L’omniprésence de l’intelligence artificielle (IA) est indéniable, que ce soit dans son utilisation de tous les jours jusqu’à son utilisation dans divers domaines comme la médecine ou le service à la clientèle. Cette technologie fera sans aucun doute partie intégrante de la vie de chaque individu dans un futur rapproché. Par conséquent, il est aussi indéniable de penser que ces technologies feront éventuellement partie intégrante du domaine de la criminologie, que ce soit par le biais de la police prédictive, d’algorithmes d’aide à la décision en termes de récidive, de l’utilisation de la reconnaissance faciale dans les tâches policières ou peut-être de l’accompagnement aux citoyens dans les processus judiciaires. En conséquence, il est important de comprendre comment les individus faisant partie du domaine perçoivent l’intelligence artificielle afin de mieux comprendre comment les individus percevront l’IA lors de l’implantation potentielle d’une telle technologie. Cette étude vise donc à mettre en lumière l’effet des facteurs sociodémographiques, des perceptions de l’intelligence artificielle en général ainsi que des facteurs reliés aux types de personnalités en relation avec le fait d’attribuer des caractéristiques humaines à l’IA. Pour y arriver, des données ont été colligées à l’aide d’un questionnaire en ligne posant des questions notamment sur les facteurs sociodémographiques, les différents aspects de la personnalité ainsi que sur l’utilisation et les perceptions générales des technologies d’intelligence artificielle. Les résultats ont permis de souligner que les facteurs sociodémographiques tels que le genre et le domaine d'activité professionnelle, soit de travailler dans la police, sont corrélés à l’échelle Attribution de caractéristiques humaines à l’IA (ACHIA). En effet, le genre est associé à une corrélation positive faible indiquant que le fait d’être un homme a une légère influence sur l’échelle ACHIA. Ensuite, le fait de travailler dans la police est inversement corrélé signifiant que ceux travaillant dans la police peuvent avoir une légère tendance à répondre en défaveur de l’échelle ACHIA. En revanche, les traits de personnalité n'ont pas montré d'effet significatif sur cette perception, ce qui permet de mettre en lumière que certaines recherches supplémentaires sont nécessaires pour approfondir cette relation complexe. De plus, l’analyse de régression linéaire multiple a permis d’obtenir un modèle de prédiction de l’attribution de caractéristiques humaines à l’IA. Le modèle de prédiction de l’ACHIA est présenté dans le tableau 9 du chapitre résultats. Ce modèle a permis de faire ressortir que seules les variables « Bonnes connaissances par rapport à l’intelligence artificielle » et « IA a le potentiel de remplacer les tâches professionnelles » sont capable de prédire le fait d’attribuer des caractéristiques humaines à l’IA. Ainsi, plus une personne a de bonnes connaissances par rapport à l’intelligence artificielle, plus celle-ci aura tendance à attribuer des caractéristiques humaines à l’intelligence artificielle. De même, plus une personne pense que l’IA a le potentiel de remplacer ses tâches professionnelles, plus celle-ci attribuera des caractéristiques humaines à l’IA. Enfin, la recherche sur l’attribution de caractéristiques humaines à l’intelligence artificielle devrait être explorée davantage dans le futur afin d’approfondir notre compréhension de la relation complexe entre les humains et cette technologie émergente. / The omnipresence of artificial intelligence (AI) is undeniable, whether in its everyday use or in various fields such as medicine or customer service. This technology will undoubtedly become an integral part of every individual's life in the near future. Therefore, it is also undeniable to think that these technologies will eventually become an integral part of the field of criminology, whether through predictive policing, decision-making algorithms regarding recidivism, the use of facial recognition in police tasks, or perhaps assisting citizens in judicial processes. Consequently, it is important to understand how individuals in the field perceive artificial intelligence to better understand how individuals will perceive AI during the potential implementation of such technology. This study aims to shed light on the effect of sociodemographic factors, perceptions of artificial intelligence in general, and personality-related factors in relation to attributing human characteristics to AI. To achieve this, data was collected using an online questionnaire, posing questions on sociodemographic factors, different aspects of personality, as well as the use and perceptions of artificial intelligence technologies. The results emphasized that sociodemographic factors such as gender and professional field, specifically working in the police, are correlated with the Attribution of Human-like Characteristics to AI (ACHIA) scale. Indeed, gender is associated with a weak positive correlation indicating that being a man slightly influences the ACHIA scale. Furthermore, working in the police is inversely correlated, meaning that those working in the police may have a slight tendency to respond unfavorably to the ACHIA scale. On the other hand, personality traits did not show a significant effect on this perception, highlighting the need for further research to deepen this complex relationship. Additionally, multiple linear regression analysis yielded a prediction model for attributing human characteristics to AI. The ACHIA prediction model is presented in Table 9 of the results chapter. This model revealed that only the variables "Good knowledge of artificial intelligence" and "AI has the potential to replace professional tasks" are capable of predicting the attribution of human characteristics to AI. Thus, the more a person has good knowledge of artificial intelligence, the more likely they are to attribute human characteristics to artificial intelligence. Similarly, the more a person thinks that AI has the potential to replace their professional tasks, the more they will attribute human characteristics to AI. Finally, research on attributing human characteristics to artificial intelligence should be further explored in the future to deepen our understanding of the complex relationship between humans and this emerging technology.

Le but principal de cette thèse était d'étudier les caractéristiques de la matière organique dissoute (MOD) dans le bassin versant de la Seine. Ce travail a été réalisé dans le cadre du programme de recherche PIREN-Seine. Les travaux présentés ici visaient plus particulièrement à identifier les sources de MOD et à suivre son évolution dans les zones d’étude. L’analyse des propriétés optiques (UV-Visible, fluorescence) de la MOD, couplée aux traitements PARAFAC et ACP, a permis de discriminer différentes sources de MOD et de mettre en évidence des variations spatio-temporelles de ses propriétés. L’axe Seine, en aval de Paris, a notamment été caractérisé par l'activité biologique la plus forte. La MOD du bassin de l’Oise a montré des caractéristiques plus "humiques", tandis que le bassin de la Marne a été caractérisé par un troisième type spécifique de MOD. Il a d’autre part été mis en évidence la présence de MODs spécifiques dans chaque zone pour les échantillons prélevés en périodes d’étiage, alors qu’une distribution homogène des composants a été obtenue pour l’ensemble des échantillons prélevés en période de crue.Le rôle environnemental des colloïdes naturels étant étroitement lié à leur taille, il a d’autre part été développé une technique analytique/séparative originale pour l’étude de ce matériel complexe, un fractionnement par couplage flux/force avec flux asymétrique (AF4). Le fractionnement par AF4 des échantillons a confirmé la variabilité spatio-temporelle en composition et en taille de la MOD d'un site de prélèvement à un autre et a permis de distinguer différentes sources de MOD colloïdale confirmant les résultats de l’étude de ses propriétés optiques. / The main goal of this thesis was to investigate the characteristics of dissolvedorganic matter (DOM) within the Seine River catchment in the Northern part of France. ThisPhD thesis was performed within the framework of the PIREN-Seine research program. Theapplication of UV/visible absorbance and EEM fluorescence spectroscopy combined toPARAFAC and PCA analyses allowed us to identify different sources of DOM andhighlighted spatial and temporal variations of DOM properties. The Seine River wascharacterized by the strongest biological activity. DOM from the Oise basin seemed to havemore "humic" characteristics, while the Marne basin was characterized by a third specifictype of DOM. For samples collected during low-water periods, the distributions of the 7components determined by PARAFAC treatment varied between the studied sub-basins,highlighting different organic materials in each zone. A homogeneous distribution of thecomponents was obtained for the samples collected in period of flood.Then, a semi-quantitative asymmetrical flow field-flow fractionation (AF4) methodology wasdeveloped to fractionate DOM. The following optimized parameters were determined: across-flow rate of 2 ml min-1 during the focus step with a focusing time of 2 min and anexponential gradient of cross-flow from 3.5 to 0.2 ml min-1 during the elution step. Thefluorescence properties of various size-based fractions of DOM were evaluated by applyingthe optimized AF4 methodology to fractionate 13 samples, selected from the three sub-basins.The fluorescence properties of these fractions were analysed, allowing us to discriminatebetween the terrestrial or autochthonous origin of DOM.

No description available.

Le présent travail de thèse aborde la problématique des effets de pairs en contexte scolaire. A partir de l’analyse détaillée d’une large base des données issue d’une enquête nationale au Chili (SIMCE 2004), on s’interroge sur les mécanismes qui véhiculent les influences entre élèves différemment dotés d’un point de vue de leurs capitaux culturels, humains et scolaires. Ces influences sembleraient présentes sur différents résultats à l’école, y compris ceux de type académique. Considérant la littérature produite sous différentes approches disciplinaires —sociologie, économie, psychologie sociale et sciences de l’éducation — on s’attarde sur les manières d’identifier et de mesurer lesdits effets de pairs. En même temps, on considère la présence de dimensions subjectives capables d’exprimer, en partie, le vécu scolaire des élèves. Ces dimensions seraient, par ailleurs, reliées à la présence des pairs et aux interactions entre élèves. De manière additionnelle, on propose une révision de la littérature sur le système scolaire au Chili, notamment sur sa segmentation socio-scolaire et sa relation avec le mécanisme de vouchers. Dans ce cadre, trois interrogations principales organisent ce travail. D’une part, l’existence ou non d’un impact net sur les acquis scolaires des pratiques d’étude faisant appel aux camarades. Ensuite, la présence probable des influences sous la forme des « transferts des capitaux » entre élèves différemment dotés et déclarant pratiquer l’entraide. Enfin, les relations qui s’avèrent visibles entre ces pratiques et des dimensions telles que le bien-être à l’école ou le concept du soi académique, mais aussi, entre ces dernières et les acquis scolaires. Une séquence d’analyses est entreprise visant à donner des bases robustes aux éventuelles réponses à ces questions. Entre autres, différentes séries d’analyses de régression hiérarchique et par quantiles ont été conduites sur quatre disciplines scolaires. Les principaux résultats de recherche indiquent, d’un côté, que les interactions entre élèves sont assez répandues en milieux scolaire (entre 22% et 41% en moyenne), mais leur proportion varie d’une discipline à l’autre et selon la direction qui prend l’aide. Plus encore, ces interactions sont significativement liées aux résultats scolaires. A conditions comparables, les élèves académiquement faibles gagnent à être aidés par leurs camarades, quelque soit la discipline concernée. En même temps, les élèves qui aident leurs camarades montrent toujours un profil académique fortement associé à des gains de score assez importants. D’un autre côté, on trouve que les élèves possédant plus de capital culturel ont, toutes choses égales par ailleurs, de plus fortes chances de déclarer aider leurs camarades. Enfin, les analyses confirment que les interactions entre élèves sont, de manière importante et significative, liées aux sentiments de bien-être à l’école et au concept de soi académique. La construction d’indices pertinents pour ces derniers est, d’ailleurs, discutée. Différents résultats secondaires ont été aussi produits et discutés, notamment la confirmation, pour la première fois dans le cas chilien, des hypothèses associées au paradigme BFLPE (Marsh, 1987). Ces résultats sont discutés dans leurs probables conséquences en termes de politique éducative, notamment dans le cadre des systèmes éducatifs à forte ségrégation sociale et scolaire. / This Thesis addresses the issue of peer-effects in the context of school. From analysis of a large database produced by a Chilean national study (SIMCE 2004), this work investigates the mechanisms through which pupils with different levels of scholastic, human and cultural capital influence each other. These influences seem present for a diverse range of school outcomes, including academic achievement. Drawing on the literature produced by different disciplinary approaches —sociology, economics, social psychology and education— the study focuses on ways of identifying and measuring peer-effects. The presence of subjective dimensions capable of reflecting, in part, the school experience of pupils is also taken into consideration. Beside, those dimensions are connected both with peers presence and peer interactions. In addition, the thesis re-examines the existing literature on the Chilean school system, including its social and academic segregation and its relationship with the voucher system. Within this framework, three main points of interrogation organize this work. First, whether study practices which involve peer assistance have a clear impact on standardized school test scores. Second, the likely presence of influences, —in the form of “capitals transfers”— between pupils with different backgrounds who practice peer assistance. Finally, the visible relationships between peer assistance and feelings of well-being at school or academic self-concept, but also, between the latter and school achievement. A sequence of analysis was undertaken out to provide robust foundations for possible answers to those questions. Among other things, different sets of hierarchical and quantile regression analysis were conducted in four school subjects. The main research findings show, on the one hand, that peer assistance between pupils is fairly widespread in the school context (between 22% and 41% in average) but its prevalence varies according to the subjects and the directionality of the assistance. Further, those peer assistance is significantly related at school achievement. In all subjects and at similar conditions, poor achievers benefit from help by their classmates. At the same time, those that help their classmates always showed a strong academic profile related to the higher and greater gains in test scores. In the other hand, we find that pupils with more cultural capital, all other things held constant, are more likely to report help other pupils. Finally, this research confirms that the relationship peer assistance and feelings of school well-being and academic self-concept is large and significant. Several secondary findings were also produced and discussed, including confirmation, for the first time in Chilean case, of the hypothesis associated with the paradigm BFLPE (Marsh, 1987). Those results are discussed with regard for their probable consequences in terms of educational policy, particularly in systems with high academic and social segregation.

No description available.

Cette thèse est centrée sur le développement de nouvelles méthodes d'imputation multiples, basées sur des techniques d'analyse factorielle. L'étude des méthodes factorielles, ici en tant que méthodes d'imputation, offre de grandes perspectives en termes de diversité du type de données imputées d'une part, et en termes de dimensions de jeux de données imputés d'autre part. Leur propriété de réduction de la dimension limite en effet le nombre de paramètres estimés.Dans un premier temps, une méthode d'imputation simple par analyse factorielle de données mixtes est détaillée. Ses propriétés sont étudiées, en particulier sa capacité à gérer la diversité des liaisons mises en jeu et à prendre en compte les modalités rares. Sa qualité de prédiction est éprouvée en la comparant à l'imputation par forêts aléatoires.Ensuite, une méthode d'imputation multiple pour des données quantitatives basée sur une approche Bayésienne du modèle d'analyse en composantes principales est proposée. Elle permet d'inférer en présence de données manquantes y compris quand le nombre d'individus est petit devant le nombre de variables, ou quand les corrélations entre variables sont fortes.Enfin, une méthode d'imputation multiple pour des données qualitatives par analyse des correspondances multiples (ACM) est proposée. La variabilité de prédiction des données manquantes est reflétée via un bootstrap non-paramétrique. L'imputation multiple par ACM offre une réponse au problème de l'explosion combinatoire limitant les méthodes concurrentes dès lors que le nombre de variables ou de modalités est élev / This thesis proposes new multiple imputation methods that are based on principal component methods, which were initially used for exploratory analysis and visualisation of continuous, categorical and mixed multidimensional data. The study of principal component methods for imputation, never previously attempted, offers the possibility to deal with many types and sizes of data. This is because the number of estimated parameters is limited due to dimensionality reduction.First, we describe a single imputation method based on factor analysis of mixed data. We study its properties and focus on its ability to handle complex relationships between variables, as well as infrequent categories. Its high prediction quality is highlighted with respect to the state-of-the-art single imputation method based on random forests.Next, a multiple imputation method for continuous data using principal component analysis (PCA) is presented. This is based on a Bayesian treatment of the PCA model. Unlike standard methods based on Gaussian models, it can still be used when the number of variables is larger than the number of individuals and when correlations between variables are strong.Finally, a multiple imputation method for categorical data using multiple correspondence analysis (MCA) is proposed. The variability of prediction of missing values is introduced via a non-parametric bootstrap approach. This helps to tackle the combinatorial issues which arise from the large number of categories and variables. We show that multiple imputation using MCA outperforms the best current methods.

La problématique traitée par la Reconnaissance de la Langue (LR) porte sur la définition découverte de la langue contenue dans un segment de parole. Cette thèse se base sur des paramètres acoustiques de courte durée, utilisés dans une approche d’adaptation de mélanges de Gaussiennes (GMM-UBM). Le problème majeur de nombreuses applications du vaste domaine de la re- problème connaissance de formes consiste en la variabilité des données observées. Dans le contexte de la Reconnaissance de la Langue (LR), cette variabilité nuisible est due à des causes diverses, notamment les caractéristiques du locuteur, l’évolution de la parole et de la voix, ainsi que les canaux d’acquisition et de transmission. Dans le contexte de la reconnaissance du locuteur, l’impact de la variabilité solution peut sensiblement être réduit par la technique d’Analyse Factorielle (Joint Factor Analysis, JFA). Dans ce travail, nous introduisons ce paradigme à la Reconnaissance de la Langue. Le succès de la JFA repose sur plusieurs hypothèses. La première est que l’information observée est décomposable en une partie universelle, une partie dépendante de la langue et une partie de variabilité, qui elle est indépendante de la langue. La deuxième hypothèse, plus technique, est que la variabilité nuisible se situe dans un sous-espace de faible dimension, qui est défini de manière globale.Dans ce travail, nous analysons le comportement de la JFA dans le contexte d’un dispositif de LR du type GMM-UBM. Nous introduisons et analysons également sa combinaison avec des Machines à Vecteurs Support (SVM). Les premières publications sur la JFA regroupaient toute information qui est amélioration nuisible à la tâche (donc ladite variabilité) dans un seul composant. Celui-ci est supposé suivre une distribution Gaussienne. Cette approche permet de traiter les différentes sortes de variabilités d’une manière unique. En pratique, nous observons que cette hypothèse n’est pas toujours vérifiée. Nous avons, par exemple, le cas où les données peuvent être groupées de manière logique en deux sous-parties clairement distinctes, notamment en données de sources téléphoniques et d’émissions radio. Dans ce cas-ci, nos recherches détaillées montrent un certain avantage à traiter les deux types de données par deux systèmes spécifiques et d’élire comme score de sortie celui du système qui correspond à la catégorie source du segment testé. Afin de sélectionner le score de l’un des systèmes, nous avons besoin d’un analyses détecteur de canal source. Nous proposons ici différents nouveaux designs pour engendrées de tels détecteurs automatiques. Dans ce cadre, nous montrons que les facteurs de variabilité (du sous-espace) de la JFA peuvent être utilisés avec succès pour la détection de la source. Ceci ouvre la perspective intéressante de subdiviser les5données en catégories de canal source qui sont établies de manière automatique. En plus de pouvoir s’adapter à des nouvelles conditions de source, cette propriété permettrait de pouvoir travailler avec des données d’entraînement qui ne sont pas accompagnées d’étiquettes sur le canal de source. L’approche JFA permet une réduction de la mesure de coûts allant jusqu’à généraux 72% relatives, comparé au système GMM-UBM de base. En utilisant des systèmes spécifiques à la source, suivis d’un sélecteur de scores, nous obtenons une amélioration relative de 81%. / Language Recognition is the problem of discovering the language of a spoken definitionutterance. This thesis achieves this goal by using short term acoustic information within a GMM-UBM approach.The main problem of many pattern recognition applications is the variability of problemthe observed data. In the context of Language Recognition (LR), this troublesomevariability is due to the speaker characteristics, speech evolution, acquisition and transmission channels.In the context of Speaker Recognition, the variability problem is solved by solutionthe Joint Factor Analysis (JFA) technique. Here, we introduce this paradigm toLanguage Recognition. The success of JFA relies on several assumptions: The globalJFA assumption is that the observed information can be decomposed into a universalglobal part, a language-dependent part and the language-independent variabilitypart. The second, more technical assumption consists in the unwanted variability part to be thought to live in a low-dimensional, globally defined subspace. In this work, we analyze how JFA behaves in the context of a GMM-UBM LR framework. We also introduce and analyze its combination with Support Vector Machines(SVMs).The first JFA publications put all unwanted information (hence the variability) improvemen tinto one and the same component, which is thought to follow a Gaussian distribution.This handles diverse kinds of variability in a unique manner. But in practice,we observe that this hypothesis is not always verified. We have for example thecase, where the data can be divided into two clearly separate subsets, namely datafrom telephony and from broadcast sources. In this case, our detailed investigations show that there is some benefit of handling the two kinds of data with two separatesystems and then to elect the output score of the system, which corresponds to the source of the testing utterance.For selecting the score of one or the other system, we need a channel source related analyses detector. We propose here different novel designs for such automatic detectors.In this framework, we show that JFA’s variability factors (of the subspace) can beused with success for detecting the source. This opens the interesting perspectiveof partitioning the data into automatically determined channel source categories,avoiding the need of source-labeled training data, which is not always available.The JFA approach results in up to 72% relative cost reduction, compared to the overall resultsGMM-UBM baseline system. Using source specific systems followed by a scoreselector, we achieve 81% relative improvement.