Soutenances de thèse
Mesurer l'innovation : analyse textuelle computationnelle et Machine Learning appliqués aux startups, aux écosystèmes entrepreneuriaux et à la coopération européenne
10/07/2026 à 14h00
Télécharger le PDFMme Reem ISMAIL présente ses travaux en soutenance le 10/07/2026 à 14h00
À l'adresse suivante : Université Paris Dauphine - Pl. du Maréchal de Lattre de Tassigny, 75016 Paris Salle des thèses - D520
En vue de l'obtention du diplôme : Doctorat en Management
La soutenance est publique
Titre des travaux
Mesurer l'innovation : analyse textuelle computationnelle et Machine Learning appliqués aux startups, aux écosystèmes entrepreneuriaux et à la coopération européenne
École doctorale
École doctorale Dauphine SDOSE
Équipe de recherche
UMR 7088 - Dauphine Recherches en Management
Section CNU
7 - Sciences de la société
Directeur(s)
Jean-Michel DALLE
Membres du jury
| Nom | Qualité | Établissement | Role |
|---|---|---|---|
| M. Jean-Michel DALLE | Full professor | Université Paris Dauphine- PSL | Directeur de these |
| M. Thierry RAYNA | Full professor | Laboratoire CRG, École Polytechnique (l'X) | Rapporteur |
| M. Francesco RULLANI | Full professor | Venice School of Management - Ca' Foscari University of Venice | Rapporteur |
| M. Pierre-Jean BENGHOZI | Directeur de recherche émérite | CNRS- Centre National de la recherche | Examinateur |
| Mme Nathalie FLECK | Full professor | Université Paris Dauphine- PSL | Examinateur |
Résumé
Cette thèse développe des méthodes originales de mesure et de détection de l'innovation en exploitant l'analyse textuelle computationnelle, le machine learning appliqués à des bases de données textuelles et numériques. Elle s'articule autour d'une question centrale : comment l'analyse textuelle computationnelle et les modèles prédictifs peuvent-ils contribuer à détecter les signaux d'innovation, et que révèlent ces signaux sur le positionnement concurrentiel des startups, les logiques d'investissement des écosystèmes entrepreneuriaux et l'efficacité des stratégies d'innovation dans les programmes de coopération européens ?
Les approches traditionnelles de mesure de l'innovation reposent principalement sur les brevets et les dépenses de R&D, des indicateurs qui présentent des limites documentées : biais sectoriel, décalage temporel et insensibilité au contenu sémantique de ce qui est inventé. Pour les startups, qui opèrent au stade pré-brevet et dont l'avantage concurrentiel repose sur l'originalité perçue de leurs idées, ces indicateurs sont particulièrement inadaptés. Nous proposons de traiter les données textuelles comme des sources structurées de signaux d'innovation pouvant être extraits, quantifiés et reliés à des résultats stratégiques.
Le premier chapitre empirique introduit un cadre de double mesure de la nouveauté distinguant la nouveauté de l'idée d'une startup (CrunchBase) de celle de son invention (premier brevet, WIPO). En appliquant la modélisation thématique LDA et la divergence de Kullback-Leibler, nous construisons des indicateurs de nouveauté, de transience et de résonance. Les résultats montrent que la nouveauté ne fonctionne pas comme un signal uniformément positif : sa valeur dépend du type de signal et du secteur.
Le deuxième chapitre compare les déterminants de la levée de fonds dans trois écosystèmes (États-Unis/Canada, UE, MENA) en appliquant Random Forest et SHAP à plus de 56 000 startups. Nous introduisons le concept d'identité d'investissement : l'écosystème américain est orienté par la validation du marché, l'européen est intermédié par les réseaux, et le MENA est ancré sur le fondateur.
Le troisième chapitre évalue l'impact de l'Association COST (Horizon Europe) en combinant analyse de contribution, bibliométrie, analyse de réseau, scoring NLP et entretiens semi-directifs. L'impact opère principalement par la formation de réseaux et la diffusion des connaissances, et l'approche textuelle identifie des dimensions d'impact sociétal invisibles aux indicateurs bibliométriques.
La thèse contribue sur trois plans. Théoriquement, elle propose un cadre de double nouveauté reliant mesure de l'innovation et théorie du signal, ainsi que le concept d'identité d'investissement. Méthodologiquement, elle démontre l'applicabilité de la divergence de Kullback-Leibler et de la décomposition SHAP en sciences de gestion. Sur le plan managérial, elle fournit aux entrepreneurs et aux investisseurs des éléments pour calibrer les signaux d'innovation selon les contextes écosystémiques.