Les médias sociaux sont une source de données essentielle pour la perception des risques d'événements sociaux complexes. Cependant, les méthodes d'alerte précoce existantes reposent principalement sur les pics de popularité, les étiquettes sémantiques spécifiques à une tâche ou les structures de propagation observables, ignorant souvent les changements de rythme de propagation avant une crise. Cet article propose un cadre non supervisé en ligne pour l'alerte précoce des crises sur les médias sociaux. En agrégeant des comportements hétérogènes en une séquence d'intensité unifiée, il détecte des phases de propagation anormalement accélérées par rapport aux bases historiques via un lissage causal, une extraction du taux de changement, des seuils quantiles roulants, des contraintes de persistance et des mécanismes de refroidissement. Comparé aux méthodes basées sur l'intensité, il se concentre sur « si le système accélère vers un état de risque » plutôt que « s'il a atteint un état de grande popularité » ; comparé aux méthodes sémantiques et structurelles, il dépend moins des annotations, ontologies et graphes de propagation complets. Des expériences strictes de relecture causale sur le jeu de données de la crise Russie-Ukraine sur Weibo et le jeu de données des courts commentaires de films Douban démontrent que le cadre capture tôt les processus d'augmentation agrégée avant les événements clés avec une faible interférence de fausses alertes, montrant une réutilisabilité structurelle entre scénarios. Les résultats indiquent que la détection des changements de dynamique de propagation offre une voie légère, interprétable et transférable pour l'alerte précoce en ligne dans les systèmes complexes.

Médias sociaux;Alerte précoce de crise;Détection d'anomalies en ligne;Dynamique causale;Radar social Doppler