Offre de stage: Constitution et analyse sémantique d’un corpus de données sociales (Web scraping & TAL)

16 novembre 2026

Mots-clés : web scraping, traitement automatique du langage, analyse de sentiments, réseaux sociaux, spectacle vivantEncadrement  » Rémy Kessler (maître de conférences LRU) – remy.kessler@univ-avignon.fr et Mickael Rouvier (professeur des universités) – mickael.rouvier@univ-avignon.frLieu : Laboratoire Informatique d’Avignon (LIA), Avignon Université, campus Jean-Henri FabreDurée : 6 moisDébut : à partir de janvier 2027, au plus tard mars 2027Gratification : gratification légale en vigueur (soit environ 650 € par mois)Candidature : avant le 1er décembre 2026

Offre de stage: Conception et développement d’un outil de visualisation dynamique et interactive des données du Festival Off d’Avignon (Visual Analytics)

16 novembre 2026

Mots-clés : visualisation de données, analyse visuelle, interfaces web interactives, cartographie, spectacle vivantEncadrement : Rémy Kessler (maître de conférences LRU) – remy.kessler@univ-avignon.fr et Mickael Rouvier (professeur des universités) – mickael.rouvier@univ-avignon.frLieu : Laboratoire Informatique d’Avignon (LIA), Avignon Université, campus Jean-Henri FabreDurée : 6 moisDébut : à partir de janvier 2027, au plus tard mars 2027Gratification : gratification légale en vigueur (soit environ 650 € par mois)Candidature : avant le 1er décembre 2026

Offre de stage : Géneration de textes simulant le mal-être psychologique par modèles de langage génératifs

5 novembre 2026

Titre: Génération de textes simulant le mal-être psychologique par modèles de langage génératifs Informations générales Contexte De nombreux acteurs de la prévention (écoutants, médecins, travailleurs sociaux…) se trouvent confrontés à des personnes exprimant leur détresse ou un mal-être profond. Disposer d’outils simulant diverses formes d’expression du mal-être offrirait des outils précieux pour entraîner des professionnels, tester des dispositifs de détection, ou encore sensibiliser des tiers à ce type de situations. Grâce à l’essor des grands modèles de langage (LLM), il est désormais envisageable de créer des outils capables de générer automatiquement des exemples réalistes et diversifiés de discours de personnes en souffrance, tout en maîtrisant la confidentialité (solution offline). Données Les données utilisées dans le cadre de ce stage proviendront notamment du jeu de données Suicide and Depression Detection disponible sur Kaggle. Ce corpus, collecté en utilisant l’API Pushshift, contient plusieurs centaines de milliers de messages souvent authentiques exprimant détresse, souffrance ou idées suicidaires. Il constitue une ressource de référence pour les travaux récents en détection ou simulation de discours liés au mal-être psychologique.  Objectifs du stage L’objectif principal du stage sera de concevoir un prototype de génération de textes exprimant de façon réaliste différents degrés de mal-être psychologique. Les Plus d'infos

Offre de stage: Extraction d’informations sémantiques dans des transcriptions de résumés oraux d’histoires par des enfants

5 novembre 2026

Titre : Extraction d’informations sémantiques dans des transcriptions de résumés oraux d’histoires par des enfants Informations générales Durée : 6 mois Début : à partir de janvier 2027, au plus tard avril 2027 Lieu : Université d’Avignon – LIA – Campus Gratification selon la grille réglementaire Contexte : Ce stage s’inscrit dans le cadre du projet ANR Chica-AI (2024-2028), qui vise à concevoir un environnement informatique capable d’évaluer automatiquement une tâche de lecture. En effet en 2018, les résultats de l’étude PISA soulignaient les difficultés des élèves français en compréhension de l’écrit : 21 % des élèves de 15 ans se situaient sous le niveau minimal de compétences. Cette proportion atteint désormais 33 % selon les résultats PISA 2025. Face à cet enjeu, le projet ambitionne de contribuer à la réduction des difficultés de lecture des enfants du cycle 3 (CM1 à 6e), en développant des méthodes fondées sur l’intelligence artificielle pour proposer un accompagnement personnalisé aux élèves et des retours informatifs aux enseignants. Le résumé de texte, après sa lecture, constitue un exercice particulièrement intéressant pour le travail de compréhension de l’écrit. Le projet vise ainsi à analyser automatiquement les résumés oraux produits par les enfants, en extrayant des informations Plus d'infos

Séminaire SLG – Maryem Bouziane – 08/10/2026

21 septembre 2026

Titre: Apprentissage de plusieurs représentations d’attributs au niveau de l’énoncé avec un encodeur de parole unifié Date: 08/10/2026 – 13h Résumé: Les modèles de fondation pour la parole entraînés par apprentissage auto-supervisé produisent des représentations génériques de la parole, capables de soutenir un large éventail de tâches de traitement de la parole. Lorsqu’ils sont ensuite adaptés par apprentissage supervisé, ces modèles peuvent atteindre de fortes performances sur des tâches aval spécifiques. Des approches récentes de post-entraînement, telles que SAMU-XLSR et SONAR, alignent les représentations de la parole sur des représentations sémantiques au niveau de l’énoncé, permettant des applications multimodales (parole–texte) et multilingues efficaces. Alors que les modèles de fondation pour la parole apprennent typiquement des embeddings contextuels au niveau de la trame acoustique, ces méthodes apprennent des représentations au niveau de l’énoncé. Dans ce travail, nous étendons ce paradigme à des attributs arbitraires au niveau de l’énoncé et proposons un cadre unifié de post-entraînement permettant à un unique modèle de fondation pour la parole de générer plusieurs types de représentations au niveau de l’énoncé. Nous démontrons l’efficacité de cette approche en apprenant conjointement des représentations sémantiques et des représentations de locuteur, ainsi que des représentations de langue et d’émotion, puis Plus d'infos

ANR : Le Petit Camion

3 septembre 2026

« Le Petit Camion » : Limiter l’occurrence de biais attentionnels dans les Centres de Traitement de l’Alerte « Vous envoyez bien un petit camion, hein ? ». Cette phrase, en apparence anodine, est relevée à plusieurs reprises dans les propos d’un appelant d’un Centre de Traitement de l’Alerte CTA-CODIS. Elle est ignorée par l’opérateur, malgré le fait qu’elle soit répétée et prononcée avec une emphase spécifique. Lorsque les secours arrivent sur place avec leur véhicule standard d’intervention, ils découvrent que l’étroitesse de la rue les empêche d’atteindre le lieu du sinistre… Cet exemple illustre l’« effet Tunnel » qui correspond à « une baisse de l’attention à un moment donné, impliquant que l’opérateur fixe un élément en oubliant son environnement ». Bien que peu fréquent, ce phénomène peut intervenir au CTA/CODIS, qui réalise environ 360.000 décrochés par an (chiffres SDIS31), avec le stress et la fatigue associée. Chaque seconde compte et les opérateurs doivent à la fois prendre soin des requérants, pour qui la situation est exceptionnelle, et diriger l’échange pour extraire en priorité les éléments nécessaires à la qualification du sinistre, puis à la distribution des secours. Ce projet vise à aider les opérateurs en mettant à leur Plus d'infos

TALK

3 septembre 2026

Translation and Learning across Languages and Knowledge TALK project centers its efforts on addressing low-resource languages as targets, aiming to produce natural, expressive, and intelligible speech in these languages. Liste des partenaires : Responsable Scientifique pour le LIA : Salima Mdhaffar (Equipe SLG ) Date Début : 2026-10-01 Date Fin : 2030-10-01

Soutenance de thèse – Ryan Whetten – 10/07/2026

9 juillet 2026

Titre : Apprentissage autosupervisé efficace pour le traitement de la parole Lieu: Amphi Blaise Pascal, CERI Date: 10 Juillet 2026 à 13h00 Le jury sera composé de : Résumé : L’un des objectifs fondamentaux de l’intelligence artificielle est le développement de systèmes capables d’interagir avec les humains par la parole, notre forme de communication la plus naturelle. Ces dernières années, des progrès considérables ont été réalisés grâce à l’apprentissage auto-supervisé (SSL, self-supervised learning) —un paradigme d’apprentissage automatique dans lequel les cibles d’entraînement d’un modèle sont dérivées directement des données d’entrée elles-mêmes, réduisant ainsi la dépendance aux données annotées par des humains. Bien que les modèles de parole auto-supervisés aient atteint des performances de pointe dans diverses tâches—notamment la reconnaissance automatique de la parole, la vérification du locuteur et la traduction parole-texte—ils sont notoirement gourmands en ressources. Leur entraînement requiert d’immenses quantités de mémoire, des centaines de milliers d’heures d’audio, ainsi qu’un temps considérable, même sur des infrastructures de calcul haute performance. Ces exigences en ressources constituent des obstacles majeurs, limitant le développement et le déploiement de tels modèles. De plus, même pour ceux disposant d’un accès suffisant à ces ressources, le coût prohibitif de l’entraînement restreint la liberté d’expérimentation et Plus d'infos

Séminaire SLG – Hugo Leguillier – 19/06/2026

16 juin 2026

Date: Friday, June 19, from 1:00 p.m. Place: room S5 Speaker: Hugo Leguillier Title: On Low-Bit Quantization Errors in Speaker Verification: Diagnostic and Mitigation Abstract: Although low-bit quantization provides practical means to deploy speaker verification on resource-constrained devices, its effects on speaker verification performance remain poorly understood. In this paper, we study uniform K-means quantization-aware training of ResNet-36 and ResNet-200 through joint layer-wise and score-level analyses. Our layer-wise analysis highlights fragile components and shows that score degradation is not fully explained by weight distortion alone. We identify a clear knee point at 2 bits, with larger score drift and harmful decision flips concentrated near the FP32 threshold. Our score-level analysis reveals where and how score errors emerge under extreme quantization. Building on these findings, we propose a calibrated multi-precision cascade that resolves most trials at 2 bits and escalates only ambiguous cases, achieving performance close to FP32 while preserving the efficiency benefits of low-bit inference with substantially lower compute and memory costs.

Séminaire SLG – Hugo Daumain – 12/06/2026

10 juin 2026

Date: Friday, June 12, from 1:00 p.m. Lieu : Salle S5 Speaker: Hugo Daumain Title: From Self-Supervised Speech Models to Mixture-of-Experts for Robust Anti-Spoofing Abstract: Recent advances in speech generation have significantly improved the naturalness of synthetic speech, making spoofing detection increasingly challenging. A key limitation of current anti-spoofing systems is their limited robustness to unseen synthesis methods. In this work, we transform a self-supervised speech representation model into a Mixture-of-Experts (MoE) architecture to improve generalization. Feed-forward blocks in selected encoder layers are replaced by multiple expert networks controlled by a layer-wise gating mechanism, allowing experts to capture complementary acoustic patterns while preserving the representations learned during self-supervised pretraining. We further analyze the architectural choices affecting the performance of this MoE conversion and investigate the activation behavior of the experts. The proposed approach is evaluated on 14 spoofing datasets and reduces the macro EER from 5.46% to 4.81%, corresponding to 11.9% relative improvement over the baseline.

1 2 3 … 7