En génie logiciel, l’outillage des processus de développement est aujourd’hui indispensable à la gestion qualitative des projets et peut couvrir différentes phases : conception, codage ou maintenance. Cet outillage protéiforme regroupe les mesures appelées métriques, les systèmes automatisés de production de code et les systèmes d’aide à la décision, prédictifs ou non. Le champ d’application de ces derniers est large : détection de bad smells, classification de tickets, etc. Dans cette thèse, nous nous intéressons à la production de métriques portant sur la conduite des projets logiciels en s’appuyant sur les contributions au code source et plus particulièrement à l’architecture runtime des applications. Nous utilisons également des méta-données liées à l’historique du projet et à son développement.La première problématique étudiée concerne la classification de tickets logiciels décrivant des bogues. Nous entraînons un réseau de neurones sur un jeu de données reconnu par la communauté scientifique et nous optimisons ses hyper-paramètres à l’aide d’un algorithme génétique. De cette manière, nous obtenons des performances de classification supérieures à l’état de l’art. Ces performances permettent d’envisager l’intégration de notre classifieur dans des outils de gestion de projets ou dans un assistant à la rédaction de tickets.La deuxième question abordée est le turn-over des développeurs contribuant au développement de l’architecture logicielle. La détection des développeurs contribuant de manière majeure ou mineure a déjà été formulée et des métriques dédiées proposées. Cependant, les approches existantes ne se focalisent pas spécifiquement sur le développement de l’architecture. C’est pourquoi nous avons créé un modèle formel ainsi qu’une métrique de contribution au code de l’architecture. Nous validons cette métrique de manière empirique puis nous proposons une analyse des différentes catégories de développeurs extraites par notre métrique. Les résultats mettent en lumière la présence de catégories de développeurs spécifiques dont un noyau de développeurs expérimentés contribuant de manière majeure au code de l’architecture durant toute la vie du projet.La détection des développeurs expérimentés ayant de potentielles connaissances en architectures est également un problème que nous étudions. Contrairement aux approches existantes, nous utilisons l’apprentissage supervisé pour apprendre des profils de développeurs expérimentés. Aucun jeu de données étiquetées n’étant disponible dans la littérature scientifique, nous avons créé un jeu de données dédié. Pour cela nous extrayons plusieurs centaines de développeurs issus de 17 projets open source. Nous calculons ensuite 23 métriques pour chacun des développeurs contribuant à ces projets. Enfin, nous étiquetons notre jeu de données manuellement en utilisant les réseaux sociaux professionnels ainsi que la documentation des projets. Nous entraînons ensuite un classifieur sur ce jeu de données et nous l’évaluons. Nos résultats montrent de bonnes performances sur la détection de profils de développeur expérimentés, ce qui permet d’envisager l’utilisation d’un tel outil pour faciliter le management des projets. Enfin, nous réalisons une étude par croisement des résultats obtenus via la métrique de contribution à l’architecture et ceux obtenus par la classification automatique des développeurs. Cette étude permet d’analyser le profil des développeurs expérimentés. Nous analysons également l’évolution des 23 métriques des développeurs durant leur passage d’inexpérimenté à expérimenté. Les résultats montrent qu’une grande part des développeurs expérimentés sont également des contributeurs majeurs à l’architecture et que le changement de catégorie d’un développeur est multifactoriel.Nous fournissons également une évaluation de la reproductibilité de nos travaux en utilisant des cadres méthodologiques définis pour les études en génie logiciel empirique et en apprentissage automatique.