Résumé: Traditionnellement, l'évaluation de la personnalité par des entretiens ou des inventaires d'auto-évaluation effectués par des experts en psychologie est onéreuse, longue, difficile et laborieuse. Pour résoudre ce problème à large échelle, nous introduisons la prédiction automatique de la personnalité à partir d’un contenu textuel (PAPCT) des utilisateurs en utilisant les informations accessibles au public sur les plateformes des réseaux sociaux. Ce document aborde les différentes approches de la PAPCT avec l’utilisation du modèle Big Five de la personnalité, ainsi l’implémentation d’une approche proposée avec le langage Python basée sur la base de données PAN-2015 pour comparer plusieurs modèles d’autoapprentissage supervisés et pour résoudre les problèmes présents dans les autres travaux. Plusieurs expériences ont été réalisées pour évaluer les méthodes les plus utilisées dans le domaine de la PAPCT tel que : N-grammes, Stemming, suppression des Stopwords. Les résultats expérimentaux montrent qu’avec le modèle de pondération TF-IDF et d’autres caractéristiques basées sur le style d’écriture les meilleurs modèles d’auto-apprentissage pour la PAPCT sont MLPRegressor et LinearRegressor. Les résultats de cette étude s’avèrent être supérieurs à ceux obtenus par d'autres travaux comparables avec une RMSE moyenne de 10.13%

Encadrant: Ilham Chaker - Azzedine Zahi

Jurry: MC. Abou Naima - Y. Dhassi - Ilham Chaker - Azzedine Zahi

Lieu de Stage: LSIA