@inproceedings{aabid-etal-2025-quand,
title = "Quand les Bots D{\'e}jouent l{'}Apprentissage : Enjeux et D{\'e}fis de la D{\'e}tection",
author = "Aabid, Mohsine and
Bellot, Patrice and
Dumas Primbault, Simon",
editor = "Bechet, Fr{\'e}d{\'e}ric and
Chifu, Adrian-Gabriel and
Pinel-sauvagnat, Karen and
Favre, Benoit and
Maes, Eliot and
Nurbakova, Diana",
booktitle = "Actes de la 20e Conf{\'e}rence en Recherche d{'}Information et Applications (CORIA)",
month = "6",
year = "2025",
address = "Marseille, France",
publisher = "ATALA {\&} ARIA",
url = "https://aclanthology.org/2025.jeptalnrecital-coria.15/",
pages = "171--179",
language = "fra",
abstract = "Identifier les bots d{'}une une biblioth{\`e}que num{\'e}rique est un d{\'e}fi crucial pour analyser avec pr{\'e}cision le comportement des utilisateurs afin de mieux r{\'e}pondre {\`a} leurs besoins. Mais que se passe-t-il lorsque les mod{\`e}les de d{\'e}tection sont confront{\'e}s {\`a} des donn{\'e}es provenant d{'}une p{\'e}riode diff{\'e}rente de leur p{\'e}riode d{'}entra{\^i}nement ? Cet article explore cette question en extrayant des caract{\'e}ristiques cl{\'e}s, telles que la dur{\'e}e de l{'}activit{\'e} et le nombre de requ{\^e}tes, nous comparons plusieurs mod{\`e}les d{'}apprentissage supervis{\'e} et {\'e}valuons la robustesse de cette approche face aux variations temporelles. Nos observations pr{\'e}liminaires montrent que les mod{\`e}les de d{\'e}tection tendent {\`a} {\^e}tre plus confiant sur les donn{\'e}es issues de leur p{\'e}riode d{'}entra{\^i}nement, ce qui soul{\`e}ve des questions sur leur capacit{\'e} {\`a} g{\'e}n{\'e}raliser {\`a} des p{\'e}riodes diff{\'e}rentes. Cette d{\'e}pendance met en lumi{\`e}re la n{\'e}cessit{\'e} de strat{\'e}gies adaptatives, telles que des mises {\`a} jour r{\'e}guli{\`e}res des mod{\`e}les et de nouvelles approches d{'}apprentissage, afin de saisir l'{\'e}volution des comportements automatis{\'e}s et am{\'e}liorer la robustesse de la d{\'e}tection."
}<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="aabid-etal-2025-quand">
<titleInfo>
<title>Quand les Bots Déjouent l’Apprentissage : Enjeux et Défis de la Détection</title>
</titleInfo>
<name type="personal">
<namePart type="given">Mohsine</namePart>
<namePart type="family">Aabid</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Patrice</namePart>
<namePart type="family">Bellot</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Simon</namePart>
<namePart type="family">Dumas Primbault</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2025-06</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<language>
<languageTerm type="text">fra</languageTerm>
</language>
<relatedItem type="host">
<titleInfo>
<title>Actes de la 20e Conférence en Recherche d’Information et Applications (CORIA)</title>
</titleInfo>
<name type="personal">
<namePart type="given">Frédéric</namePart>
<namePart type="family">Bechet</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Adrian-Gabriel</namePart>
<namePart type="family">Chifu</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Karen</namePart>
<namePart type="family">Pinel-sauvagnat</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Benoit</namePart>
<namePart type="family">Favre</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Eliot</namePart>
<namePart type="family">Maes</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Diana</namePart>
<namePart type="family">Nurbakova</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>ATALA & ARIA</publisher>
<place>
<placeTerm type="text">Marseille, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>Identifier les bots d’une une bibliothèque numérique est un défi crucial pour analyser avec précision le comportement des utilisateurs afin de mieux répondre à leurs besoins. Mais que se passe-t-il lorsque les modèles de détection sont confrontés à des données provenant d’une période différente de leur période d’entraînement ? Cet article explore cette question en extrayant des caractéristiques clés, telles que la durée de l’activité et le nombre de requêtes, nous comparons plusieurs modèles d’apprentissage supervisé et évaluons la robustesse de cette approche face aux variations temporelles. Nos observations préliminaires montrent que les modèles de détection tendent à être plus confiant sur les données issues de leur période d’entraînement, ce qui soulève des questions sur leur capacité à généraliser à des périodes différentes. Cette dépendance met en lumière la nécessité de stratégies adaptatives, telles que des mises à jour régulières des modèles et de nouvelles approches d’apprentissage, afin de saisir l’évolution des comportements automatisés et améliorer la robustesse de la détection.</abstract>
<identifier type="citekey">aabid-etal-2025-quand</identifier>
<location>
<url>https://aclanthology.org/2025.jeptalnrecital-coria.15/</url>
</location>
<part>
<date>2025-6</date>
<extent unit="page">
<start>171</start>
<end>179</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Quand les Bots Déjouent l’Apprentissage : Enjeux et Défis de la Détection
%A Aabid, Mohsine
%A Bellot, Patrice
%A Dumas Primbault, Simon
%Y Bechet, Frédéric
%Y Chifu, Adrian-Gabriel
%Y Pinel-sauvagnat, Karen
%Y Favre, Benoit
%Y Maes, Eliot
%Y Nurbakova, Diana
%S Actes de la 20e Conférence en Recherche d’Information et Applications (CORIA)
%D 2025
%8 June
%I ATALA & ARIA
%C Marseille, France
%G fra
%F aabid-etal-2025-quand
%X Identifier les bots d’une une bibliothèque numérique est un défi crucial pour analyser avec précision le comportement des utilisateurs afin de mieux répondre à leurs besoins. Mais que se passe-t-il lorsque les modèles de détection sont confrontés à des données provenant d’une période différente de leur période d’entraînement ? Cet article explore cette question en extrayant des caractéristiques clés, telles que la durée de l’activité et le nombre de requêtes, nous comparons plusieurs modèles d’apprentissage supervisé et évaluons la robustesse de cette approche face aux variations temporelles. Nos observations préliminaires montrent que les modèles de détection tendent à être plus confiant sur les données issues de leur période d’entraînement, ce qui soulève des questions sur leur capacité à généraliser à des périodes différentes. Cette dépendance met en lumière la nécessité de stratégies adaptatives, telles que des mises à jour régulières des modèles et de nouvelles approches d’apprentissage, afin de saisir l’évolution des comportements automatisés et améliorer la robustesse de la détection.
%U https://aclanthology.org/2025.jeptalnrecital-coria.15/
%P 171-179
Markdown (Informal)
[Quand les Bots Déjouent l’Apprentissage : Enjeux et Défis de la Détection](https://aclanthology.org/2025.jeptalnrecital-coria.15/) (Aabid et al., JEP/TALN/RECITAL 2025)
ACL