AI_DETECTOR_SOTA / scripts /build_features_v2.py

Upload folder using huggingface_hub

eb72d30 verified 5 months ago

22.5 kB

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
build_features_v2.py — Module d'extraction de features SOTA pour la détection de texte IA en français.
Ce module calcule 30 features stylométriques avancées couvrant :
  - Structure du texte (8 features)
  - Richesse lexicale profonde (6 features)
  - Discours et style (8 features)
  - Syntaxe et grammaire (8 features)
Utilisable :
  - En tant que module importable : `from build_features_v2 import extract_sota_features`
  - En tant que script CLI autonome : `python scripts/build_features_v2.py`
Auteur : Pipeline de détection IA parlementaire française
"""

import os
import re
import sys
import math
import yaml
import argparse
from collections import Counter

import numpy as np
import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
import joblib
from tqdm import tqdm

# =============================================================================
# Constantes
# =============================================================================

# Liste des 30 colonnes stylométriques exportées
STYLOMETRIC_COLS_V2 = [
    'num_chars', 'num_words', 'num_sentences', 'avg_sentence_len', 'std_sentence_len',
    'slv_normalized', 'avg_word_len', 'ratio_long_words',
    'vocabulary_diversity', 'hapax_ratio', 'yules_k', 'maas_index',
    'information_entropy', 'brunet_w',
    'ratio_punctuation', 'freq_uppercase', 'freq_digits',
    'connector_ratio', 'connector_diversity', 'repetition_ratio',
    'stopword_ratio', 'mean_polarity_diff',
    'syntactic_complexity_score', 'ratio_interrogative', 'ratio_exclamative',
    'ratio_declarative', 'imparfait_ratio', 'futur_ratio',
    'conditional_ratio', 'passive_voice_ratio'
]

# Mots vides français — identiques à build_features.py
STOPWORDS = {
    "le", "la", "les", "de", "des", "du", "d'", "l'", "un", "une", "et", "en", "que", "qui",
    "pour", "dans", "ce", "ces", "se", "par", "sur", "ou", "a", "au", "aux", "est", "sont",
    "ont", "aussi", "avec", "mais", "pas", "plus", "ne", "je", "tu", "il", "nous", "vous",
    "ils", "elle", "elles", "on", "y", "en", "qu'", "ceux", "celles", "ceci", "cela", "c'"
}

# Caractères de ponctuation — identiques à build_features.py
PUNCTUATION_CHARS = ".,!?;:-()\"'«»"

# ── Listes de mots pour l'analyse de polarité simplifiée ──
MOTS_POSITIFS = {
    "progrès", "excellent", "réussite", "succès", "améliorer", "positif",
    "formidable", "bravo", "bénéfique", "favorable", "opportunité", "espoir",
    "avancée", "victoire", "satisfaisant", "encourageant", "remarquable",
    "efficace", "innovation", "croissance", "bon", "bonne", "bien",
    "meilleur", "soutien", "confiance", "prospérité", "féliciter"
}

MOTS_NEGATIFS = {
    "échec", "problème", "crise", "danger", "grave", "inquiétant",
    "catastrophe", "menace", "dégradation", "détérioration", "néfaste",
    "inacceptable", "scandale", "régression", "pire", "risque", "malheureux",
    "défaillance", "préoccupant", "alarmant", "difficile", "mauvais",
    "mauvaise", "pénurie", "injustice", "souffrance", "déficit", "déclin"
}

# ── Conjonctions de subordination pour la complexité syntaxique ──
SUBORDINATEURS = {
    "que", "qui", "dont", "où", "lequel", "laquelle", "lesquels",
    "auxquels", "quand", "comme", "si", "car", "puisque", "lorsque"
}


# =============================================================================
# Fonctions utilitaires (identiques à build_features.py)
# =============================================================================

def load_config(config_path):
    """Charge la configuration depuis un fichier YAML."""
    with open(config_path, "r", encoding="utf-8") as f:
        return yaml.safe_load(f)


def tokenize(text):
    """Tokeniseur simple pour le français — identique à build_features.py."""
    # Remplacer la ponctuation par des espaces sauf les apostrophes internes
    text_clean = re.sub(r"[^\w\d'\-]", " ", text.lower())
    words = text_clean.split()
    return words


def get_sentences(text):
    """Segmenteur de phrases simple — identique à build_features.py."""
    # Découper par point, exclamation, interrogation ou saut de ligne
    sentences = re.split(r"(?<=[.!?])\s+|\n+", text)
    # Supprimer les phrases vides
    sentences = [s.strip() for s in sentences if s.strip()]
    return sentences


# =============================================================================
# Fonction principale d'extraction de features
# =============================================================================

def extract_sota_features(text, connecteurs_list):
    """
    Extrait 30 features stylométriques SOTA à partir d'un texte français.
    Paramètres
    ----------
    text : str
        Le texte à analyser.
    connecteurs_list : list[str]
        Liste des connecteurs discursifs (depuis la configuration).
    Retourne
    --------
    dict
        Dictionnaire avec exactement 30 clés correspondant à STYLOMETRIC_COLS_V2.
    """
    # ── Cas limite : texte vide ou invalide ──
    if not text or not isinstance(text, str) or len(text.strip()) == 0:
        return {col: 0.0 for col in STYLOMETRIC_COLS_V2}

    # =================================================================
    # BLOC 1 : Structure du texte (8 features)
    # =================================================================

    features = {}
    text_lower = text.lower()

    # Nombre total de caractères
    features["num_chars"] = len(text)

    # Tokenisation
    words = tokenize(text)
    n_words = len(words)
    features["num_words"] = n_words

    # Segmentation en phrases
    sentences = get_sentences(text)
    n_sentences = len(sentences)
    features["num_sentences"] = n_sentences

    # Longueurs des phrases (en nombre de mots)
    sent_lens = [len(tokenize(s)) for s in sentences]
    sent_lens = [sl for sl in sent_lens if sl > 0]  # ignorer les phrases vides

    if sent_lens:
        mu = np.mean(sent_lens)
        sigma = np.std(sent_lens) if len(sent_lens) > 1 else 0.0
        features["avg_sentence_len"] = float(mu)
        features["std_sentence_len"] = float(sigma)
        # SLV normalisée : variance / (moyenne² + epsilon)
        slv = sigma ** 2
        features["slv_normalized"] = float(slv / (mu ** 2 + 1e-8))
    else:
        features["avg_sentence_len"] = 0.0
        features["std_sentence_len"] = 0.0
        features["slv_normalized"] = 0.0

    # Longueurs des mots
    if n_words > 0:
        word_lens = [len(w) for w in words]
        features["avg_word_len"] = float(np.mean(word_lens))
        long_words = sum(1 for wl in word_lens if wl > 6)
        features["ratio_long_words"] = long_words / n_words
    else:
        features["avg_word_len"] = 0.0
        features["ratio_long_words"] = 0.0

    # =================================================================
    # BLOC 2 : Richesse lexicale profonde (6 features)
    # =================================================================

    if n_words > 0:
        word_counts = Counter(words)
        V = len(word_counts)  # taille du vocabulaire (types)
        N = n_words            # nombre total de tokens

        # Type-Token Ratio
        features["vocabulary_diversity"] = V / N

        # Hapax ratio — mots apparaissant exactement une fois
        hapaxes = sum(1 for _w, c in word_counts.items() if c == 1)
        features["hapax_ratio"] = hapaxes / N

        # ── Yule's K ──
        # K = 10000 * (-1/N + sum_{i=1}^{max_freq} i² * f(i) / N²)
        # où f(i) = nombre de types ayant la fréquence i
        freq_spectrum = Counter(word_counts.values())  # f(i) pour chaque fréquence i
        somme = sum(i * i * fi for i, fi in freq_spectrum.items())
        features["yules_k"] = float(10000.0 * (-1.0 / N + somme / (N * N)))

        # ── Indice de Maas ──
        # a² = (ln(N) - ln(V)) / (ln(N))²
        if V > 0 and N > 1:
            ln_N = math.log(N)
            ln_V = math.log(V)
            features["maas_index"] = float((ln_N - ln_V) / (ln_N ** 2 + 1e-8))
        else:
            features["maas_index"] = 0.0

        # ── W de Brunet ──
        # W = N^(V^(-0.172))
        if V > 0:
            features["brunet_w"] = float(N ** (V ** (-0.172)))
        else:
            features["brunet_w"] = 0.0
    else:
        features["vocabulary_diversity"] = 0.0
        features["hapax_ratio"] = 0.0
        features["yules_k"] = 0.0
        features["maas_index"] = 0.0
        features["brunet_w"] = 0.0

    # ── Entropie de Shannon sur la distribution des longueurs de phrases ──
    if len(sent_lens) > 1:
        # Créer des bins pour les longueurs de phrases
        sl_array = np.array(sent_lens)
        # Utiliser des bins automatiques (Sturges)
        n_bins = max(2, int(np.ceil(np.log2(len(sl_array)) + 1)))
        counts, _ = np.histogram(sl_array, bins=n_bins)
        # Calculer les probabilités (ignorer les bins vides)
        probs = counts[counts > 0] / counts.sum()
        features["information_entropy"] = float(-np.sum(probs * np.log2(probs)))
    elif len(sent_lens) == 1:
        # Une seule phrase → entropie = 0
        features["information_entropy"] = 0.0
    else:
        features["information_entropy"] = 0.0

    # =================================================================
    # BLOC 3 : Discours et style (8 features)
    # =================================================================

    n_chars = len(text) if len(text) > 0 else 1  # éviter division par zéro

    # Ratio de ponctuation
    punc_count = sum(1 for c in text if c in PUNCTUATION_CHARS)
    features["ratio_punctuation"] = punc_count / n_chars

    # Fréquence des majuscules
    upper_count = sum(1 for c in text if c.isupper())
    features["freq_uppercase"] = upper_count / n_chars

    # Fréquence des chiffres
    digit_count = sum(1 for c in text if c.isdigit())
    features["freq_digits"] = digit_count / n_chars

    # ── Connecteurs discursifs ──
    if n_words > 0 and connecteurs_list:
        connector_count = 0
        connectors_found = set()
        for conn in connecteurs_list:
            pattern = r'\b' + re.escape(conn) + r'\b'
            matches = re.findall(pattern, text_lower)
            if matches:
                connector_count += len(matches)
                connectors_found.add(conn)
        features["connector_ratio"] = connector_count / n_words
        # Diversité des connecteurs : connecteurs uniques utilisés / total disponibles
        features["connector_diversity"] = len(connectors_found) / len(connecteurs_list)
    else:
        features["connector_ratio"] = 0.0
        features["connector_diversity"] = 0.0

    # ── Ratio de répétition des mots de contenu ──
    if n_words > 0:
        content_words = [w for w in words if w not in STOPWORDS]
        if content_words:
            content_counts = Counter(content_words)
            # Mots répétés = total mots de contenu - types uniques
            features["repetition_ratio"] = (len(content_words) - len(content_counts)) / len(content_words)
        else:
            features["repetition_ratio"] = 0.0
    else:
        features["repetition_ratio"] = 0.0

    # ── Ratio de mots vides ──
    if n_words > 0:
        stop_count = sum(1 for w in words if w in STOPWORDS)
        features["stopword_ratio"] = stop_count / n_words
    else:
        features["stopword_ratio"] = 0.0

    # ── Différence moyenne de polarité entre phrases consécutives ──
    if n_sentences >= 2:
        # Calculer un score de polarité simpliste par phrase
        polarities = []
        for s in sentences:
            s_words = set(tokenize(s))
            pos = len(s_words & MOTS_POSITIFS)
            neg = len(s_words & MOTS_NEGATIFS)
            total_sent_words = len(tokenize(s))
            # Score normalisé entre -1 et 1
            if total_sent_words > 0:
                polarities.append((pos - neg) / total_sent_words)
            else:
                polarities.append(0.0)
        # Différence absolue moyenne entre phrases consécutives
        diffs = [abs(polarities[i + 1] - polarities[i]) for i in range(len(polarities) - 1)]
        features["mean_polarity_diff"] = float(np.mean(diffs))
    elif n_sentences == 1:
        features["mean_polarity_diff"] = 0.0
    else:
        features["mean_polarity_diff"] = 0.0

    # =================================================================
    # BLOC 4 : Syntaxe et grammaire (8 features)
    # =================================================================

    # ── Complexité syntaxique : conjonctions de subordination par phrase ──
    sub_count = sum(1 for w in words if w in SUBORDINATEURS)
    features["syntactic_complexity_score"] = sub_count / n_sentences if n_sentences > 0 else 0.0

    # ── Distribution des types de phrases ──
    if n_sentences > 0:
        interro = sum(1 for s in sentences if s.rstrip().endswith("?"))
        exclam = sum(1 for s in sentences if s.rstrip().endswith("!"))
        features["ratio_interrogative"] = interro / n_sentences
        features["ratio_exclamative"] = exclam / n_sentences
        features["ratio_declarative"] = 1.0 - features["ratio_interrogative"] - features["ratio_exclamative"]
        # Borner ratio_declarative à [0, 1] par sécurité
        features["ratio_declarative"] = max(0.0, features["ratio_declarative"])
    else:
        features["ratio_interrogative"] = 0.0
        features["ratio_exclamative"] = 0.0
        features["ratio_declarative"] = 0.0

    # ── Approximation des temps verbaux par analyse de suffixes ──
    # Imparfait : terminaisons -ais, -ait, -ions, -iez, -aient
    imparfait = len(re.findall(r'\b\w+(?:ais|ait|ions|iez|aient)\b', text_lower))
    # Futur simple : terminaisons -rai, -ras, -ra, -rons, -rez, -ront
    futur = len(re.findall(r'\b\w+(?:rai|ras|ra|rons|rez|ront)\b', text_lower))
    # Conditionnel : terminaisons -rais, -rait, -rions, -riez, -raient
    conditional = len(re.findall(r'\b\w+(?:rais|rait|rions|riez|raient)\b', text_lower))

    # Total estimé de verbes (+1 pour éviter la division par zéro)
    total_verbs_est = imparfait + futur + conditional + 1
    features["imparfait_ratio"] = imparfait / total_verbs_est
    features["futur_ratio"] = futur / total_verbs_est
    features["conditional_ratio"] = conditional / total_verbs_est

    # ── Voix passive approximée ──
    # Patterns : "est/sont/a été/ont été" suivis d'un participe passé (terminaison -é, -ée, -és, -ées, -i, -is, -it, -u, -us, -ue, -ues)
    passive_pattern = r'\b(?:est|sont|a\s+été|ont\s+été|fut|furent|sera|seront)\s+\w+(?:é|ée|és|ées|i|is|it|u|us|ue|ues|ert|erts|erte|ertes|int|ints|inte|intes)\b'
    passive_count = len(re.findall(passive_pattern, text_lower))
    features["passive_voice_ratio"] = passive_count / n_sentences if n_sentences > 0 else 0.0

    return features


# =============================================================================
# Script CLI autonome
# =============================================================================

def main():
    """
    Point d'entrée CLI : traite les corpus bruts, extrait les features SOTA,
    ajuste les vectoriseurs TF-IDF et sauvegarde les résultats.
    """
    parser = argparse.ArgumentParser(
        description="Extraction de features SOTA v2 pour la détection de texte IA en français."
    )
    parser.add_argument(
        "--config", default="configs/config.yaml",
        help="Chemin vers le fichier de configuration YAML"
    )
    args = parser.parse_args()

    # ── Chargement de la configuration ──
    config = load_config(args.config)
    raw_dir = config["paths"]["raw_dir"]
    processed_dir = config["paths"]["processed_dir"]
    models_dir = config["paths"]["models_dir"]
    os.makedirs(processed_dir, exist_ok=True)
    os.makedirs(models_dir, exist_ok=True)

    connecteurs = config["features"]["connecteurs"]

    # =================================================================
    # 1. Traitement des données d'entraînement
    # =================================================================

    print("=" * 70)
    print("  BUILD FEATURES V2 — Extraction SOTA")
    print("=" * 70)
    print()

    print("📂 Chargement des corpus d'entraînement bruts...")
    human_path = os.path.join(raw_dir, "human_corpus.csv")
    ai_path = os.path.join(raw_dir, "ai_corpus.csv")

    if not os.path.exists(human_path) or not os.path.exists(ai_path):
        print("❌ Erreur : données brutes introuvables !")
        print("   Veuillez exécuter 'python scripts/collect_data.py' au préalable.")
        sys.exit(1)

    df_human = pd.read_csv(human_path)
    df_ai = pd.read_csv(ai_path)

    # Concaténation des deux corpus
    df_train = pd.concat([df_human, df_ai], ignore_index=True)
    print(f"   → {len(df_human)} textes humains + {len(df_ai)} textes IA = {len(df_train)} total")
    print()

    # ── Extraction des 30 features stylométriques ──
    print("🔬 Extraction des 30 features stylométriques SOTA (entraînement)...")
    train_features_list = []
    for text in tqdm(df_train["text"], desc="   Features entraînement", unit="texte"):
        # Gérer les valeurs NaN ou non-string
        if not isinstance(text, str):
            text = str(text) if pd.notna(text) else ""
        train_features_list.append(extract_sota_features(text, connecteurs))

    df_sty = pd.DataFrame(train_features_list)
    df_train_feats = pd.concat([df_train.reset_index(drop=True), df_sty], axis=1)
    print(f"   → {len(STYLOMETRIC_COLS_V2)} features extraites avec succès.")
    print()

    # ── Ajustement des vectoriseurs TF-IDF ──
    print("📊 Ajustement des vectoriseurs TF-IDF n-grammes...")

    # Préparer les textes (gérer NaN)
    texts_for_tfidf = df_train_feats["text"].fillna("").astype(str)

    # Vectoriseur de mots (1-2 grammes, max 50 features)
    word_vectorizer = TfidfVectorizer(
        ngram_range=(1, 2),
        max_features=50,
        stop_words=None  # On garde les mots fonctionnels dans les n-grammes
    )
    word_tfidf = word_vectorizer.fit_transform(texts_for_tfidf)
    word_cols = [f"ngram_word_{i}" for i in range(word_tfidf.shape[1])]
    df_word_ngrams = pd.DataFrame(word_tfidf.toarray(), columns=word_cols)

    # Vectoriseur de caractères (3-4 grammes, max 50 features)
    char_vectorizer = TfidfVectorizer(
        analyzer='char',
        ngram_range=(3, 4),
        max_features=50
    )
    char_tfidf = char_vectorizer.fit_transform(texts_for_tfidf)
    char_cols = [f"ngram_char_{i}" for i in range(char_tfidf.shape[1])]
    df_char_ngrams = pd.DataFrame(char_tfidf.toarray(), columns=char_cols)

    print(f"   → Mots : {word_tfidf.shape[1]} features n-grammes")
    print(f"   → Chars : {char_tfidf.shape[1]} features n-grammes")
    print()

    # ── Sauvegarde des vectoriseurs ──
    word_vec_path = os.path.join(models_dir, "word_vectorizer_v2.pkl")
    char_vec_path = os.path.join(models_dir, "char_vectorizer_v2.pkl")
    joblib.dump(word_vectorizer, word_vec_path)
    joblib.dump(char_vectorizer, char_vec_path)
    print(f"💾 Vectoriseurs sauvegardés :")
    print(f"   → {word_vec_path}")
    print(f"   → {char_vec_path}")
    print()

    # ── Assemblage et sauvegarde du dataset d'entraînement ──
    df_train_final = pd.concat(
        [df_train_feats.reset_index(drop=True),
         df_word_ngrams.reset_index(drop=True),
         df_char_ngrams.reset_index(drop=True)],
        axis=1
    )

    train_output = os.path.join(processed_dir, "train_features_v2.csv")
    df_train_final.to_csv(train_output, index=False)
    print(f"✅ Dataset d'entraînement sauvegardé : {train_output}")
    print(f"   → {df_train_final.shape[0]} lignes × {df_train_final.shape[1]} colonnes")
    print()

    # =================================================================
    # 2. Traitement des débats récents (inférence)
    # =================================================================

    print("📂 Chargement des débats récents pour inférence...")
    recent_path = os.path.join(raw_dir, "recent_debates.csv")

    if os.path.exists(recent_path):
        df_recent = pd.read_csv(recent_path)
        print(f"   → {len(df_recent)} textes de débats récents")
        print()

        # Extraction des features stylométriques
        print("🔬 Extraction des features SOTA (débats récents)...")
        recent_features_list = []
        for text in tqdm(df_recent["text"], desc="   Features récents", unit="texte"):
            if not isinstance(text, str):
                text = str(text) if pd.notna(text) else ""
            recent_features_list.append(extract_sota_features(text, connecteurs))

        df_recent_sty = pd.DataFrame(recent_features_list)
        df_recent_feats = pd.concat(
            [df_recent.reset_index(drop=True), df_recent_sty],
            axis=1
        )

        # Transformation TF-IDF (sans ré-ajustement — transform seulement)
        recent_texts = df_recent_feats["text"].fillna("").astype(str)

        recent_word_tfidf = word_vectorizer.transform(recent_texts)
        df_recent_word_ngrams = pd.DataFrame(recent_word_tfidf.toarray(), columns=word_cols)

        recent_char_tfidf = char_vectorizer.transform(recent_texts)
        df_recent_char_ngrams = pd.DataFrame(recent_char_tfidf.toarray(), columns=char_cols)

        # Assemblage final
        df_recent_final = pd.concat(
            [df_recent_feats.reset_index(drop=True),
             df_recent_word_ngrams.reset_index(drop=True),
             df_recent_char_ngrams.reset_index(drop=True)],
            axis=1
        )

        recent_output = os.path.join(processed_dir, "recent_features_v2.csv")
        df_recent_final.to_csv(recent_output, index=False)
        print(f"✅ Dataset débats récents sauvegardé : {recent_output}")
        print(f"   → {df_recent_final.shape[0]} lignes × {df_recent_final.shape[1]} colonnes")
    else:
        print("⚠️  Aucun fichier de débats récents trouvé dans le répertoire brut.")
        print(f"   Chemin attendu : {recent_path}")

    print()
    print("=" * 70)
    print("  ✅ Extraction de features v2 terminée avec succès !")
    print("=" * 70)


if __name__ == "__main__":
    main()

	#!/usr/bin/env python3
	# -- coding: utf-8 --
	"""
	build_features_v2.py — Module d'extraction de features SOTA pour la détection de texte IA en français.

	Ce module calcule 30 features stylométriques avancées couvrant :
	- Structure du texte (8 features)
	- Richesse lexicale profonde (6 features)
	- Discours et style (8 features)
	- Syntaxe et grammaire (8 features)

	Utilisable :
	- En tant que module importable : `from build_features_v2 import extract_sota_features`
	- En tant que script CLI autonome : `python scripts/build_features_v2.py`

	Auteur : Pipeline de détection IA parlementaire française
	"""

	import os
	import re
	import sys
	import math
	import yaml
	import argparse
	from collections import Counter

	import numpy as np
	import pandas as pd
	from sklearn.feature_extraction.text import TfidfVectorizer
	import joblib
	from tqdm import tqdm

	# =============================================================================
	# Constantes
	# =============================================================================

	# Liste des 30 colonnes stylométriques exportées
	STYLOMETRIC_COLS_V2 = [
	'num_chars', 'num_words', 'num_sentences', 'avg_sentence_len', 'std_sentence_len',
	'slv_normalized', 'avg_word_len', 'ratio_long_words',
	'vocabulary_diversity', 'hapax_ratio', 'yules_k', 'maas_index',
	'information_entropy', 'brunet_w',
	'ratio_punctuation', 'freq_uppercase', 'freq_digits',
	'connector_ratio', 'connector_diversity', 'repetition_ratio',
	'stopword_ratio', 'mean_polarity_diff',
	'syntactic_complexity_score', 'ratio_interrogative', 'ratio_exclamative',
	'ratio_declarative', 'imparfait_ratio', 'futur_ratio',
	'conditional_ratio', 'passive_voice_ratio'
	]

	# Mots vides français — identiques à build_features.py
	STOPWORDS = {
	"le", "la", "les", "de", "des", "du", "d'", "l'", "un", "une", "et", "en", "que", "qui",
	"pour", "dans", "ce", "ces", "se", "par", "sur", "ou", "a", "au", "aux", "est", "sont",
	"ont", "aussi", "avec", "mais", "pas", "plus", "ne", "je", "tu", "il", "nous", "vous",
	"ils", "elle", "elles", "on", "y", "en", "qu'", "ceux", "celles", "ceci", "cela", "c'"
	}

	# Caractères de ponctuation — identiques à build_features.py
	PUNCTUATION_CHARS = ".,!?;:-()\"'«»"

	# ── Listes de mots pour l'analyse de polarité simplifiée ──
	MOTS_POSITIFS = {
	"progrès", "excellent", "réussite", "succès", "améliorer", "positif",
	"formidable", "bravo", "bénéfique", "favorable", "opportunité", "espoir",
	"avancée", "victoire", "satisfaisant", "encourageant", "remarquable",
	"efficace", "innovation", "croissance", "bon", "bonne", "bien",
	"meilleur", "soutien", "confiance", "prospérité", "féliciter"
	}

	MOTS_NEGATIFS = {
	"échec", "problème", "crise", "danger", "grave", "inquiétant",
	"catastrophe", "menace", "dégradation", "détérioration", "néfaste",
	"inacceptable", "scandale", "régression", "pire", "risque", "malheureux",
	"défaillance", "préoccupant", "alarmant", "difficile", "mauvais",
	"mauvaise", "pénurie", "injustice", "souffrance", "déficit", "déclin"
	}

	# ── Conjonctions de subordination pour la complexité syntaxique ──
	SUBORDINATEURS = {
	"que", "qui", "dont", "où", "lequel", "laquelle", "lesquels",
	"auxquels", "quand", "comme", "si", "car", "puisque", "lorsque"
	}


	# =============================================================================
	# Fonctions utilitaires (identiques à build_features.py)
	# =============================================================================

	def load_config(config_path):
	"""Charge la configuration depuis un fichier YAML."""
	with open(config_path, "r", encoding="utf-8") as f:
	return yaml.safe_load(f)


	def tokenize(text):
	"""Tokeniseur simple pour le français — identique à build_features.py."""
	# Remplacer la ponctuation par des espaces sauf les apostrophes internes
	text_clean = re.sub(r"[^\w\d'\-]", " ", text.lower())
	words = text_clean.split()
	return words


	def get_sentences(text):
	"""Segmenteur de phrases simple — identique à build_features.py."""
	# Découper par point, exclamation, interrogation ou saut de ligne
	sentences = re.split(r"(?<=[.!?])\s+\|\n+", text)
	# Supprimer les phrases vides
	sentences = [s.strip() for s in sentences if s.strip()]
	return sentences


	# =============================================================================
	# Fonction principale d'extraction de features
	# =============================================================================

	def extract_sota_features(text, connecteurs_list):
	"""
	Extrait 30 features stylométriques SOTA à partir d'un texte français.

	Paramètres
	----------
	text : str
	Le texte à analyser.
	connecteurs_list : list[str]
	Liste des connecteurs discursifs (depuis la configuration).

	Retourne
	--------
	dict
	Dictionnaire avec exactement 30 clés correspondant à STYLOMETRIC_COLS_V2.
	"""
	# ── Cas limite : texte vide ou invalide ──
	if not text or not isinstance(text, str) or len(text.strip()) == 0:
	return {col: 0.0 for col in STYLOMETRIC_COLS_V2}

	# =================================================================
	# BLOC 1 : Structure du texte (8 features)
	# =================================================================

	features = {}
	text_lower = text.lower()

	# Nombre total de caractères
	features["num_chars"] = len(text)

	# Tokenisation
	words = tokenize(text)
	n_words = len(words)
	features["num_words"] = n_words

	# Segmentation en phrases
	sentences = get_sentences(text)
	n_sentences = len(sentences)
	features["num_sentences"] = n_sentences

	# Longueurs des phrases (en nombre de mots)
	sent_lens = [len(tokenize(s)) for s in sentences]
	sent_lens = [sl for sl in sent_lens if sl > 0] # ignorer les phrases vides

	if sent_lens:
	mu = np.mean(sent_lens)
	sigma = np.std(sent_lens) if len(sent_lens) > 1 else 0.0
	features["avg_sentence_len"] = float(mu)
	features["std_sentence_len"] = float(sigma)
	# SLV normalisée : variance / (moyenne² + epsilon)
	slv = sigma ** 2
	features["slv_normalized"] = float(slv / (mu ** 2 + 1e-8))
	else:
	features["avg_sentence_len"] = 0.0
	features["std_sentence_len"] = 0.0
	features["slv_normalized"] = 0.0

	# Longueurs des mots
	if n_words > 0:
	word_lens = [len(w) for w in words]
	features["avg_word_len"] = float(np.mean(word_lens))
	long_words = sum(1 for wl in word_lens if wl > 6)
	features["ratio_long_words"] = long_words / n_words
	else:
	features["avg_word_len"] = 0.0
	features["ratio_long_words"] = 0.0

	# =================================================================
	# BLOC 2 : Richesse lexicale profonde (6 features)
	# =================================================================

	if n_words > 0:
	word_counts = Counter(words)
	V = len(word_counts) # taille du vocabulaire (types)
	N = n_words # nombre total de tokens

	# Type-Token Ratio
	features["vocabulary_diversity"] = V / N

	# Hapax ratio — mots apparaissant exactement une fois
	hapaxes = sum(1 for _w, c in word_counts.items() if c == 1)
	features["hapax_ratio"] = hapaxes / N

	# ── Yule's K ──
	# K = 10000 * (-1/N + sum_{i=1}^{max_freq} i² * f(i) / N²)
	# où f(i) = nombre de types ayant la fréquence i
	freq_spectrum = Counter(word_counts.values()) # f(i) pour chaque fréquence i
	somme = sum(i * i * fi for i, fi in freq_spectrum.items())
	features["yules_k"] = float(10000.0 * (-1.0 / N + somme / (N * N)))

	# ── Indice de Maas ──
	# a² = (ln(N) - ln(V)) / (ln(N))²
	if V > 0 and N > 1:
	ln_N = math.log(N)
	ln_V = math.log(V)
	features["maas_index"] = float((ln_N - ln_V) / (ln_N ** 2 + 1e-8))
	else:
	features["maas_index"] = 0.0

	# ── W de Brunet ──
	# W = N^(V^(-0.172))
	if V > 0:
	features["brunet_w"] = float(N (V (-0.172)))
	else:
	features["brunet_w"] = 0.0
	else:
	features["vocabulary_diversity"] = 0.0
	features["hapax_ratio"] = 0.0
	features["yules_k"] = 0.0
	features["maas_index"] = 0.0
	features["brunet_w"] = 0.0

	# ── Entropie de Shannon sur la distribution des longueurs de phrases ──
	if len(sent_lens) > 1:
	# Créer des bins pour les longueurs de phrases
	sl_array = np.array(sent_lens)
	# Utiliser des bins automatiques (Sturges)
	n_bins = max(2, int(np.ceil(np.log2(len(sl_array)) + 1)))
	counts, _ = np.histogram(sl_array, bins=n_bins)
	# Calculer les probabilités (ignorer les bins vides)
	probs = counts[counts > 0] / counts.sum()
	features["information_entropy"] = float(-np.sum(probs * np.log2(probs)))
	elif len(sent_lens) == 1:
	# Une seule phrase → entropie = 0
	features["information_entropy"] = 0.0
	else:
	features["information_entropy"] = 0.0

	# =================================================================
	# BLOC 3 : Discours et style (8 features)
	# =================================================================

	n_chars = len(text) if len(text) > 0 else 1 # éviter division par zéro

	# Ratio de ponctuation
	punc_count = sum(1 for c in text if c in PUNCTUATION_CHARS)
	features["ratio_punctuation"] = punc_count / n_chars

	# Fréquence des majuscules
	upper_count = sum(1 for c in text if c.isupper())
	features["freq_uppercase"] = upper_count / n_chars

	# Fréquence des chiffres
	digit_count = sum(1 for c in text if c.isdigit())
	features["freq_digits"] = digit_count / n_chars

	# ── Connecteurs discursifs ──
	if n_words > 0 and connecteurs_list:
	connector_count = 0
	connectors_found = set()
	for conn in connecteurs_list:
	pattern = r'\b' + re.escape(conn) + r'\b'
	matches = re.findall(pattern, text_lower)
	if matches:
	connector_count += len(matches)
	connectors_found.add(conn)
	features["connector_ratio"] = connector_count / n_words
	# Diversité des connecteurs : connecteurs uniques utilisés / total disponibles
	features["connector_diversity"] = len(connectors_found) / len(connecteurs_list)
	else:
	features["connector_ratio"] = 0.0
	features["connector_diversity"] = 0.0

	# ── Ratio de répétition des mots de contenu ──
	if n_words > 0:
	content_words = [w for w in words if w not in STOPWORDS]
	if content_words:
	content_counts = Counter(content_words)
	# Mots répétés = total mots de contenu - types uniques
	features["repetition_ratio"] = (len(content_words) - len(content_counts)) / len(content_words)
	else:
	features["repetition_ratio"] = 0.0
	else:
	features["repetition_ratio"] = 0.0

	# ── Ratio de mots vides ──
	if n_words > 0:
	stop_count = sum(1 for w in words if w in STOPWORDS)
	features["stopword_ratio"] = stop_count / n_words
	else:
	features["stopword_ratio"] = 0.0

	# ── Différence moyenne de polarité entre phrases consécutives ──
	if n_sentences >= 2:
	# Calculer un score de polarité simpliste par phrase
	polarities = []
	for s in sentences:
	s_words = set(tokenize(s))
	pos = len(s_words & MOTS_POSITIFS)
	neg = len(s_words & MOTS_NEGATIFS)
	total_sent_words = len(tokenize(s))
	# Score normalisé entre -1 et 1
	if total_sent_words > 0:
	polarities.append((pos - neg) / total_sent_words)
	else:
	polarities.append(0.0)
	# Différence absolue moyenne entre phrases consécutives
	diffs = [abs(polarities[i + 1] - polarities[i]) for i in range(len(polarities) - 1)]
	features["mean_polarity_diff"] = float(np.mean(diffs))
	elif n_sentences == 1:
	features["mean_polarity_diff"] = 0.0
	else:
	features["mean_polarity_diff"] = 0.0

	# =================================================================
	# BLOC 4 : Syntaxe et grammaire (8 features)
	# =================================================================

	# ── Complexité syntaxique : conjonctions de subordination par phrase ──
	sub_count = sum(1 for w in words if w in SUBORDINATEURS)
	features["syntactic_complexity_score"] = sub_count / n_sentences if n_sentences > 0 else 0.0

	# ── Distribution des types de phrases ──
	if n_sentences > 0:
	interro = sum(1 for s in sentences if s.rstrip().endswith("?"))
	exclam = sum(1 for s in sentences if s.rstrip().endswith("!"))
	features["ratio_interrogative"] = interro / n_sentences
	features["ratio_exclamative"] = exclam / n_sentences
	features["ratio_declarative"] = 1.0 - features["ratio_interrogative"] - features["ratio_exclamative"]
	# Borner ratio_declarative à [0, 1] par sécurité
	features["ratio_declarative"] = max(0.0, features["ratio_declarative"])
	else:
	features["ratio_interrogative"] = 0.0
	features["ratio_exclamative"] = 0.0
	features["ratio_declarative"] = 0.0

	# ── Approximation des temps verbaux par analyse de suffixes ──
	# Imparfait : terminaisons -ais, -ait, -ions, -iez, -aient
	imparfait = len(re.findall(r'\b\w+(?:ais\|ait\|ions\|iez\|aient)\b', text_lower))
	# Futur simple : terminaisons -rai, -ras, -ra, -rons, -rez, -ront
	futur = len(re.findall(r'\b\w+(?:rai\|ras\|ra\|rons\|rez\|ront)\b', text_lower))
	# Conditionnel : terminaisons -rais, -rait, -rions, -riez, -raient
	conditional = len(re.findall(r'\b\w+(?:rais\|rait\|rions\|riez\|raient)\b', text_lower))

	# Total estimé de verbes (+1 pour éviter la division par zéro)
	total_verbs_est = imparfait + futur + conditional + 1
	features["imparfait_ratio"] = imparfait / total_verbs_est
	features["futur_ratio"] = futur / total_verbs_est
	features["conditional_ratio"] = conditional / total_verbs_est

	# ── Voix passive approximée ──
	# Patterns : "est/sont/a été/ont été" suivis d'un participe passé (terminaison -é, -ée, -és, -ées, -i, -is, -it, -u, -us, -ue, -ues)
	passive_pattern = r'\b(?:est\|sont\|a\s+été\|ont\s+été\|fut\|furent\|sera\|seront)\s+\w+(?:é\|ée\|és\|ées\|i\|is\|it\|u\|us\|ue\|ues\|ert\|erts\|erte\|ertes\|int\|ints\|inte\|intes)\b'
	passive_count = len(re.findall(passive_pattern, text_lower))
	features["passive_voice_ratio"] = passive_count / n_sentences if n_sentences > 0 else 0.0

	return features


	# =============================================================================
	# Script CLI autonome
	# =============================================================================

	def main():
	"""
	Point d'entrée CLI : traite les corpus bruts, extrait les features SOTA,
	ajuste les vectoriseurs TF-IDF et sauvegarde les résultats.
	"""
	parser = argparse.ArgumentParser(
	description="Extraction de features SOTA v2 pour la détection de texte IA en français."
	)
	parser.add_argument(
	"--config", default="configs/config.yaml",
	help="Chemin vers le fichier de configuration YAML"
	)
	args = parser.parse_args()

	# ── Chargement de la configuration ──
	config = load_config(args.config)
	raw_dir = config["paths"]["raw_dir"]
	processed_dir = config["paths"]["processed_dir"]
	models_dir = config["paths"]["models_dir"]
	os.makedirs(processed_dir, exist_ok=True)
	os.makedirs(models_dir, exist_ok=True)

	connecteurs = config["features"]["connecteurs"]

	# =================================================================
	# 1. Traitement des données d'entraînement
	# =================================================================

	print("=" * 70)
	print(" BUILD FEATURES V2 — Extraction SOTA")
	print("=" * 70)
	print()

	print("📂 Chargement des corpus d'entraînement bruts...")
	human_path = os.path.join(raw_dir, "human_corpus.csv")
	ai_path = os.path.join(raw_dir, "ai_corpus.csv")

	if not os.path.exists(human_path) or not os.path.exists(ai_path):
	print("❌ Erreur : données brutes introuvables !")
	print(" Veuillez exécuter 'python scripts/collect_data.py' au préalable.")
	sys.exit(1)

	df_human = pd.read_csv(human_path)
	df_ai = pd.read_csv(ai_path)

	# Concaténation des deux corpus
	df_train = pd.concat([df_human, df_ai], ignore_index=True)
	print(f" → {len(df_human)} textes humains + {len(df_ai)} textes IA = {len(df_train)} total")
	print()

	# ── Extraction des 30 features stylométriques ──
	print("🔬 Extraction des 30 features stylométriques SOTA (entraînement)...")
	train_features_list = []
	for text in tqdm(df_train["text"], desc=" Features entraînement", unit="texte"):
	# Gérer les valeurs NaN ou non-string
	if not isinstance(text, str):
	text = str(text) if pd.notna(text) else ""
	train_features_list.append(extract_sota_features(text, connecteurs))

	df_sty = pd.DataFrame(train_features_list)
	df_train_feats = pd.concat([df_train.reset_index(drop=True), df_sty], axis=1)
	print(f" → {len(STYLOMETRIC_COLS_V2)} features extraites avec succès.")
	print()

	# ── Ajustement des vectoriseurs TF-IDF ──
	print("📊 Ajustement des vectoriseurs TF-IDF n-grammes...")

	# Préparer les textes (gérer NaN)
	texts_for_tfidf = df_train_feats["text"].fillna("").astype(str)

	# Vectoriseur de mots (1-2 grammes, max 50 features)
	word_vectorizer = TfidfVectorizer(
	ngram_range=(1, 2),
	max_features=50,
	stop_words=None # On garde les mots fonctionnels dans les n-grammes
	)
	word_tfidf = word_vectorizer.fit_transform(texts_for_tfidf)
	word_cols = [f"ngram_word_{i}" for i in range(word_tfidf.shape[1])]
	df_word_ngrams = pd.DataFrame(word_tfidf.toarray(), columns=word_cols)

	# Vectoriseur de caractères (3-4 grammes, max 50 features)
	char_vectorizer = TfidfVectorizer(
	analyzer='char',
	ngram_range=(3, 4),
	max_features=50
	)
	char_tfidf = char_vectorizer.fit_transform(texts_for_tfidf)
	char_cols = [f"ngram_char_{i}" for i in range(char_tfidf.shape[1])]
	df_char_ngrams = pd.DataFrame(char_tfidf.toarray(), columns=char_cols)

	print(f" → Mots : {word_tfidf.shape[1]} features n-grammes")
	print(f" → Chars : {char_tfidf.shape[1]} features n-grammes")
	print()

	# ── Sauvegarde des vectoriseurs ──
	word_vec_path = os.path.join(models_dir, "word_vectorizer_v2.pkl")
	char_vec_path = os.path.join(models_dir, "char_vectorizer_v2.pkl")
	joblib.dump(word_vectorizer, word_vec_path)
	joblib.dump(char_vectorizer, char_vec_path)
	print(f"💾 Vectoriseurs sauvegardés :")
	print(f" → {word_vec_path}")
	print(f" → {char_vec_path}")
	print()

	# ── Assemblage et sauvegarde du dataset d'entraînement ──
	df_train_final = pd.concat(
	[df_train_feats.reset_index(drop=True),
	df_word_ngrams.reset_index(drop=True),
	df_char_ngrams.reset_index(drop=True)],
	axis=1
	)

	train_output = os.path.join(processed_dir, "train_features_v2.csv")
	df_train_final.to_csv(train_output, index=False)
	print(f"✅ Dataset d'entraînement sauvegardé : {train_output}")
	print(f" → {df_train_final.shape[0]} lignes × {df_train_final.shape[1]} colonnes")
	print()

	# =================================================================
	# 2. Traitement des débats récents (inférence)
	# =================================================================

	print("📂 Chargement des débats récents pour inférence...")
	recent_path = os.path.join(raw_dir, "recent_debates.csv")

	if os.path.exists(recent_path):
	df_recent = pd.read_csv(recent_path)
	print(f" → {len(df_recent)} textes de débats récents")
	print()

	# Extraction des features stylométriques
	print("🔬 Extraction des features SOTA (débats récents)...")
	recent_features_list = []
	for text in tqdm(df_recent["text"], desc=" Features récents", unit="texte"):
	if not isinstance(text, str):
	text = str(text) if pd.notna(text) else ""
	recent_features_list.append(extract_sota_features(text, connecteurs))

	df_recent_sty = pd.DataFrame(recent_features_list)
	df_recent_feats = pd.concat(
	[df_recent.reset_index(drop=True), df_recent_sty],
	axis=1
	)

	# Transformation TF-IDF (sans ré-ajustement — transform seulement)
	recent_texts = df_recent_feats["text"].fillna("").astype(str)

	recent_word_tfidf = word_vectorizer.transform(recent_texts)
	df_recent_word_ngrams = pd.DataFrame(recent_word_tfidf.toarray(), columns=word_cols)

	recent_char_tfidf = char_vectorizer.transform(recent_texts)
	df_recent_char_ngrams = pd.DataFrame(recent_char_tfidf.toarray(), columns=char_cols)

	# Assemblage final
	df_recent_final = pd.concat(
	[df_recent_feats.reset_index(drop=True),
	df_recent_word_ngrams.reset_index(drop=True),
	df_recent_char_ngrams.reset_index(drop=True)],
	axis=1
	)

	recent_output = os.path.join(processed_dir, "recent_features_v2.csv")
	df_recent_final.to_csv(recent_output, index=False)
	print(f"✅ Dataset débats récents sauvegardé : {recent_output}")
	print(f" → {df_recent_final.shape[0]} lignes × {df_recent_final.shape[1]} colonnes")
	else:
	print("⚠️ Aucun fichier de débats récents trouvé dans le répertoire brut.")
	print(f" Chemin attendu : {recent_path}")

	print()
	print("=" * 70)
	print(" ✅ Extraction de features v2 terminée avec succès !")
	print("=" * 70)


	if __name__ == "__main__":
	main()