Une Approche Unifiée pour la Détection du Sexisme dans les Mèmes des Réseaux Sociaux dans des Contextes d’Evaluation Stricts et Souples
Lorenzo Calogiuri, Elöd Egyed-Zsigmond, Nathan Nowakowski, Luca Cagliero
Résumé : La détection automatique du sexisme dans les mèmes se heurte à la nature multimodale des contenus et à la pluralité des perspectives portées par les annotateurs. Si les approches classiques visent un consensus souvent artificiel, le défi EXIST 2025 souligne la nécessité de concilier évaluations strictes (binaires) et souples (probabilistes). Nous proposons une architecture unifiée modélisant conjointement ces deux paradigmes. Notre approche repose sur une stratégie d’ensemble entraînée sur des partitions asymétriques pour capturer la distribution des avis, couplée à un apprentissage supervisé ciblé sur les cas limites. Les expérimentations menées sur le corpus EXIST Meme démontrent l’efficacité de cette synergie, avec une progression de +7,73% sur la métrique souple et +26,47% en évaluation stricte par rapport à l’état de l’art. Cette approche souligne l’efficacité d’un cadre unifié combinant inférence déterministe et estimation probabiliste, offrant ainsi une réponse robuste à l’ambiguïté inhérente à l’interprétation des mèmes.
Mots clés : Identification du Sexisme,Classification de Texte,Classification d’Images