. Enfin, utiliser les marqueurs de subjectivité pour d'autres buts tels que l'identification de thématiques. Nous pouvons par exemple supposer que certains sujets suscitent plus de subjectivité que d'autres. Pour cela nous avons constitué un autre corpus contenant d'autres forums qui traitent de plusieurs sujets relatifs à la santé

M. Augustyn, B. Hamou, S. Bloquet, G. Goossens, V. Loiseau et al., Constitution de ressources pédagogiques numériques : le lexique des affects, pp.407-414, 2008.

A. Balahur, Sentiment analysis in social media texts, 4th workshop on Computational Approaches to Subjectivity, Sentiment and Social Media Analysis, pp.120-128, 2013.

L. Breiman, Random forests, Machine Learning, vol.45, issue.1, pp.5-32, 2001.
DOI : 10.1023/A:1010933404324

W. W. Cohen and Y. Singer, A simple, fast, and effective rule learner, Proceedings of the National Conference on Artificial Intelligence, pp.335-342, 1999.

J. Huh, M. Yetisgen-yildiz, and W. Pratt, Text classification for assisting moderators in online health communities, Journal of Biomedical Informatics, vol.46, issue.6, pp.998-1005, 2013.
DOI : 10.1016/j.jbi.2013.08.011

S. Mohammad and P. D. Turney, Emotions Evoked by Common Words and Phrases: Using Mechanical Turk to Create an Emotion Lexicon. Workshop on Computational Approaches to Analysis and Generation of Emotion in Text, pp.26-34, 2010.

P. C. Thoumelin and N. Grabar, La subjectivité dans le discours médical: sur les traces de l'incertitude et des émotions, 2014.

B. Schölkopf, C. J. Burges, and A. J. Smola, Advances in kernel methods: support vector learning, 1999.