Extraction et analyse de l’impact émotionnel des images
Notice bibliographique
Résumé
Cet article propose une méthode d’extraction de l’impact émotionnel des images à partir de descripteurs bas niveau. Nous avons émis l’hypothèse que la précision de ces derniers encoderait des informations haut niveau intéressantes voire discriminantes pour les émotions. Il n’existe à ce jour aucun descripteur particulièrement adapté à l’étude de l’impact émotionnel des images. Les émotions ressenties dépendent, en effet, de plusieurs informations dans l’image mais également de sa nature (très sémantique ou non) ou encore de la durée d’observation. Plus ce temps est long plus l’interprétation sémantique de l’image prend le dessus sur l’émotion «primaire ». A ces descripteurs nous avons associé deux classifieurs performants, particulièrement adaptés à des discriminations d’informations complexes. Il s’agit d’un réseau de neurones multicouche et d’un SVM dans son extension multiclasse basée sur la stratégie « un contre un ». Très souvent, on associe les émotions à l’expression du visage, mais nous avons décidé de ne pas faire de cette information la principale caractéristique émotionnelle des images naturelles, qui en général ne contiennent pas de visages. Nous avons, à cet effet, effectué nos tests sur une base diversifiée de 350 images, construite à partir d’images à faible contenu sémantique. Notre choix de descripteurs est basé sur des supposés liens entre les émotions et le contenu des images mais également sur la précision qu ’offrent certains descripteurs de traitement d’images en indexation ou en catégorisation. La complexité des émotions a été prise en compte en intégrant, au processus de classification, les résultats de tests psychovisuels que nous avons mis en place. Nous avons défini trois classes d’émotions. Les taux de réussite moyens obtenus lors de la classification sont de 56,15 % pour le réseau de neurones et 55,25 % pour le SVM. Ces résultats sont encourageants au regard des résultats de la littérature. Ces tests confirment aussi l’hypothèse que les descripteurs choisis sont complémentaires dans notre processus d’extraction des émotions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».