CHAPITRE 9: DÉTECTION D’INDIVIDUS RÉSILIENTS À PARTIR D’UNE
9.3.7. Algorithme global proposé pour la détection d’individus influents et résilients
Cet algorithme comporte cinq (5) phases à savoir: la phase1 : Détection de communautés chevauchantes et disjointes, Phase 2 : Extraction de connaissances dans les messages postés, Phase 3 : consultation d’une ontologie de la résilience sociale, Phase 4 : Détection d’individu influent dans les réseaux sociaux, Phase 5 : Détection d’individu résilient dans les communautés des réseaux sociaux.
Pseudo Algorithme : détection d’individus résilients
1. Début
2. Phase 1 : Détection de communautés chevauchantes et disjointes 3. Phase 2 : Extraction de connaissances dans les messages postés 4. Phase 3 : Consultation d’une ontologie de la résilience sociale 5. Phase 4 : Détection d’individus influents dans les réseaux sociaux
6. Phase 5 : Détection d’individus résilients dans les communautés des réseaux sociaux (phase 2+ phase 4)
7. Fin
Algorithme 7. Algorithme de détection d’individus résilients dans les communautés des réseaux
sociaux
9.4. Conclusion
Notre contribution dans ce chapitre a consisté à extraire des individus jugés résilients dans des communautés des réseaux sociaux à partir d’un algorithme comportant cinq phases. Cette démarche a permis de déterminer tout d’abord les individus influents positivement dans les communautés à travers l’utilisation de méta-heuristique ce qui a permis de classifier automatiquement des individus extraits dans les communautés détectées et d’analyser les réseaux sociaux. Ensuite nous avons montré comment mettre en œuvre une action de fouille de données sur une plate-forme de réseau social, notamment Facebook à travers un exemple sur le compte d’un
étudiant en Master2 du Laboratoire LARIT. Cette action a suivi une démarche précise allant de la connexion et de l’authentification à la plate-forme d'accès aux données du réseau social en passant par la collecte puis le traitement de ces données pour en tirer des connaissances utiles sur son profil. Pour finir nous avons confronté ces individus influents aux connaissances stockées dans l’ontologie de la résilience sociale. Cela nous permet d’aboutir à une classification permettant de créer des communautés d’individus à savoir : les résilients et les non résilients.
CONCLUSION GÉNÉRALE
Au terme de cette thèse, nous pouvons dire que les objectifs que nous nous sommes assignés au début sont atteints pour la plupart. À savoir : la proposition d’un système décisionnel pour la résilience sociale, la proposition d’une méthode permettant de déterminer le niveau de vulnérabilité des individus face à une pandémie donnée et la proposition de méthodes de classification des ménages en vue de détecter, ceux qui sont jugés absolument vulnérables pour une meilleure prise en charge par les bailleurs de fonds. Puis, nous avons proposé une méthode hybride de détection de communautés dans les réseaux sociaux en combinant les meilleures méthodes existant dans la littérature.
Par ailleurs nous avons, à travers une étude comparative, montré la performance en termes de complexité de notre algorithme hybride proposé pour la détection des communautés. Ainsi, les résultats de nos travaux pourront servir d'outils d'aide à la décision dans le domaine humanitaire comme les ONG de lutte contre le VIH-Sida et l’Ébola. Ces mêmes résultats peuvent être utilisés par exemple pour identifier et déterminer le niveau de vulnérabilité des individus résilients par rapport à certaines idéologies négatives telles que le terrorisme, la pédophilie, etc. En industrie, les résultats de ces travaux pourront renforcer les techniques d'analyse d'audience et surtout le web marketing en intégrant la notion de résilience aux analyses classiques. Ce type d'analyse pourra aussi servir à la lutte contre la propagation de rumeurs, à évaluer l’influence d’un message ou d’un individu dans une communauté. De même les résultats des travaux de cette thèse seront utiles à l'analyse et à la lutte contre la propagation des épidémies (le choléra, la dingue,…).
En outre à côté de tout ce qui précède, dans le dessein de réaliser l'objectif principal qui consistait à extraire des individus jugés résilients dans les communautés des réseaux sociaux, nous aurions voulu faire une expérimentation sur un exemple de bout en bout sur réseau social en ligne ou local uniquement mais cela n’a pas été le cas dans ce manuscrit. C’est pourquoi dans les travaux futurs nous comptons y remédier à travers un exemple qui respecte le contexte de toutes ces contributions. Pour finir, nous voulons enrichir l’ontologie que nous avons conçue par les connaissances extraites sur les réseaux sociaux pour qu’elle y soit une base de référence dans le domaine de la résiliométrie. Il est important de noter que cette thèse s'inscrit dans une logique de
développement d'une ingénierie de la résilience dont la résiliométrie constitue la discipline principale de modélisation des processus de résilience, notamment sociale [Achie 16].
En termes de perspectives, elles sont multiples parmi ces futures contributions. La détection des communautés résilientes à partir des réseaux sociaux en associant la contribution du chapitre 6 intitulée « La résilience interindividuelle » et celle du chapitre 8 intitulé « Construction d’une ontologie de la résilience sociale basée sur les connaissances extraites à partir des messages échangés ou postés par les utilisateurs sur les réseaux sociaux ». Cependant, dans les travaux à venir, nous devrons prendre en compte le volet respect des données à caractère privé des citoyens, parce que la fouille de données (Data Mining) est une activité régie à l’international par des textes de protection de droit d’auteur, même en accès ouvert sur le web. Cela n’est possible qu’avec l’accord explicite des internautes. Nous comptons dans les travaux futurs sur la plate-forme d’un logiciel scientifique (Python, R,…) proposer en accès libre un package pour la détection des individus résilients dans les communautés des réseaux sociaux.
RÉFÉ REN CE S BIB LIOGR APHIQUE S
[Abd Cath 06] Abdel K. K., Catherine R., Robert L“Un outil d’aide à la construction d’ontologies pré-consensuelles: le projet Towntology” In INFORSID (pp. 911-926) 2006.
[Achie 14] Achiepo O. Y. M., Modélisation de la résilience, nécessité d’une approche computationnelle, 5ème Colloque « Résilience en Action » à l’IRD Abidjan Côte d’ivoire, Décembre 2014.
[Achie 16] Achiepo O. Y. M., Modélisation computationnelle du processus de résilience sociale, Thèse sur la Résilience sociale présentée soutenue à l’EDP de l’INP-HB de Yamoussoukro en Décembre 2016.
[Agr Imi 93] Agrawal, R., Imieliński, T., & Swami, A. Mining association rules between sets of items in large databases. In Acm sigmod record (Vol. 22, No. 2, pp. 207-216). ACM 1993.
[Akh Sen 13] Akhtar, N., Javed, H., & Sengar, G. Analysis of Facebook Social Network. In Computational Intelligence and Communication Networks (CICN), 2013 5th International Conference on (pp. 451-454). IEEE 2013.
[Anaut 06] Anaut, M. Résiliences familiales ou familles résilientes ? Relance, vol. 19, no 1, p. 14-17, 2006.
[Ant 10] Antoine C., L. M., Apprentissage Artificiel, Concept et Algorithme, 2ème édition, Eyrolles, 2010.
[Ayn 11] Aynaud, T. Détection de communautés dans les réseaux dynamiques (dissertation Doctorale, Thèses de L’université Pierre et Marie Curie) 2011.
[Bagro 08] Bagrow, J. P. Evaluating local community methods in networks. In Journal of Statistical Mechanics, pp. 05001, 2008.
[Beau 10] Beauguitte, L. Graphes, réseaux, réseaux sociaux : vocabulaire et notation. Archives-ouvertes.fr, halshs-00541898, 2-5, 2010.
[Bék Mas 11] Békaert J., Masclet, G. et CARON, R. Les instruments de mesure de la résilience chez les adolescents ayant été confrontés à un traumatisme: une revue de la littérature. In : Annales Médico-psychologiques, revue psychiatrique. Elsevier Masson, p. 510-516, 2011.
[Belb 12] Belbèze, C. Doctorat de l’université de Toulouse (doctoral dissertation, Institut de Recherche en Informatique de Toulouse) 2012.
[Ben Mon 03] Bennouas, T. M. Bouklit, and F. de Montgolfier. Un modèle gravitationnel du web. In 5ième Rencontres Francophones sur les aspects Algorithmiques des télécommunications (Algotel), Banyuls (France), 2003.
[Beny Larg 15] Benyahia, O., & Largeron, C. Mesure d'influence via les indicateurs de centralité dans les réseaux sociaux. InEGC(pp. 469-470), 2015.
[Ber Mbai 14] Bery L. M., thèse, Conception physique des bases de données à base ontologique : le cas des vues matérialisées, 2014.
[Ber Sel 12] Bery M., Selma Khouri, Ladjel Bellatreche, Stephane Jean, Mickael Baron, Etude Comparative des Systèmes de Bases de Données à base Ontologiques, 2012.
[Bic Siar 13] Bichot, C. E., & Siarry, P. (Eds.). Graph partitioning. John Wiley & Sons, 2013.
[Blo Sen 02] Blondel V and Sennelart P, Automatic extraction of synonyms in a dictionary. Proceeding of the SIAM Workshop on Text Mining, 2002.
[Blon 10] Blondel, V., Krings, G., Thomas, I. Régions et frontières de téléphonie mobile en Belgique et dans l'aire métropolitaine bruxelloise. Brussels Studies, 42, ISSN 2031-0293, 13p, 2010.
[Bon 07] Bongué B., M. Modélisation de la fissuration pour l'évaluation de la perte d'étanchéité des structures en béton armé sous chargements mécaniques (Doctoral dissertation, École nationale des ponts et chaussées (France), 2007.
[Bor 05] Borgatti, S. P Centrality and network flow. Social networks, 27(1), 55-71. 2005.
[Bot Bou 08] Bothorel, C., & Bouklit, M. Détection de structures de communauté dans les hyper-réseaux d'interactions. In10ème Rencontres Francophones sur les Aspects Algorithmiques des Télécommunications (AlgoTel'08)(pp. 57-60). (2008).
[Bou Aus 03] Bourigault, D., & Aussenac-Gilles, N. Construction d’ontologies à partir de textes. In Actes de la 10ème conférence annuelle sur le Traitement Automatique des Langues (pp. 27-50), 2003.
[Brand 01] Brandes, U. A faster algorithm for betweenness centrality. Journal of mathematical sociology, 25(2), 163-177, 2001.
[Car S 05] Carrington, P. J. Scott and S. Wasserman Models and Methods in Social Network Analysis New York: Cambridge University Press, 2005.
[Caz R 10] Cazabet, R., Amblard, F., & Hanachi, C. Detection of overlapping communities in dynamical social networks. In Social Computing (SocialCom), 2010 IEEE Second International Conference on (pp. 309-314). IEEE. 2010.
[Caza 13] Cazabet, R. Détection de communautés dynamiques dans les réseaux temporels. Thèse : Intelligence Artificielle. Toulouse : Université Paul Sabatier – Toulouse III, 202p. French. DOI: tel-00874017, 2013.
[Chal 02] Chalet J., L’ingénierie des connaissances : résultats, développements et perspectives pour la gestion des connaissances médicales. Mémoire habilitation à diriger des recherches, université Pierre et Marie Curie, 2002.
[Cla New 04] Clauset, A. M. E. J. Newman, C. Moore, Finding community structure in very large networks. http://arXiv.org/abs/cond-mat/0408187v2, 2004.
[Com Géry 13] Combe, D., Largeron, C., Egyed-Zsigmond, E., & Géry, M. ToTeM: une méthode de détection de communautés adaptées aux réseaux d'information. In Extraction et gestion des connaissances (EGC'2013) (pp. 305-310). Hermann, 2013.
[Cram Plan 13] Crampes, M., & Plantié, M. Partition et recouvrement de communautés
dans les graphes bipartis, unipartis et orientés. In IC-24èmes Journées francophones d'Ingénierie des Connaissances 2013.
[Cyru 08] Cyrulnik, B. Résilience, pratiques d’intervention. Inconférence donnée lors du congrès «Résilience, intervention en contexte d’adaptation et de réadaptation», Montréal(Vol. 25), 2008.
[Dam Jua 14] Damien R., Juan David Cruz, Christine Balagué and Cécile Bothorel. Detection of communities: the case of cooking bloggers. Submitted to Marketing Science, Special Issue on Big Data: Integrating Marketing, Statistics, and Computer Science, 2014.
[Dan Aren 05] Danon, L., Diaz-Guilera, A., Duch, J., & Arenas, A. Comparing community structure identification. Journal of Statistical Mechanics: Theory and Experiment, 2005(09), P09008, 2005.
[Dan Han 02] Daniel H., Alexander Zien, Ralf Zimmer, and Thomas Lengauer. Co-clustering of biological networks and gene expression data. Bioinformatics, 18(suppl 1):S145–S154, 2002.
[Dani le 15] Danisch, M., Guillaume, J. L., & Le Grand, B. (2015, October). Déplier la structure communautaire d’un réseau en mesurant la proximité aux représentants de communauté. In Sixième conférence Modèles et Analyses Réseaux : Approches Mathématiques et Informatiques Marami, 2015.
[Dav Christ] David C., Christine Largeron, El ˝of Egyed-Zsigmond, and Mathias Géry. Combining relations and text in scientific network clustering. In 2012 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining, pages 1280-1285, Istanbul, Turquie, 2012.
[Degen 11] Degenne, A. Retour à l'analyse des réseaux sociaux. Hermès, La Revue, (1), 39-42, 2011.
[Dev Zan 10] Devavrat S. and, T. Zaman « Community detection in networks: The leader follower algorithm, » Workshop on Networks Across Disciplines, NIPS 2010.
[Dib Fer 03] Dibiaggio L., Ferrary Michel. Communautés de pratique et réseaux sociaux dans la dynamique de fonctionnement des clusters de hautes technologies. In: Revue d'économie industrielle. Vol. 103. 2e et 3e trimestre. La morphogénèse des réseaux. pp. 111-130.doi10.3406/rei.2003.3112, 2003
[Don Mun 04] Donetti, L., & Munoz, M. A. Detecting network communities: a new systematic and efficient algorithm.Journal of Statistical Mechanics: Theory and Experiment,2004(10), P10012, 2004.
[Dup Yil] Dupouët O., Yildizoglu Murat, Cohendet Patrick. Morphogenèse de communautés de pratique. In : Revue d'économie industrielle. Vol. 103. 2 e et 3 e trimestres. La morphogénèse des réseaux. pp.91-110, 2003
[Fatih 13] EL Hadj, Fatiha Souam-Aït. Approche de détection de communautés chevauchantes dans des réseaux bipartis. 2013.
[Ere ISI 09] Erétéo, G., & ISICIL, P. Analyse des réseaux sociaux et web sémantique: un état de l’art. Document ANR n° ANR-08-cord-011-05. FAO. 2010. L'état de l'insécurité alimentaire dans le monde 2010 : Combattre l'insécurité alimentaire lors des crises prolongées. Rome, Organisation des Nations Unies pour l'alimentation et l'agriculture et Programme alimentaire mondial, 2009.
[Ferra 12] Ferrara E. A large-scale community structure analysis in Facebook. EPJ Data Science, vol. 1, no 1, p. 9, 2012.
[Fort 10] Fortunato S. Community detection in graph. Physics Reports, 486(3):75-174, 2010.
[Gart Wro 03] Gärtner, T., Flach, P., & Wrobel, S. On graph kernels: Hardness results and efficient alternatives. In Learning Theory and Kernel Machines (pp. 129-143). Springer Berlin Heidelberg, 2003.
[Gau 14] Gauvin-Lepage, J. Co-construction des composantes d'un programme d'intervention en soutien à la résilience de familles dont un adolescent est atteint d'un traumatisme cranio-cérébral, 2014.
[Gau Malo 14] Gauvin-Lepage, J., Lefebvre, H., & Malo, D. Family resilience: defining the concept from a humanist perspective. Interdisciplinaire Journal of Family Studies, XX (2), 22-36, 2014.
[Gen Grat 09] Genest, C., & Gratton, F. La place de la résilience familiale lors d’un suicide à l’adolescence.Frontières,22(1-2), 42-49, 2009.
[Geto 05] Getoor, L., & Diehl, C. P. Link mining: a survey. ACM SIGKDD Explorations Newsletter,7(2), 3-12. 2005.
[Giv New 02] M. Girvan and M.E.J. Newman. Community structure in social and biological networks. Proceedings of the National Academy of Sciences, 99(12):7821–7826, 2002.
[Gra Pla 13] Crampes, M., Plantie, M. Partitionnement et recouvrement de communautés dans les graphes bipartis, unipartis et orientés. Conférence « Ingénierie des Connaissances », plateforme AFIA, LILLE 2013, 16p, 2013.
[Gui 14] Guille, A. Diffusion de l’information dans les médias sociaux (Doctoral dissertation, Université Lumière Lyon 2, 2014.
[Guil 13] Guille, A., Favre, C., Hacid, H., & Zighed, D. A. Sondy: An open source platform for social dynamics mining and analysis. In Proceedings of the 2013 ACM SIGMOD International Conference on Management of Data(pp. 1005-1008). ACM, 2013.
[Hu Kam 12] Hu, Y., John, A., Wang, F., & Kambhampati, S. ET-LDA: Joint Topic Modeling for Aligning Events and their Twitter Feedback. InAAAI(Vol. 12, pp. 59-65), July 2012.
[Jua Céc12] Juan David Cruz, Cécile Bothorel, and François Poulet. Détection et visualisation des communautés dans les réseaux sociaux. Revue d’Intelligence Artificielle, 26(4): 369–392, 2012.
[Kan 13] Kanawati, R. Détection de communautés dans les grands graphes d'interactions (multiplexes) : état de l'art. Archive Ouverte, DOI: hal-00881668v2, 2013.
[Kana 13] Kanawati, R. Détection de communautés dans les grands graphes d'interactions (multiplexes) : état de l'art, 2013.
[Kul Joy 08] Kulig, J. C., Edge, D., & Joyce, B. Community resiliency as a measure of collective health status: perspectives from rural communities. CJNR (Canadian Journal of Nursing Research), 40(4), 92-11, 2008.
[Lan Fort 08] Lancichinetti, A., Fortunato, S., & Radicchi, F Benchmark graphs for testing community detection algorithms. Physical review E, 78(4), 046110. , 2008.
[Larg Rgy 10] C. Largeron, E. Egyed-Zsigmond, M. Géry A comparative study of social network analysis tools Workshop "Web intelligence and Virtual Entreprise" at the International Conference PROVE, 2010.
[Lefe Leye 13] Lefebvre, H., Levert, M. J., Le Dorze, G., Croteau, C., Gélinas, I., Therriault, P. Y. ... & Samuelson, J. Un accompagnement citoyen personnalisé en soutien à l'intégration communautaire des personnes ayant subi un traumatisme craniocérébral : vers la résilience ? Recherche en soins infirmiers, (4), 107-123, 2013.
[Li Lui 14] Li, Y., Liu, J., & Liu, C. A comparative analysis of evolutionary and memetic algorithms for community detection from signed social networks. Soft Computing, 18(2), 329-348, 2014.
[Mél Pat 16] Mélaine A. O. Y. et Patrice, M. E. Resilometrics: Principles of the Discipline and the Resilience Measure Models. International Journal of Computer Science and Information Security, vol. 14, no 5, p. 162, 2016.
[Mer 10] Mercanti-Guérin M., « Analyse des réseaux sociaux et communautés en ligne : quelles applications en marketing ? », Management & Avenir 2 (n° 32), p. 132-153, 2010.
[Mer Guer 10] Mercanti-Guerin, M., Facebook, un nouvel outil de campagne : Analyse des réseaux sociaux et marketing politique.La revue des Sciences de Gestion, (2), 17-28, 2010.
[Mic Chou 15] Michallet, B., Lefebvre, H., Hamelin, A., & Chouinard, J. Résilience et réadaptation en déficience physique : proposition d’une définition et éléments de réflexion. Revue québécoise de psychologie, 2015.
[Mor Obr 06] Moretti, M., Duelli, Peter et Obrist, Martin K. Biodiversity and resilience of arthropod communities after fire disturbance in temperate forests.Oecologia, vol. 149, no 2, p. 312-327, 2006.
[Naim al 07] P. Naim, P. Leray et al, Réseaux Bayésiens, 3ème édition, Eyrolle, 2007.
[Nav Caz 10] Navarro, E., Cazabet, R., Cazabet, R., & Cazabet, R. Détection de communautés, étude comparative sur graphes réels.1ères Journées Modèles
et l'Analyse des Réseaux : Approches Mathématiques et Informatiques, 2010.
[New 01] Newman M. E. J, scientific collaboration networks: Ii. Shortest paths, weighted networks, and centrality. Physical Review E, 64(1):016–132, 2001.
[New 03] The structure and function of complex networks, M. E. J. Newman, SIAM Review 45, 167–256, 2003.
[New 04] Newman, M. E. J. Detecting Community structure in networks. Evr. Phys. J. B 38, 321-330, 2004.
[New 06] Newman, M. E. J. Modularity and community structure in networks, Proc. Natl. Acad. Sci. USA 103, 8577–8582, 2006.
[New Giv 04] Newman, M. E. J. M. Girvan, Finding and evaluating community structure in networks. Physics review. http : // arXiv.org/abs/cond-mat/0308217v1, 2004.
[Ngue 16] N'Guessan, B. G. Propositions de méthodologies pour la valorisation de la médecine traditionnelle fondées sur une ontologie (Doctoral dissertation, Université Nangui Abrogoua), 2016.
[Nor Fel 16] Norbert T. et F., Gamgne Domgue. Détection des communautés dans les réseaux orientés à l'aide des concepts formels.Arima Journal, 2016.
[Ostr 04] Ostrom, E., & Janssen, M. A. Multi-level governance and resilience of social-ecological systems. InGlobalisation, poverty and conflict(pp. 239-259). Springer Netherlands, 2004.
[Ouat 14] Ouattara, M. Développement et mise en place d'une méthode de classification multi-blocs : application aux données de l'OQAI(Doctoral dissertation, Conservatoire national des arts et metiers-CNAM), 2014. [Pal al 05] Palla, G., Derényi, I., Farkas, I. et al. Uncovering the overlapping
community structure of complex networks in nature and society. Physics.soc-ph, Arxiv: physics/0506133v1, 2005.
[Pari Karl 13] Parikh, R., & Karlapalem, K. ET: events from tweets. In Proceedings of the 22nd International Conference on World Wide Web (pp. 613-620). ACM... ,2013.
[Phili 06] Philippe L., Réseaux Bayésiens : apprentissage et modélisation de systèmes complexes, HDR, 2006.
[Pon 07] Pons, P. Détection de communautés dans les grands graphes de terrain. Thèse : Informatique. Paris, France : Université Paris 7 – Dénis Didérot, 106p. ,2007.
[Quey 13] Queyroi, F. Partitionnement de grands graphes : mesures, algorithmes et visualisation. Thèse : Informatique. Bordeaux, France : Ecole Doctorale de Mathématiques et Informatique de l’Université Bordeaux I. 137p, 2013.
[Rad Cast 04] Radicchi, F., Castellano, C., Cecconi, F., Loreto, V., & Parisi, D. Defining and identifying communities in networks. Proceedings of the National Academy of Sciences of the United States of America, 101(9), 2658-2663, 2004.
[Radja 09] Radja M. “Ontologies et services aux patients : Application à la reformulation des requêtes” Doctoral dissertation, Université Joseph Fourier – Grenoble I, French, 2009.
[Ragh 07] Raghavan, U. N., Albert, R., & Kumara, S. Near linear time algorithm to detect community structures in large-scale networks. Physical review E,76(3), 036106, 2007.
[Rei Born 06] Reichardt, J., & Bornholdt, S. Statistical mechanics of community detection. Physical Review E, 74(1), 016110, 2006.
[Rich 02] Richardson, G. E. The metatheory of resilience and resiliency. Journal of clinical psychology,58(3), 307-321, 2002.
[Roy Kra 07] Roy, P., Pachet, F., & Krakowski, S. de l’intérêt des features analytiques : une etude pour la classification de sons de pandeiro. Actes des Journées d’Informatique Musicale (JIM), 37, 2007.
[San 10] Fortunato, S. Community detection in graphs.Physics reports,486(3), 75-174, 2010.
[Sch Pya 00] Schmidt, D. C., Kircher, M., Buschmann, F., & Pyarali, I. Leader/followers-a design pLeader/followers-attern for efficient multi-threLeader/followers-aded event demultiplexing Leader/followers-and dispatching. In University of Washington. http://www. cs. wustl. edu/~ schmidt/PDF/lf. Pdf, 2000.
[Sel Fad 14] Selmane S.A., Fadila B., Missaoui R., Boussaid O., Identification des communautés au sein des réseaux sociaux par l'Analyse Formelle de Concept. Rennes (France) ECG 2014, pp 17-29, 2014.
[Smai 04] Smail, L. Algorithmique pour les Réseaux Bayésiens et leurs Extensions(Doctoral dissertation, Université de Marne la Vallée), 2004..
[Ste Gun 13] Stephan G., B. B., Ines Färber, and Thomas Seidl. Efficient mining of combined subspace and subgraph clusters in graphs with feature vectors. In
Advances in Knowledge Discovery and Data-Mining, pages 261–275. Springer, 2013.
[Stu 12] Studio, R. RStudio: integrated development environment for R. RStudio Inc, Boston, Massachusetts, 2012.
[Talbi 13] Talbi, M. Une nouvelle approche de détection de communautés dans les réseaux sociaux. Mémoire de Master II recherche en Informatique. Outaouais : Université du Québec en Outaouais, 67p D. Combe, 2013.
[Teys G 10] Teyssot, G. Fenêtres et écrans : entre intimité et extimité.Revue Appareil, vol. 6, 2010.
[Tian Ron 09] Tianbao Y., R. Jin, Yun Chi, and Shenghuo Zhu. Combining link and content for community detection: a discriminative approach. In KDD ’09 : Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining, pages 927–936, New York, NY, USA, ACM, 2009.
[Toma 16] Tomasella, S. B. Désubjectivation, resubjectivation et résiliance collective en situation de catastrophes(Doctoral dissertation, Université Paris), 2016.
[Vil Chr 13] Villa-Vialaneix, N., Olteanu, M., & Cierco-Ayrolles, C. Carte auto-organisatrice pour graphes étiquetés. InAtelier Fouilles de Grands Graphes (FGG)-EGC'2013(pp. Article-numéro), 2013.
GLOSSAIRE
L'ontologie FOAF : elle décrit "les personnes, les liens entre elles, ce qu'elles créent et ce
qu'elles font";
Les ontologies SKOS : représentation de thésaurus et autres ressources linguistiques;
On en distingue principalement deux types dans les graphes, à savoir les matrices d'incidence et les matrices d'adjacence;
Un graphe orienté désigne un graphe avec des arrêtes orientées.
Le partitionnement de graphes: c'est un regroupement de graphes en un nombre prédéfini
de sous-graphes homogènes avec minimisation du nombre de liens interne;
La détection de communautés effectue la même opération que le partitionnement de graphes avec ou sans exiger le nombre de communautés.
La modularité : représente la différence de la valeur d'adjacence entre 2 nœuds de la m
communautés et la probabilité pour que ceux-ci soit connectés.
La Mesure de la centralité d'intermédiarité: basé sur le calcul de la distance géodésique
(plus court chemin) Un lien intermédiaire est influant dans le réseau.
Une communauté est vue comme un ensemble de nœuds qui ont plus de liens à l'intérieur
qu'à l'extérieur.
Communauté : système dynamique qui est continuellement créé et recréé et non pas
seulement un agrégat de personnes.
Résilience communautaire : habileté d’une communauté à répondre à l’adversité et ce, en
cherchant un meilleur niveau de fonctionnement. [Kulig, 00].
Résilience communautaire transgénérationnelle 1914-1918; 1939-1945 [Toma 16]
Resiliens est absorbé par les Anglo-saxons (aptitude d’un corps à résister à un choc - reculer pour mieux sauter).
«La résilience individuelle est la capacité d’une personne à faire face, à pouvoir se développer et à augmenter ses compétences dans une situation adverse» [Patterson, 1995].
PUBLICATIONS SCIENTIFIQUES ET CONFÉRENCES
Journal à comités de lectures
[1] SAHA Kouassi Bernard, ACHIEPO Odilon Yapo, M. BROU Konan Marcellin, Souleymane O. Storage and Bayesian modeling of data on the social resilience: Case of Orphans and Vulnerable Children (OVCs) in Côte d'Ivoire. International Journal of Computer Science Issues (IJCSI), vol. 12, no 4, p. 137. (2015).
Journaux indexés
[2] Bernard, S. K., Marcellin, B. K., Michel, B., & Souleymane, O. Classification of households