Projet de M1 pluriTAL — Traitement statistique des données : classification de titres d’articles en clickbait vs non-clickbait (NLP classique avec scikit-learn).

Statut : projet rendu et livré (mai 2026).

Dépôt : https://github.com/crispyfunicular/clickbait_classifier

• Corpus : 32 000 titres en anglais (clickbait_data.csv), classes équilibrées (0 = presse traditionnelle, 1 = sites à clickbait).
• Pipeline : EDA → vectorisation (BoW, TF-IDF) + traits manuels → comparaison de classifieurs → évaluation → analyse des erreurs.
• Meilleur modèle (jeu de test) : LinearSVC + TF-IDF + traits manuels — F1 macro ≈ 0,984 (accuracy identique).
• Compte-rendu : rapport.md (source) ; PDF générable via Pandoc (voir ci-dessous).

Les scores élevés sont discutés dans le rapport (corpus homogène, frontière stylistique, corrélations de forme plutôt que de sens).

clickbait-classifier/
├── clickbait_data.csv      # jeu de données
├── rapport.md              # compte-rendu (Markdown)
├── clickbaits.png
├── scripts/
│   ├── 1_eda.py            # exploration
│   ├── 2_features.py       # vectorisation, split train/test
│   ├── 3_models.py         # entraînement et comparaison des modèles
│   ├── 4_evaluate.py       # métriques, matrice de confusion
│   ├── 5_analysis.py       # faux positifs/négatifs, traits discriminants
│   └── feature_utils.py    # traits manuels, utilitaires partagés
└── artifacts/
    ├── step3/summary.csv
    ├── step4/              # scores, rapport, confusion_matrix.png
    └── step5/              # false_positives.csv, false_negatives.csv, top_features.txt

Depuis la racine du dépôt :

python -m venv venv
source venv/bin/activate
pip install -r requirements.txt

Ordre recommandé (chaque script écrit dans artifacts/) :

python scripts/1_eda.py
python scripts/2_features.py
python scripts/3_models.py
python scripts/4_evaluate.py
python scripts/5_analysis.py

Reproductibilité : split train/test 80 % / 20 %, stratifié, random_state=42. Les vectoriseurs sont ajustés (fit) uniquement sur le train.

Trois algorithmes imposés par la consigne, testés avec BoW ou TF-IDF, avec ou sans traits manuels :

Résultats sur le jeu de test (n = 6 400) — pipeline retenu : LinearSVC | TF-IDF + manuels

Tableau complet des combinaisons modèle × vectorisation : artifacts/step3/summary.csv.

Traits discriminants (extraits, LinearSVC) :

• Plutôt clickbait : manual::upper_ratio, text::guess, text::tell, text::things…
• Plutôt non-clickbait : text::wins, text::obama, text::economy, text::says…

Convention : text::token = mot/n-gramme du vectoriseur ; manual::trait = descripteur calculé sur le titre brut.

Avec Pandoc et XeLaTeX (caractères Unicode, français) :

pandoc rapport.md -o rapport.pdf --pdf-engine=xelatex \
  -V documentclass=article -V geometry:margin=2.5cm -V lang=fr \
  -V mainfont="DejaVu Serif"

Exécuter la commande depuis la racine du dépôt pour que les images (artifacts/…) soient résolues.

• Fichier : clickbait_data.csv (UTF-8)
• Colonnes : headline, clickbait (0 ou 1)
• Source : Kaggle — Clickbait dataset
• Non-clickbait : WikiNews, New York Times, The Guardian, The Hindu
• Clickbait : BuzzFeed, Upworthy, ViralNova, etc.

Rubin & Chen (2012) ; van der Goot (2021) ; Christin (2018) ; Nofar et al. (2025) ; Commission d’enrichissement de la langue française (2020). Détail complet dans rapport.md.