Méthodologie outillée pour la reconstitution des ontologies de compétences et leur exploitation dans le contexte de l'accompagnement d'un individu vers l'emploi

Tool-based Methodology for skills ontologies construction and their use in the context of supporting an individual towards employment

• Auteur / Autrice : Ranya El Hadri
• Direction : Kavé Salamatian, Julien Boissière, Sorana Cimpan, Luc Damas
• Type : Thèse de doctorat
• Discipline(s) : STIC Informatique
• Date : Soutenance le 12/03/2025
• Etablissement(s) : Chambéry
• Ecole(s) doctorale(s) : École doctorale sciences, ingénierie, environnement (Chambéry ; 2021-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique, systèmes, traitement de l'information et de la connaissance (Annecy)
• Jury : Président / Présidente : Marie-Hélène Abel
• Jury : Examinateurs / Examinatrices : Ernesto José Exposito Garcia
• Jury : Rapporteurs / Rapporteuses : Myriam Lamolle, Christophe Rigotti
• DOI : 10.70675/59101b3ez3f9bz44d0z9231zf1ce386980e5

Mots clés

Mots clés contrôlés

Analyse des données

Ontologies (informatique)

Mots clés libres

Méthodologie outillée

Ontologie de compétences

Prédiction cross-Modale

Mariage stable

Tool-Based Methodology

Skills Ontology

Cross-Modal Prediction

Stable Marriage

Résumé

Cette thèse présente une méthodologie complète basée sur des outils pour la construction d'ontologies de compétences et leur application dans l'accompagnement des individus vers l'emploi. Fondée sur le projet Lab Capital Human (LCH), cette recherche relève le défi d'aligner les compétences individuelles sur les traits de personnalité à l'aide d'une approche prédictive multimodale.La méthodologie est conçue pour intégrer divers types de données - données numériques sur la personnalité et descriptions textuelles des compétences - dans un cadre structuré et modulaire. Elle comprend trois phases principales : la construction d'une hiérarchie de concepts qui organise les compétences au sein d'une structure hiérarchique, l'application d'un algorithme d'appariement probabiliste (PMA) basé sur l'algorithme de mariage stable pour la création efficace de liens entre les traits de personnalité et les compétences correspondantes, et la phase de prédiction, qui tire parti de ces liens pour générer des recommandations de compétences personnalisées.La validation de la méthodologie est effectuée à travers l'étude de cas du LCH-RH, en utilisant un ensemble de données robuste qui comprend à la fois des évaluations de personnalité et des données sur les compétences. Des analyses statistiques, notamment l'entropie et l'information mutuelle, sont utilisées pour évaluer les relations au sein du graphe bipartite formé par les traits de personnalité et les compétences, ce qui permet de mieux comprendre la structure des données et leur pouvoir prédictif.Les résultats obtenus grâce à la méthodologie proposée démontrent une amélioration notable de la prédiction des compétences, en mettant en évidence des liens pertinents entre les traits de personnalité et les compétences requises. Cependant, la principale contribution réside dans l'architecture modulaire de la méthodologie, qui offre la flexibilité et l'adaptabilité nécessaires pour explorer ces corrélations de manière systématique et reproductible.En outre, cette recherche examine les implications de l'utilisation de l'IA dans les pratiques RH, en abordant les biais potentiels et en soulignant la nécessité d'une supervision humaine dans les processus de prise de décision automatisés. Les connaissances acquises grâce à cette étude contribuent à la littérature existante sur les systèmes de prédiction multimodale et jettent les bases d'une recherche future visant à affiner et à appliquer cette méthodologie dans divers contextes des ressources humaines.En présentant une nouvelle approche de la prédiction des compétences, cette thèse ne fait pas seulement progresser la compréhension de la relation entre les traits de personnalité et les compétences, mais propose également des stratégies exploitables pour promouvoir des pratiques de recrutement équitables, en soutenant finalement les individus dans leur développement de carrière.

This thesis presents a comprehensive tool-based methodology for the construction of skills ontologies and their application in supporting individuals towards employment. Grounded in the Lab Capital Human Project (LCH), this research addresses the challenge of aligning individual skills with personality traits using a cross-modal predictive approach.The methodology is designed to integrate diverse data types—numerical personality data and textual skill descriptions—through a structured and modular framework. It encompasses three primary phases: the construction of a concept hierarchy that organizes skills within a hierarchical structure, the application of a probabilistic matching algorithm (PMA) based on the stable marriage algorithm for effective link creation between personality traits and corresponding skills, and the prediction phase, which leverages these connections to generate personalized skill recommendations.Validation of the methodology is performed through the LCH-RH case study, using a robust dataset that includes both personality assessments and skills data. Statistical analyses, including entropy and mutual information, are employed to evaluate the relationships within the bipartite graph formed by personality traits and skills, providing insights into the data's structure and its predictive power.The results obtained through the proposed methodology demonstrate a notable improvement in skill prediction, highlighting relevant links between personality traits and required skills. However, the primary contribution lies in the modular architecture of the methodology, which provides flexibility and adaptability to systematically and reproducibly explore these correlations.Moreover, this research discusses the implications of using AI in HR practices, addressing potential biases, and highlighting the necessity for human supervision in automated decision-making processes. The insights gained from this study contribute to the existing literature on cross-modal prediction systems and establish a foundation for future research aimed at further refining and applying this methodology across various contexts in Human Resources.By presenting a novel approach to skill prediction, this thesis not only advances the understanding of the relationship between personality traits and skills but also proposes actionable strategies to promote fair recruitment practices, ultimately supporting individuals in their career development.