelle vs le discours de haine). Les recherches futures devraient utiliser des jeux de données plus vastes et explorer des modèles basés sur les Transformers (par exemple, des variantes de BERT) pour améliorer davantage les capacités de détection.

Conclusion : L'article établit que, bien que les modèles d'apprentissage profond avec mécanismes d'attention soient théoriquement supérieurs pour la compréhension contextuelle, les modèles d'apprentissage automatique traditionnels restent hautement efficaces et compétitifs pour la détection du cyberharcèlement sur les médias sociaux indonésiens, à condition qu'un prétraitement rigoureux et spécifique à la langue soit appliqué.