Ce mémoire a pour but d'explorer l'utilisation de données de contexte, notamment spatial, pour prédire de la durée que va prendre un garage pour effectuer les réparations à la suite d'un accident automobile. Le contexte réfère à l'environnement dans lequel évolue le garage. Il s'agit donc de développer une approche permettant de prédire une caractéristique précise en utilisant notamment de l'information historique. L'information historique comprend des composantes spatiales, comme des adresses, qui vont être exploitées afin de générer de nouvelles informations relatives à la localisation des garages automobiles. L'utilisation des données accumulées sur les réclamations automobiles va permettre d'établir un niveau initial de prédiction qu'il est possible d'atteindre avec de l'apprentissage supervisé. En ajoutant ensuite petit à petit de l'information de contexte spatial dans lequel évolue le garage responsable des réparations, de nouveaux niveaux de prédiction seront atteints. Il sera alors possible d'évaluer la pertinence de considérer le contexte spatial dans un problème de prédiction comme celui des temps de réparations des véhicules accidentés en comparant ces niveaux de prédiction précédemment cités. L'utilisation de données historiques pour prédire une nouvelle donnée se fait depuis plusieurs années à l'aide d'une branche de l'intelligence artificielle, à savoir : l'apprentissage machine. Couplées à cette méthode d'analyse et de production de données, des analyses spatiales vont être présentées et introduites pour essayer de modéliser le contexte spatial. Pour quantifier l'apport d'analyses spatiales et de données localisées dans un problème d'apprentissage machine, il sera question de comparer l'approche n'utilisant pas d'analyse spatiale pour produire de nouvelles données, avec une approche similaire considérant cette fois-ci les données de contexte spatial dans lequel évolue le garage. L'objectif est de voir l'impact que peut avoir une contextualisation spatiale sur la prédiction d'une variable quantitative. / The purpose of this paper is to explore the use of context data, particularly spatial context, to predict how long it will take a garage to complete repairs following an automobile accident. The context refers to the environment in which the garage evolves. It is therefore a question of developing an approach that makes it possible to predict a precise characteristic by using historical information in particular. The historical information includes spatial components, such as addresses, which will be exploited to generate new information about the location of car garages. The use of the accumulated data on car claims will allow to establish an initial level of prediction that can be reached with supervised learning. By then gradually adding information about the spatial context in which the garage responsible for the repairs evolves, new levels of prediction will be reached. It will then be possible to evaluate the relevance of considering the spatial context in a prediction problem such as that of the repair times of accidented vehicles by comparing these prediction levels previously mentioned. The use of historical data to predict new data has been done for several years with the help of a branch of artificial intelligence, namely: machine learning. Coupled with this method of data analysis and production, spatial analyses will be presented and introduced to try to model the spatial context. To quantify the contribution of spatial analysis and localized data in a machine learning problem, we will compare the approach that does not use spatial analysis to produce new data with a similar approach that considers the spatial context data in which the garage evolves. The objective is to see the impact that spatial contextualization can have on the prediction of a quantitative variable.

Ce mémoire a pour but d'explorer l'utilisation de données de contexte, notamment spatial, pour prédire de la durée que va prendre un garage pour effectuer les réparations à la suite d'un accident automobile. Le contexte réfère à l'environnement dans lequel évolue le garage. Il s'agit donc de développer une approche permettant de prédire une caractéristique précise en utilisant notamment de l'information historique. L'information historique comprend des composantes spatiales, comme des adresses, qui vont être exploitées afin de générer de nouvelles informations relatives à la localisation des garages automobiles. L'utilisation des données accumulées sur les réclamations automobiles va permettre d'établir un niveau initial de prédiction qu'il est possible d'atteindre avec de l'apprentissage supervisé. En ajoutant ensuite petit à petit de l'information de contexte spatial dans lequel évolue le garage responsable des réparations, de nouveaux niveaux de prédiction seront atteints. Il sera alors possible d'évaluer la pertinence de considérer le contexte spatial dans un problème de prédiction comme celui des temps de réparations des véhicules accidentés en comparant ces niveaux de prédiction précédemment cités. L'utilisation de données historiques pour prédire une nouvelle donnée se fait depuis plusieurs années à l'aide d'une branche de l'intelligence artificielle, à savoir : l'apprentissage machine. Couplées à cette méthode d'analyse et de production de données, des analyses spatiales vont être présentées et introduites pour essayer de modéliser le contexte spatial. Pour quantifier l'apport d'analyses spatiales et de données localisées dans un problème d'apprentissage machine, il sera question de comparer l'approche n'utilisant pas d'analyse spatiale pour produire de nouvelles données, avec une approche similaire considérant cette fois-ci les données de contexte spatial dans lequel évolue le garage. L'objectif est de voir l'impact que peut avoir une contextualisation spatiale sur la prédiction d'une variable quantitative. / The purpose of this paper is to explore the use of context data, particularly spatial context, to predict how long it will take a garage to complete repairs following an automobile accident. The context refers to the environment in which the garage evolves. It is therefore a question of developing an approach that makes it possible to predict a precise characteristic by using historical information in particular. The historical information includes spatial components, such as addresses, which will be exploited to generate new information about the location of car garages. The use of the accumulated data on car claims will allow to establish an initial level of prediction that can be reached with supervised learning. By then gradually adding information about the spatial context in which the garage responsible for the repairs evolves, new levels of prediction will be reached. It will then be possible to evaluate the relevance of considering the spatial context in a prediction problem such as that of the repair times of accidented vehicles by comparing these prediction levels previously mentioned. The use of historical data to predict new data has been done for several years with the help of a branch of artificial intelligence, namely: machine learning. Coupled with this method of data analysis and production, spatial analyses will be presented and introduced to try to model the spatial context. To quantify the contribution of spatial analysis and localized data in a machine learning problem, we will compare the approach that does not use spatial analysis to produce new data with a similar approach that considers the spatial context data in which the garage evolves. The objective is to see the impact that spatial contextualization can have on the prediction of a quantitative variable.

Doctorat en sciences sociales, politiques et économiques / info:eu-repo/semantics/nonPublished

Selon une étude récente, le Guide de recherche d’une orientation professionnelle (GROP-3; Roy & Roy, 2008) est l’outil le plus utilisé par les conseillers d’orientation dans un contexte d’exploration de choix de carrière (Le Corff, Yergeau, Savard, Lamarche & Gingras, 2011). Il s’agit d’un instrument de 277 items répondus sur une échelle en cinq points qui comprend trois sections mesurant les intérêts professionnels, les traits personnels et les valeurs. Des études ont permis de démontrer la validité du GROP-3 auprès d’étudiants (Gingras, 2013; Keck, 2015; Morin-Saint-Hilaire, 2010), mais il s’avère maintenant pertinent de s’intéresser aux qualités métriques de la nouvelle édition du GROP (GROP-4; Roy & Roy, 2018), et ce, auprès de groupes de travailleurs. Pour ce faire, 477 participants recrutés auprès de différents regroupements de travailleurs préalablement identifiés pour représenter chacun des thèmes de la typologie de Holland (Holland, 1966, 1973, 1985) ont rempli l’Orientation par soimême (OPSM; Holland, 1994), le Mini International Personality Item Pool (Mini-IPIP; Donnellan, Oswald, Baird, & Lucas, 2006) et le GROP-4. Les corrélations entre le GROP-4 et les autres mesures s’avèrent conformes aux hypothèses émises et constituent de bons indices des validités convergente et divergente de l’instrument. De plus, les personnes occupant un emploi nécessitant la réalisation d’activités types de la théorie de Holland montrent des scores d’intérêts plus élevés à ce type d’activités au GROP. Le domaine d’occupation des travailleurs peut aussi être prédit en fonction des scores au GROP dans 77,5 % des cas. Somme toute, les résultats suggèrent que le GROP-4 est un outil d’évaluation des intérêts et de la personnalité valide et qu’il peut prédire le domaine d’occupation des travailleurs. Des études additionnelles sont toutefois nécessaires pour vérifier la validité de la section de l’instrument qui porte sur les valeurs et la pertinence de l’ajout du domaine d’intérêts Éveilleur à la typologie de Holland.

Québec Université Laval, Bibliothèque 2015