Navigation – Plan du site

AccueilNuméros34Sur les structures complexes de l...

Sur les structures complexes de l’argumentation dans les tweets

Robin Schaefer, Sophia Rauh et Manfred Stede
Cet article est une traduction de :
On Complex Argumentation Structures in Tweets [en]

Résumé

Par le biais d’un corpus de tous les tweets émis par des membres du parlement allemand sur une période de six ans, nous étudions la complexité formelle de l’argumentation trouvée dans des paires de tweets, où le second répond au premier. Nos mesures de complexité sont fondées sur le nombre d'unités argumentatives et les relations entre elles. Nous proposons une méthode pour identifier une argumentation potentiellement complexe, puis pour annoter manuellement un ensemble de paires de tweets en vue de leur structure argumentative. Malgré la faible longueur des tweets, nous constatons que les politiciens construisent des argumentations plutôt élaborées mais aussi que les structures trouvées impliquent des modifications du plan d’annotation utilisé précédemment dans des corpus similaires, mais constitués de genres textuels plus traditionnels.

Haut de page

Texte intégral

Introduction

1Le paysage des médias sociaux peut changer rapidement ; Twitter, par exemple, a actuellement une image mitigée après le changement de propriétaire et la transformation de son nom en « X ». Auparavant, elle constituait une plateforme populaire pour une communication « sérieuse », par exemple parmi les scientifiques, les journalistes, les activistes d’ONG et les politiciens. Une grande partie de cette communication ne consistait pas seulement dans la diffusion de nouvelles : elle comportait aussi des échanges d’opinions et d’argumentations. Nous étudions l’utilisation de Twitter par les politiciens allemands entre 2016 et 2022, c’est-à-dire pendant la dernière législature du gouvernement d’Angela Merkel. Notre intérêt se porte principalement sur l’évaluation de la complexité de l’argumentation dans les tweets envoyés par les membres du parlement (désormais : MP) pendant cette période. Le corpus de données originel comprend l’ensemble complet de ces tweets, mais pour la présente recherche nous le réduisons au seul sujet du changement climatique. Il en résulte environ 30.000 tweets qui constituent la base sur laquelle se fondent nos expériences.

2Des recherches antérieures ont exploré la complexité de l’argumentation sur Twitter dans le sens où elle fait partie d’un discours multi-plateformes avec de nombreux participants (Aakhus et Lewinski 2017). Par exemple, Greco (2023) étudie les tweets publiés par des activistes sur la mode durable dans le contexte d’un discours plus large impliquant des entreprises, des consommateurs et d’autres parties prenantes. En revanche, la notion de complexité que nous employons ici se réfère à la complexité formelle pure des arguments en tant que constellations de points de vue et de prémisses avancées par les MP. Nous examinons les paires de tweets qui résultent de l’utilisation de la fonction « répondre à » de Twitter, autrement dit quand un tweet fait directement suite au contenu d’un autre. Nous définissons comme complexe toute constellation impliquant plus de deux unités argumentatives, c’est-à-dire allant au-delà de la forme d’argumentation minimale d’une conclusion et d’une prémisse.

  • 1 Pour des aperçus complets du domaine de l’extraction d’arguments (Argument Mining), voir Lawrence e (...)

3La perspective à partir de laquelle nous abordons ce thème est celle de l’annotation de corpus et de l’extraction automatique d’arguments (désormais : AM) 1. Au cours de la dernière décennie, l’AM s’est développée en une discipline de recherche fructueuse qui conçoit l’analyse des arguments comme une suite de tâches distinctes, incluant la détection des opinions (Daxenberger et al. 2017) et des prémisses (Rinott et al. 2015). Les tâches conjointes se concentrent sur l’évaluation de la qualité des arguments (Wachsmuth et al. 2017) et les stratégies d’argumentation sous-jacentes (Al-Khatib et al. 2016, Schaefer et al. 2023). Traditionnellement, l’AM est mise en œuvre sous la forme d’un apprentissage supervisé fondé sur du matériel textuel annoté qui, à son tour, s’appuie sur un processus d’annotation qui opérationnalise le modèle d’argumentation sous-jacent à la recherche.

  • 2 Note du traducteur : le texte bruyant (noisy) désigne une forme textuelle qui présente des différen (...)

4La majorité des travaux sur l’AM s’est concentrée sur des textes issus de domaines institutionnels formels et édités, tels que les documents juridiques (Palau et Moens 2009), Wikipedia (Levy et al. 2014), les dissertations d’étudiants (Stab et Gurevych 2014), les articles scientifiques (Green 2018) ou les éditoriaux de journaux (Al-Khatib et al. 2016). Il n’est donc pas surprenant que de telles approches donnent généralement de bien moins bons résultats lorsqu’elles sont appliquées à des textes générés par les utilisateurs que l’on trouve dans les médias sociaux. Selon Sňajder (2016) les défis potentiels de ces textes incluent non seulement le texte « bruyant » (ce qui est bien connu2) mais aussi des opinions peu claires et des structures argumentatives floues. Ces dernières années, l’AM a développé un intérêt croissant pour les médias sociaux, Twitter étant particulièrement au centre de l’attention. Des travaux antérieurs ont principalement étudié l’annotation et la détection des composants d’arguments dans les tweets (Bhatti et al. 2021, Wührl et Klinger 2021) et leurs types (Addawood et Bashir 2016). À notre connaissance, cependant, aucune recherche jusqu’à présent n’a spécifiquement étudié la complexité de l’argumentation au sein des tweets eux-mêmes et au-delà de la frontière des paires de tweets. Notre question de recherche large est ainsi la suivante :

QR 1 : Les MP allemands utilisent-ils Twitter pour des échanges argumentatifs impliquant des constellations complexes d’opinions défendues et de prémisses ?

  • 3 Il convient de noter que les fils de discussion peuvent être publiés de manière incrémentielle ou e (...)

5Pour éclairer cette question, nous avons mené une étude exploratoire d’annotation des tweets des MP dans notre corpus, filtrés sur le sujet du changement climatique. Twitter offre différentes options pour publier un tweet, ce qui se reflète dans la conception de notre étude. Nous nous concentrons en particulier sur les conversations et les fils de discussion. Une conversation est définie comme une chaîne de tweets écrits par différents auteurs et liés les uns aux autres via la fonctionnalité de réponse de Twitter. Un fil de discussion3, en revanche, décrit une chaîne de tweets par le même auteur. Alors que le premier peut ressembler à une discussion hors ligne, le second permet des énoncés plus complexes – et favorise donc une argumentation – par une seule personne. Nous supposons que ces différents contextes peuvent encourager la variation dans les structures d’argumentation. Nous commençons notre investigation de la complexité sur des paires de tweets, en laissant l’investigation des chaînes plus longues pour des travaux futurs.

6Nous appliquons deux plans d’annotation à nos données. D’abord, nous annotons les structures d’argumentation pour les conclusions et les prémisses, désormais appelées « unités de discours argumentatif » (ADU), liées par des relations de soutien et d’attaque (voir Fig. 1 pour un exemple annoté). Notre point de départ est le schéma proposé par Peldszus et Stede (2013) fondé sur les travaux de Freeman (1991) et utilisé dans une variété de projets en AM. Il avait été conçu pour analyser des textes monolingues courts ; cependant, et c’est notre deuxième question de recherche – plus concrète :

QR 2 : Un plan d’annotation établi pour le monologue peut-il être utilisé pour des paires de tweets ou des changements/extensions du plan sont-ils nécessaires ?

7Notre deuxième plan d’annotation saisit la relation de cohérence entre les tweets dans une paire, par exemple, l’accord ou le désaccord dans une paire de type « conversation ». Ces relations sont destinées à compléter l’analyse de l’argumentation en tenant compte des phénomènes dialogiques de base. Comme mentionné précédemment, nous sommes intéressés par les différences potentielles entre les deux modes de publication des tweets, ce qui conduit à notre dernière question de recherche :

RQ 3 : Trouvons-nous des différences entre les fils de discussion et les conversations en termes de motifs de complexité de l’argumentation ?

8Ce document est structuré comme suit : dans la section 1, nous présentons les travaux pertinents connexes à notre étude. Dans la section 2, nous décrivons la collecte et le prétraitement des données, nos plans d’annotation et la procédure d’annotation. Ceci est suivi d’une description qualitative d’exemples d’annotation intéressants dans la section 3 et une analyse statistique des données utilisant diverses mesures de complexité de l’argument dans la section 4. Nous fournissons une discussion des résultats dans la section 5 puis concluons le document dans la dernière section.

1. Travaux connexes

1.1. AM sur Twitter

9L’extraction d’arguments sur Twitter a attiré une certaine attention au fil des années, bien qu’elle conserve un statut de niche au sein de la communauté AM. Bosc et al. (2016) ont présenté le premier corpus de tweets (DART) annoté pour l’argumentation. Ils ont étiqueté 4.000 tweets en anglais sur quatre sujets pour les désigner comme argumentatifs ou non et ont présenté les premiers résultats sur l’identification automatique de relations en appariant des tweets et en marquant les relations de « soutien/attaque » entre eux.

10Parmi les autres travaux précurseurs, Addawood et Bashir (2016) ont annoté un corpus de tweets en anglais avec un ensemble de types de preuves sémantiques selon une procédure en deux étapes. Après avoir annoté les tweets comme étant argumentatifs ou non, des types de preuves ont été ajoutés aux tweets argumentatifs. Par la suite, différents ensembles de caractéristiques linguistiques ont été extraits pour les modèles d’apprentissage automatique. En s’appuyant sur Bosc et al. (2016), Dusmanu et al. (2017) ont étendu un sous-ensemble de DART avec un autre ensemble de tweets et les ont annotés comme étant évaluatifs ou factuels, et dans le cas des tweets factuels, reliés à la source d’information.

Figure 1. Un exemple d’argumentation complexe. En vert, les conclusions, tandis que le bleu montre les prémisses. Le dénombrement représente l’ordre des unités de discours argumentatif dans le tweet. Ce dernier a été traduit en anglais et simplifié pour ne pas affecter la structure argumentative.

  • 4 Selon Landis and Koch (1977), une valeur x de 0.21-0.40 représente un accord « correct », de 0.41-0 (...)

11Bien que ces études traitaient l’argumentation uniquement au niveau des tweets complets, Schaefer et Stede (2020) ont publié le premier corpus de tweets (allemand) annoté pour l’argumentation au niveau des empans des ADU. Sans doute constitue-t-il un point de départ important pour notre travail ; néanmoins, il présente un inconvénient, en l’occurrence, le faible accord entre annotateurs4 (kappa de Cohen : 0.38-0.45), occasionné par le caractère subjectif de la distinction entre conclusion et preuve. Schaefer et Stede (2022) ont tenté de pallier ce problème avec un schéma d’annotation modifié qui dépend moins de la relation entre la conclusion et la preuve et davantage de types sémantiques détaillés, à l’instar de Addawood et Bashir (2016). Cela a abouti à des annotations plus fiables pour leur nouveau corpus (alpha de Krippendorff : 0.40-0.83). Il est à noter qu’aucun de ces corpus n’a été annoté pour les relations argumentatives, qui sont nécessaires pour analyser la complexité des structures d’argumentation. Le présent article vient combler cette lacune.

  • 5 Note du traducteur : littéralement, #SolidairesaveclePF (“Planning familial”)

12D’autres travaux se concentrent spécialement sur la prémisse ou la conclusion, comme celui de Bhatti et al. (2021). Ils utilisent les hashtags comme conclusions, par exemple #StandWithPP (Planned Parenthood)5, et annotent les tweets contenant un soutien avec une raison (avec une prémisse), un soutien sans raison (sans prémisse), ou sans soutien explicite. Avec 24.100 tweets, ce corpus est la plus grande ressource AM sur Twitter à ce jour. Wührl et Klinger (2021) ont construit un corpus pour la détection de points de vue conclusifs dans un contexte biomédical. 1.200 tweets ont été annotés pour contenir des points de vue explicites ou implicites. Comme dans les projets précédents, cette tâche a abouti à un accord inter-annotateurs relativement faible.

1.2. Plans d’annotation

13Dès les premières recherches de Palau et Moens (2009), les plans d’annotation utilisés en AM ont généralement modélisé l’argumentation comme des structures arborescentes. Palau et Moens ont étiqueté les conclusions et les prémisses, ces dernières étant divisées en types « soutien » et « opposition ».

14De même Peldszus et Stede (2013) ont attribué aux ADU les rôles de « proposant » et « opposant » (selon Freeman 1991) et ont construit des arbres par des relations de soutien et d’attaque. En plus d’une simple relation de soutien, ils tiennent également compte du soutien « lié », où deux ou plusieurs prémisses soutiennent ensemble un point de vue conclusif (ou une prémisse) – autrement dit, indépendamment, elles ne constitueraient pas un soutien suffisant. La relation d’attaque, utilisée par l’auteur du texte pour traiter les contre-arguments potentiels contre sa position, est divisée en « réfutation » (rebuttal – attaquant la validité d’une proposition constituant l’ADU) et « rejet de l’inférence » (undercutter – attaquant la relation de soutien/attaque qui est censée exister entre deux ADU, en niant la pertinence argumentative). Pour illustration, voici des exemples utilisés par Peldszus et Stede (2013) :

Nous devrions démolir le bâtiment. Il est plein d’amiante. (Soutien)

Nous devrions démolir le bâtiment. Il est plein d’amiante, et tous les bâtiments contenant des matériaux dangereux devraient être démolis. (Soutien lié)

Nous devrions démolir le bâtiment. Il est plein d’amiante. D’autre part, beaucoup de gens aiment la vue depuis le toit. (Réfutation de la conclusion)

Nous devrions démolir le bâtiment. Il est plein d’amiante. Mais il pourrait aussi être nettoyé. (Rejet de l’inférence de soutien)

  • 6 Note du traducteur : le texte anglais utilise « claim » de manière systématique ; il a été choisi d (...)

15Ciblant des textes relativement courts, Peldszus et Stede (2013) ont supposé que l’arbre trouve sa racine dans une « thèse centrale » qui constitue le message principal du texte. Dans une variante adaptée aux rédactions argumentées plus longues, Stab et Gurevych (2014) ont ajouté le type ADU « conclusion majeure » pour la thèse centrale du texte. Cette conclusion peut être soutenue par divers autres points de vue6 tout au long de l’écrit et, éventuellement, par des prémisses qui la soutiennent.

2. Données

  • 7 Pour des raisons de protection de données, seules des identifications de Tweets peut être diffusées (...)

16Dans ce travail, nous utilisons un corpus de tweets en allemand sur le changement climatique rédigés par des MPs. Comme mentionné précédemment, Twitter était/est un canal de communication relativement populaire pour les députés pour justifier leurs positions et s’engager dans des discussions. Notre corpus fait partie d’un ensemble plus vaste de numéros d’identification de tweets fournis par Lasser et al. (2022)7, qui contient tous les tweets publiés par les anciens et actuels MPs du 1er janvier 2016 au 15 mars 2022 (n=754,233). Nous avons collecté les tweets via l’API Twitter en décembre 2022. Nous décrivons ci-après comment le corpus a été prétraité pour aboutir au sous-ensemble de tweets à utiliser dans notre étude sur l’argumentation complexe.

2.1. Prétraitement des données

17Notre jeu de données initial contenait des tweets sur divers sujets. Dans un premier temps, nous avons filtré les données pour les tweets sur le changement climatique en utilisant plusieurs mots-clés liés au sujet. Cela a conduit à un sous-ensemble de 30.242 tweets. Pour réduire ce nombre, afin de trouver des tweets susceptibles d’être argumentatifs, nous avons recherché des relations de cohérence causale ou contrastive entre les unités textuelles car on peut supposer qu’une argumentation complexe contient ces relations en particulier, pour respectivement soutenir ou attaquer.

  • 8 http://connective-lex.info

18Un indice typique des relations de cohérence dans les textes sont les connecteurs (cf. Moeschler 1989 sur le rôle des connecteurs dans l’argumentation). Nous avons donc extrait des connecteurs de discours qui expriment les sens « Cause » et « Contraste » de la Penn Discourse Treebank (Webber et al. 2019) à partir du lexique de connecteurs allemands DiMLex8 (Stede et Umbach 1998) et identifié les tweets qui incluent ces connecteurs. Nous avons créé un tableau contenant les tweets, les connecteurs qui y apparaissent et leur fréquence. Certains des mots et expressions sélectionnés sont polysémiques et peuvent ne pas nécessairement exprimer une relation de discours. Nous avons heuristiquement éliminé ces connecteurs dont la lecture « hors connecteur » en allemand est plus fréquente, incluant allein (« seul » ou « uniquement »), noch (« encore »), nur (« seulement »), dass/daß (« que »), eben (« juste »), et wo (« où »). Après cette étape, le tableau contenait encore un certain nombre de faux candidats, nous avons donc effectué un filtrage manuel. Parmi la liste classée des connecteurs les plus courants dans le corpus sur le climat, les sept premiers peuvent avoir une lecture différente de son usage en tant que connecteur : aber (« mais »), durch « à travers »), da (« comme/depuis »), damit (« afin que »), dafür (« pour cela »), denn (« car »), doch (« si »). Ils sont suivis de weil (« parce que ») et deshalb (« c’est pourquoi »), qui expriment toujours des relations de discours. Certains connecteurs peuvent exprimer plusieurs relations, comme und (« et »), que nous avons également exclu car sa lecture de Contraste est relativement rare. Enfin, pour cibler particulièrement l’argumentation complexe, nous avons conservé uniquement les tweets contenant au moins deux connecteurs de type Contraste ou Cause.

19Notre deuxième perspective sur la complexité formelle de l’argumentation consiste à analyser les tweets dans leur contexte. Nous utilisons des tweets qui sont des réponses à un autre. Nous supposons que l’auteur du tweet est d’accord ou en désaccord avec le précédent et justifie potentiellement son opinion. Par conséquent, nous avons recherché les identifiants des tweets auxquels il a été répondu et ajouté ces tweets à notre ensemble.

20En appliquant ces méthodes de filtrage, les 30.242 tweets originaux ont été réduits à 111 réponses. 20 tweets de réponse ont répondu à un autre auteur (conversation), tandis que le reste de l’ensemble prolongeait un tweet du même auteur (fil de discussion). Par inspection manuelle, nous avons identifié plusieurs paires de tweets qui ne se concentraient pas sur le changement climatique et les avons retirées du corpus. Ce dernier contient finalement 102 paires de tweets, soit 204 tweets, parmi lesquelles 20 sont des conversations et 82 des fils de discussion.

2.2. Plans d’annotation

21Nous appliquons deux plans d’annotation aux paires de tweets. Le premier cible la structure de l’argumentation et s’inspire de la proposition de Peldszus et Stede (2013) (voir Section 1.2). Comme nous traitons ici de textes très courts, nous modifions légèrement le plan et, comme première étape, identifions les ADUs soit comme conclusion soit comme prémisse. Nous considérons une conclusion comme une prise de position par rapport à un sujet ou un aspect particulier, tandis qu’une prémisse est utilisée pour soutenir ou attaquer une conclusion ; ensemble, les deux forment une argumentation. Une prémisse peut également être soutenue (ou attaquée) par une autre prémisse. En utilisant les deux sous-types de soutien et d’attaque mentionnés dans la Section 1.2, nous annotons quatre types de relations : soutien-simple, soutien-lié, attaque-réfutation et attaque-rejet de l’inférence. Comme les ADU peuvent être seulement des parties d’un tweet, les annotateurs prennent également les décisions sur ce qui touche à la segmentation.

22Contrairement à Peldszus et Stede (2013), nous levons la restriction a priori d’avoir une seule thèse centrale par texte/tweet et laissons plutôt à l’analyse empirique le soin de déterminer si cela vaut pour nos données ou non. De plus, nous permettons aux prémisses de soutenir ou d’attaquer plus d’une ADU, ce qui rompt avec la structure d’arbre argumentatif décrite ci-dessus et autorise des structures plus variées. Nous admettons aussi que les relations entre les ADU peuvent se produire également au-delà des frontières des tweets, mais cela se produit rarement et n’est pas analysé plus en détail dans cet article. Pour l’illustration du schéma, voir les exemples de paires de tweets dans les Figures 2 et 3 de la Section 3.

23Notre deuxième plan d’annotation modélise la cohérence entre deux tweets au moyen d’une seule relation entre-tweet. Nous utilisons les relations suivantes : continuation (élaboration), question/réponse, accord (partiel), désaccord (partiel) et autre. La continuation (élaboration) est définie comme la poursuite d’une ligne d’argumentation ou de pensée qui a été soulevée dans le tweet source et est prolongée dans le tweet de réponse. Elle peut être davantage élaborée sur les aspects précédemment discutés, c’est-à-dire que plus de détails peuvent être donnés, mais ce n’est pas obligatoire. Question/réponse s’applique aux situations où une question est posée dans le tweet source, et une réponse est donnée dans le tweet de réponse. L’accord (partiel) et le désaccord (partiel) se réfèrent à l’accord/désaccord entre le tweet source et le tweet de réponse. Bien que similaires dans leur signification, il est important de noter que l’accord partiel et le désaccord partiel ne sont pas identiques. Par exemple, un tweet de réponse partiellement d’accord avec le tweet source peut également contenir des propositions neutres tout en ne montrant aucun désaccord. Enfin, « autre » est utilisé pour les cas où aucune autre étiquette ne semble plausible. Les annotateurs peuvent annoter une ou plusieurs étiquettes par paire de tweets. Cependant, « autre » ne doit être annoté qu’individuellement.

2.3. Procédure d’annotation

  • 9 https://github.com/heartexlabs/label-studio

24Nous avons utilisé les outils INCEpTION (Klie et al. 2018) et Label Studio9 pour annoter respectivement la structure de l’argumentation et les relations de cohérence. Comme il s’agit d’un travail exploratoire sur un petit ensemble de tweets, nous n’évaluons pas notre plan d’annotation en utilisant des métriques d’accord inter-annotateurs. Au lieu de cela, nous avons affiné de manière itérative notre plan de structure d’argumentation en 1) annotant indépendamment l’ensemble des tweets, 2) discutant de nos résultats, et 3) adaptant nos annotations au schéma amélioré. Nous avons constaté que nos données contenaient une quantité suffisante de motifs récurrents qui nous ont permis de créer un plan d’annotation qui saisit avec succès les principaux types de structures d’argumentation observables dans les tweets. En ce qui concerne notre étiquetage de relations entre tweets, nous avons trouvé que ces catégories étaient intuitives et ne nécessitaient pas beaucoup d’ajustements. Un annotateur a étiqueté toutes les paires de tweets, suivi d’un second annotateur qui a révisé les annotations. Tous les auteurs de cette étude ont participé à l’annotation.

3. Examen qualitatif : exemples

25Dans cette section, nous discutons brièvement d’exemples d’annotations pour les paires de conversation et de fil de discussion avant de passer à notre analyse statistique dans la section 4.

  • 10 Paris fait référence à l’Accord de Paris, c’est-à-dire à l’accord de protection du climat conclu lo (...)

26La Figure 2 montre un exemple d’une paire de tweets conversationnelle. Le tweet source contient un argument avec une profondeur et une largeur de 2 (voir la Section 4.3 pour une définition de la profondeur/largeur de l’argument). Le point de vue défendu stipule que « l’Allemagne doit adopter une loi sur la protection du climat pour tenir les promesses faites à Paris10 » et est conjointement soutenue par deux prémisses (unités 2 et 3), c’est-à-dire « [des leçons peuvent être tirées du passé] [lorsqu’un manque d’engagement n’a pas donné de bons résultats] ». Les prémisses soutiennent conjointement la conclusion, car elles dépendent l’une de l’autre.

27Le tweet de réponse contient deux conclusions, qui sont liées par le biais d’une prémisse (unité 4). Il commence par un point de vue affirmant que « la politique de protection du climat de l’Allemagne était mauvaise depuis une décennie ». Cette opinion est attaquée par deux prémisses (unités 2 et 3), déclarant qu’elle était en fait « excellente au niveau international » et avait de « bons objectifs nationaux ». Cependant, ces deux réfutations présentent des inférences rejetées par une autre prémisse (unité 4) arguant que « aucun instrument contraignant pour la mise en œuvre n’existait ». Ce faisant, l’auteur renforce son point de vue initial. Le tweet se termine par une thèse finale, soutenue par la prémisse qui récuse les prémisses réfutatives du premier argument ; autrement dit, en raison de l’absence d’instruments contraignants pour la mise à exécution des objectifs de Paris, « le Parti social-démocrate (SPD) a inclus la loi sur la protection du climat dans son programme électoral de 2013 ». Fait intéressant, ce tweet ne respecte pas une structure classique d’arbre argumentatif, c’est-à-dire une structure où l’argumentation débouche sur une seule conclusion. Au lieu de cela, deux conclusions individuelles sont liées via la même prémisse. Il montre en outre l’utilisation extensive des deux types d’attaques, c’est-à-dire l’attaque-réfutation et l’attaque-rejet de l’inférence. En ce qui concerne la relation entre tweets, le tweet de réponse est (partiellement) d’accord avec le tweet source.

Figure 2 : Example d’une conversation. Les codes graphiques utilisés sont identiques à la figure 1.

28La figure 3 présente un exemple de fil de discussion qui montre des différences notables par rapport à l’exemple de conversation. Le tweet source contient un argument assez profond composé d’un point de vue conclusif qui plaide en faveur de la « réduction du CO2 par le biais de l’innovation et du commerce de certificats ». Il est soutenu par une prémisse selon laquelle « une taxe sur le CO2 ne sera pas efficace ». Cette prémisse est soutenue par une autre, à savoir « le prix des émissions n’affecte pas le climat ». L’argumentation a donc une profondeur de 3 et une largeur de 1. Concernant la linéarisation, nous constatons qu’elle s’écarte de la structure d’argumentation. D’abord, la relation entre les deux prémisses est exprimée (unités 1 et 2) avant de terminer par la conclusion.

29Le tweet de réponse contient également une seule conclusion, à savoir « la quantité de CO2 doit être limitée ». Contrairement au tweet source cependant, il est soutenu par quatre prémisses. Ainsi, le tweet a une profondeur de 2 et une largeur de 4. D’abord, la conclusion est appuyée par deux prémisses liées affirmant que « [le facteur décisif (pour l’augmentation de la température) est la quantité de CO2 émise] [et non son prix] ». Ensuite, après l’expression de la conclusion, une autre prémisse (unité 4) est énoncée selon laquelle « la limitation du CO2 entraînera un prix pour le CO2 émis de lui-même ». Enfin, l’auteur déclare que cette limitation sera « le moyen le plus efficace de protéger le climat » (unité 5). Bien que cet exemple ne comprenne pas de prémisses marquant l’attaque, il montre des arguments d’une profondeur/largeur considérable. Contrairement à l’exemple de conversation, le tweet de réponse continue l’argumentation du tweet source. C’est un schéma souvent observé dans les constellations de fils de discussion.

Figure 3 : Un exemple de fil de discussion. Code graphique identique à la Figure 1

4. Analyse statistique

30Nous abordons l’analyse des données à partir de notre configuration de tweets source et de réponses, et des deux types de réponses : auteur différent, autrement dit, les conversations, par rapport au même auteur, c’est-à-dire les fils de discussion. Compte tenu des deux plans d’annotation expliqués dans la Section 2.2, nous présentons des statistiques de base sur la distribution des composantes et des relations (5.1), des analyses sur le positionnement des conclusions (5.2), des analyses sur la profondeur/largeur de l’argumentation ainsi que sa complétude (5.3), et les proportions de relations entre tweets (5.4).

4.1. Statistiques de base sur les ADU et leurs relations

  • 11 Note du traducteur : un tokenizer est un programme qui coupe le texte en différents mots (les hasht (...)

31D’abord, nous calculons les proportions d’occurrences argumentatives. À cette fin, nous supprimons des données la ponctuation, y compris les symboles @ et #, avant de les diviser en utilisant un simple tokenizer11 d’espaces blancs. Ensuite, nous calculons les proportions d’occurrences argumentatives par tweet source/réponse et par distinction conversation/fil de discussion. Cette analyse révèle que les conversations contiennent moins d’occurrences argumentatives (tweet source : 0,73 ; tweet de réponse : 0,71) que les fils de discussion (tweet source : 0,82 ; tweet de réponse : 0,84).

Tweet

Conversation

Thread

ADUs

Total

5.15

5.91

ADUs

Source

2.35

2.65

ADUs

Reply

2.80

3.27

Claims

Source

1.35

1.49

Premises

Source

1.00

1.16

Claims

Reply

1.70

1.62

Premises

Reply

1.10

1.65

Relations

Total

2.10

2.82

Relations

Source

0.95

1.34

Relations

Reply

1.15

1.50

Support-Simple

Source

0.65

1.13

Support-Joint

Source

0.10

0.09

Attack-Rebuttal

Source

0.15

0.10

Attack-Undercut

Source

0.05

0.00

Support-Simple

Reply

0.70

1.20

Support-Joint

Reply

0.10

0.21

Attack-Rebuttal

Reply

0.20

0.10

Attack-Undercut

Reply

0.15

0.00

Table 1 : Moyennes des comptes absolus des ADUs et des relations

32Les moyennes des comptes absolus des ADU et des relations sont présentées dans la Table 1. Les conversations montrent une moyenne totale de 5,15, c’est-à-dire qu’environ cinq ADU sont utilisés en moyenne. Les tweets source présentent une moyenne de 2,35, tandis que les tweets de réponse montrent une moyenne de 2,80. Ainsi, les tweets de réponse contiennent un nombre plus élevé de composants. Un schéma similaire peut être observé pour les fils de discussion. Ils présentent une moyenne totale de 5,91 ADU. Encore une fois, les tweets de réponse ont une moyenne plus élevée (3,27) que les tweets source (2,65).

33Concernant les types individuels d’ADU dans les conversations, les points de vue conclusifs tendent à être utilisés plus souvent que les prémisses. Cela est vrai tant pour les tweets source (1,35 vs 1,00) que pour les tweets de réponse (1,70 vs 1,10). De même, les fils de discussion montrent une moyenne plus élevée pour les points de vue conclusifs que pour les prémisses dans les tweets source (1,49 vs 1,16). Cependant, dans les tweets de réponse, aucune différence notable n’est observée (1,62 vs 1,65).

34Comme pour les comptes des ADU, les tweets de réponse contiennent un nombre plus élevé de relations. C’est le cas pour les conversations (1,15 vs 0,95) et pour les fils de discussion (1,50 vs 1,34). Les moyennes du compte absolu de relations pour l’ensemble des données sont de 2,10 et 2,82 pour les tweets de conversation et de fil de discussion, respectivement. Ainsi, de manière similaire aux comptes des ADU, les tweets dans un fil de discussion contiennent plus de relations.

35Concernant les types de relations individuels, les tweets source montrent une différence notable dans les moyennes entre les conversations et les fils de discussion pour le soutien-simple (0,65 vs 1,13) qui atteint également les moyennes les plus élevées en général. Aucune différence n’est observée pour les autres types. Le soutien-lié et l’attaque-réfutation présentent des moyennes de 0,09-0,15, tandis que l’attaque-rejet de l’inférence obtient les scores les plus bas (0,00-0,05). Les tweets de réponse cependant, tendent à montrer plus de variation. Encore une fois, le soutien-simple est le type le plus dominant pour les conversations et les fils de discussion (0,70 vs 1,20) avec des écarts notables par rapport aux autres types. Les variantes d’attaque obtiennent une moyenne de 0,15-0,20 dans les conversations, tout en étant rarement utilisées (ou pas du tout dans le cas de l’attaque-rejet de l’inférence) dans les fils de discussion.

36Enfin, nous calculons les proportions de prémisses soutenant/attaquant plus d’une ADU, car nous autorisons spécifiquement cette possibilité dans notre plan d’annotation. Bien que les proportions soient relativement faibles pour les conversations et les fils de discussion, nous observons que les conversations ont tendance à contenir plus d’instances de prémisses avec des relations dirigées vers plus d’une ADU. De plus, nous constatons que des différences peuvent être observées entre les tweets source et de réponse. Les prémisses dans les tweets source de conversations montrent une proportion de 0,10, tandis que les tweets de réponse montrent une proportion de 0,18. Les tweets source dans les fils de discussion produisent une proportion de 0,07, tandis que les tweets de réponse obtiennent un score de 0,12.

37En résumé, les fils de discussion tendent à contenir plus d’argumentation que les conversations, tant en termes d’occurrences strictes que d’ADU. De même, les tweets de réponse contiennent plus d’argumentation que les tweets source. Les points de vue conclusifs sont plus fréquemment annotés que les prémisses (à l’exception des tweets de réponse dans les fils de discussion). En ce qui concerne les relations, le soutien-simple est le type le plus fréquent, bien qu’il y ait des différences substantielles entre les conversations et les fils de discussion. Les relations d’attaque sont moins souvent utilisées, ce qui est particulièrement le cas pour les tweets de réponse dans les fils de discussion.

4.2. Positionnement des conclusions

38Pour le positionnement des conclusions (voir Table 2) nous constatons que les conclusions initient ou terminent généralement l’argumentation dans un tweet, tant pour les tweets source et de réponse que pour les conversations et les fils de discussion. De plus, seuls les fils de discussion contiennent des arguments qui commencent et terminent par des prémisses.

Tweet

Conversation

Thread

Starting w/ Claim

Source

0.75

0.67

Ending w/ Claim

Source

0.45

0.61

Starting w/ Claim (ADU N >= 3)

Source

0.90

0.67

Ending w/ Claim (ADU N >= 3)

Source

0.40

0.67

Starting and Ending w/ Premise (ADU N >= 3)

Source

0.00

0.14

Starting w/ Claim

Reply

0.80

0.61

Ending w/ Claim

Reply

0.70

0.56

Starting w/ Claim (ADU N >= 3)

Reply

0.70

0.61

Ending w/ Claim (ADU N >= 3)

Reply

0.80

0.53

Starting and Ending w/ Premise (ADU N >= 3)

Reply

0.00

0.15

Table 2 : Proportion des positions des conclusions

39Tweets source : Dans les conversations, une proportion de 0,75 des tweets source commence par une thèse, tandis que 0,45 se termine par celle-ci. En se concentrant sur les tweets source avec une argumentation plus complexe, c’est-à-dire des tweets contenant au moins trois ADU, une proportion de 0,90 de tweets commence par une thèse tandis que 0,40 se termine par elle. En revanche, aucun tweet ne commence et ne se termine par une prémisse. Bien que les tweets source dans un fil de discussion montrent un schéma généralement similaire, certaines différences sont à observer. Premièrement, les thèses sont également réparties au début et à la fin d’un tweet avec une argumentation plus complexe (0,67). Deuxièmement, certains tweets commencent et se terminent par des prémisses. Ces résultats diffèrent des proportions que nous trouvons dans les conversations.

40Tweets de réponse : Les tweets de réponse tendent également à commencer ou à se terminer par une thèse. Les proportions pour l’ensemble des données varient de 0,56 à 0,80. Dans les fils de discussion avec une argumentation plus complexe, seule une proportion de 0,15 de tweets de réponse commence et se termine par des prémisses. En revanche, les tweets de réponse dans les conversations ne commencent et ne se terminent pas par une prémisse. Fait intéressant, les deux constellations d’auteurs montrent le schéma opposé à celui des tweets source. Dans les tweets de réponse, les tweets de conversation se terminent plus fréquemment par une thèse (0,80 contre 0,70), tandis que les tweets de fil de discussion commencent plus souvent par elle (0,61 contre 0,53).

4.3. Profondeur, largeur et complétude de l’argumentation

41Nous définissons la profondeur d’une structure argumentative comme le nombre maximal d’ADU formant une seule chaîne d’inférence (une conclusion et une série de prémisses). La largeur est définie en termes du nombre d’ADU situés au même niveau dans la carte argumentative, c’est-à-dire ayant la même distance par rapport à la conclusion finale. Par exemple, une argumentation présentant conclusion < prémisse < prémisse, où « < » indique un soutien, a une profondeur de 3 et une largeur de 1. Ajouter une autre prémisse de soutien à la thèse augmenterait la largeur à 2.

42Les conversations et fils de discussion présentent des différences sur ces mesures. En ce qui concerne les valeurs maximales, dans les conversations, les tweets source et de réponse ont une profondeur maximale de trois ADU (moyenne : 1.60 vs 1.65) et une largeur maximale de deux ADU (moyenne : 1.00 vs 1.25). Cependant, les fils montrent une variance quelque peu plus grande : les tweets source ont une profondeur maximale de trois ADU, et pour les tweets de réponse, le maximum est de quatre (moyenne : 1.59 vs 1.81). En ce qui concerne la largeur, les tweets source et de réponse diffèrent en moyenne (1.32 vs 1.54), tout en affichant des largeurs maximales de sept et cinq ADU, respectivement. Cependant, étant donné l’écart substantiel à la moyenne, ces valeurs peuvent être considérées comme aberrantes.

Figure 4 : Proportions de la profondeur et de la largeur de l’argumentation par type de tweet pour les conversations et les fils de discussion. Les quatre graphiques supérieurs contiennent les données de profondeur, les quatre graphiques inférieurs montrent les données de largeur. Les largeurs maximales dans les fils de discussion ne sont pas représentées dans ce graphique.

43Les proportions réelles de tweets par valeurs de profondeur/largeur sont données dans la Figure 4. Nous notons, premièrement, que les conversations montrent une proportion plus élevée de tweets non argumentatifs (profondeur et largeur égales à zéro), tout comme les tweets source par rapport aux tweets de réponse. Deuxièmement, les fils présentent un mode plus élevé, c’est-à-dire une profondeur de 2, en particulier pour les tweets de réponse. Ils incluent également le seul tweet avec une profondeur de 4, tandis que les tweets de réponse dans les conversations contiennent souvent une argumentation avec une profondeur maximale de 1 – ce sont des tweets où toutes les thèses restent sans soutien/non attaquées. Troisièmement, en ce qui concerne la largeur de l’argumentation, les conversations et les fils ont des modes d’une largeur de 1. Cependant, les conversations incluent plus fréquemment des tweets avec une profondeur de 1, c’est-à-dire des argumentations incomplètes. Enfin, les fils présentent également des largeurs supérieures à 2. Les tweets de réponse ont tendance à avoir une largeur d’argumentation plus élevée, ce qui confirme la différence de moyennes précédemment décrite.

Arg Subset

Tweet

Conversation

Thread

Mean proportion of incomplete arguments

no

Source

0.38

0.29

Mean proportion of incomplete arguments

yes

Source

0.44

0.32

Mean proportion of incomplete arguments

no

Reply

0.48

0.31

Mean proportion of incomplete arguments

yes

Reply

0.51

0.34

Proportion of Tweets containing only complete arguments

no

Source

0.55

0.67

Proportion of Tweets containing only complete arguments

yes

Source

0.47

0.63

Proportion of Tweets containing only complete arguments

no

Reply

0.45

0.55

Proportion of Tweets containing only complete arguments

yes

Reply

0.42

0.51

Table 3 : Proportion (moyenne) des argumentations incomplètes par tweet et de tweets ayant une argumentation complète. Arg Subset renvoie à un sous-ensemble ne contenant que des tweets argumentatifs, autrement dit, des tweets avec au moins une ADU

44Le tableau 3 contient les proportions moyennes d’arguments incomplets, c’est-à-dire sans prémisse, et les proportions de tweets qui contiennent uniquement des arguments complets. Notamment, les conversations montrent une proportion moyenne plus élevée d’arguments incomplets que les fils de discussion (source : 0,38 contre 0,29 ; réponse : 0,48 contre 0,31). De plus, les tweets de réponse dans les conversations ont tendance à contenir plus d’arguments incomplets que les tweets source (0,48 contre 0,38). Dans les fils de discussion cependant, la différence est moins évidente (0,31 contre 0,29). Lors du calcul des scores uniquement pour les tweets argumentatifs, les proportions moyennes dans les conversations augmentent surtout dans les tweets source, tandis que les proportions ne changent que légèrement dans les fils de discussion.

45Un motif similaire peut être observé pour les proportions de tweets qui ne contiennent que des arguments complets. Les fils de discussion montrent une proportion notablement plus élevée que les conversations à cet égard, à la fois pour les tweets source (0,67 contre 0,55) et les tweets de réponse (0,55 contre 0,45). Analyser uniquement les tweets argumentatifs réduit à nouveau la proportion principalement pour les tweets source dans les conversations (0,55 contre 0,47), tandis que des changements moins notables peuvent être observés pour les fils de discussion.

46En résumé, nous constatons que les fils de discussion ont tendance à contenir des argumentations plus profondes et plus larges que les conversations. De plus, les paires de tweets conversationnels sont plus souvent non argumentatives ou contiennent plus de thèses non soutenues, c’est-à-dire des argumentations incomplètes. Les fils de discussion, en revanche, contiennent plus souvent uniquement des argumentations complètes.

4.4. Les relations entre tweets

47Pour les relations entre tweets dans les conversations (voir Table 4), nous constatons qu’une proportion de 0,45 des paires de tweets montre une relation de désaccord (partiel). Il s’agit de la catégorie la plus importante, suivie de l’accord (partiel) avec 0,20. Les catégories question/réponse et continuation (élaboration) présentent des proportions de 0,15 et 0,10, respectivement. En résumé, une proportion d’environ 0,65 a été annotée avec soit un accord (partiel) soit un désaccord (partiel). Seule une paire de tweets d’auteurs différents a été annotée avec plus d’une étiquette [accord (partiel) / désaccord (partiel)].

48Les fils de discussion présentent un profil nettement différent. Une grande majorité des paires (0,91) ont été annotées avec la continuation (élaboration), tandis qu’un petit sous-ensemble a été assigné à « autre » (0,08), et un sous-ensemble encore plus petit a été annoté avec un désaccord partiel (0,01). Aucun fil n’a été annoté avec l’une des autres catégories. De plus, aucune paire n’a reçu plus d’une étiquette.

Conversation

Thread

Continuation (Elaboration)

0.10

0.91

Question/Answer

0.15

0.00

(Partial)Agreement

0.20

0.00

(Partial)Disagreement

0.45

0.01

Other

0.15

0.08

Table 4 : Relations entre tweets. La somme des proportions par conversation ou fil de discussion peut excéder 1, dans la mesure où les paires de tweets peuvent recevoir plusieurs étiquettes

5. Discussion

49Nous discutons maintenant des résultats par rapport aux trois questions de recherche, puis proposons quelques considérations sur les limites potentielles de l’étude.

50QR 1. Pour évaluer l’utilisation de Twitter pour des échanges argumentatifs complexes par les MP, nous avons examiné la complexité principalement 1) du point de vue de la distribution des ADU et des relations entre les types de tweets et les différents modes de conversation/fil de discussion, et 2) en utilisant les concepts de profondeur/largeur de l’argumentation.

51Premièrement, nous trouvons beaucoup d’argumentation dans l’ensemble, montrant ainsi que notre méthode proposée de filtrage via les connecteurs de Cause et de Contraste est adaptée pour identifier les tweets argumentatifs. Bien que cette procédure puisse avoir introduit un certain biais dans nos données, nous considérons ces étapes comme nécessaires pour identifier les tweets avec une argumentation complexe. Nous laissons l’investigation des tweets avec une argumentation moins marquée ouvertement à des recherches futures.

52Deuxièmement, nous avons trouvé que les tweets de réponse contiennent plus de matériau argumentatif que les tweets source, en termes de nombre d’occurrences individuelles, d’ADU et de relations. Ce constat semble plausible, car les tweets source peuvent être rédigés sans intention conversationnelle. Les tweets de réponse, en revanche, sont des réactions, ce qui les rend susceptibles de contenir une argumentation en réponse au tweet source.

53Troisièmement, le soutien simple est la relation la plus courante entre conclusion et prémisse. Ainsi lors de la production d’une argumentation complète, les auteurs sont plus susceptibles d’utiliser la forme de soutien la plus simple. Les attaques sont moins fréquemment utilisées, mais l’attaque-réfutation est plus courante que l’attaque-rejet de l’inférence, les auteurs préférant donc les rejets simples aux rejets de pertinence argumentative. Ces deux constatations peuvent être typiques du médium : Twitter est un canal pour des réponses politiques rapides, directes et courtes.

54Enfin, notre analyse de la profondeur/largeur de l’argumentation a confirmé les motifs de base de la distribution des ADU et des relations. Les tweets de réponse dans les fils de discussion montrent une argumentation plus complexe, reflétée par une plus grande profondeur et largeur de l’argumentation. Il faut noter cependant que ces différences sont relativement modestes en raison de la longueur limitée des tweets. La plupart des tweets affichent une profondeur maximale de 2, c’est-à-dire qu’ils contiennent au moins un argument complet, et une largeur maximale de 1. Cependant, bien qu’étant une mesure importante, la profondeur/largeur ne montre pas l’image complète de la complexité et de la variance de l’argumentation. Rappelons le tweet de réponse dans la figure 2. Ce tweet a une profondeur de 2 et une largeur de 1, mais reste assez complexe en raison de son utilisation de différents types d’attaques et de la liaison de deux arguments via la même prémisse.

55Dans l’ensemble, nous concluons que les MP utilisent bien les tweets pour des échanges argumentatifs complexes, puisque notre corpus contient des densités élevées de différentes facettes de la complexité de l’argumentation.

56QR 2. Notre plan d’annotation pour l’argumentation a été dérivé d’un plan initialement utilisé pour des textes monologues courts et plutôt « bien polis ». Nous testons donc dans quelle mesure le plan d’annotation original doit être changé ou étendu pour être applicable aux tweets. Nous avons adapté le plan d’annotation de trois manières : 1) Nous utilisons la notation conclusion/prémisse au lieu de proposant/opposant ; 2) nous permettons plus d’une conclusion centrale ; 3) nous permettons aux prémisses de soutenir/attaquer plus d’une conclusion ou prémisse.

57Tous ces changements sont nécessaires pour prendre en compte les caractéristiques argumentatives de Twitter. Nous avons utilisé un plan fondé sur une distinction conclusion/prémisse plutôt que proposant/opposant pour deux raisons. Premièrement l’utilisation d’arguments adverses est limitée par la courte longueur des tweets, comme en témoignent les faibles comptes de relations d’attaque. Deuxièmement comme les conversations représentent essentiellement un dialogue, les rôles de proposant et d’opposant peuvent naturellement se répartir entre le tweet source et le tweet de réponse, respectivement. Nous constatons que la modélisation des relations à travers des tweets différents peut être plus intuitivement atteinte par nos relations entre-tweets, par exemple (dés)accord, qui fonctionnent au niveau du tweet dans son entier au lieu de relations au niveau de chaque argumentation.

58Nous montrons également qu’un tweet peut contenir plusieurs argumentations non liées. Une structure d’arbre argumentatif unique, telle que définie dans le plan d’annotation original, ne pourrait pas représenter cet aspect de manière adéquate. De plus, nous fournissons des preuves que les prémisses peuvent parfois soutenir plus d’une conclusion (ou prémisse). Elles peuvent ainsi être utilisées comme élément de liaison entre deux arguments.

59QR 3. Notre dernière question de recherche concerne les différences entre les conversations et les fils de discussion en termes de complexité de l’argumentation. Nous constatons que ces derniers affichent un nombre plus élevé d’ADU, ce qui est indiqué par une proportion plus élevée d’occurrences argumentatives, suggérant ainsi une complexité supérieure. Cela est également le cas pour le nombre moyen plus élevé de relations. Nous soutenons que cette différence est due à l’intention argumentative particulière de l’auteur dans les fils de discussion. Comme le filage permet la concaténation de tweets, les auteurs peuvent construire soigneusement leur argumentation à la fois dans les tweets et à travers les frontières des tweets. La complexité argumentative plus élevée dans les fils de discussion est en outre reflétée par une profondeur et une largeur globalement plus importantes. Alors que moins de tweets montrent une profondeur inférieure ou égale à 1, plus de tweets affichent une profondeur d’au moins 2. De même, seuls les fils de discussion incluent des tweets avec une largeur supérieure à 2.

60Bien que les fils de discussion tendent à contenir des structures d’argumentation plus complexes que les conversations, les argumentations dans les tweets de réponse des conversations incluent plus fréquemment des attaques. Cela est conforme à notre annotation des relations entre-tweets, qui révèle que les tweets dans les conversations sont le plus susceptibles de contenir un désaccord (partiel). En revanche, les fils de discussion montrent principalement une continuation, ce qui correspond à un manque comparatif d’attaques. Encore une fois, on peut en attribuer la cause à l’intention argumentative. Dans les fils de discussion, les auteurs sont enclins à construire une argumentation complexe, tandis que dans les conversations, ils argumentent en faveur ou contre les argumentations d’une autre personne.

61Étant donné que nous traitons la complétude de l’argumentation comme un moyen d’approcher la qualité de l’argumentation, nous pouvons interpréter l’absence extrême de complexité en termes de profondeur/largeur de l’argumentation, c’est-à-dire des argumentations avec une profondeur et une largeur de 1, comme de faible qualité. Cependant une analyse de qualité détaillée dépasserait le cadre de cette étude. Des recherches antérieures ont soutenu que l’argumentation dans les tweets tend à être quelque peu incomplète (Schaefer et Stede 2022). Jusqu’à présent cependant, aucune analyse quantitative n’a révélé dans quelle mesure cette hypothèse se maintient. Une des principales découvertes de notre étude est la prédominance des points de vue conclusifs par rapport aux prémisses. Ainsi, bien que l’argumentation complexe existe dans les tweets, une quantité substantielle de thèses reste non soutenues (ou non attaquées), c’est-à-dire que l’argumentation reste incomplète. Ceci est confirmé par notre analyse de la profondeur de l’argument, qui montre que les conversations contiennent plus d’argumentations incomplètes que les fils de discussion. De même, ces derniers contiennent beaucoup plus souvent uniquement des argumentations complètes. Nous soutenons que cette configuration est due au fait que l’argumentation dans les fils de discussion est construite plus soigneusement comme une chaîne complexe d’arguments, ce qui peut aboutir à une qualité d’argumentation plus élevée.

62Remarques sur la portée limitée. Bien que représentant une première exploration importante de l’argumentation complexe dans les tweets, nous devons prendre en compte la portée limitée de notre étude. Comme nous n’avons enquêté que sur des paires de tweets, nous avons ignoré les chaînes plus longues. Bien qu’elle facilite l’annotation, cette décision a eu des conséquences sur la complexité de l’argumentation que l’on peut trouver dans nos données. Les chaînes conversationnelles plus longues, par exemple, incluraient probablement des données de plus de deux participants au discours, ce qui pourrait augmenter la complexité des relations entre-tweets, puisqu’un tweet pourrait être lié à n−1 tweets dans la chaîne, où n équivaut à la longueur de la chaîne. De plus, un auteur peut produire plus d’un tweet dans une chaîne, ce qui pourrait potentiellement rendre l’annotation plus compliquée également. En ce qui concerne les fils de discussion, une chaîne de plus de deux tweets permettrait une argumentation plus complexe. Cependant, étant donné que le nombre total d’auteurs reste le même (et que la continuation est la relation entre-tweet dominante dans les fils), nous estimons que l’annotation reste comparable à l’annotation des fils dans notre étude actuelle.

Conclusion

63Dans cet article, nous avons examiné la complexité des structures d’argumentation dans les tweets, un sujet qui est resté peu étudié dans les recherches précédentes. À cette fin, nous avons annoté un petit ensemble de paires de tweets écrits par des MP avec un ensemble d’unités de discours argumentatives (ADU) et de relations argumentatives. Nous avons modifié un plan d’annotation conçu pour le monologue afin de prendre en compte les caractéristiques des données de tweet, par exemple l’existence de plusieurs arguments indépendants ou l’utilisation de prémisses qui soutiennent/attaquent plus d’une ADU. Nous montrons que notre méthode de filtrage des tweets et de leur annotation en utilisant notre plan d’annotation modifié est un bon candidat pour identifier une argumentation complexe dans les tweets.

64De manière notables, nos analyses fournissent des preuves d’une argumentation complexe à travers les types de tweets, c’est-à-dire les tweets source et de réponse, et les différentes formes de paires de tweets, c’est-à-dire les conversations et les fils de discussion. Nous montrons en outre que les fils de discussion tendent à présenter des structures d’argumentation plus complexes que les conversations, comme le montrent les profondeurs/largeurs d’argumentation respectives ainsi que les statistiques des ADU et des relations. Cela peut être dû à la possibilité d’une planification plus sophistiquée de l’argumentation respective dans les fils de discussion.

65Bien que notre travail fournisse une exploration importante de la complexité de l’argumentation dans les tweets, les recherches futures pourraient se concentrer sur 1) l’extraction automatique de l’argumentation complexe et 2) l’investigation de chaînes de tweets plus longues.

Haut de page

Bibliographie

Aakhus, Mark & Martin Lewinski. 2017. « Advancing Polylogical Analysis of Large-Scale Argumentation: Disagreement Management in the Fracking Controversy. » Argumentation 31-1, 179–207

Addawood, Aseel & Masooda Bashir. 2016. « “What is Your Evidence?” A Study of Controversial Topics on Social Media. », Chris Reed (ed.). Proceeding of the Third Workshop on Argument Mining [Online] DOI:10.18653/v1/W16-2801

Khalid Al-Khatib, Johannes Henning, Wachsmuth Kiesel, Matthias Hagen & Benno Stein. 2016. « A News Editorial Corpus for Mining Argumentation Strategies. » In Yuji Matsumoto and Rashmi Prasad (eds). Proceeding of the 26th International Conference on Computational Linguistics, 3433–3443

Tom Bosc, Elena Cabrio & Serena Villata. 2016. « DART: a Dataset of Arguments and their Relations on Twitter », Calzolari, Nicoletta, Khalid Choukri, Thierry Declerck, Sara Goggi, Marko Grobelnik, Bente Maegaard, Joseph Mariani, Helene Mazo, Asuncion Moreno, Jan Odijk, and Stelios Piperidis (eds). Proceeding of the Tenth International Conference on Language Resources and Evaluation, 1258–1263

Daxenberger, Johannes, Steffen Eger, Ivan Habernal, Christian Stab & Iryna Gurevych. 2017. « What is the essence of a claim? cross-domain claim identification ». Palmer, Martha, Rebecca Hwa & Sebastian Riedel (eds). Proceeding of the 2017 Conference on Empirical Methods in Natural Language Processing, 2055– 2066

Dusmanu, Mihai, Elena Cabrio & Serena Villata. 2017. « Argument Mining on Twitter: Arguments, Facts and Sources », Palmer, Martha, Rebecca Hwa & Sebastian Riedel (eds). Proceeding of the 2017 Conference on Empirical Methods in Natural Language Processing, 2317–2322

Freeman, James B. 1991. Dialectics and the Macrostructure of Argument (Berlin: Foris)

Greco, Sara. 2023. « Twitter Activists’ Argumentation through Subdiscussions: Theory, Method and Illustration of the Controversy Surrounding Sustainable Fashion », Argumentation 37, 1-23

Green, Nancy. 2018. « Towards mining scientific discourse using argumentation schemes », Argument & Computation 9-2, 121–135

Klie, Jan-Christoph, Michael Bugert, Beto Boullosa, Richard Eckart de Castilho & Iryna Gurevych. 2018. « The Inception Platform: Machine-Assisted and Knowledge-Oriented Interactive Annotation », Proceeding of the 27th International Conference on Computational Linguistics: System Demonstrations, 5–9

Landis, J.R. & G.G. Koch. 1977. « The measurement of observer agreement for categorical data », Biometrics 33-1, 159–74

Lasser, Jana, Segun Taofeek Aroyehun, Almog Simchon, Fabio Carrella, David Garcia & Stephan Lewandowsky. 2022. « Social Media Sharing of Low-Quality News Sources by Political Elites », PNAS Nexus 1-4 [Online] https://doi.org/10.1093/pnasnexus/pgac186

Lawrence, John & Chris Reed. 2020. « Argument Mining: A Survey », Computational Linguistics 45-4 [Online] https://doi.org/10.1162/coli_a_00364

Levy, Ran, Yonatan Bilu, Daniel Hershcovich, Ehud Aharoni & Noam Slonim. 2014. « Context Dependent Claim Detection », Tsujii, Junichi & Jan Hajic (eds). Proceeding of the 25th International Conference on Computational Linguistics, 1489–1500

Moeschler, Jacques. 1989. « Pragmatic Connectives, Argumentative Coherence and Relevance ». Argumentation 3, 321– 339

Mochales Palau, Raquel & Marie-Francine Moens. 2009. « Argumentation Mining: The Detection, Classification and Structuring of Arguments in Text », Proceedings of the 12th International Conference on Artificial Intelligence and Law (New York : Association for Computing Machinery), 98–107

Peldszus, Andreas & Manfred Stede. 2013. « From Argument Diagrams to Argumentation Mining in Texts: A Survey. », International Journal of Cognitive Informatics and Natural Intelligence 7-1, 1-31

Rinott, Ruty, Lena Dankin, Carlos Alzate Perez, Mitesh M. Khapra, Ehud Aharoni & Noam Slonim. 2015. « Show Me Your Evidence : an Automatic Method for Context Dependent Evidence Detection », Màrquez, Lluís, Chris Callison-Burch & Jian Su (eds). Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing, 440–450

Schaefer, Robin & Manfred Stede. 2020. « Annotation and Detection of Arguments in Tweets », Cabrio, Elena & Serena Villata (eds). Proceeding of the 7th Workshop on Argument Mining, 53–58

Schaefer, Robin & Manfred Stede. 2022. « GerCCT: An Annotated Corpus for Mining Arguments in German Tweets on Climate Change », Calzolari, Nicoletta, Frédéric Béchet, Philippe Blache, Khalid Choukri, Christopher Cieri, Thierry Declerck, Sara Goggi, Hitoshi Isahara, Bente Maegaard, Joseph Mariani, Hélène Mazo, Jan Odijk & Stelios Piperidis (eds). Proceeding of the Thirteenth Language Resources and Evaluation Conference, 6121– 6130

Schaefer, Robin, René Knaebel & Manfred Stede. 2023. « Towards Fine-Grained Argumentation Strategy Analysis in Persuasive Essays », Alshomary, Milad, Chung-Chi Chen, Smaranda Muresan, Joonsuk Park & Julia Romberg (eds). Proceeding of the 10th Workshop on Argument Mining, 76–88

Sňajder, Jan. 2016. Social Media Argumentation Mining: The Quest for Deliberateness in Raucousness [Online] DOI:10.48550/arXiv.1701.00168

Stab, Christian & Iryna Gurevych. 2014. « Identifying Argumentative Discourse Structures in Persuasive Essays », Moschitti, Alessandro, Bo Pang & Walter Daelemans (eds). Proceeding of the 2014 Conference on Empirical Methods in Natural Language Processing, 46–56

Stede, Manfred & Jodi Schneider. 2019. Argumentation mining (Cham: Springer) [Online] https://doi.org/10.1007/978-3-031-02169-5

Stede, Manfred & Carla Umbach. 1998. « DiMLex: A Lexicon of Discourse Markers for Text Generation and Understanding, 36th Annual Meeting of the Association for Computational Linguistics and 17th International Conference on Computational Linguistics 2, 1238–1242

Wachsmuth, Henning, Nona Naderi, Yufang Hou, Yonatan Bilu, Vinodkumar Prabhakaran, Tim Alberdingk Thijm, Graeme Hirst & Benno Stein. 2017. « Computational Argumentation Quality Assessment in Natural Language », Lapata, Mirella, Phil Blunsom & Alexander Koller (eds). Proceeding of the 15th Conference of the European Chapter of the Association for Computational Linguistics 1, 176–187

Webber, Bonnie, Rashmi Prasad, Alan Lee & Aravind Joshi. 2019. The Penn Discourse Treebank 3.0 Annotation Manual (Philadelphia: Univ. of Pennsylvania)

Wührl, Amelie & Roman Klinger. 2021. « Claim Detection in Biomedical Twitter Posts », Demner-Fushman, Dina, Kevin Bretonnel Cohen, Sophia Ananiadou & Junichi Tsujii (eds). Proceeding of the 20th Workshop on Biomedical Language Processing, 131–142

Haut de page

Notes

1 Pour des aperçus complets du domaine de l’extraction d’arguments (Argument Mining), voir Lawrence et Reed (2020) ou Stede et Schneider (2019).

2 Note du traducteur : le texte bruyant (noisy) désigne une forme textuelle qui présente des différences avec le texte voulu ou le texte d’origine – erreurs de typographie, syntaxe et lexique peu orthodoxes, abréviations idiosyncrasiques sont autant de sources de bruit pour l’analyse automatique des textes.

3 Il convient de noter que les fils de discussion peuvent être publiés de manière incrémentielle ou en un seul lot. Dans cet article, cependant, nous ne faisons pas de distinction entre les deux cas.

4 Selon Landis and Koch (1977), une valeur x de 0.21-0.40 représente un accord « correct », de 0.41-0.60 un accord « modéré » et de 0.61-0.80 un accord « substantiel ».

5 Note du traducteur : littéralement, #SolidairesaveclePF (“Planning familial”)

6 Note du traducteur : le texte anglais utilise « claim » de manière systématique ; il a été choisi de traduire ici par thèse, conclusion, point de vue ou point de vue conclusif en fonction du contexte de la phrase en français, « claim » présentant une sémantique qui associe une dimension structurelle (conclusion d’un raisonnement), énonciative (opinion personnelle) et pragmatique (engagement du locuteur dans l’opinion).

7 Pour des raisons de protection de données, seules des identifications de Tweets peut être diffusées librement.

8 http://connective-lex.info

9 https://github.com/heartexlabs/label-studio

10 Paris fait référence à l’Accord de Paris, c’est-à-dire à l’accord de protection du climat conclu lors de la Conférence des Nations Unies sur les changements climatiques (COP21) qui s’est tenue à Paris en 2015.

11 Note du traducteur : un tokenizer est un programme qui coupe le texte en différents mots (les hashtags étant souvent suivis par une concaténation de plusieurs mots).

Haut de page

Pour citer cet article

Référence électronique

Robin Schaefer, Sophia Rauh et Manfred Stede, « Sur les structures complexes de l’argumentation dans les tweets »Argumentation et Analyse du Discours [En ligne], 34 | 2025, mis en ligne le 10 avril 2025, consulté le 21 avril 2025. URL : http://journals.openedition.org/aad/9397 ; DOI : https://doi.org/10.4000/13q0l

Haut de page

Auteurs

Robin Schaefer

Université de Potsdam (Allemagne)

Sophia Rauh

Université de Potsdam (Allemagne)

Manfred Stede

Université de Potsdam (Allemagne)

Haut de page

Droits d’auteur

CC-BY-NC-ND-4.0

Le texte seul est utilisable sous licence CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

Haut de page
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search