Quiz: Introduction au Topic Modeling et Techniques Associées — 12 questions

1. Quel est l’objectif principal du topic modeling dans un corpus de documents non annotés ?

A. Découvrir automatiquement des thématiques latentes

B. Compresser les documents sans analyser leur contenu

C. Traduire les documents en plusieurs langues

D. Attribuer des étiquettes prédéfinies aux documents

Answer: (A)

Explanation

Le topic modeling vise à faire émerger des thèmes cachés dans un corpus non annoté. Il ne repose pas sur des classes déjà connues, contrairement à une classification supervisée.

2. Dans le cadre du topic modeling, qu’est-ce qu’un topic ?

A. Un ensemble récurrent de mots représentant un thème

B. Une étiquette manuelle associée à un texte

C. Un mot isolé choisi comme mot-clé principal

D. Un document long contenant plusieurs chapitres

Answer: (A)

Explanation

Un topic est défini comme un groupe de mots qui coapparaissent fréquemment et décrivent un thème. Ce n’est ni une étiquette, ni un document entier.

3. Pourquoi dit-on qu’un document peut être multi-topics en topic modeling ?

A. Parce qu’il contient un seul topic répété plusieurs fois

B. Parce qu’il est forcément classé dans une seule catégorie dominante

C. Parce qu’il peut appartenir à plusieurs thèmes avec des proportions différentes

D. Parce qu’il doit être analysé séparément mot par mot

Answer: (C)

Explanation

Un document peut combiner plusieurs topics, chacun avec un poids différent. C’est une différence importante avec une classification classique à classes exclusives.

4. Sur quoi repose principalement le fonctionnement du topic modeling pour déduire des sujets implicites ?

A. Sur des étiquettes fournies à l’avance par un humain

B. Sur les cooccurrences de mots et d’expressions dans le corpus

C. Sur une règle fixe qui associe un mot à un seul thème

D. Sur la traduction automatique des documents

Answer: (B)

Explanation

Le modèle exploite les cooccurrences pour repérer des régularités thématiques cachées. Il est généralement non supervisé, donc il n’utilise pas d’étiquettes préalables.

5. Quelle méthode de modélisation de sujets repose sur une décomposition en valeurs singulières pour révéler un espace sémantique latent ?

A. La classification supervisée

B. L’allocation latente de Dirichlet

C. BERTopic

D. L’analyse sémantique latente

Answer: (D)

Explanation

La LSA utilise la décomposition SVD pour projeter les documents dans un espace latent réduit. LDA est probabiliste, et BERTopic s’appuie sur des embeddings et du clustering.

6. Quelle caractéristique décrit le mieux BERTopic parmi les techniques étudiées ?

A. Une méthode basée uniquement sur des fréquences brutes de mots

B. Une factorisation matricielle par SVD

C. Une méthode fondée sur des embeddings puis un regroupement en clusters

D. Un modèle probabiliste génératif de type mélange de mots

Answer: (C)

Explanation

BERTopic combine des embeddings, un clustering et une extraction de mots représentatifs pour rendre les sujets interprétables. Ce n’est ni une factorisation SVD ni un modèle probabiliste génératif.

7. Dans l’analyse sémantique latente, quel est le rôle de la matrice terme-document avant la réduction de dimension ?

A. Transformer directement les textes en étiquettes

B. Représenter le poids de chaque mot dans chaque document

C. Attribuer un sujet unique à chaque document

D. Compter seulement le nombre total de documents

Answer: (B)

Explanation

La matrice terme-document encode les poids des mots dans les documents, souvent avec du TF ou du TF-IDF. Elle sert de base à la réduction par SVD.

8. Pourquoi la LSA est-elle utile face à une représentation brute des textes ?

A. Elle atténue le bruit, la synonymie et la polysémie en projetant le corpus dans un espace latent

B. Elle remplace les mots par des étiquettes humaines

C. Elle impose un seul thème par document

D. Elle supprime toute information sémantique pour simplifier les textes

Answer: (A)

Explanation

La LSA réduit la dimension et conserve l’information la plus pertinente, ce qui aide à limiter le bruit et certaines ambiguïtés lexicales. Elle ne force pas un seul thème par document.

9. Dans l’Allocation latente de Dirichlet, comment est représenté un document ?

A. Comme une séquence de phrases ordonnées par longueur

B. Comme un mélange de topics avec des proportions spécifiques

C. Comme une classe unique choisie à l’avance

D. Comme une liste fixe de mots-clés sans pondération

Answer: (B)

Explanation

LDA modélise chaque document comme une combinaison de topics en proportions variables. Les topics ne sont donc pas exclusifs au document.

10. Quel couple associe correctement les paramètres de Dirichlet à leur rôle dans LDA ?

A. alpha pour le bruit du texte et beta pour la longueur des documents

B. alpha pour la diversité des topics par document et beta pour la diversité lexicale par topic

C. alpha pour la réduction de dimension et beta pour le clustering

D. alpha pour le nombre de documents et beta pour le nombre de mots

Answer: (B)

Explanation

Dans LDA, alpha contrôle la diversité des proportions thématiques par document, tandis que beta contrôle la diversité des proportions lexicales par topic. Les autres propositions mélangent des notions d’autres méthodes.

11. Quelle est la chaîne de traitement typique de BERTopic pour transformer des textes en sujets interprétables ?

A. Encodage BERT, réduction par UMAP, regroupement par HDBSCAN, puis extraction de mots par c-TF-IDF

B. Classification supervisée des documents, puis attribution d’une étiquette de sujet prédéfinie

C. Construction d’une matrice terme-document, décomposition SVD, puis projection dans un espace latent

D. Estimation d’un mélange de topics par Gibbs sampling, puis calcul des probabilités de mots par topic

Answer: (A)

Explanation

BERTopic combine d’abord des embeddings BERT, puis réduit la dimension avec UMAP, regroupe avec HDBSCAN et extrait enfin des mots représentatifs avec c-TF-IDF. Les autres propositions décrivent surtout LSA, LDA ou une classification supervisée.

12. Quelle affirmation distingue le mieux BERTopic de LSA et de LDA ?

A. BERTopic représente chaque document comme un simple sac de mots sans utiliser de contexte

B. BERTopic fonctionne uniquement avec des thèmes annotés manuellement à l’avance

C. BERTopic repose sur des embeddings contextuels et du clustering, alors que LSA utilise une factorisation SVD et LDA un modèle probabiliste génératif

D. BERTopic impose des topics prédéfinis avant l’analyse des documents

Answer: (C)

Explanation

BERTopic est fondé sur les embeddings BERT, la réduction de dimension et le clustering, ce qui le distingue de LSA et de LDA. LSA s’appuie sur SVD, tandis que LDA est un modèle probabiliste génératif avec distributions sur topics et mots.