Le but de cette recherche qui est fondée sur la théorie enracinée (Grounded theory) est de savoir comment grâce à l'utilisation de Big Data Analytics (BDA) le monde de l'entreprise acquiert sur la longue durée plus de valeur, de compétitivité et de performance. L'analyse de Big Data a dramatiquement influencé le monde de l'entreprise, sa performance et sa compétitivité. Dans cette optique, BDA est devenue une pratique commune qui génère en utilisant certaines approches adaptées des solutions très innovantes. Malgré les grandes discutions autour de BDA, il reste très vague de savoir, dans quelles conditions l'investissement dans BDA crée des valeurs durables pour améliorer la performance de l'entreprise. En utilisant la théorie enracinée classique, cette thèse a conduit plusieurs entretiens avec 22 cadres d'entreprise supérieurs des différentes entreprises. En utilisant une théorie enracinée, la capacité de BDA a été conceptualisée comme l’argument central, qui permet aux entreprises de tirer bénéfices de BDA, de transformer les affaires dans une approche d'accès aux données et par conséquence d'améliorer la performance avec le temps. L'élément clé des résultats de la théorie enracinée met l'accent sur la capacité à utiliser BDA afin de créer des valeurs concrètes. Cette recherche par la théorie enracinée va contribuer à la création de valeurs et la numérisation à travers plusieurs approches :1) Alors que l'approche commune de BDA se concentre sur la collecte de données ou l'investissement dans les technologies, les résultats indiquent que diverses dimensions (ressources et capacités internes et externes) doivent contribuer conjointement à construire la capacité globale de BDA. 2) En outre, ces dimensions et leurs propriétés créent le réseau entrelacé et la capacité de BDA est incomplète en l'absence de dimension individuelle ou de leurs propriétés. 3) étant donné que l’objectif principal de cette recherche est de souligner le mécanisme de création de valeur par BDA, l'amélioration de l'apprentissage organisationnel a été présentée comme la "valeur cachée" de la capacité de BDA, ce qui est la compétitivité dynamique. Elle développe par conséquence des avantages compétitifs durables, 4) Dans l'ère du numérique, BDA est le principal atout numérique et levier numérique, dans cette lumière, la capacité BDA développe la transformation numérique en fournissant les capacités requises. En utilisant l'approche fondée sur les ressources (resource based-view), ressource basée sur la connaissance (knowledge-based view) et la capacité dynamique (dynamic capability), le modèle conceptuel a été proposé comme la combinaison de différentes ressources et l'aptitude de créer la capacité de BDA à améliore la performance de l'entreprise directement, ainsi que, indirectement par l'impact intermédiaire de l'apprentissage organisationnel. / The purpose of this grounded theory research is to explore ‘to which extent firms can achieve value from big data analytics (BDA), in order to improve firm performance’. BDA is dramatically influencing the way firms perform and compete within the digital era. In this light, BDA has become the trending issue that generates innovative solutions and valuable insights through predictive approach. Despite the hype surrounding BDA value creation, it has not fully understood the features drive value and sustain competitive advantage from BDA. Using the classic grounded theory, this thesis conducted interviews with twenty-two executives from different firms. Through substantive theory, BDA capability is conceptualized as the core competency, which enables firms to accomplish value from BDA, transform the business into the data-driven approach, and subsequently enhance firm performance over-time. The core contribution of this grounded theory research focuses on capability building to implement and manipulate BDA. The findings of this study contribute to the knowledge of BDA value creation and digitalization through the following discussions: 1) while the conventional approach about BDA focuses data collection or investment on technologies, the findings indicate the various dimensions (internal and external resources and capabilities) should jointly contribute to building the overall BDA,2) furthermore, these dimensions and their properties create the integrative network, which is incomplete in the absence of individual dimension or their properties, 3) To identify the variables that are influenced by BDA capability, enhancing organizational learning is introduced as the “hidden value” of BDA capability, which is the dynamic process, and consequently develops sustained competitive advantage, 4) Within the digital era, BDA is the primary digital asset, as well as, digital lever. In this light, BDA capability fosters digital transformation through providing prerequisite capabilities, 5) Drawing resource-based view, knowledge-based view, and dynamic capability the conceptual model of this research is addressed through the combination of different resources (tangible intangible and personnel-based resources) and capabilities.The conceptual model demonstrates the direct effect of BDA capability on firm performance, as well as, the indirect effect that is mediated by organizational learning.

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

Thèse (Ph. D.)--Université Laval, 2007. / Bibliogr.: f. 199-210. Publié aussi en version électronique dans la Collection Mémoires et thèses électroniques.

Les EIAH sont souvent spécialisés à un domaine bien précis. Cela leur permet d’offrir des modélisations fines du domaine et de l’apprenant. L’analyse alors pro duite à partir des traces est didactiquement très fine et spécifique au domaine en question. Elle permet de guider l’apprenant en cas de difficulté et de lui proposer des activités de soutien. Cependant cette analyse est étroitement liée aux domaines didactiques, et différente d’un domaine à un autre. Dans la diversité des domaines enseignés, comment proposer un modèle tenant compte de cette multitude et permettant une analyse de l’activité de l’élève et son guidage ? Nous proposons une analyse de l’activité de l’élève hors du champ didactique pour un guidage que nous nommons macroscopique, par opposition à une analyse didactique fine. Le guidage proposé est paramétré selon le domaine afin d’être transposable. Notre approche s’appuie sur les réseaux notionnels, les étayages pédagogiques, les traces d’objets et l’inférence sur celles-ci. Leur utilisation conjointe permet la description du domaine, la modélisation de l’apprenant et son pilotage par l’EIAH. Nous présentons cette approche implantée dans iSTOA. / Intelligent Tutor Systems (ITS) are often dedicated to a specific domain. This allows them to offer accurate models of the domain and the learner. The analysis produced from traces left by the users is didactically very precise and specific to the domain in question. It allows one to guide the learner in case of difficulty and to offer her/him some support activities. However this analysis is linked to the didactic domains, and is different as a function of each domain. Faced with the diversity of teaching domains, how to propose a model taking into account this multitude and allowing an analysis of the learner activity and her/his guidance? We propose a model supporting an analysis of the learner activity outside the didactic field for guidance which we name macroscopic, as opposed to “a classic and accurate didactic analysis”. The proposed approach is generic but parameterized by a notional network to be applied to different domains of teaching. Our approach is based on notional networks, pedagogical scaffoldings, object traces and inferences from these traces. The joint use of all these concepts allows the description of the domain, the learner modellisation and his/her piloting by the system. We present this approach in a complete pedagogical platform called iSTOA.net, experimented in an ecological context.

Mémoire d'orthophonie : Médecine : Nancy 1 : 2009. / Titre provenant de l'écran-titre. Bibliogr.

La didactique de précision (DP), élaborée par Lindsley dans les années 60, devient un outil de plus en plus intéressant pour les intervenants oeuvrant auprès de personnes ayant un trouble envahissant du développement (TED). Ayant fait ses preuves, depuis quelques années auprès de plusieurs clientèles, elle permet une visualisation directe et atomisée de l'évolution de l'apprentissage d'un élève, et une mise à jour continue des interventions utilisées. La DP présente cependant certaines lacunes. Des tentatives d'amélioration ont été faites pour faciliter son utilisation, mais toutes ont échoué. Ainsi, cette pratique n'a pas changé depuis les quarante dernières années et conserve ses lacunes qui découragent certains utilisateurs. La présente étude porte sur la mise en place d'une version informatisée de la didactique de précision permettant la visualisation de l'évolution des performances d'élèves ayant un TED. De plus, la description de l'outil et l'évaluation de sa convivialité sont faites. L'objectif du premier article est d'évaluer une version informatisée de la DP auprès de huit élèves TED âgés de quatre à six ans dans deux domaines: les comportements inadéquats et l'attention à la tâche. L'étude se fait selon un devis quasi-expérimental et est supportée par un modèle de recherche intrasujet « à cas unique », combiné à un plan de niveaux de base multiples en fonction des comportements. Les résultats indiquent que l'utilisation d'une telle version a un effet significatif sur 56% des interventions. Le deuxième article décrit l'outil de la DP en version informatisée et évalue sa convivialité. Pour mesurer la convivialité, un questionnaire d'appréciation est administré à six éducatrices auprès d'élèves TED. Les résultats indiquent que la version informatisée de la DP est un outil convivial et facile d'utilisation. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Didactique de précision, Évaluation, Version informatisée, Trouble envahissant du développement, Description, Convivialité.

Texte remanié de: Doct. diss.--University of Exeter, 1988.

Th. 3e cycle--Philos.--Toulouse 2, 1985.

Titre de l'écran-titre (visionné le 27 février 2023) / La théorie « Vapnik-Chervonenkis » (VC) est un sous-domaine de la théorie de l'apprentissage automatique qui offre un moyen de comprendre la notion de généralisation d'un algorithme d'apprentissage en bornant le taux d'erreur des prédicteurs par l'utilisation d'outils combinatoires, tels que la dimension VC et la fonction de croissance. Bien que des pistes de recherche récentes indiquent que la théorie VC n'est pas le bon cadre pour comprendre la généralisation dans les réseaux de neurones profonds (Zhang et al., 2021), elle reste pertinente pour les modèles interprétables basés sur des décisions à seuil ferme, comme les arbres de décision et les formules booléennes. Pourtant, les bornes de généralisation pour les classes VC n'ont pas connu d'améliorations substantielles depuis près d'une décennie, et les propriétés combinatoires des arbres de décision, nécessaires à l'application de ces bornes, sont encore mal comprises. Dans cette thèse, nous abordons ces deux problèmes de deux manières distinctes, présentées en deux parties différentes. Dans la première partie, nous améliorons significativement les bornes de généralisation pour les classes VC à l'aide de deux idées majeures. Premièrement, nous évitons d'utiliser les inégalités de concentration en inversant la queue de l'hypergéométrique pour obtenir une borne supérieure non-uniforme, très serrée et indépendante de la distribution, sur le risque pour les classes VC. Ensuite, l'utilisation de l'inversion de la queue de l'hypergéométrique permet d'optimiser l'astuce de l'échantillon fantôme pour obtenir des gains supplémentaires non négligeables. Ces améliorations sont ensuite utilisées pour dériver une borne de déviation relative, une borne pour les classificateurs multiclasses à marge, ainsi qu'une borne inférieure. Dans nos dérivations, nous prenons soin d'introduire aussi peu d'approximations que possible afin de réduire au minimum les facteurs constants de la borne. Des comparaisons numériques montrent que la nouvelle borne est presque toujours informative et qu'elle est plus serrée que toute autre borne VC courante pour toutes des tailles raisonnables de jeux de données. Ensuite, dans la deuxième partie, nous revisitons les arbres de décision binaires du point de vue des partitions des données. Nous introduisons la notion de fonction de partitionnement, et nous la relions à la fonction de croissance et à la dimension VC. Nous considérons trois types d'attributs : à valeur réelle, catégorique ordinale et catégorique nominale, chacune avec des règles de décision différentes. Pour chaque type d'attribut, nous bornons supérieurement la fonction de partitionnement des souches de décision avant d'étendre les bornes aux arbres de décision généraux (avec n'importe quelle structure fixe) en utilisant une approche récursive. Parmi les nouveaux résultats les plus notables, nous obtenons que la dimension VC exacte des souches de décision sur des exemples de *ℓ* attributs à valeurs réelles est donnée par le plus grand entier *d* tel que $2\ell\geq \bigl(\begin{smallmatrix} d \\\left \lfloor \frac{d}{2}\right \rfloor \end{smallmatrix}\bigr)$. De plus, nous montrons que la dimension VC d'une structure d'arbre binaire avec $L_T$ feuilles sur des exemples de *ℓ* attributs à valeurs réelles est de l'ordre de $\mathscr{O}(L_T\,log(L_T\ell))$. Enfin, nous élaborons un algorithme d'élagage basé sur ces résultats qui surpasse les populaires algorithmes d'élagage *cost-complexity* (C4.5) et *reduced-error* (ID3) sur de nombreux jeux de données, avec l'avantage qu'aucune validation croisée n'est nécessaire. / Vapnik-Chervonenkis (VC) theory is a subfield of theoretical machine learning that offers a way to understand the notion of generalization of a learning algorithm by bounding the error rate of predictors through the use of combinatorial tools, such as the VC dimension and the growth function. Although recent research avenues indicate that VC theory is not the right framework to understand generalization in deep neural networks (Zhang et al., 2021), it is still relevant for interpretable models based on hard threshold decisions, such as decision trees and Boolean formulas. Yet, generalization bounds for VC classes have not seen any substantial improvement for nearly a decade now, and the combinatorial properties of decision trees, needed for these bounds to apply, are still poorly understood. In this thesis, we tackle both of these problems in two distinct ways, presented in two different parts. In the first part, we significantly improve the generalization bounds for VC classes by using two main ideas. First, we avoid making use of concentration inequalities by considering the hypergeometric tail inversion to obtain a very tight non-uniform distribution-independent risk upper bound for VC classes. Second, the use of the hypergeometric tail inversion allows us to optimize the ghost sample trick to procure further non-negligible gains. These improvements are then used to derive a relative deviation bound, a multiclass margin bound, as well as a lower bound. In our derivations, we are careful to introduce as few approximations as possible in order to bring to a minimum the constant factors of the bounds. Numerical comparisons show that the new bound is nearly never vacuous and is tighter than other common VC bounds for all reasonable data set sizes. Then, in the second part, we revisit binary decision trees from the perspective of partitions of the data. We introduce the notion of partitioning function, and we relate it to the growth function and to the VC dimension. We consider three types of features: real-valued, categorical ordinal and categorical nominal, all with different split rules. For each feature type, we upper bound the partitioning function of the class of decision stumps before extending the bounds to the class of general decision tree (of any fixed structure) using a recursive approach. Amongst the most notable new results, we find that the exact VC dimension of decision stumps on examples of *ℓ* real-valued features is given by the largest integer *d* such that $2\ell\geq \bigl(\begin{smallmatrix} d \\\left \lfloor d\over2\right \rfloor \end{smallmatrix}\bigr)$. Furthermore, we show that the VC dimension of a binary tree structure with $L_T$ leaves on examples of *ℓ* real-valued features is of order $(L_T\,log(L_T\ell))$). Finally, we elaborate a pruning algorithm based on these results that outperforms cost-complexity (C4.5) and reduced-error pruning algorithms on a number of data sets, with the advantage that no cross-validation is required.

Québec Université Laval, Bibliothèque 2015