nouredinekhadija70-svg/analyse-sentiment-hassaniya-pulaar

# analyse-sentiment-hassaniya-pulaar # Analyse de sentiment des avis citoyens en hassaniya et en pulaar Projet de Master — Traitement Automatique des Langues **Université de Nouakchott Al-Aasriya (UNA)** Étude comparative de méthodes classiques et de Transformers multilingues pour la classification de sentiment (positif / neutre / négatif) sur deux langues mauritaniennes peu dotées : le **hassaniya** (écriture arabe) et le **pulaar** (écriture latine). --- ## Objectif Classer automatiquement des avis de citoyens selon la polarité exprimée, afin d'aider une collectivité à mesurer rapidement la satisfaction dans les commentaires reçus. Le projet compare quatre approches sur un protocole identique pour déterminer laquelle est la plus adaptée à un corpus de petite taille. ## Données - Corpus **parallèle** : chaque énoncé existe en hassaniya, souvent en pulaar, avec une étiquette de sentiment. - **549 énoncés annotés** (sur 793 lignes au total), dont 335 disposent d'une version pulaar. - Répartition des classes : neutre 227, négatif 189, positif 133 (léger déséquilibre, ratio 1,7). ## Structure du dépôt ``` . ├── data/ │ └── dataset_master.csv # Corpus annoté (parallèle) ├── notebooks/ │ ├── projet_sentiment_mbert.ipynb # Approche mono-modèle (mBERT) + validation croisée │ └── projet_sentiment_2modeles.ipynb # Deux modèles spécialisés (MARBERT + AfroXLMR) ├── rapport/ │ └── rapport_projet.pdf # Rapport complet ├── presentation/ │ └── presentation_soutenance.pdf # Support de soutenance └── README.md ``` > Les modèles entraînés (fichiers volumineux) ne sont pas versionnés : les notebooks les régénèrent. ## Comment exécuter 1. Ouvrir un notebook dans **Google Colab**. 2. Activer le GPU : *Exécution → Modifier le type d'exécution → GPU*. 3. Déposer `dataset_master.csv` dans la session (ou adapter la variable `CSV_PATH`). 4. Exécuter les cellules dans l'ordre. Les dépendances s'installent dans la pre …