Les nominations émergentes permettent de désigner de nouveaux concepts à travers l’usage de nouveaux mots ou de mots dont le contenu sémantique a été légèrement modifié. Elles caractérisent un état précurseur de la néologie, dans la mesure où elles mettent en circulation des expressions non encore stabilisées par l'usage. Elles présentent un intérêt dans le domaine de l’analyse de discours, car elles permettent de véhiculer de manière implicite le point de vue et les valeurs du locuteur, notamment dans le domaine des sujets de société qui font débat (p.ex. avec des nominations telles que agriculture raisonnée, mobilité douce ou immigration choisie). En observant les nominations en corpus, on observe qu'elles se caractérisent parfois par des indices contextuels et formels, qui pourraient être exploités dans des outils d'aide à la détection. Poursuivant cette hypothèse, ce travail est centré sur l’exploitation de modèles d’apprentissage profond pour détecter de manière automatique des critères utiles à l'identification nominations émergentes.
Nous proposons une étude empirique basée sur un corpus que nous avons constitué pour la période 2018-2020, incluant des débats citoyens, des articles de presse, et des rapports dans le domaine de l'écologie. Dans un premier temps, ce mémoire propose d'étudier une approche basée sur la détection de contextes dits spécifiants, visant à marquer un certain positionnement métadiscursif du locuteur, pour caractériser les nominations émergentes. Dans un second temps, nous nous intéressons à un second critère visant à repérer les glissements de sens de certains mots en fonctions de la difficulté à les prédire selon un modèle MLM basé sur FlauBERT. Ce deuxième critère apparait au final comme le plus facile à mettre en œuvre - notre classifieur entrainé pour reconnaitre les contextes spécifiants générant à ce stade trop de bruit pour constituer un indice fiable.