Modélisation de l'Impact des Facteurs Sociodémographiques sur la Parole des Micro-Travailleurs d'Amérique Latine H/F - CNRS

Description du Poste Les Missions Ce projet postdoctoral vise à faire avancer la compréhension de la variation socio-phonétique chez des communautés peu étudiées, ici les micro-travailleurs d'Amérique latine et du Brésil, en développant des méthodes hybrides intégrant des hypothèses linguistiques avec des approches d'apprentissage automatique supervisé et non supervisé.Le projet s'inscrit dans une initiative interdisciplinaire à l'intersection de la linguistique, de la sociologie du travail et des technologies de la parole, avec un accent sur les inégalités dans le travail numérique et leur lien avec les pratiques linguistiques.L'étude exploite un corpus unique d'environ 70 entretiens en espagnol latino-américain avec des micro-travailleurs interrogés par des sociologues dans plusieurs pays, ainsi que 50 enregistrements en portugais brésilien. Ce corpus est richement annoté avec des métadonnées sociodémographiques (sexe, pays, revenu, niveau d'éducation, etc.), ce qui est rare dans les corpus sociolinguistiques traditionnels, où les annotations se limitent généralement à des variables bien étudiées comme la région ou le genre. La multiplicité des variables sociodémographiques offre à la fois une opportunité et un défi : si elle permet des analyses plus approfondies, elle réduit également la taille effective des échantillons pour chaque sous-ensemble de variables, nécessitant des méthodes adaptées aux petits jeux de données. À ces données s'ajoutent des corpus comparables composés de données préexistantes en espagnol et en portugais (par exemple, les corpus sociolinguistiques publics comme PRESEEA (2014-) et les grands corpus disponibles au LISN via des projets antérieurs en technologies de la parole et en linguistique de corpus (Vasilescu et al. 2018, Vasilescu et al. 2020)).L'objectif principal est d'étudier les interactions entre les patrons de variation linguistiques ( de la phonétique acoustique au niveau sémantique) et les profils sociodémographiques, en allant au-delà des méthodes linguistiques quantitatives traditionnelles grâce à l'intégration d'approches d'apprentissage automatique supervisé et non supervisé.Ce projet postdoctoral a pour principaux objectifs : 1. État de l'art de la littérature existante en sociolinguistique et en traitement automatique de la parole/modélisation par apprentissage automatique des variétés hispanophones et lusophones, avec un focus sur la relation entre les variables sociodémographiques et les schémas de variation. 2. Confrontation entre la littérature et les corpus de contrôle (ex : PRESEEA) et les données des micro-travailleurs, en exploitant la richesse des métadonnées pour explorer de nouvelles corrélations et tester des hypothèses linguistiques et sociologiques à l'aide de l'apprentissage automatique. 3. Identifier le niveau de granularité linguistique approprié et les traits les plus informatifs (de la variation segmentale - voyelles et consonnes - à la variation au niveau du vocabulaire) afin de développer des modèles capables d'apprendre des schémas sociolinguistiques interprétables et significatifs. Les modèles formés sur les données des micro-travailleurs seront ensuite évalués par : une validation inter-corpus sociolinguistique (ex : PRESEEA) ; une généralisation plus large entre corpus (ex : Common Voice (Mozilla), VoxCeleb/FLEURS).Cela permettra d'évaluer si les schémas appris à partir des données des micro-travailleurs se généralisent à travers différents locuteurs, régions, profils démographiques, conditions d'enregistrement et conceptions de corpus. 4. Fournir un pipeline reproductible pour l'analyse linguistico-sociodémographique dans des contextes peu dotés en ressources. L'Activité - Revue de la littérature sur la variation sociolinguistique et le traitement automatique de la parole/apprentissage automatique appliqués aux variétés hispanophones et lusophones. - Prétraitement des données : Travailler avec un corpus composé d'enregistrements transcrits manuellement et de données transcrites automatiquement. Vérifier la qualité des données, en s'assurant de l'alignement correct entre l'audio et les transcriptions. Documenter les phonèmes mal alignés et évaluer leur impact sur les analyses. - Enrichissement du jeu de données et analyses : Enrichir le jeu de données pour l'aligner sur les objectifs du projet (ex. : étiquetage en parties du discours (POS), variantes de prononciation). Proposer et mettre en oeuvre des méthodes supervisées et non supervisées (ex. : clustering, classification) pour analyser les données. Confrontation des résultats avec la littérature existante. Test sur corpus de contrôle (ex. : PRESEEA) et autres données en accès libre. Développer de nouvelles méthodes de clustering pour découvrir des schémas inédits dans la variation sociolinguistique. Votre Profil Compétences Le/la candidat.e idéal.e aura des bases solides en linguistique, avec des compétences avancées en apprentissage automatique, ou un profil en science des données avec un vif intérêt pour l'interdisciplinarité et une spécialisation ou des connaissances solides en linguistique.Une expérience en analyse acoustique, linguistique de corpus et modélisation statistique sera très appréciée.Le/la candidat.e devra être à l'aise dans un environnement interdisciplinaire et posséder d'excellentes compétences analytiques et communicationnelles pour contribuer tant aux aspects linguistiques qu'aux aspects techniques du projet. Votre Environnement de Travail Le/la postdoctorant.e intégrera le projet ANR VOLI, coordonné par Paola Tubaro et financé par l'ANR. Ce projet vise à mettre en lumière la persistance des inégalités - telles que la classe sociale, le genre et la race - sur les plateformes de travail en ligne.VOLI combine de manière innovante des hypothèses et méthodes issues de la sociologie, de la linguistique de corpus à grande échelle et des technologies de la parole/IA pour aborder les nouveaux risques économiques et sociétaux liés au travail en ligne, à l'automatisation et aux inégalités sociales. Parallèlement, les méthodes développées dans ce projet interdisciplinaire visent à faire progresser l'étude linguistique de la variation de la langue orale, tout en concevant et testant de nouveaux outils de transcription automatique.Le/la postdoctorant.e sera rattaché.e au LISN (Laboratoire Interdisciplinaire des Sciences du Numérique), sous la direction de Ioana Vasilescu (DR2 CNRS, linguistique) et de Nacéra Seghouani (Professeure, CentraleSupélec, équipe LaHDAK du LISN). En outre, le/la candidat.e collaborera avec une équipe pluridisciplinaire composée de linguistes, sociologues et spécialistes des technologies de la parole, et aura accès à des outils et ressources de pointe pour l'analyse acoustique et sociodémographique. Contraintes et risques NA Rémunération et avantages Rémunération Entre 3131,32 et 3569,85€ brut mensuel Congés et RTT annuels 44 jours Pratique et Indemnisation du TT Pratique et indemnisation du TT Transport Prise en charge à 75% du coût et forfait mobilité durable jusqu'à 300€ À propos de l'offre Référence de l'offre UMR9015-IOAVAS0-001 Section(s) CN / Domaine de recherche Sciences informatiques : signaux, images, langues, automatique, robotique, interactions, systèmes intégrés matériel-logiciel Expérience souhaitée 1 à 4 années À propos du CNRS Le CNRS est un acteur majeur de la recherche fondamentale à une échelle mondiale. Le CNRS est le seul organisme français actif dans tous les domaines scientifiques. Sa position unique de multi-spécialiste lui permet d'associer les différentes disciplines pour affronter les défis les plus importants du monde contemporain, en lien avec les acteurs du changement. Le CNRS Les métiers de la recherche