// polytech montpellier · janvier 2024
NLP Analysis.
Analyse des retours textuels des diplômés de Polytech Montpellier : NLP, sentiment analysis et clustering thématique.
// Contexte
Le projet porte sur l'insertion professionnelle des ingénieurs de Polytech Montpellier. Les données couvrent les enquêtes réalisées à 6, 18 et 30 mois après l'obtention du diplôme, de la promo 2022 (à 6 mois) jusqu'à la promo 2014 (à 30 mois). L'objectif : analyser les retours textuels des diplômés sur leur formation, jusqu'alors peu étudiés.
// Problématiques
// 01 · Satisfaction
Évaluer la satisfaction des diplômés à partir des retours textuels (6, 18, 30 mois).
// 02 · Tendances
Identifier les évolutions dans les retours sur la formation entre les promotions.
// 03 · Thématisation
Catégoriser les retours en thèmes pour comprendre les points forts/faibles de la formation.
// 04 · Corrélations
Corréler la satisfaction textuelle avec le taux d'insertion et la spécialisation.
// Pipeline
flowchart LR
X["Données Excel (enquêtes 2014-2022)"] --> IMP
IMP["Import + format (colonnes pertinentes)\nPandas"] --> NLP
NLP["NLP Processing (tokenisation, sentiment)\nNLTK, TextBlob"] --> VEC
VEC["Vectorisation TF-IDF + Clustering\nScikit-learn"] --> TOPIC
TOPIC["Topic Modeling\nGensim (LDA)"] --> VIZ
VIZ["Visualisation (wordclouds, graphiques)\nMatplotlib, Seaborn, WordCloud"]
// Structure
// Points techniques
// TF-IDF + Clustering
Vectorisation du texte et clustering pour regrouper les retours similaires et identifier des tendances.
// Sentiment Analysis
TextBlob pour évaluer la polarité positive/négative des retours textuels.
// Topic Modeling
Gensim (LDA) pour extraire les thèmes récurrents des retours sur la formation.
// Analyse longitudinale
Comparaison des promotions (2014-2022) pour observer l'évolution des opinions.