• Langue : Anglais
• Discipline : Gestion
• Identifiant : 2025ULILD025
• Type de thèse : Doctorat
• Date de soutenance : 19/12/2025

Résumé en langue originale

Cette thèse présente une étude explicative et exploratoire des facteurs psychologiques, cognitifs, de compréhension, de pertinence, d'intention, de personnalisation et émotionnels qui sous-tendent le comportement de recherche d'informations de santé des utilisateurs francophones (HISB) sur les pages de résultats des moteurs de recherche (SERP). L'accent a été mis sur le développement d'un profilage psycho-cognito de nos participants au test, puis sur la classification des intentions de recherche en deux catégories. La recherche adopte une approche mixte, intégrant des tests de suivi du comportement de recherche des utilisateurs par vidéographie et une analyse de la perception basée sur les commentaires. Au total, 160 participants francophones ont créé 2 884 requêtes de recherche uniques liées à la santé, selon 4 scénarios de test avec une moyenne de 4 requêtes par scénario, ce qui a permis de générer 627 enregistrements vidéo valides. Ces enregistrements vidéo ont été transcrits et divisés en 9 330 échantillons de texte valides et logiques, soit l'équivalent de 815 430 jetons de données humaines réelles, ainsi que la création d'un autre ensemble de commentaires d'utilisateurs YouTube. En parallèle, 165 872 échantillons de texte simulés par l'IA (17 773 761 jetons) ont été générés à l'aide d'API (Application Programming Interface) de grands modèles de langage (LLM) ; en utilisant des invites textuelles basées sur des règles sous des capacités et des caractéristiques d'utilisation contrôlées. Les données humaines réelles et les données générées par l'IA ont été analysées à l'aide d'un modèle d'apprentissage automatique supervisé basé sur un réseau neuronal récurrent (RNN) personnalisé et de la méthode BiGRU (Bidirectional Gated Recurrent Unit) développée en Python. Cette étude assimilée du traitement cognitif, de l'engagement émotionnel et de la compréhension sémantique offre également des perspectives cruciales sur les expériences de recherche futuristes médiées par l'IA et la prise de décision marketing dans le contexte des soins de santé français. Cette recherche contribue aux domaines croisés du marketing numérique, de l'informatique de santé grand public et de l'interaction homme-machine en proposant un cadre comportemental raffiné pour la recherche influencée par l'IA. Elle fait également progresser le discours méthodologique sur la manière de comparer systématiquement la cognition humaine à l'intelligence générative dans ce contexte.

Résumé traduit

This thesis presents an explanatory and exploratory investigation into the psychological, cognitive, understanding, relevance, intent, personalization and emotional factors underlying French-speaking User’s Health Information Search Behaviour (HISB) on Search Engine Result Pages (SERPs) with prime focus on developing Psycho-Cognito Profiling of our test-participants and then doing dual-category Search Intents Classification. The research adopts a mixed-methods design, incorporating testing of user’s search behavioural tracking through videography, and commentary-based perception analysis. A total of 160 French speaking participants created 2,884 unique health-related search prompts; under 4-test scenario with average 4 prompts per scenario; using which generating 627 valid video recordings were created. These video recordings were transcribed and divided into 9330 valid and logical text samples, equivalent of 815,430 tokens of real-human data, along with creating another set of YouTube user comments. In parallel, 165, 872 AI-simulated text samples (17, 773, 761 tokens) were generated using APIs (Application Programming Interface) of Large Language Models (LLMs); using rule-based text-prompts under controlled capacities and usage features. Both real-human data and AI-generated-data were analysed using a custom-built Recurrent Neural Network (RNN) based Supervised Machine Learning Model and BiGRU (Bidirectional Gated Recurrent Unit) method developed in Python to present an assimilated study of cognitive processing, emotional engagement, and semantic understanding alongside offering critical insights into futuristic AI-mediated search experiences and marketing decision making in French healthcare contexts. This research contributes to the intersecting fields of digital marketing, consumer health informatics, and human-computer interaction by proposing a refined behavioural framework for AI-influenced search. It also advances methodological discourse on how to systematically compare human cognition with generative intelligence in the context.