Nouvelle Approche des Algorithmes de Prédiction et de Classification : Application `a la Recherche Scientifique Universitaire

Abstract

Cette thèse porte sur de nouvelles approches pour faire évoluer un système d’information universitaire en un système d’information décisionnelle universitaire, afin de développer les processus de la recherche scientifique dans une université publique. Le transfert d’un système d’information en système d’information décisionnel repose sur les bases métiers orientées vers les chercheurs de l’université par la prise en compte de la modélisation des intervenants, l’enjeu est d’étudier, de modéliser et d’automatiser le processus afin de permettre au responsable universitaire de prendre la meilleure décision stratégiques et instantanée. Par notre contribution, nous étudions les processus propres de la recherche scientifique en intégrant les outils d’exploration de données et la recherche opérationnelle. Les avancées rapides des technologies de l’information et de la communication ont des conséquences capitales sur l’évolution de la recherche scientifique. À ce propos, l’évolution du système d’information universitaire recouvre tous les processus relatifs au système d’information de la recherche scientifique d’une université publique qui s’appuie sur les technologies de l’information et de la communication. L’enjeu est de fournir un contenu adapté aux attentes des chercheurs et les dirigeants. La majorité des systèmes de la recherche scientifique d’aujourd’hui manque de méthodes pour assister les besoins des chercheurs qui sont généralement hétérogènes en termes de diversité, préférences, etc. D’autre part, pour répondre aux exigences des dirigeants il faut alors fournir des mécanismes puissants et adéquat pour adapter les décisions (pédagogiques, financiers, administratives, ...) aux besoins particuliers de chaque établissement, et ces structures de recherche. Notre contribution dans ce domaine de recherche porte sur le développement d’une plateforme de recherche scientifique qui permet le management du processus propre à la recherche scientifique. Nous avons étudié la problématique de l’adaptation comme un problème d’optimisation, en utilisant les algorithmes de l’exploration de données qui sont fondés sur la théorie de prédiction. En outre, nous proposons une méthode de prédiction du classement du papier scientifique, considéré comme un sous-ensemble de la gestion de la recherche scientifique. Cette méthode de classement permet de prédire le classement du papier en se basant sur le classement des anciens papiers scientifiques publiés et susceptibles d’intéresser le chercheur. Une telle recommandation est basée sur une méthode d’apprentissage supervisée qui combine entre des données relatives au papier scientifique et l’apprentissage automatique. Notre objectif principal est d’orienter les chercheurs et leurs suggérer le 5 6 Résumé futur classement de leur papier à la base de leurs expériences d’apprentissage. Par ailleurs, la gestion intelligente des curriculums vitæ des chercheurs est une source de données pour les concepteurs. C’est la raison pour laquelle nous avons conçu une solution qui vise essentiellement à prédire le domaine de recherche de chaque chercheur à travers les données tirées du curriculum vitæ. Cette méthode est fondée sur le mixage entre le traitement du langage naturel et l’apprentissage supervisé. A travers l’application des algorithmes qui relèvent du domaine de l’apprentissage automatique pour construire un modèle prédictif basé sur les arbres de décision. Ainsi, la prise de décision par un décideur nécessite l’appuie sur des bonnes pratiques qui finalisent un processus qui mène à la bonne gouvernance et la gestion intelligente, spécialement dans le côté financier. Pour bénéficier des points forts de cette direction, nous avons appliqué des solutions qui relèvent des méthodes de prise de décision à critères multiples qui sont connues par leurs fiabilité et crédibilités dans ce genre d’étude.