Soutenance de thèse de Monsieur Pierre BOUTROS

M. Robin COWAN

Professeur des universités 

University of Strasbourg, France

Président du jury

M. Stijn KELCHTERMANS 

Professeur des universités

Katholieke Universiteit Leuven

Rapporteur

Mme Catalina MARTINEZ 

Directrice de recherche 

Spanish National Research Council

Mme Reinhilde VEUGELERS 

Professeure des université

Katholieke Universiteit Leuven

Mots-clés :

Diffusion des connaissances, Doctorants, Directeurs de Thèse, Carrières, Mobilité

Résumé :

Cette thèse se concentre sur trois dimensions de la diffusion des connaissances sur les marchés du travail scientifiques : le transfert de connaissances entre chercheurs travaillant en étroite collaboration, la circulation des connaissances acquises sur le marché du travail, et l’appariement des chercheurs mobiles et des organisations en fonction de leurs stocks de connaissances. Toutes les analyses empiriques de la thèse s’appuient sur le cas français. Dans le premier chapitre, j’étudie le transfert de connaissances au sein de l’une des relations de travail les plus étroites dans le domaine scientifique, à savoir la relation entre les directeurs de thèse et leurs doctorants. Ce premier chapitre remet en question l’hypothèse selon laquelle le transfert de connaissances s’effectue des premiers vers les seconds en étudiant le transfert bidirectionnel de connaissances entre les doctorants et leurs directeurs de thèse. En me concentrant sur le transfert de connaissances en intelligence artificielle (IA), je constate qu’un étudiant encadré par un directeur de thèse possédant des connaissances en IA a 10 points de pourcentage de chances supplémentaires de rédiger une thèse sur l’IA. Je constate également qu’un directeur de thèse sans connaissances en IA a 15 points de pourcentage de plus de chances de publier un article traitant de l’IA lorsqu’il est en contact avec un étudiant possédant des connaissances en IA. Ces résultats confirment la bidirectionnalité du processus d’apprentissage. Dans le deuxième chapitre, je déplace mon attention du transfert de connaissances en IA pendant le doctorat vers sa circulation et sa valorisation ultérieures sur le marché du travail. J’estime la relation entre la formation en IA et la carrière des individus pour l’ensemble de la population des doctorants français en STEM ayant obtenu leur diplôme entre 2010 et 2018, en comparant les doctorants formés en IA à des étudiants similaires n’ayant pas suivi de formation en IA. Je constate que la formation en IA n’est pas associée à une probabilité plus élevée de poursuivre une carrière de chercheur après l’obtention du diplôme. Cependant, les étudiants ayant suivi une formation en IA et poursuivant une carrière de chercheur présentent une dépendance au sentier, continuant à publier sur des sujets liés à l’IA, et un impact plus important de leurs travaux de recherche. En informatique, les étudiants ayant suivi une formation en IA sont moins susceptibles de rejoindre des organismes de recherche privés, tandis que dans les disciplines autres que l’informatique, la formation en IA stimule l’activité de dépôt de brevets et la mobilité à l’étranger. Dans le troisième chapitre, j’étudie les facteurs permettant de prédire le choix de destination des chercheurs mobiles. Pour ce faire, j’utilise une base de données sur la mobilité des chercheurs entre les laboratoires au sein du plus grand organisme de recherche français sur la période 2012-2022. Je montre que les liens de citations et de co-autorat entre les chercheurs mobiles et les membres du laboratoire comptent parmi les prédicteurs les plus forts du choix de destination des chercheurs. Plus précisément, un lien de citation antérieur à la mobilité entre un chercheur et un laboratoire est associé à une probabilité supérieure de 3,7 points de pourcentage que le chercheur choisisse ce laboratoire comme destination, tandis qu’un lien de co-autorat est associé à une probabilité supérieure de 9,8 points de pourcentage. Je montre que les liens de citation et de co-autorat sont pertinents car ils constituent des canaux d’information permettant de pallier l’asymétrie d’information entre les chercheurs et les laboratoires de destination avant la mobilité. Je constate que les liens de citation sont de meilleurs prédicteurs du choix de destination lorsque la distance cognitive entre le chercheur et le laboratoire est élevée, tandis que le co-autorat joue un rôle plus important lorsque cette distance est faible.

 

Summary:

The study of how scientific knowledge diffuses across researchers, teams, and organizations has become increasingly relevant, especially among scholars and policymakers concerned with scientific progress and economic growth. This thesis focuses on three dimensions of knowledge diffusion in scientific labor markets: the transfer of knowledge between researchers who work closely with one another, the circulation of acquired knowledge in the labor market, and the matching of mobile researchers and organizations based on their knowledge stocks. All empirical analyses in the dissertation are based on the French case. In the first chapter, I study knowledge transfer within one of the closest working relationships in science, the supervisor-PhD student relationship. In contexts involving supervisors and students, knowledge transfer is commonly assumed from the former to the latter. This first chapter challenges that assumption by investigating bidirectional knowledge transfer between PhD students and their supervisors. Focusing on artificial intelligence (AI) knowledge transfer, I find evidence that a student supervised by a supervisor with AI knowledge is 10 percentage points more likely to write a thesis in AI than a student supervised by a supervisor with no AI knowledge, indicating an AI knowledge transfer from supervisors to students. I also find that a supervisor with no AI knowledge is 15 percentage points more likely to publish an article with AI content when exposed to a student with AI knowledge than when not exposed to one, indicating an AI knowledge transfer from students to supervisors. These results confirm the bidirectionality of the learning process. In the second chapter, I shift focus from the transfer of AI knowledge during the PhD to its subsequent circulation and valuation in the labor market. Specifically, I estimate the relationship between AI training and individuals’ careers for the entire population of French PhD students in STEM who graduated between 2010 and 2018, by comparing PhD students trained in AI with similar students who had no AI training. I find that AI training is not associated with a higher probability of pursuing a research career after graduation. However, students who have AI training during their PhD and pursue a research career after graduation show path dependence, continuing to publish on AI topics after graduation, and a higher impact of their research. I also observe heterogeneity across disciplines. In Computer Science, AI-trained students are less likely to end up in private research organizations after graduation compared to their non-AI counterparts, while in disciplines other than Computer Science, AI
training stimulates patenting activity and mobility abroad after graduation. In the third chapter, I investigate the factors predicting the destination choice of mobile researchers. To do so, I use a unique dataset on researchers’ mobility between labs within the largest French public research organization from 2012 to 2022. I find that citation and co-authorship links between mobile researchers and destination lab members are among the strongest predictors of the researchers’ destination choice. Specifically, a citation link prior to mobility between a researcher and a lab is associated with a 3.7 percentage-point higher probability that the researcher chooses that lab as a destination, while a co-authorship link is associated with a 9.8 percentage-point higher probability. I argue that citation and co-authorship links are highly relevant because they serve as information channels to help address
substantial information asymmetry between researchers and potential destination labs before mobility. I further find that citation links are better predictors of destination choice when the cognitive distance between the researcher and the lab is high, whereas co-authorship plays a stronger role when the cognitive distance is low.