De nos jours, la cyberintimidation est un problème courant dans les communautés en ligne. Filtrer automatiquement ces messages de cyberintimidation des conversations en ligne c’est avéré être un défi qui a mené à la création de plusieurs ensembles de données, dont plusieurs disponibles comme ressources pour l’entraînement de classificateurs. Toutefois, sans consensus sur la définition de la cyberintimidation, chacun des ensembles de données se retrouve à documenter différentes formes de comportements. Cela rend difficile la comparaison des performances obtenues par de classificateurs entraînés sur de différents ensembles de données, ou même l’application d’un de ces classificateurs à un autre ensemble de données. Dans ce mémoire, on utilise une variété de ces ensembles de données afin d’explorer les différentes définitions, ainsi que l’impact que cela occasionne sur le langage utilisé. Par la suite, on explore la portabilité d’un classificateur entraîné sur un ensemble de données vers un autre ensemble, nous donnant ainsi une meilleure compréhension de la généralisation des classificateurs. Finalement, on étudie plusieurs architectures d’ensemble de modèles, qui par la combinaison de ces différents classificateurs, nous permet de mieux comprendre les interactions des différentes définitions. Nos résultats montrent qu’il est possible d’obtenir une meilleure généralisation en combinant tous les ensembles de données en un seul ensemble de données plutôt que d’utiliser un ensemble de modèles composé de plusieurs classificateurs, chacun entraîné individuellement sur un ensemble de données différent. / Cyberbullying is a common problem in today’s ubiquitous online communities. Automatically filtering it out of online conversations has proven a challenge, and the efforts have led to the creation of many different datasets, which are distributed as resources to train classifiers. However, without a consensus for the definition of cyberbullying, each of these datasets ends up documenting a different form of the behavior. This makes it difficult to compare the results of classifiers trained on different datasets, or to apply one such classifier on a different dataset. In this thesis, we will use a variety of these datasets to explore the differences in their definitions of cyberbullying and the impact it has on the language used in the messages. We will then explore the portability of a classifier trained on one dataset to another in order to gain insight on the generalization power of classifiers trained from each of them. Finally, we will study various architectures of ensemble models combining these classifiers in order to understand how they interact with each other. Our results show that by combining all datasets together into a single bigger one, we can achieve a better generalization than by using an ensemble model of individual classifiers trained on each dataset.

Ce mémoire présente une recherche menée auprès de dix enseignants des niveaux de la 7e, 8e et 9e année au Nouveau-Brunswick, ayant pour objectifs de décrire les choix d'intervention des enseignants auprès des jeunes qui pratiquent la cyberintimidation. Plus précisément, il vise à identifier les interventions efficaces et à analyser les fondements théoriques sur lesquels se basent les enseignants lorsqu'ils interviennent auprès des élèves qui pratiquent la cyberintimidation. Les résultats de cette recherche permettent de souligner que les enseignants préfèrent assurer un rôle éducatif dans l'intervention et reconnaissent à la direction et aux policiers le rôle d'appliquer des sanctions si nécessaire. Leurs choix d'intervention reposent sur la coopération de l'élève et sur ses antécédants comportementaux plutôt que sur la gravité du comportement de cyberintimidation. Les enseignants expriment aussi que leur efficacité dans l'action serait accrue par une meilleure formation à l'intervention face à la cyberintimidation et que la collaboration des parents augmente les chances de réussite des interventions. À la lumière de cette recherche, un modèle d'intervention destiné aux enseignants est proposé.

La présente étude propose de documenter la prévalence de la cybervictimisation dans un échantillon représentatif de la population québécoise, le degré de convergence entre la cybervictimisation et les formes traditionnelles de victimisation par les pairs, les trajectoires de cybervictimisation pour divers groupes d'adolescents et les facteurs de risque qui y sont associés. L’échantillon composé de 1396 adolescents provient de l'Étude longitudinale du développement des enfants du Québec (ÉLDEQ). Les diverses formes de victimisation par les pairs ont été mesurées à 12, 13 et 15 ans, et les facteurs de risque à 12 ans. La cybervictimisation présente une prévalence relativement faible à tous les âges étudiés en comparaison avec la victimisation traditionnelle. L’association entre la victimisation traditionnelle et la cybervictimisation est faible à 12 ans, et modérée à 13 et 15 ans. Ajoutons que deux groupes de jeunes empruntent des trajectoires différentes de cybervictimisation, soit une trajectoire faible et croissante, et une trajectoire modérée et croissante. Différents facteurs de risques sociodémographiques, individuels et environnementaux sont associés à ces trajectoires. Lorsque la variance partagée entre tous ces facteurs est prise en compte, le sexe féminin, les symptômes dépressifs et la victimisation traditionnelle peuvent prédire l’appartenance aux trajectoires. Ainsi, les jeunes visés par les cyberagresseurs seraient notamment ceux qui auraient déjà des difficultés d’adaptation et qui seraient la cible d'agressions de la part de leurs pairs en face à face. Ces résultats pourraient avoir des implications pour les interventions qui visent à diminuer la violence en milieu scolaire.