Les travaux de recherche présentés dans ce manuscrit décrivent plusieurs apports au thème de l’évaluation de la qualité d’images de documents numérisés. Pour cela nous proposons de nouveaux descripteurs permettant de quantifier les dégradations les plus couramment rencontrées sur les images de documents numérisés. Nous proposons également une méthodologie s’appuyant sur le calcul de ces descripteurs et permettant de prédire les performances d’algorithmes de traitement et d’analyse d’images de documents. Les descripteurs sont définis en analysant l’influence des dégradations sur les performances de différents algorithmes, puis utilisés pour créer des modèles de prédiction à l’aide de régresseurs statistiques. La pertinence, des descripteurs proposés et de la méthodologie de prédiction, est validée de plusieurs façons. Premièrement, par la prédiction des performances de onze algorithmes de binarisation. Deuxièmement par la création d’un processus automatique de sélection de l’algorithme de binarisation le plus performant pour chaque image. Puis pour finir, par la prédiction des performances de deux OCRs en fonction de l’importance du défaut de transparence (diffusion de l’encre du recto sur le verso d’un document). Ce travail sur la prédiction des performances d’algorithmes est aussi l’occasion d’aborder les problèmes scientifiques liés à la création de vérités-terrains et d’évaluation de performances. / This PhD. thesis deals with quality evaluation of digitized document images. In order to measure the quality of a document image, we propose to create new features dedicated to the characterization of most commons degradations. We also propose to use these features to create prediction models able to predict the performances of different types of document analysis algorithms. The features are defined by analyzing the impact of a specific degradation on the results of an algorithm and then used to create statistical regressors.The relevance of the proposed features and predictions models, is analyzed in several experimentations. The first one aims to predict the performance of different binarization methods. The second experiment aims to create an automatic procedure able to select the best binarization method for each image. At last, the third experiment aims to create a prediction model for two commonly used OCRs. This work on performance prediction algorithms is also an opportunity to discuss the scientific problems of creating ground-truth for performance evaluation.

Les TIC sont un facteur clé de performance dans les pays développés. Cette thèse s’intéresse à l’adoption des TIC et leur impact sur la performance des PME manufacturières d’un pays en développement. A la suite d’une première partie qui présente le cadre théorique et conceptuel, le reste de la thèse est organisé en trois études empiriques. La première étude propose une modélisation Probit afin d’identifier les déterminants d’adoption des TIC. Le capital humain est la variable explicative la plus significative. Se basant sur la régression linéaire à variables muettes, la causalité de Granger, le test de Kruskal-Wallis et le test de l’ANOVA de Welch, suivis des tests post-hoc correspondants, la deuxième étude met en évidence l’existence d’un fort lien statistique significatif entre le niveau d’adoption des TIC et la rentabilité. Dans une troisième étude, plusieurs modélisations Probit (simple, ordonné et multivarié) ont été testées sur différentes mesures de performance. Nous montrons, premièrement, que les TIC ont un impact positif sur la productivité, la rentabilité et la compétitivité. Deuxièmement, les TIC, le capital humain et la formation sont les déterminants de la performance globale. Enfin, la contribution des TIC à la performance globale est forte lorsqu’elles sont combinées au capital humain qualifié. En définitive, nos résultats empiriques ont montré un effet positif des TIC, du capital humain et du changement organisationnel sur la performance des PME. / ICT is a key performance factor in developed countries. This PhD thesis focuses on the adoption of ICTs and their impact on the performance of manufacturing SMEs in a developing country. Following a first part covering the theoretical and conceptual framework, the rest of the thesis is organized in three empirical studies. The first study uses a Probit model in order to identify the determinants of ICT adoption. Human capital seems to be the most significant explanatory variable. Based on linear regression of dummy variables, Granger causality, Kruskal-Wallis test, ANOVA test of Welch, followed by corresponding post-hoc tests, the second study highlights the existence of a strong statistically significant relationship between the level of ICT adoption and profitability. In a third study, many Probit models (simple, ordered and multivariate) were tested on different measures of performance. Firstly, we show that ICT have a positive impact on productivity, profitability and competitiveness of SMEs. Secondly, ICT, human capital and training are determinants of firm overall performance. Thirdly, when combined together, ICT and highly skilled human resources have an important contribution to the global performance. In conclusion, our empirical results demonstrate a positive impact of ICT, human capital and organizational change on firm performance.

Les affects, émotions et humeurs sont des processus complexes dont le fonctionnement précis échappe toujours à la neuroscience affective. Un récent mouvement des études IRMf s’est tourné vers la recherche d’effets aux niveaux inter- et intra-individuels en raison du manque d’applicabilité individuelle des résultats provenant de moyennes de groupes basées sur des données transversales. En particulier, la recherche intra-individuelle permet l’étude de liens directs entre l’affectivité et la connectivité chez de mêmes individus à travers le temps. De précédentes études en IRMf rapportent ce type associations chez un unique participant, notre objectif a été d’étudier les effets intra-individuels communs pour un groupe d’individus. Nous avons utilisé le jeu de données Day2day, composé de 40 à 50 sessions pour 6 participants, chaque session incluant des données d’IRMf au repos ainsi que d’auto-évaluations des états affectifs. Nous avons analysé la relation entre l’affectivité et la connectivité fonctionnelle entre des régions cérébrales précédemment liées aux émotions et affects à l’aide de régressions linéaires mixtes multivariées. Nos modèles ont isolé des patrons de connectivité communs et généralisables liés aux variations intra-individuelles de l’affectivité observées au cours de plusieurs semaines et mois. Ces modèles impliquaient particulièrement l’amygdale et l’insula. Nos résultats ouvrent la possibilité de reproduire de tels modèles sur des jeux de données plus larges ainsi qu’à évaluer l’hétérogénéité entre sujets au-delà des effets moyens. La caractérisation de tels processus neurobiologiques pourrait être d’une grande utilité en clinique comme biomarqueur transdiagnostique de l’état affectif ou potentielle cible thérapeutique. / Affects, emotions and moods are complex processes, the precise functioning of which still eludes affective neuroscience. A recent movement in fMRI has turned to research of effects at the inter- and intra-individual level in response to the lack of individual-level applicability of results from cross-sectional group mean studies. In particular, intra-individual research enables the study of direct links between affective states and underlying connectivity in individuals across time. Previous fMRI studies have described these associations in a single participant, our objective was to find shared intraindividual effects across multiple subjects. We have used the Day2day dataset, comprising 40 to 50 sessions for six participants, each session including data from resting-state fMRI scans and self-report measures of state affectivity. We have investigated the relationship between affectivity and connectivity in brain regions linked to emotions and affects using multivariate mixed linear analysis. Our models have isolated common and generalizable patterns of connectivity linked to variations in affectivity observed over multiple weeks and months. These models involved mainly the amygdala and insula. Our results incentivize the re-creation of such modelsin larger datasets, and to assess heterogeneity beyond group mean effects. The characterization of such neurobiological processes could be of great use in a clinical setting as a transdiagnostic biomarker or as a potential therapeutic target.