Communication Dans Un Congrès Année : 2025

When Bots Outsmart Learning : Issues and Challenges of Detection

Quand les Bots Déjouent l'Apprentissage : Enjeux et Défis de la Détection

Résumé

Identifying bots in a digital library is a crucial challenge for accurately analyzing user behavior to better meet their needs. But what happens when detection models are confronted with data from a period different from their training period ? This article explores this question by extracting key features (duration of activity, number of queries etc.), comparing several supervised learning models and assessing the robustness of this approach in the face of temporal variations. Our preliminary observations show that detection models tend to be more confident on data from their training period, raising questions about their ability to generalize to different periods. This dependency highlights the need for adaptive strategies, such as regular model updates and new learning approaches, to better capture the evolution of automated behavior and improve detection robustness.

Identifier les bots d'une une bibliothèque numérique est un défi crucial pour analyser avec précision le comportement des utilisateurs afin de mieux répondre à leurs besoins. Mais que se passe-t-il lorsque les modèles de détection sont confrontés à des données provenant d'une période différente de leur période d'entraînement ? Cet article explore cette question en extrayant des caractéristiques clés, telles que la durée de l'activité et le nombre de requêtes, nous comparons plusieurs modèles d'apprentissage supervisé et évaluons la robustesse de cette approche face aux variations temporelles. Nos observations préliminaires montrent que les modèles de détection tendent à être plus confiant sur les données issues de leur période d'entraînement, ce qui soulève des questions sur leur capacité à généraliser à des périodes différentes. Cette dépendance met en lumière la nécessité de stratégies adaptatives, telles que des mises à jour régulières des modèles et de nouvelles approches d'apprentissage, afin de saisir l'évolution des comportements automatisés et améliorer la robustesse de la détection.

Fichier principal
Vignette du fichier
CORIA_2025_Bots-4.pdf (605.28 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence

Dates et versions

hal-05163002 , version 1 (15-07-2025)
hal-05163002 , version 2 (28-07-2025)

Licence

Identifiants

  • HAL Id : hal-05163002 , version 2

Citer

Mohsine Aabid, Patrice Bellot, Simon Dumas Primbault. Quand les Bots Déjouent l'Apprentissage : Enjeux et Défis de la Détection. CORIA-TALN 2025, Jun 2025, Marseille, France. ⟨hal-05163002v2⟩
317 Consultations
208 Téléchargements

Partager

  • More