Offre de thèse
ENACT LORRAINE NORD - Contribution de l'Intelligence Artificielle à la recherche expérimentale : une application en marketing et communication
Date limite de candidature
20-06-2025
Date de début de contrat
01-10-2025
Directeur de thèse
KACHA Mathieu
Encadrement
Rencontres régulières avec la direction de thèse Suivi des formations de l'école doctorale SJPEG de l'Université de Lorraine Participation aux séminaires et travaux de l'équipe thématique Marketing et de l'Axe Scientifique Prioritaire en Communication Persuasive des Organisations du CEREFIGE Eventuelle participation aux colloques doctoraux des associations académiques de la discipline (AFM, AMS)
Type de contrat
école doctorale
équipe
contexte
Ce projet de thèse s'inscrit dans un projet de recherche qui vient d'être initié et qui vise à examiner la façon dont l'Intelligence Artificielle (IA) peut être utilisée au service de la recherche expérimentale menée auprès d'individus. C'est dans le cadre des recherches expérimentales en marketing et en communication des organisations que l'apport de l'IA sera plus précisément étudié. Deux équipes de chercheurs au sein de l'Université de Lorraine se sont réunies autour de ce projet de recherche : l'une composée de 3 chercheurs en marketing et communication, spécialistes de l'approche expérimentale, et membres du CEREFIGE ; l'autre constituée de 4 chercheurs en informatique, spécialistes de l'Intelligence Artificielle, et membres du LORIAspécialité
Sciences de Gestion (SJPEG)laboratoire
CEREFIGE - Centre Européen de Recherche en Economie Financière et Gestion des Entreprises
Mots clés
Intelligence Artificielle, Expérimentation, Marketing/Communication, Grands Modèles de Langage, Modèles neuronaux génératifs, Mise-à-jour fine
Détail de l'offre
Ce projet de thèse s'inscrit dans 2 des 3 axes thématiques d'excellence d'ENACT : le traitement automatique des langues et grand modèle multimodaux (LLM) ainsi que l'ingénierie de l'intelligence artificielle (IA) appliquée à la découverte scientifique. La/le doctorant(e) réalisera sa recherche doctorale dans le cadre d'un projet de recherche en cours, initié avec des chercheurs de l'équipe du LORIA. Porté par une approche interdisciplinaire, il vise à examiner comment l'IA peut contribuer à améliorer la recherche expérimentale et, ce faisant, enrichir les découvertes scientifiques qui en découlent.
La recherche expérimentale, notamment dans les domaines du marketing et de la communication se heurte aujourd'hui, en effet, à plusieurs limites : création de stimuli réalistes, traitement des données qualitatives (surtout lorsqu'elles sont variées voire massives), reproductibilité des résultats ou encore difficulté à détecter certains schémas complexes dans les réponses humaines. Dans ce contexte, l'IA représente une opportunité importante pour soutenir la méthodologie expérimentale. En particulier, elle pourrait permettre de dépasser ces difficultés auxquelles les chercheurs sont habituellement confrontés lorsqu'ils réalisent des expérimentations impliquant des individus.
Le projet doctoral se concentre sur des formes d'IA précises : des outils d'apprentissage automatique (« machine learning »), en particulier des modèles de réseaux de neurones, appliqués à l'analyse, à la simulation et à la génération de contenus expérimentaux (IA génératives). L'enjeu est de proposer des IA ouvertes, c'est-à-dire des outils accessibles à la communauté scientifique (en Marketing et Communication et plus largement), réutilisables et adaptables selon les besoins. Cette approche soulève néanmoins des questions éthiques, théoriques et épistémologiques, notamment en ce qui concerne l'interprétation des résultats produits, le risque d'automatisation aveugle ou encore la nécessité de maintenir une forme de contrôle humain sur les processus expérimentaux.
Ce travail doctoral s'articulera autour de plusieurs objectifs complémentaires :
1. Simuler les résultats issus d'une expérimentation à partir de profils types d'individus, en s'appuyant sur des réponses observées lors d'expérimentations antérieures. Il s'agira de regrouper les répondants selon les similarités de leurs réponses aux questionnaires, en classant chacun d'entre eux dans un groupe puis à entraîner des modèles à simuler les comportements de chaque groupe de répondants.
2. Générer et évaluer des stimuli expérimentaux réalistes à partir d'IA génératives afin de tester différentes conditions adaptées aux besoins des expérimentateurs.
3. Améliorer l'analyse des réponses à des questions ouvertes issues d'enquêtes expérimentales grâce à des modèles capables de classifier et structurer ces données de manière fine.
Ces objectifs nécessiteront, de la part de la/du doctorant (e), de collecter et de préparer un jeu de données (stimuli, questions, réponses) issus d'expérimentations passées puis de traiter ces données afin de pouvoir les utiliser en entrée des modèles d'apprentissage automatique. La/le doctorant(e) sera en charge de cette phase, qui comprend également le prétraitement des données (nettoyage, anonymisation, structuration) pour garantir leur qualité et éviter les biais susceptibles de fausser les résultats et les prédictions.
Afin de renforcer la validité scientifique des productions, il sera nécessaire d'y intégrer des connaissances métiers et une supervision des modèles par des experts. L'évaluation de la qualité des résultats obtenus par apprentissage automatique est une question importante afin de valider la pertinence de ceux-ci. Une attention toute particulière sera portée à l'exactitude, la reproductibilité et la robustesse des résultats générés, afin de s'assurer que les apports de l'IA servent véritablement la rigueur de la recherche expérimentale.
Keywords
Artificial Intelligence, Experiment, Marketing/Communication, Large Language Models, generative adversarial network, fine-tuned
Subject details
This doctoral project falls within two of the three ENACT thematic areas of excellence: natural language processing and large multimodal models (LLMs), as well as artificial intelligence (AI) engineering applied to scientific discovery. The PhD student will carry out their research as part of an ongoing project initiated in collaboration with researchers from the LORIA team. Builton an interdisciplinary approach, the project aims to examine how AI can contribute to improving experimental research and, in doing so, enrich the scientific discoveries that result from it. Experimental research, particularly in the fields of marketing and communication, currently faces several limitations: the creation of realistic stimuli, the processing of qualitative data (especially when it is varied or even massive), the reproducibility of results, and the difficulty of detecting complex patterns in human responses. In this context, AI presents a significant opportunity to support experimental methodologies. In particular, it could help overcome these challenges that researchers commonly face when conducting experiments involving individuals. The doctoral project focuses on specific forms of AI: machine learning tools, particularly neural network models, applied to the analysis, simulation, and generation of experimental content (generative AI). The aim is to develop open AI systems—tools that are accessible to the scientific community (in Marketing and Communication, and more broadly), reusable, and adaptable to specific needs. However, this approach also raises ethical, theoretical, and epistemological questions, particularly concerning the interpretation of generated results, the risk of blind automation, and the necessity of maintaining human oversight over experimental processes. This doctoral work will be structured around several complementary objectives: 1. To simulate experimental results based on typical respondent profiles, using responses collected from prior experiments. This involves grouping participants based on the similarity of their questionnaire responses, classifying each one into a cluster, and training models to simulate the behavior of each respondent group. 2. To generate and evaluate realistic experimental stimuli using generative AI, in order to test various conditions tailored to the needs of experimenters. 3. To improve the analysis of open-ended responses from experimental surveys using models capable of finely classifying and structuring qualitative data. These objectives will require the PhD student to collect and prepare a dataset (stimuli, questions, responses) from previous experiments, and to process this data so that it can be used as input for machine learning models. The student will be responsible for this step, which also includes data preprocessing (cleaning, anonymization, structuring) to ensure quality and avoid biases that could distort results and predictions. To strengthen the scientific validity of the outputs, it will be necessary to incorporate domain-specific knowledge and expert supervision of the models. Evaluating the quality of the results obtained through machine learning is an important issue in assessing their relevance. Particular attention will be paid to the accuracy, reproducibility, and robustness of the generated results to ensure that the contributions of AI genuinely support the rigor of experimental research.
Profil du candidat
Parcours académique en sciences de gestion et du management et plus précisément en marketing
Titulaire ou en cours d'obtention d'un Master
Avoir réalisé un mémoire de Master et/ou des modules orientés recherche
Connaître les fondements de la communication, de la recherche expérimentale et avoir des connaissances de base en Intelligence Artificielle
Candidate profile
Academic background in management sciences, with a focus on marketing
Hold or be in the process of obtaining a Master's degree
Completion of a Master's thesis and/or research-oriented modules
Knowledge of the fundamentals of communication, experimental research and basic knowledge of Artificial Intelligence
Référence biblio
Baker, R., Brick, J. M., Bates, N. A., Battaglia, M., Couper, M. P., Dever, J. A., Gile, K. J., & Tourangeau, R. (2013). Summary Report of the AAPOR Task Force on Non-probability Sampling. Journal of Survey Statistics and Methodology, 1(2), 90‑143. https://doi.org/10.1093/jssam/smt008
Bandi, A., Adapa, P.V.S.R. & Kuchi, Y.E.V.P.K. (2023). The Power of Generative AI: A Review of Requirements, Models, Input–Output Formats, Evaluation Metrics, and Challenges. Future Internet, 15(8), 260. https://doi.org/10.3390/fi15080260
Boudjeloud-Assala, L., Pinheiro, P., Blansché, A., Tamisier, T. & Otjacques, B. (2016). Interactive and iterative visual clustering. Information Visualization, 15(3), 181-197. https://doi:10.1177/1473871615571951
Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., ... & Amodei, D. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems, 33, 1877–1901. https://proceedings.neurips.cc/paper/2020/hash/1457c0d6bfcb4967418bfb8ac 142f64a-Abstract.html
Campbell, D. T., Stanley, J. C., & Gage, N. L. (1963). Experimental and Quasi-Experimental Designs for Research. https://www.semanticscholar.org/paper/Experimental-and-Quasi-Experimental-Designs-for-Campbell-Stanley/462b837d8a6e998efd5b7c3d7232e750dd986fc5
Christiano, P. F., Leike, J., Brown, T., Martic, M., Legg, S. & Amodei, D. (2017). Deep Reinforcement Learning from Human Preferences. Advances in Neural Information Processing Systems, 30, 4302–4310. https://proceedings.neurips.cc/paper_files/paper/2017/hash/d5e2c0 adad503c91f91df240d0cd4e49-Abstract.html
Chang, S., Kennedy, A., Leonard, A., & List, J. (2024). 12 Best Practices for Leveraging Generative AI in Experimental Research (No. w33025; p. w33025). National Bureau of Economic Research. https://doi.org/10.3386/w33025
Charness, G., Jabarian, B., & List, J. (2023). Generation Next : Experimentation with AI (No. w31679; p. w31679). National Bureau of Economic Research. https://doi.org/10.3386/w31679
Gaschi, F. Plesse, F., Rastin, P. & Toussaint, Y. (2022). Multilingual Transformer Encoders: a Word-Level Task-Agnostic Evaluation. International Joint Conference on Neural Networks (IJCNN), pp. 1-8. https://doi: 10.1109/IJCNN55064.2022.9892197
Goodman, J. K., Cryder, C. E., & Cheema, A. (2013). Data Collection in a Flat World : The Strengths and Weaknesses of Mechanical Turk Samples. Journal of Behavioral Decision Making, 26(3), 213‑224. https://doi.org/10.1002/bdm.1753
Hartmann, J., Exner, Y., & Domdey, S. (2023). The power of generative marketing : Can generative AI reach human-level visual marketing content? SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4597899
Herrmann Jean-Luc, Kacha Mathieu, et Derbaix Christian (2016), 'I support your team, support me in turn!': The driving role of consumers' affiliation with the sponsored entity in explaining behavioral effects of sport sponsorship leveraging activities, Journal of Business Research, 69, 2, 604-612 https://doi.org/10.1016/j.jbusres.2015.05.016
Horton, J. J. (2023). Large Language Models as Simulated Economic Agents : What Can We Learn from Homo Silicus? (No. arXiv:2301.07543). arXiv. https://doi.org/10.48550/arXiv.2301.07543
Huang, M.-H., & Rust, R. T. (2021). A strategic framework for artificial intelligence in marketing. Journal of the Academy of Marketing Science, 49(1), 30‑50. https://doi.org/10.1007/s11747-020-00749-9
Hulland, J., Baumgartner, H., & Smith, K. M. (2018). Marketing survey research best practices : Evidence and recommendations from a review of JAMS articles. Journal of the Academy of Marketing Science, 46(1), 92‑108. https://doi.org/10.1007/s11747-017-0532-y
Kacha, M. (2021). Pour des recherches expérimentales moins artificielles en communication marketing, Notice d'Habilitation à Diriger des Recherches, Université de Lorraine.
Klein, Julie Thompson (2010). A taxonomy of interdisciplinarity. In Robert Frodeman, Julie Thompson Klein & Carl Mitcham, The Oxford Handbook of Interdisciplinarity. Oxford, United Kingdom: Oxford University Press.
Meade, A. W., & Craig, S. B. (2012). Identifying careless responses in survey data. Psychological Methods, 17(3), 437‑455. https://doi.org/10.1037/a0028085
Mecharnia, T. & d'Aquin, M. (2025). Performance and Limitations of Fine-Tuned LLMs in SPARQL Query Generation. Generative AI and Knowledge Graphs (GenAIK), pp. 69–77. https://aclanthology.org/ 2025.genaik-1.8
Paolacci, G., & Chandler, J. (2014). Inside the Turk : Understanding Mechanical Turk as a Participant Pool. Current Directions in Psychological Science, 23(3), 184‑188. https://doi.org/10.1177/0963721414531598
Qian, X., Cabanes, G., Rastin, P., Guidani, M., Marrakchi, G., Clausel, M. & Grozavu, N. (2025). An Innovative Framework for Static and Dynamic Clustering using Histogram Models and Wasserstein Distance over Sliding Windows. Pattern Recognition, 162 : 111414. https://doi.org/10.1016/ j.patcog.2025.111414
Qian, X., Jin, L., Cabanes, G., Rastin, P., Grozavu, N. & Tounsi, S. (2023). Multi-view Clustering Using Barycentric Coordinate Representation. International Joint Conference on Neural Networks (IJCNN), pp. 1-8. https://doi.org/10.1109/IJCNN54540.2023.10191546.
Radford, A., Kim, J.W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., … & Sutskever, I. (2021). Learning Transferable Visual Models From Natural Language Supervision. International Conference on Machine Learning (ICML), pp. 8748-8763. https://proceedings.mlr.press/ v139/radford21a.html.
Rai, A. (2020). Explainable AI : From black box to glass box. Journal of the Academy of Marketing Science, 48(1), 137‑141. https://doi.org/10.1007/s11747-019-00710-5
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems, 30, 5998–6008. https://proceedings.neurips.cc/paper/2017/hash/3f5ee243547dee91fbd053c1c4a845 aa-Abstract.html