Contexte. Lorsque des commissions réalisent des consultations citoyennes,
elles posent parfois des questions ouvertes pouvant recueillir **plusieurs
dizaines de milliers de réponses** (33 609 pour la seule consultation TikTok).
Leur analyse manuelle est coûteuse et lente, et nécessite une méthodologie pour
faire ressortir les points communs de ces retours.

Enjeu. Comment extraire les tendances, les points de convergence et les
idées les plus pertinentes d'un grand volume de réponses en langage naturel,
de manière transparente et reproductible ?

Objectifs.

• Inclure le citoyen au centre du débat politique en lui offrant un moyen

d'expression.

• Équiper les membres de l'Assemblée d'une visualisation fiable et intuitive des

positions les plus représentées et des axes de consensus.

• Faciliter l'ingestion des données agrégées lors des consultations citoyennes —

réduction des coûts et du temps.

Trois engagements, tenus de bout en bout.

• 🔍 Fidèle — zéro reformulation : chaque extrait affiché est une sous-chaîne

exacte du texte citoyen.

• 🧭 Traçable — chaque thème émane des idées extraites des témoignages, et se

remonte jusqu'au verbatim exact qui le compose.

• 🔒 Souverain — embeddings calculés en local, modèles ouverts.

À cela s'ajoute un principe d'honnêteté : les limites de l'analyse sont affichées,
jamais masquées.

Déroulé / approche.

1. Prétraitement : nettoyage (fautes, doublons), détection de langue,

anonymisation.

1. Extraction des positions : chaque réponse est décomposée en *affirmations

élémentaires* par un modèle de langage — on analyse les idées qu'elle porte,
pas seulement le texte entier. Aucune reformulation : chaque affirmation est
un extrait exact du texte citoyen, relié à sa réponse d'origine (auditable).

1. Regroupement émergent : les affirmations sont représentées par des

embeddings sémantiques calculés en local (modèle ouvert, multilingue —
aucune donnée n'est envoyée à un tiers pour cette étape), puis regroupées par
détection de communautés sur un graphe de plus-proches-voisins. Aucune liste de
thèmes n'est fixée à l'avance : ils émergent des réponses.

1. Hiérarchie mesurée, pas décidée : plutôt que d'imposer un nombre de

thèmes, on fait varier l'échelle de regroupement (le « zoom ») et on lit la
structure — grands thèmes puis sous-thèmes — là où les niveaux s'emboîtent le
plus proprement. C'est le corpus qui dicte sa granularité et son nombre de
niveaux, pas un paramètre arbitraire.

1. Nommage transparent : titres et mots-clés sont dérivés des réponses

elles-mêmes, jamais d'une catégorie plaquée ; chaque thème se remonte jusqu'aux
verbatims qui le composent.

1. Opinion & consensus : pour chaque thème, les points de convergence, les

axes de désaccord et la part de voix qu'ils représentent.

1. Visualisation & validation humaine : une carte navigable des thèmes, avec

exploration des réponses individuelles et audit de chaque regroupement.

Données. L'Assemblée ne publie pas les réponses brutes des consultations
(données personnelles). Le système est donc entraîné et évalué sur des jeux
équivalents ou publiés :

• Consultation TikTok (open data Assemblée) — cas réel publié avec une question

ouverte (33 609 réponses).

• x-stance (ZurichNLP) — 150 questions politiques et ~67 000 commentaires de

candidats, labellisés FAVOR/AGAINST, pour entraîner et évaluer le clustering.