Stage Master 2 Pro ou école ingénieur

Acquisition et analyse de transcriptions de vidéos Youtube - la problématique de la sécurité alimentaire en Afrique de l'Ouest

Le stage, financé par l'Institut Convergences Agriculture Numérique
#DigitAg (https://www.hdigitag.fr), s'inscrit dans le cadre d'un
projet interdisciplinaire concernant la gestion des risques liés à la
sécurité alimentaire. Le projet est centré sur le cas de l'Afrique de
l'Ouest, où les risques agricoles sont d'autant plus aigus que les
services nationaux de surveillance et de suivi peuvent être
défaillants faute de moyens techniques et financiers. Les objectifs
globaux du projet sont doubles :

(i) montrer comment les données de télédétection peuvent être
enrichies par d'autres sources de données afin de les rendre plus
adaptées à l'analyse de conditions de sécurité alimentaire et (ii)
définir des techniques originales de fouille de données. L'analyse et
l'interprétation de données agroclimatiques (par exemple, imagerie
satellitaire, données climatiques) pourrait être facilitée par
l'utilisation conjointes de données indépendantes provenant de sources
textuelles, ce qui permettrait de localiser correctement les risques
agricoles à l'échelle régionale, en temps quasi-réel. Néanmoins,
l'obtention de données textuelles de qualité et leur analyse sont des
tâches complexes.

Le stage est axé sur l'acquisition et l'analyse de données textuelles
sur le thème de la sécurité alimentaire provenant de la transcription
textuelle du contenu audio de vidéos Youtube. La zone géographique
d'étude est le Burkina Faso. L'idée est de traiter une source
d'information représentant une alternative inexplorée à celles qui
sont exploitées classiquement dans les processus de construction des
corpus textuels et dans des tâches de fouille de texte (par exemple,
journaux, articles scientifiques, plateformes de médias sociaux
classiques). Le chaîne Youtube gérée par la RTB - Radiodiffusion
Télévision du Burkina, qui contient près de 12000 vidéos, a été ciblée
pour cette analyse. En choisissant un canal officiel, nous visons un
compromis idéal entre les aspects dynamiques du contenu des médias
sociaux et la qualité de l'information des sources
officielles. L'hypothèse est que les vidéos diffusées par une chaîne
d'information officielle sont plus susceptibles de contenir de
l'information utile (c.-à-d. reportages, documentaires, entrevues,
tournages d'événements officiels, etc.). De plus, le langage standard
et clair utilisé dans ce type de vidéos garantit une bonne qualité des
transcriptions textuelles. Les processus d'acquisition et analyse des
données seront basés sur l'utilisation d'API Web et de bibliothèques
python.

Les objectifs de ce stage comprennent la production d'un corpus public
et d'une série de tâches d'analyse basées sur l'utilisation de
techniques de fouille de texte les plus avancées (e.g., LDA,
word2vec). Le livrable consistera en un document de recherche
présentant les résultats du processus d'analyse, et notamment les
connaissances sur la sécurité alimentaire qui peuvent être découvertes
dans une telle source d'information.  Le planning prévisionnel est
structuré comme suit :

1. étude du cahier des charges du corpus à constituer,
2. définition et mise en oeuvre du processus de récolte des données
3. constitution du corpus sur la zone d'étude,
4. analyse du corpus,
5. rédaction des livrables.

Compétences requises :

Langage Python, outils NLP (souhaité)
Capacité de travail en équipe pluridisciplinaire.

Divers :

Durée : 5 à 6 mois

Gratification : taux légal en vigueur

Localisations : TETIS (Maison de la Télédétection) à Montpellier

Candidature :

Envoyer un CV + relevés de notes des deux dernières années à
roberto.interdonato@cirad.fr et mathieu.roche@cirad.fr