Les débats en ligne offrent une quantité sans précédent d'informations sur les questions controversées, en réunissant dans un même espace une grande diversité d'arguments et de points de vue. Cependant, la taille et la complexité croissantes de ces débats rendent leur exploration et leur évaluation complètes difficiles pour un individu. De plus, les informations disponibles pour évaluer les arguments sont souvent incomplètes, de nombreuses contributions recevant peu ou pas d'évaluations. Ces limites soulèvent la question de savoir comment obtenir une évaluation pertinente et fiable des questions controversées lorsque l'exploration d'un débat ainsi que les informations disponibles sur ses arguments sont incomplètes ou incertaines.
Cette recherche étudie cette question à l'aide de méthodes d'argumentation computationnelle, en particulier les cadres d'argumentation bipolaire quantitative. Elle analyse l'influence d'une lecture partielle de débats en ligne de grande ampleur et développe des méthodes permettant de représenter et de propager l'incertitude associée à l'évaluation des arguments. Ces approches combinent modélisation formelle, représentation de l'incertitude et analyse empirique de débats en ligne réels. Elles visent ainsi à rendre plus accessibles les structures complexes du désaccord tout en préservant l'incertitude et les limites inhérentes aux informations disponibles, afin de favoriser une compréhension plus robuste des questions controversées.