Offre de thèse financée: Conscience de groupe à l’ère de l’IA
Conscience de groupe à l’ère de l’IA : Modèles et outils pour le maintien de la cohésion et la prévention du désengagement dans les équipes en télétravail
- Financement : Assuré
- Titre : Conscience de groupe à l’ère de l’IA : Modèles et outils pour le maintien de la cohésion et la prévention du désengagement dans les équipes en télétravail
- Directeur : Manuele Kirsch Pinheiro (Université Paris 1 Panthéon Sorbonne, CRI)
- Co-Directeur : Luiz Angelo Ste"enel (Université de Reims Champagne-Ardenne, LICIIS - LRC CEA DIGIT)
- mots clés: Conscience de groupe (group awareness), travail coopératif assisté par ordinateur (TCAO), analyse des sentiments, Intelligence Artificielle, Machine Learning, Federated Learning.
Contexte
La généralisation du télétravail a profondément transformé les modes de collaboration en entreprise, entraînant une multiplication des plateformes numériques (Teams, Zoom, Jira, etc.) et une dispersion des informations. Cette évolution s’accompagne de nouveaux défis : perte de cohésion, isolement, di"iculté à suivre l’état d’avancement des projets, et augmentation du risque de désengagement ou de détresse psychologique chez les collaborateurs.
Objectifs de la thèse
La thèse se positionne au carrefour de deux domaines de recherche : le travail coopératif assisté par ordinateur (TCAO ou CSCW en anglais), avec sa notion de conscience de groupe (group awareness), et l’Intelligence Artificielle, et notamment ses techniques de Machine Learning. La thèse vise à :
- Proposer des modèles d’IA et de Machine Learning pour extraire, à partir des traces d’activités multi-plateformes, les informations pertinentes à la conscience de groupe (group awareness) ;
- Détecter précocement les signes de désengagement ou de détresse chez les membres d’une équipe ;
- Concevoir des mécanismes personnalisés de di"usion d’information et d’alerte, respectant la vie privée (RGPD, AI Act), pour renforcer la cohésion et le bien-être des équipes ;
Explorer des approches de Federated Learning et d’apprentissage incrémental pour l’adaptation des modèles à chaque contexte collaboratif.
propositionsujetthese-annonce.pdf
(PDF, 48 KB)
propositionsujetthese-annonce-en.pdf
(PDF, 65 KB)