Au-delà du Texte : Intégrer le Contexte Web pour Modérer le Sexisme en Ligne
Nathan Nowakowski, Elöd Egyed-Zsigmond, Sylvie Calabretto, Diana Nurbakova
Résumé : Le sexisme sur les réseaux sociaux représente un défi croissant pour la modération automatique, notamment en raison de sa nature implicite et de son évolution constante. Cet article présente une approche novatrice qui combine la recherche d'informations en temps réel sur Internet et un apprentissage multifacette pour capturer les nuances fines du sexisme. En enrichissant les modèles BERT avec un contexte externe dynamique, notre méthode permet de lever les ambiguïtés liées à l'actualité. Soumise au challenge international EXIST 2025, notre solution s'est classée première pour l'évaluation en soft labels. Ces résultats démontrent que l'intégration du contexte situationnel est essentielle pour modérer efficacement la complexité des échanges sur les médias sociaux.
Mots clés : Détection de Sexisme,Classification de Texte,Traitement Automatique du Language,Transformers