La modélisation de l’expérience de l’utilisateur dans les Interactions Homme-Machine est un enjeu important pour la conception et le développement des systèmes adaptatifs intelligents. Dans ce contexte, une attention particulière est portée sur les réactions émotionnelles de l’utilisateur, car elles ont une influence capitale sur ses aptitudes cognitives, comme la perception et la prise de décision. La modélisation des émotions est particulièrement pertinente pour les Systèmes Tutoriels Émotionnellement Intelligents (STEI). Ces systèmes cherchent à identifier les émotions de l’apprenant lors des sessions d’apprentissage, et à optimiser son expérience d’interaction en recourant à diverses stratégies d’interventions. Cette thèse vise à améliorer les méthodes de modélisation des émotions et les stratégies émotionnelles utilisées actuellement par les STEI pour agir sur les émotions de l’apprenant. Plus précisément, notre premier objectif a été de proposer une nouvelle méthode pour détecter l’état émotionnel de l’apprenant, en utilisant différentes sources d’informations qui permettent de mesurer les émotions de façon précise, tout en tenant compte des variables individuelles qui peuvent avoir un impact sur la manifestation des émotions. Pour ce faire, nous avons développé une approche multimodale combinant plusieurs mesures physiologiques (activité cérébrale, réactions galvaniques et rythme cardiaque) avec des variables individuelles, pour détecter une émotion très fréquemment observée lors des sessions d’apprentissage, à savoir l’incertitude. Dans un premier lieu, nous avons identifié les indicateurs physiologiques clés qui sont associés à cet état, ainsi que les caractéristiques individuelles qui contribuent à sa manifestation. Puis, nous avons développé des modèles prédictifs permettant de détecter automatiquement cet état à partir des différentes variables analysées, à travers l’entrainement d’algorithmes d’apprentissage machine. Notre deuxième objectif a été de proposer une approche unifiée pour reconnaître simultanément une combinaison de plusieurs émotions, et évaluer explicitement l’impact de ces émotions sur l’expérience d’interaction de l’apprenant. Pour cela, nous avons développé une plateforme hiérarchique, probabiliste et dynamique permettant de suivre les changements émotionnels de l'apprenant au fil du temps, et d’inférer automatiquement la tendance générale qui caractérise son expérience d’interaction à savoir : l’immersion, le blocage ou le décrochage. L’immersion correspond à une expérience optimale : un état dans lequel l'apprenant est complètement concentré et impliqué dans l’activité d’apprentissage. L’état de blocage correspond à une tendance d’interaction non optimale où l'apprenant a de la difficulté à se concentrer. Finalement, le décrochage correspond à un état extrêmement défavorable où l’apprenant n’est plus du tout impliqué dans l’activité d’apprentissage. La plateforme proposée intègre trois modalités de variables diagnostiques permettant d’évaluer l’expérience de l’apprenant à savoir : des variables physiologiques, des variables comportementales, et des mesures de performance, en combinaison avec des variables prédictives qui représentent le contexte courant de l’interaction et les caractéristiques personnelles de l'apprenant. Une étude a été réalisée pour valider notre approche à travers un protocole expérimental permettant de provoquer délibérément les trois tendances ciblées durant l’interaction des apprenants avec différents environnements d’apprentissage. Enfin, notre troisième objectif a été de proposer de nouvelles stratégies pour influencer positivement l’état émotionnel de l’apprenant, sans interrompre la dynamique de la session d’apprentissage. Nous avons à cette fin introduit le concept de stratégies émotionnelles implicites : une nouvelle approche pour agir subtilement sur les émotions de l’apprenant, dans le but d’améliorer son expérience d’apprentissage. Ces stratégies utilisent la perception subliminale, et plus précisément une technique connue sous le nom d’amorçage affectif. Cette technique permet de solliciter inconsciemment les émotions de l’apprenant, à travers la projection d’amorces comportant certaines connotations affectives. Nous avons mis en œuvre une stratégie émotionnelle implicite utilisant une forme particulière d’amorçage affectif à savoir : le conditionnement évaluatif, qui est destiné à améliorer de façon inconsciente l’estime de soi. Une étude expérimentale a été réalisée afin d’évaluer l’impact de cette stratégie sur les réactions émotionnelles et les performances des apprenants. / Modeling the user’s experience within Human-Computer Interaction is an important challenge for the design and development of intelligent adaptive systems. In this context, a particular attention is given to the user’s emotional reactions, as they decisively influence his cognitive abilities, such as perception and decision-making. Emotion modeling is particularly relevant for Emotionally Intelligent Tutoring Systems (EITS). These systems seek to identify the learner’s emotions during tutoring sessions, and to optimize his interaction experience using a variety of intervention strategies. This thesis aims to improve current methods on emotion modeling, as well as the emotional strategies that are presently used within EITS to influence the learner’s emotions. More precisely, our first objective was to propose a new method to recognize the learner’s emotional state, using different sources of information that allow to measure emotions accurately, whilst taking account of individual characteristics that can have an impact on the manifestation of emotions. To that end, we have developed a multimodal approach combining several physiological measures (brain activity, galvanic responses and heart rate) with individual variables, to detect a specific emotion, which is frequently observed within computer tutoring, namely : uncertainty. First, we have identified the key physiological indicators that are associated to this state, and the individual characteristics that contribute to its manifestation. Then, we have developed predictive models to automatically detect this state from the analyzed variables, trough machine learning algorithm training. Our second objective was to propose a unified approach to simultaneously recognize a combination of several emotions, and to explicitly evaluate the impact of these emotions on the learner’s interaction experience. For this purpose, we have developed a hierarchical, probabilistic and dynamic framework, which allows one to track the learner’s emotional changes over time, and to automatically infer the trend that characterizes his interaction experience namely : flow, stuck or off-task. Flow is an optimal experience : a state in which the learner is completely focused and involved within the learning activity. The state of stuck is a non-optimal trend of the interaction where the learner has difficulty to maintain focused attention. Finally, the off-task behavior is an extremely unfavorable state where the learner is not involved anymore within the learning session. The proposed framework integrates three-modality diagnostic variables that sense the learner’s experience including : physiology, behavior and performance, in conjunction with predictive variables that represent the current context of the interaction and the learner’s personal characteristics. A human-subject study was conducted to validate our approach through an experimental protocol designed to deliberately elicit the three targeted trends during the learners’ interaction with different learning environments. Finally, our third objective was to propose new strategies to positively influence the learner’s emotional state, without interrupting the dynamics of the learning session. To this end, we have introduced the concept of implicit emotional strategies : a novel approach to subtly impact the learner’s emotions, in order to improve his learning experience. These strategies use the subliminal perception, and more precisely a technique known as affective priming. This technique aims to unconsciously solicit the learner’s emotions, through the projection of primes charged with specific affective connotations. We have implemented an implicit emotional strategy using a particular form of affective priming namely : the evaluative conditioning, which is designed to unconsciously enhance self-esteem. An experimental study was conducted in order to evaluate the impact of this strategy on the learners’ emotional reactions and performance.

Jamais nos modes de vie et les produits qui nous entourent n'ont évolué aussi rapidement. Cette évolution est un facteur nouveau à prendre en compte dans le développement de produits pour s'assurer de leur appropriation par les utilisateurs. C'est ainsi que les approches de conception s'orientent petit à petit vers l'intégration des usages. L'approche Living Lab est axée autour de quatre principes : le réalisme de la situation d'usage étudiée ; la continuité de la collaboration avec les utilisateurs ; la collecte de données d'usage spontanées ; l'augmentation de la capacité des utilisateurs à influencer le développement du produit. Ces principes facilitent le passage de la conception centrée-utilisateurs vers la conception centrée-usages, mais sont difficiles à réaliser concrètement. Pour accompagner et inspirer les concepteurs, nous proposons une méthode de pilotage de projet Living Lab composée de dix-huit opérations visant chacune l'atteinte d'un de ces principes. La méthode proposée est représentée sous forme de diagrammes NIAM-ORM, facilement compréhensibles car proche du langage naturel binaire. Deux projets urbains et deux projets industriels ont permis de tester notre méthode. La pertinence des opérations sur l'atteinte des principes est évaluée par le biais des réseaux bayésiens : selon les résultats obtenus, les opérations sont validées, ajustées ou reformulées puis ré-implémentées dans le modèle NIAM-ORM / Our way of life and the products that surround us have never evolved so quickly. This evolution is a new factor to take into account in the product development to ensure the product appropriation by the users. For that reason the design approaches try to integrate usages. The Living Lab approach is organised around four principles: the realism of the studied situation; the continuity in the collaboration with the users; the collection of spontaneous usage data; the empowerment of users in the design process. These principles facilitate the path from "user-centred design" to "usage-centred design" but are difficult to realise practically. To guide and inspire the designers we propose a Living Lab project method made of eighteen operations; each operation is supposed to reach one of the four principles. The proposed method is represented with NIAM-ORM diagrams which are easily understandable because of its similarity with natural language. We tested our method on two urban projects and two industrial projects. The relevance of the tested operations on the principle realisation is evaluated according to bayesian networks: depending on the results the operations are validated, adjusted or rephrased and implemented again in the NIAM-ORM model

Par rapport aux exigences de plus en plus importantes relatives au Maintien en Condition Opérationnelle d'un système industriel, le processus de maintenance joue un rôle fondamental pour l'amélioration de la disponibilité, de la productivité, etc. Pour essayer de contrôler au mieux ces performances, les responsables de maintenance doivent donc être capables de choisir les stratégies de maintenance et les ressources à mettre en oeuvre les plus adaptées aux besoins. Dans un objectif d'aide à la prise de décisions en maintenance, les travaux présentés dans ce mémoire ont pour objet de proposer une méthodologie pour l'élaboration d'un modèle support permettant par simulation d'évaluer les différentes stratégies. La valeur ajoutée de la méthodologie réside dans l'unification, à base de modèles relationnels probabilistes (PRM), des différents types de connaissance nécessaires à la construction de ce modèle d'évaluation. Ce dernier est ainsi construit à partir de motifs génériques et modulables représentatifs des variables décisionnels du système industriel (système principal) et de son système de maintenance. Ces motifs, par instanciation, facilitent la construction des modèles d'applications spécifiques. Cette méthodologie, issue du projet ANR SKOOB, est testée sur le cas applicatif de la maintenance d'un système de production de ferment. / Nowadays, the importance of the maintenance function has increased, due to the requirements on the maintain in operational conditions phase (MCO) of the system-of-interest (SI). As well as for the relevant role of maintenance in improving availability, performance efficiency, total plant availability, etc. To control performances, maintenance managers should be able to make some choices about the maintenance strategies and the resources that can fulfil the requirements. Within this context, we propose a methodology to formalize a model allowing to perform simulation to assess maintenance strategies. The scientific contribution of our work is that this approach unify by using a probabilistic relational model (PRM), different kind of knowledge needed to assess maintenance strategies. Knowledge is presented as generic and modular patterns based on PRM. These patterns integrate relevant decisional variables of the system of interest and of its maintenance system. This approach eases the modeling phase for a specific application. This methodology is one of the results of the project ANR SKOOB. This approach was tested on an industrial case for the maintenance of a harvest production process

Le sujet principal de notre travail d'habilitation concerne l'extension de l'approche systémique, initialement implantée dans le Système de Recherche d'Information NOMAD, qui a fait l'objet de notre travail de thèse, pour mettre en place un nouveau paradigme général d'analyse de données basé sur les points de vue multiples, paradigme que nous avons baptisé MVDA (Multi-View Data Analysis). Ce paradigme couvre à la fois le domaine de l'analyse de données et celui de la fouille de données. Selon celui-ci, chaque analyse de données est considérée comme une vue différente sur les données. Le croisement entre les vues s'opère par l'intermédiaire d'un réseau bayésien construit, de manière non supervisée, à partir des données ou des propriétés partagées entre ces dernières. Le paradigme MDVA repose également sur l'exploitation de méthodes spécifiques de visualisation, comme la visualisation topographique ou la visualisation hyperbolique. La mise en place de nouveaux estimateurs de qualité de type Rappel/Précision non supervisés basés sur l'analyse de la distribution des propriétés associées aux classes, et qui à la fois sont indépendants des méthodes de classification et des changements relatifs à leur mode opératoire (initialisation, distances utilisées ...), nous a permis de démontrer objectivement la supériorité de ce paradigme par rapport à l'approche globale, classique en analyse de données. Elle nous a également permis de comparer et d'intégrer dans le paradigme MVDA des méthodes de classification non supervisées (clustering) neuronales qui sont plus particulièrement adaptées à la gestion des données ultra-éparses et fortement multidimensionnelles, à l'image des données documentaires, ainsi que d'optimiser le mode opératoire de telles méthodes. Notre démarche a par ailleurs impliqué de développer la cohabitation entre le raisonnement neuronal et le raisonnement symbolique, ou entre des modèles de nature différente, de manière à couvrir l'ensemble des fonctions de la recherche et de l'analyse de l'information et à éliminer, sinon à réduire, les défauts inhérents à chacun des types d'approche. A travers de nombreuses applications, notamment dans le domaine de l'évaluation des sciences, nous montrons comment l'exploitation d'un tel paradigme peut permettre de résoudre des problèmes complexes d'analyse de données, comme ceux liés l'analyse diachronique à grande échelle des données textuelles polythématiques. Nous montrons également comment l'ensemble des outils développés dans le cadre de ce paradigme nous ont permis mettre en place de nouvelles méthodes très robustes et très performantes pour la classification supervisée et pour le clustering incrémental. Nous montrons finalement comment nous envisageons d'étendre leur application à d'autres domaines très porteurs, comme ceux du traitement automatique des langues ou de la bioinformatique.

La modélisation de l’expérience de l’utilisateur dans les Interactions Homme-Machine est un enjeu important pour la conception et le développement des systèmes adaptatifs intelligents. Dans ce contexte, une attention particulière est portée sur les réactions émotionnelles de l’utilisateur, car elles ont une influence capitale sur ses aptitudes cognitives, comme la perception et la prise de décision. La modélisation des émotions est particulièrement pertinente pour les Systèmes Tutoriels Émotionnellement Intelligents (STEI). Ces systèmes cherchent à identifier les émotions de l’apprenant lors des sessions d’apprentissage, et à optimiser son expérience d’interaction en recourant à diverses stratégies d’interventions. Cette thèse vise à améliorer les méthodes de modélisation des émotions et les stratégies émotionnelles utilisées actuellement par les STEI pour agir sur les émotions de l’apprenant. Plus précisément, notre premier objectif a été de proposer une nouvelle méthode pour détecter l’état émotionnel de l’apprenant, en utilisant différentes sources d’informations qui permettent de mesurer les émotions de façon précise, tout en tenant compte des variables individuelles qui peuvent avoir un impact sur la manifestation des émotions. Pour ce faire, nous avons développé une approche multimodale combinant plusieurs mesures physiologiques (activité cérébrale, réactions galvaniques et rythme cardiaque) avec des variables individuelles, pour détecter une émotion très fréquemment observée lors des sessions d’apprentissage, à savoir l’incertitude. Dans un premier lieu, nous avons identifié les indicateurs physiologiques clés qui sont associés à cet état, ainsi que les caractéristiques individuelles qui contribuent à sa manifestation. Puis, nous avons développé des modèles prédictifs permettant de détecter automatiquement cet état à partir des différentes variables analysées, à travers l’entrainement d’algorithmes d’apprentissage machine. Notre deuxième objectif a été de proposer une approche unifiée pour reconnaître simultanément une combinaison de plusieurs émotions, et évaluer explicitement l’impact de ces émotions sur l’expérience d’interaction de l’apprenant. Pour cela, nous avons développé une plateforme hiérarchique, probabiliste et dynamique permettant de suivre les changements émotionnels de l'apprenant au fil du temps, et d’inférer automatiquement la tendance générale qui caractérise son expérience d’interaction à savoir : l’immersion, le blocage ou le décrochage. L’immersion correspond à une expérience optimale : un état dans lequel l'apprenant est complètement concentré et impliqué dans l’activité d’apprentissage. L’état de blocage correspond à une tendance d’interaction non optimale où l'apprenant a de la difficulté à se concentrer. Finalement, le décrochage correspond à un état extrêmement défavorable où l’apprenant n’est plus du tout impliqué dans l’activité d’apprentissage. La plateforme proposée intègre trois modalités de variables diagnostiques permettant d’évaluer l’expérience de l’apprenant à savoir : des variables physiologiques, des variables comportementales, et des mesures de performance, en combinaison avec des variables prédictives qui représentent le contexte courant de l’interaction et les caractéristiques personnelles de l'apprenant. Une étude a été réalisée pour valider notre approche à travers un protocole expérimental permettant de provoquer délibérément les trois tendances ciblées durant l’interaction des apprenants avec différents environnements d’apprentissage. Enfin, notre troisième objectif a été de proposer de nouvelles stratégies pour influencer positivement l’état émotionnel de l’apprenant, sans interrompre la dynamique de la session d’apprentissage. Nous avons à cette fin introduit le concept de stratégies émotionnelles implicites : une nouvelle approche pour agir subtilement sur les émotions de l’apprenant, dans le but d’améliorer son expérience d’apprentissage. Ces stratégies utilisent la perception subliminale, et plus précisément une technique connue sous le nom d’amorçage affectif. Cette technique permet de solliciter inconsciemment les émotions de l’apprenant, à travers la projection d’amorces comportant certaines connotations affectives. Nous avons mis en œuvre une stratégie émotionnelle implicite utilisant une forme particulière d’amorçage affectif à savoir : le conditionnement évaluatif, qui est destiné à améliorer de façon inconsciente l’estime de soi. Une étude expérimentale a été réalisée afin d’évaluer l’impact de cette stratégie sur les réactions émotionnelles et les performances des apprenants. / Modeling the user’s experience within Human-Computer Interaction is an important challenge for the design and development of intelligent adaptive systems. In this context, a particular attention is given to the user’s emotional reactions, as they decisively influence his cognitive abilities, such as perception and decision-making. Emotion modeling is particularly relevant for Emotionally Intelligent Tutoring Systems (EITS). These systems seek to identify the learner’s emotions during tutoring sessions, and to optimize his interaction experience using a variety of intervention strategies. This thesis aims to improve current methods on emotion modeling, as well as the emotional strategies that are presently used within EITS to influence the learner’s emotions. More precisely, our first objective was to propose a new method to recognize the learner’s emotional state, using different sources of information that allow to measure emotions accurately, whilst taking account of individual characteristics that can have an impact on the manifestation of emotions. To that end, we have developed a multimodal approach combining several physiological measures (brain activity, galvanic responses and heart rate) with individual variables, to detect a specific emotion, which is frequently observed within computer tutoring, namely : uncertainty. First, we have identified the key physiological indicators that are associated to this state, and the individual characteristics that contribute to its manifestation. Then, we have developed predictive models to automatically detect this state from the analyzed variables, trough machine learning algorithm training. Our second objective was to propose a unified approach to simultaneously recognize a combination of several emotions, and to explicitly evaluate the impact of these emotions on the learner’s interaction experience. For this purpose, we have developed a hierarchical, probabilistic and dynamic framework, which allows one to track the learner’s emotional changes over time, and to automatically infer the trend that characterizes his interaction experience namely : flow, stuck or off-task. Flow is an optimal experience : a state in which the learner is completely focused and involved within the learning activity. The state of stuck is a non-optimal trend of the interaction where the learner has difficulty to maintain focused attention. Finally, the off-task behavior is an extremely unfavorable state where the learner is not involved anymore within the learning session. The proposed framework integrates three-modality diagnostic variables that sense the learner’s experience including : physiology, behavior and performance, in conjunction with predictive variables that represent the current context of the interaction and the learner’s personal characteristics. A human-subject study was conducted to validate our approach through an experimental protocol designed to deliberately elicit the three targeted trends during the learners’ interaction with different learning environments. Finally, our third objective was to propose new strategies to positively influence the learner’s emotional state, without interrupting the dynamics of the learning session. To this end, we have introduced the concept of implicit emotional strategies : a novel approach to subtly impact the learner’s emotions, in order to improve his learning experience. These strategies use the subliminal perception, and more precisely a technique known as affective priming. This technique aims to unconsciously solicit the learner’s emotions, through the projection of primes charged with specific affective connotations. We have implemented an implicit emotional strategy using a particular form of affective priming namely : the evaluative conditioning, which is designed to unconsciously enhance self-esteem. An experimental study was conducted in order to evaluate the impact of this strategy on the learners’ emotional reactions and performance.

Les réseaux de télécommunications deviennent de plus en plus complexes, notamment de par la multiplicité des technologies mises en oeuvre, leur couverture géographique grandissante, la croissance du trafic en quantité et en variété, mais aussi de par l' évolution des services fournis par les opérateurs. Tout ceci contribue à rendre la gestion de ces réseaux de plus en plus lourde, complexe, génératrice d'erreurs et donc coûteuse pour les opérateurs. On place derrière le terme réseaux autonomiques l'ensemble des solutions visant à rendre la gestion de ce réseau plus autonome. L'objectif de cette thèse est de contribuer à la réalisation de certaines fonctions autonomiques dans les réseaux de télécommunications. Nous proposons une stratégie pour automatiser la gestion des pannes tout en couvrant les différents segments du réseau et les services de bout en bout déployés au-dessus. Il s'agit d'une approche basée modèle qui adresse les deux difficultés du diagnostic basé modèle, à savoir: a) la façon d'obtenir un tel modèle, adapté à un réseau donné à un moment donné, en particulier si l'on souhaite capturer plusieurs couches et segments réseau et b) comment raisonner sur un modèle potentiellement énorme, si l'on veut gérer un réseau national par exemple. Pour répondre à la première diffculté, nous proposons un nouveau concept : l'automodélisation, qui consiste d'abord à construire les différentes familles de modèles génériques, puis à identifier à la volée les instances de ces mod èles qui sont déployées dans le réseau géré. La seconde diffculté est adressée grâce à un moteur d'auto-diagnostic actif, basé sur le formalisme des réseaux Bayesiens et qui consiste à raisonner sur un fragment du modèle du réseau qui est augmenté progressivement en utilisant la capacite d'automodélisation: des observations sont collectées et des tests réalisés jusqu'à ce que les fautes soient localisées avec précision. Cette approche de diagnostic actif a été expérimentée pour réaliser une gestion multi-couches et multi-segments des alarmes dans un reseau IMS (IP Multimedia Subsystem).

L’agroécologie implique la conception de systèmes agricoles intégrant autant que possible les services écosystémiques. Aux produits chimiques souvent employés contre les ravageurs de cultures peut être privilégié la régulation par leurs ennemis naturels. Des résultats en écologie indiquent que des paysages agricoles dont la composition est riche en habitats semi-naturels (bois, forets, prairies, etc) les favorisent en leur fournissant abris, sites de pontes et nourriture. Il serait donc possible de mettre en place une Gestion Paysagère des Ravageurs (GPR), c’est-à-dire de concevoir et d’aménager des paysages agricoles en faveur de ces habitats afin de favoriser les ennemis naturels et le contrôle biologique. Toutefois, l’implémentation d’une telle innovation potentielle par les acteurs de ces paysages reste largement à explorer. Dans cette thèse, dans un esprit de recherche-action, nous avons pris le parti d’explorer la conception de tels paysages régulateurs de ravageurs en s’impliquant avec des acteurs locaux et scientifiques. Nous avons initié une démarche de recherche participative avec des acteurs agricoles d’une région du Tarn-et-Garonne spécialisée dans l’arboriculture fruitière, intensive en traitements chimiques. A partir de leurs représentations et de leurs connaissances nous avons cherché à déterminer quels étaient les facteurs favorables ou non à la GPR. En particulier, nous avons qualifié les conditions dans lesquelles le paysage et les ennemis naturels étaient construit socialement par ces acteurs comme des ressources pourvoyeuses de services écosystémiques de régulation. Nous avons cherché également à identifier si ces acteurs étaient liés entre eux par des dépendances pouvant nécessiter une gestion coordonnée du paysage. Nous avons exploré la possibilité de la gestion paysagère par plusieurs cycles de modélisations participatives. La thèse a ainsi : mis à jour et qualifié la diversité des modèles mentaux des acteurs locaux sur leurs stratégies de gestion des ravageurs, co-construit des modèles Bayésien participatifs afin d’explorer via des scénarios les incertitudes autour de la question de la régulation biologique des ravageurs et, enfin, réalisé la coconstruction d’un modèle multi-agents autour de le la dynamique de population du ravageur invasif Drosophila suzukii et de sa potentielle gestion paysagère. Nous avons pu ainsi déterminer qu’en l’état actuel des représentations des acteurs, qu’ils soient scientifiques ou locaux, la composition du paysage en éléments semi-naturels leur apparaît comme faiblement reliée à un service écosystémique de régulation des ravageurs, quand bien même ce paysage est souvent favorable à la biodiversité fonctionnelle. Actuellement, faute de bénéfices agricoles clairement identifiés, les acteurs impliqués sont en conséquence peu dépendants entre eux et le besoin de se coordonner pour mettre en place une GPR est faible. La plupart des agriculteurs indiquent plutôt une nette préférence pour les solutions individuelles vis-à-vis des ravageurs, par l’utilisation de pesticides et de filets protecteurs entourant les cultures. Ce focus individuel suggère qu’innover dans l’intégration de l’activité des ennemis naturels pourrait être plus aisé au niveau de la végétation naturelle des exploitations individuelles, comme peut l’être l’inter-rang des vergers. Par ailleurs, ces résultats font apparaître le besoin d’études scientifiques liant écologie et économie qui chercheraient à mesurer explicitement les bénéfices obtenus par les acteurs agricoles par le biais de paysages favorables aux ennemis naturels. Des résultats positifs de telles études seraient mobilisateurs pour de futures recherches participatives dans ce domaine. Enfin, cette thèse participative et exploratoire nous a permis également d’identifier de nouveaux terrains et questions de recherches dans le domaine de la GPR qui pourront être poursuivis. / Agroecology requires the design of farming system integrating as much as possible ecosystem services. Biological control by natural enemies may substitute commonly used pesticides. Ecology findings demonstrate that farming landscapes with a high proportion of natural habitats (woods, forests meadows, etc) favor natural enemies by providing them shelter, nesting sites and food. Landscape Pest Control (LPC), i.e. the design of farming landscapes in favor of these habitats, may be implemented to foster natural enemies and biological pest control. However, how stakeholders may design such landscapes remains unexplored. In this PhD, we followed an action-research approach and explored the design of such pest regulating landscapes together with local and scientific stakeholders. We initiated a participatory approach with agricultural stakeholders in a part of the Tarn-et-Garonne region specialized in fruit production. Our research seeks to identify the factors in favor of a LPC according to stakeholders’ representations and knowledge. In particular, we qualified the conditions under which natural enemies and the landscape are socially constructed resources providing ecosystem services. We also seek to identify if these stakeholders were linked through dependencies which may necessitate a coordinated management of the landscape. We explored the possibility of a LPC through several cycle of participatory modelling. This PhD successively established mental models of local stakeholders about their pest control strategies, co-constructed participatory Bayesian models in order to explore uncertainties surrounding LPC, and finally we co-constructed an agent-based model about the population dynamic of the invasive pest Drosophila suzukii and its potential landscape management. Our results show that, according to scientific and local stakeholder’s actual representations, the composition of the landscape in natural habitats is weakly related with pest regulation ecosystem services, even though the landscape is related with higher functional biodiversity. Nowadays, as stakeholders see little benefit, they don’t consider to be dependent to benefit from an enhanced biological control through a LPC strategy. Farmers rather mention their preference towards individual solutions such as pesticides or exclusion nets surrounding their orchards. This individual focus suggests that designing innovation favorable to natural enemies might be more relevant within farms, like focusing on the vegetation between rows of fruit trees. Besides, these results show the need for scientific studies relating economics and ecology to explicitly measure the benefits farmers could obtain from a landscape favorable to natural enemies. Positive results of such study would enhance further participatory research around LPC strategies. Finally, this participatory and exploratory research identified new sites for investigation and raised questions about the LPC which could be further looked into.