Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Résumé

La détection automatique de l’idéation suicidaire sur TikTok soulève des difficultés particulières que les approches conçues pour les plateformes textuelles classiques ne traitent pas. Les créateurs remplacent souvent les mots sensibles par des codes destinés à contourner la modération, un phénomène linguistique appelé algospeak. De plus, le texte associé à une vidéo est fragmenté entre le titre, les mots-clics, la transcription audio et les commentaires de l’auditoire, et la modération de la plateforme supprime rapidement les contenus à risque, ce qui limite la taille des jeux de données disponibles.

Dans ce contexte de ressources limitées, notre hypothèse principale est que les signaux d’engagement, parce qu’ils sont générés par l’auditoire après consommation de la vidéo, sont moins exposés aux manipulations introduites par le créateur que le texte lui-même. Nous proposons AudiSense, une architecture de fusion multimodale tardive qui combine deux sources d’information complémentaires. La première est un modèle de langage multilingue, XLM-RoBERTa, affiné sur un texte composite regroupant le titre, les mots-clics, la transcription audio et les commentaires. La seconde est un classifieur XGBoost appliqué à quatorze caractéristiques d’engagement, dérivées des cinq compteurs bruts (vues, mentions « j’aime », partages, signets et commentaires) par des ratios d’interaction et un indice de concentration. Les deux probabilités sont combinées par un réseau de portails dynamique qui apprend un poids propre à chaque vidéo, ce qui permet de s’appuyer davantage sur le texte lorsqu’il est clair et sur l’engagement lorsque l’algospeak le dégrade.

Nous avons constitué un corpus de 136 vidéos TikTok et de 1 339 commentaires, que nous avons annotés manuellement avec un accord inter-annotateurs de 0,76. Sur l’ensemble de test, AudiSense atteint une aire sous la courbe précision-rappel de 0,86 et une aire sous la courbe ROC de 0,92, ce qui le place devant les neuf systèmes auxquels nous l’avons comparé, qu’il s’agisse de méthodes lexicales classiques, de modèles séquentiels neuronaux ou de stratégies de fusion plus récentes. L’étude d’ablation est sans doute le résultat le plus parlant : prise seule, la branche d’engagement obtient 0,76 d’AUPRC, alors que la branche textuelle plafonne à 0,48. Autrement dit, quand l’algospeak dégrade le texte, l’engagement reste un signal solide. Le portail dynamique nous a aussi appris quelque chose : il accorde en moyenne un poids de 0,68 au texte pour les vidéos positives et de seulement 0,36 pour les vidéos négatives, ce qui montre qu’il ajuste vraiment sa décision d’une vidéo à l’autre. Comme l’ensemble de test reste petit, nous présentons ces résultats comme ceux d’une étude pilote plutôt que comme des conclusions définitives. À notre connaissance, ce travail propose le premier corpus multimodal annoté et la première fusion adaptative texte-engagement appliqués à la détection d’idéation suicidaire sur TikTok.