Rapport à l’espace, rapport à l’autre : constructions des discours sur l’immigration dans la banlieue lavalloise

Ce mémoire se penche sur les discours citoyens des Lavallois lorsqu’il est question de l'altérité ethnoculturelle dans leur quartier de banlieue. Cela implique de poser un regard sur le contexte spécifique de la ville de Laval pour y déchiffrer les arrimages entre rapport à l'espace et rapport à l'altérité ethnique dans l'expérience des répondants. Cette recherche qui se situe donc à la croisée des domaines des relations ethniques, de la géographie sociale et des études urbaines permet d’ancrer les représentations de l’altérité ethnoculturelle dans l’espace social et physique de la banlieue. Dans ce cadre, le discours de citoyens lavallois issus de deux quartiers ayant connu différents processus de croissance urbaine et de diversification ethnique sont analysés. Pour une majorité de répondants, les changements urbains récents témoignent d'une diversification de l'espace habité, ce qui est généralement mal perçu. Les manifestations d’altérité ethnoculturelle dans l’espace public et privé lavallois sont aussi associées à une détérioration du lien social dans la communauté du quartier. Au terme de cette étude, je soutiens que la présence d'immigrants est imbriquée dans les récents changements urbains dans la ville de Laval et que ces derniers sont directement associés à la perte du statut convoité de banlieue idéale.

Learning representations for Information Retrieval

La recherche d'informations s'intéresse, entre autres, à répondre à des questions comme: est-ce qu'un document est pertinent à une requête ? Est-ce que deux requêtes ou deux documents sont similaires ? Comment la similarité entre deux requêtes ou documents peut être utilisée pour améliorer l'estimation de la pertinence ? Pour donner réponse à ces questions, il est nécessaire d'associer chaque document et requête à des représentations interprétables par ordinateur. Une fois ces représentations estimées, la similarité peut correspondre, par exemple, à une distance ou une divergence qui opère dans l'espace de représentation. On admet généralement que la qualité d'une représentation a un impact direct sur l'erreur d'estimation par rapport à la vraie pertinence, jugée par un humain. Estimer de bonnes représentations des documents et des requêtes a longtemps été un problème central de la recherche d'informations. Le but de cette thèse est de proposer des nouvelles méthodes pour estimer les représentations des documents et des requêtes, la relation de pertinence entre eux et ainsi modestement avancer l'état de l'art du domaine. Nous présentons quatre articles publiés dans des conférences internationales et un article publié dans un forum d'évaluation. Les deux premiers articles concernent des méthodes qui créent l'espace de représentation selon une connaissance à priori sur les caractéristiques qui sont importantes pour la tâche à accomplir. Ceux-ci nous amènent à présenter un nouveau modèle de recherche d'informations qui diffère des modèles existants sur le plan théorique et de l'efficacité expérimentale. Les deux derniers articles marquent un changement fondamental dans l'approche de construction des représentations. Ils bénéficient notamment de l'intérêt de recherche dont les techniques d'apprentissage profond par réseaux de neurones, ou deep learning, ont fait récemment l'objet. Ces modèles d'apprentissage élicitent automatiquement les caractéristiques importantes pour la tâche demandée à partir d'une quantité importante de données. Nous nous intéressons à la modélisation des relations sémantiques entre documents et requêtes ainsi qu'entre deux ou plusieurs requêtes. Ces derniers articles marquent les premières applications de l'apprentissage de représentations par réseaux de neurones à la recherche d'informations. Les modèles proposés ont aussi produit une performance améliorée sur des collections de test standard. Nos travaux nous mènent à la conclusion générale suivante: la performance en recherche d'informations pourrait drastiquement être améliorée en se basant sur les approches d'apprentissage de représentations.