2 auréHAL & MonÉvaluation

La première modalité de collecte des données s’appuie sur des outils de l’institution ministérielle HCERES. En effet, il est possible de collecter directement un jeu de feuilles de calculs, doté de “macros” (voir Section 2.1) pour insérer des données complémentaires du laboratoire (équipes, doctorant⋅es).

Figure 3 : Dispositifs proposés d’accès aux données de production scientifique.
a. auréHAL permet de naviguer au sein de 6 référentiels de l’archive HAL. Pour déterminer l’identifiant interne du laboratoire, remplir le champ du référentiel “Structures” avec l’acronyme ou l’intitulé du laboratoire par exemple. Choisir l’UMR IDEES dans la liste proposée. En cliquant sur “voir”

, l’UMR IDEES est décrite dans son environnement institutionnel. Il est possible de saisir d’autres champs, comme par exemple pour une revue ou un⋅e auteur⋅ice.
b. La plateforme MonÉvaluation d’accès aux données issues de HAL est proposée par le HCERES. Il est nécessaire de renseigner le formulaire pour collecter les données : ici, l’identifiant auréHAL de l’UMR IDEES est 97036 et la période concernée est 2020-2026. Le résultat est téléchargeable sous la forme d’un jeu de feuilles de calcul.

En poursuivant la navigation, il est alors possible d’obtenir la liste des notices de documents rattachées directement à l’UMR IDEES pour la période investiguée.

2.1 Méthode indirecte de collecte : “Microsoft Excel”

Préalables requis pour utiliser le notebook & coopération inter-laboratoire

Ce travail est issu d’une collaboration avec Marion Masonobe de Géographies-Cités. Pour l’utiliser, il est nécessaire d’avoir réalisé deux étapes préalables :
- télécharger le document .xlsm de la plateforme “MonÉvaluation”,
- renseigner la seconde feuille du tableur avec les données “locales” relatives au personnel du laboratoire et ses équipes,
- adapter les données du code pour jouer le document computationnel sur vos propres données, notamment le chemin du document source, le nom du laboratoire et sa structuration en équipes ou encore certains intitulés de colonnes du fichier .xlsm etc.
Ce document constitue la sources des opérations réalisées dans cette partie du document. Au moment de l’édition, ce document est daté du vendredi 27 mars 2026.

2.1.1 Personnel de recherche de l’UMR IDEES (2020-2026)

La liste du personnel de recherche, permanent ou contractuel, par axe, connu sur l’archive HAL est listé en annexe (voir ?sec-liste-du-personnel). Un extrait de cette liste est donné dans la table ci-dessous.

Code

# lire un document MS Excel
require(readxl)
require(tidyverse)
require(kableExtra)
source <- "./data/HAL-PRODUCTION-97036_v10022026.xlsm"
unitname <- "IDEES UMR CNRS 6266"
# création de documents intermédiaires & dossiers associés
map(c("data", "figures", "tables", "stats"), dir.create)
# collecte et inscription des données relatives aux équipes
staff <- read_excel(source, sheet = 2, skip = 11)

staff <- staff[, 1:3] %>%
  set_names(slice(.,1)) %>%
  slice(-1) %>%
  mutate(statut = "permanent") %>%
  bind_rows(staff[, 5:7] %>%
              set_names(slice(.,1)) %>%
              slice(-1) %>%
              mutate(statut = "doctorant")) %>%
  rename(equipe = `Nom de l'équipe interne`) %>%
  drop_na()
# écriture des données dans le fichier
write_tsv(staff, "data/staff.tsv")
# enregistrement des tables
require(webshot2)
#- extrait en png
tbl_staff <- staff[sample(nrow(staff),15),] %>%
  select(-statut) %>% 
  kbl(col.names = NULL, caption = "Table 1 : Extrait aléatoire de la liste des membres de l'UMR et leur affectation thématique.") %>%
  add_header_above(c("Nom", "Prénom","Axe principal")) %>%
  kable_styling(full_width = T)
tbl_staff %>% 
  save_kable("tables/extrait_staff.png")
#- ensemble en pdf imprimable
staff[order(staff$Nom),] %>%
  select(-statut) %>% 
  kbl(col.names = NULL, longtable = T, booktabs = T) %>%
  add_header_above(c("Nom", "Prénom","Axe principal")) %>%
#  kable_classic(full_width = F) %>%
  kable_styling(latex_options = c("repeat_header")) %>% 
#  column_spec(1) %>% 
  save_kable("tables/total_staff.pdf")

Table 1 : Extrait aléatoire de la liste des membres de l’UMR et leur affectation thématique.
Nom	Prénom	Axe principal
LUCCHINI	Françoise	Axe 3
PERNOT	Thomas	Axe 3
MAQUAIRE	Olivier	Axe 2
CHAPKANSKI	Stoil	Axe 2
RECHER	Clément	Axe 2
DUPONT	Irénée	Axe 4
LIENARD	Fabien	Axe 4
COLLOC	Joël	Axe 4
TOUREILLE	Etienne	Axe 3
BARBOSA	Thibault	Axe 4
BLANCHARD	Nicolas	Axe 2
IMBERT	Christophe	Axe 4
DE SAINT-OURS	Edouard	Axe 4
MESNAGE	Chloé	Axe 2
GRYSOLE	Amélie	Axe 4

2.1.2 Sélection de types de documents

Parmi l’ensemble des productions scientifiques (voir le tableau 1.1 dans la note 1.1), l’étude limite le corpus des publications aux types suivants : article à comité de lecture, conférence, actes de colloques, numéro spécial de revue, ouvrage, chapitre d’ouvrage.
D’autres types peuvent être pris en compte, le cas échéant.

Code

require(readxl)
require(tidyverse)
require(kableExtra)
# collecte de la liste des ACL
article <- read_excel(source, sheet = 3, skip = 1, col_names = TRUE) %>%
           select(Auteurs, Année,`Affiliation institutionnelle des co-auteurs`,
                  `Equipes`,Langue,`Lien DOI`,`Lien HAL`,
                  `Titre de l'article`, `Nom de la revue`, 
                  `Revue à comité de lecture`) %>%
#  mutate(type = "article", audience = NA, publisher = NA) %>%
           mutate(type = "article") %>%
           rename(AU = Auteurs, 
                  PY = Année,
                  AD = `Affiliation institutionnelle des co-auteurs`,
                  equipe = `Equipes`,
                  langue = Langue,
                  DOI = `Lien DOI`,
                  halid = `Lien HAL`,                  
                  TI = `Titre de l'article`,
                  SO = `Nom de la revue`,
                  peereviewed = `Revue à comité de lecture`)

# collecte de la liste des communications
conf <- read_excel(source, sheet = 4, skip = 1, col_names = TRUE) %>%
        select(Auteurs, Année,`Affiliation institutionnelle des co-auteurs`,
               `Equipes`,Langue,`Lien DOI`,`Lien HAL`,
               `Titre de la communication`, `Titre du congrès`, Audience) %>%
#  mutate(type = "conf", peereviewed = NA, publisher = NA) %>%
        mutate(type = "conf") %>%
        rename(AU = Auteurs, 
               PY = Année,
               AD = `Affiliation institutionnelle des co-auteurs`,
               equipe = `Equipes`,
               langue = Langue,
               DOI = `Lien DOI`,
               halid = `Lien HAL`,
               TI = `Titre de la communication`,
               SO = `Titre du congrès`,
               audience = Audience) %>%
        drop_na(AU)
# collecte de la liste des actes
actes <- read_excel(source, sheet = 6, skip = 1, col_names = TRUE) %>%
         select(Auteurs, Année,`Affiliation institutionnelle des co-auteurs`,
                `Equipes`,Langue,`Lien DOI`,`Lien HAL`,
                `Titre de la publication`, `Titre du volume`) %>%
#  mutate(type = "actes", peereviewed = NA, publisher = NA, audience = NA) %>%
         mutate(type = "actes") %>%
         rename(AU = Auteurs, 
                PY = Année,
                AD = `Affiliation institutionnelle des co-auteurs`,
                equipe = `Equipes`,
                langue = Langue,
                DOI = `Lien DOI`,
                halid = `Lien HAL`,
                TI = `Titre de la publication`,
                SO = `Titre du volume`)
# collecte de la liste des numéros spéciaux
nspecial <- read_excel(source, sheet = 7, skip = 1, col_names = TRUE) %>%
            select(Auteurs, Année,`Affiliation institutionnelle des co-auteurs`,
                   `Equipes`,Langue,`Lien DOI`,`Lien HAL`,
                   `Titre de la publication`, `Titre du volume`) %>%
#  mutate(type = "nspecial", peereviewed = NA, publisher = NA, audience = NA) %>%
            mutate(type = "nspecial") %>%
            rename(AU = Auteurs, 
                   PY = Année,
                   AD = `Affiliation institutionnelle des co-auteurs`,
                   equipe = `Equipes`,
                   langue = Langue,
                   DOI = `Lien DOI`,
                   halid = `Lien HAL`,
                   TI = `Titre de la publication`,
                   SO = `Titre du volume`)
# collecte de la liste des ouvrages
book <- read_excel(source, sheet = 8, skip = 1, col_names = TRUE) %>%
        select(Auteurs, Année,`Affiliation institutionnelle des co-auteurs`,
               `Equipes`,Langue,`Lien DOI`,`Lien HAL`,
               `Titre de l'ouvrage`, Editeur) %>%
#  mutate(type = "book", SO = NA, peereviewed = NA, audience = NA) %>%
        mutate(type = "book") %>%
        rename(AU = Auteurs, 
               PY = Année,
               AD = `Affiliation institutionnelle des co-auteurs`,
               equipe = `Equipes`,
               langue = Langue,
               DOI = `Lien DOI`,
               halid = `Lien HAL`,
               TI = `Titre de l'ouvrage`,               
               publisher = Editeur)
# collecte de la liste des chapitres d'ouvrages
chapter <- read_excel(source, sheet = 9, skip = 1, col_names = TRUE) %>%
           select(Auteurs, Année,`Affiliation institutionnelle des co-auteurs`,
                  `Equipes`,Langue,`Lien DOI`,`Lien HAL`,
                  `Titre du chapitre dʹouvrage`, `Titre de l'ouvrage`, Editeur) %>%
#  mutate(type = "chapter", peereviewed = NA, audience = NA) %>%
           mutate(type = "chapter") %>%
           rename(AU = Auteurs, 
                  PY = Année,
                  AD = `Affiliation institutionnelle des co-auteurs`,
                  equipe = `Equipes`,
                  langue = Langue,
                  DOI = `Lien DOI`,
                  halid = `Lien HAL`,
                  TI = `Titre du chapitre dʹouvrage`,
                  SO = `Titre de l'ouvrage`,                  
                  publisher = Editeur)
# inscriptions de la liste des documents sélectionnés
library(purrr)
# fusion des listes
pub <- bind_rows(actes, article, book, chapter, conf)
ncorr <- is.na(pub$equipe) %>% sum(na.rm = TRUE)
npub <- nrow(pub)
# inscription des données 
write_tsv(pub, "data/umr_selection.tsv")
# production des tables et création de fichiers images
require(webshot2)
#- extrait png
tbl_pub <- pub[sample(nrow(pub),15),] %>%
  select(PY,AU,TI,equipe,halid) %>% 
  kbl(col.names = NULL, caption = "Table 2 : Extrait aléatoire de la liste des documents issu de la production scientifique de l'UMR, précisant l'année de publication, les auteur⋅ices, le titre, l'axe thématique et le n°HAL de la notice HAL.") %>%
  add_header_above(c("Année", "Auteur/trices","Titre","Axes", "n°HAL")) %>%
  kable_styling(full_width = T) 
tbl_pub %>% 
  save_kable("tables/extrait_pub.png")
#- ensemble des données en pdf imprimable
pub[order(pub$AU),] %>%
  select(PY,AU,TI,equipe,halid) %>% 
  kbl(col.names = NULL, longtable = T, booktabs = T) %>%
  add_header_above(c("Année", "Auteur/trices","Titre","Axes", "n°HAL")) %>%
#  kable_classic(full_width = F) %>%
  kable_styling(latex_options = c("repeat_header")) %>% 
#  column_spec(1) %>% 
  save_kable("tables/total_pub.pdf")

Au sein du corpus, 6.97% des notices (soit 64 notices) semblent n’être pas associées aux membres du laboratoire attachés à ses axes : des corrections manuelles sont nécessaires (inversion nom/prénom, faux positif etc.).

Table 2 : Extrait aléatoire de la liste des documents issu de la production scientifique de l’UMR, précisant l’année de publication, les auteur⋅ices, le titre, l’axe thématique et le n°HAL de la notice HAL.
Année	Auteur/trices	Titre	Axes	n°HAL
2021	SERRY A., LOUBET L.	Port governance and territorial development on the eastern shore of the Baltic Sea	Axe 3	https://hal.science/hal-03164722
2023	BALLO R.	Nouveaux usages de l’espace public dans la pratique du covoiturage à Cotonou : cas de la plateforme de mobilités partagées RMobility	Axe 3	https://hal.science/hal-05387688
2020	SANSY D.	« Les juifs dans l’enluminure parisienne aux XIIIe et XIVe siècles »	Axe 4	https://hal.science/halshs-03672282
2025	MOURALIS D., ALTINBILEK ALGUL C., KAYACI O., BALCI S.	Cilicia between Central Anatolia and the Levant: Evidence of obsidian exchange from the Epipalaeolithic to the Neolithic period	Axe 2	https://hal.science/hal-05371661
2021	KILGARRIFF P., LEMOY R., CARUSO G.	Gibrat’s law and the change in artificial land use within and between European cities	Axe 1	https://hal.science/hal-05008158
2021	RECQ C., BHIRY N., TODISCO D., BARBEL H., LAUER T., MARCHAND G., RINTERKNECHT V., WOOLLETT J.	Géoarchéologie du paysage littoral de l’archipel de Nain (Labrador, Canada)	Axe 2	https://hal.science/hal-04570929
2024	THIERY Y., MAQUAIRE O., FRESSARD M., PREMAILLON M., PERUZZETTO M., BERNARDIE S., GRANDJEAN G.	Landslide risk assessment and mapping at national scale for France: toward reflections on the integration into the national prevention strategy	Axe 2	https://hal.science/hal-04566446
2025	BORDERON M., DOIGNON Y.	Les Français et Françaises établis hors de France. Une présence plus marquée en Europe et dans les pays de l’OCDE	Axe 4	https://hal.science/hal-05435615
2020	GOB F., ROLLET A.-J., HOUBRECHTS G., TAMISIER V., PEETERS A., MICHLER L., GAUTIER E., REULIER R., DUFOUR S.	Effets des petits ouvrages en travers sur le transport de la charge de fond des rivières de plaine	Axe 1	https://hal.science/hal-03903997
2020	SIGUIER M.	Le #Bookporn sur Instagram : poétique d’une littérature ornementale ?	Axe 4	https://hal.science/hal-03774472
2023	DREMEAUX F., VAISSET T.	Marcomo, un nouveau projet au service de l’histoire des marines marchandes	Axe 3	https://hal.science/hal-04199748
2026	MESNAGE C., COSTA S., DELAHAYE D.	Dialogue for adaptation: combining field measurements and farmers’ narratives to understand coastal resilience	Axe 2 ; Axe 1	https://hal.science/hal-05448260
2022	BOURDIN S.	The spatial impacts of COVID-19 on unemployment	NA	https://hal.science/hal-05326361
2025	DOIGNON Y., DUBUC S., SEYS F.-O., EL FAHLI R.	Les fécondités précoces et tardives. Entre effet de la pauvreté et effet urbain	Axe 4	https://hal.science/hal-05431330
2021	VIDAL P., GAUTHIER M.-H.	La prise en compte du numérique par les agences d’urbanisme : évaluation de la situation française	Axe 3	https://hal.science/hal-03600536

2.2 Premiers éléments d’analyse des données collectées par la méthode indirecte

2.2.1 Types de documents retenus pour l’analyse

Code

library(tidyverse)
# selection des documents avec peereview
pub <- read_tsv("data/umr_selection.tsv") %>%
       filter(! peereviewed %in% "N") %>%
       rowid_to_column("ID")
# inscription des classes type de document et de leur population
pub %>%
    count(type) %>%
    arrange(-n) %>%
    write_tsv("stats/type.tsv")

Code

type_pub <- read_tsv("stats/type.tsv")
ggplot(type_pub, aes(x = type, y = n)) +
  geom_bar(stat = "identity",
  fill = c("#66a61e","#e7298a","#7570b3","#d95f02","#1b9e77"))+
  xlab("Type de documents") +
  ylab("Nombre de documents") +
  labs(caption = "Figure 4: Représentation du nombre de documents du corpus par type") +
  theme_minimal()

Code

ggsave("figures/type.png")

2.2.2 Pratiques de publications des équipes : co-authoring

Code

library(tidyverse)
library(stringi)
# créé une sous-liste des co-auteurices de pub$AUT
## motif/pattern de sous catégorisation des auteurices
motif_aut <- ";\\\n|, "
split_aut <- function(x) {str_split(x, motif_aut) %>%
         purrr::map(str_subset, "\\w+")} 
## sous catégorisation des co-auteurices
pub$aut <- pub$AU %>% 
                  split_aut()

# créé une sous-liste des équipes de pub$equipe
## motif/pattern de sous catégorisation des équipes (il y en a 4)
motif_equ <- " ; |; |; |;"
split_equ <- function(x) {str_split(x, motif_equ) %>%
         purrr::map(str_subset, "\\w+")} 
## sous catégorisation des équipes
pub$equ <- pub$equipe %>% 
                      split_equ()

# créé une colonne du nombre d'auteurices par document
pub <- pub %>%
           rowwise %>%
           mutate(nbaut = length(aut)) 
# nombre de co-auteurices par publication par équipe
pub %>%
    unnest(equ) %>% 
    group_by(equ) %>% # groupe par équipe
    summarise(n = n_distinct(ID), 
              ncoaut = n_distinct(ID[nbaut > 1]),
              mean_coaut = mean(nbaut)) %>% # moyenne nbre auteurices
    mutate(coaut = ncoaut/n*100) %>%
    bind_rows(pub %>%
                  count(equ = "Total", 
                        ncoaut = n_distinct(ID[nbaut > 1]), 
                        mean_coaut = mean(nbaut)) %>%
                  mutate(coaut = ncoaut/n*100)) %>%
                  write_tsv("stats/coaut.tsv")

Code

library(ggplot2)
library(scales)
require(readr)
coaut_equi <- read_tsv("stats/coaut.tsv")

# ggplot(coaut_equi, aes(x = equ, y = mean_coaut, fill = coaut)) +
#   geom_bar(stat = "identity") +
#   xlab("Équipes") +
#   ylab("Nombre moyen de co-auteur⋅rices") +
#   labs(caption = "Figure 5: Nombre de co-auteurs ou autrices par axe des documents issus du corpus (à venir, boîtes à moustaches.") +
#   theme_minimal() +
#   guides(fill = guide_legend(title = "% documents\n avec co-auteur⋅\nrices", reverse=T)) +
#   scale_fill_continuous(high = "#132B43", low = "#56B1F7")

coautequ <- pub %>% unnest(equ) %>% select(equ,nbaut)
ggplot(coautequ, mapping = aes(x = reorder(equ,nbaut), y = nbaut, fill = equ)) + geom_boxplot(outliers = FALSE) +
  xlab("Equipes") +
  ylab("Nombre de co-auteur⋅trices") +
  labs(caption = "Figure 5: Nombre de co-auteurs ou autrices par axe des documents issus du corpus (à venir, boîtes à moustaches.") +
  theme_minimal() +
  theme(legend.position="none")

Code

ggsave("figures/coaut_equi.png")

2.2.3 Publications inter-équipes

Code

# créé une colonne du nombre d'équipes par document
pub <- pub %>%
           rowwise %>%
           mutate(nbequipe = length(equ)) 
# nombre de documents partagés par plus d'une équipe
pub %>%
    unnest(equ) %>%
    filter(nbaut > 1) %>%
    group_by(equ) %>%
    summarise(n = n_distinct(ID), 
              ncol = n_distinct(ID[nbequipe > 1])) %>%
    mutate(intereq = ncol/n*100) %>%
    bind_rows(pub %>%
                  filter(nbaut > 1) %>%
                  count(equ = "Total", 
                        ncol = n_distinct(ID[nbequipe > 1])) %>%
                  mutate(intereq = ncol/n*100)) %>%
                  write_tsv("stats/coequ.tsv")

Code

library(ggplot2)
library(knitr)
library(kableExtra)
co_equ <- read_tsv("stats/coequ.tsv")
tbl_co_equ <- co_equ %>%
  select(equ, intereq) %>%
  mutate(intereq = round(intereq, 1)) %>%
  pivot_wider(names_from = equ, values_from = intereq) %>%
  select(- c(Total)) %>%
  mutate(Période = "2020-2026") %>%
  relocate(Période, 1) %>% 
  kbl(booktabs = T, caption = "Table 3: Co-production scientifique inter-équipes en pourcentage (%) pour chaque équipe à partir des documents du corpus.") %>%
  add_header_above(c(" ", "Pourcentage (%) de co-production inter-équipes pour chaque équipe" = 4)) %>%
  kable_styling(full_width = T)
tbl_co_equ %>% 
  save_kable("tables/copub_equi.png")

Table 3: Co-production scientifique inter-équipes en pourcentage (%) pour chaque équipe à partir des documents du corpus.
	Pourcentage (%) de co-production inter-équipes pour chaque équipe
Période	Axe 1	Axe 2	Axe 3	Axe 4
2020-2026	48.8	15	19.3	16.1

Code

library(igraph)
el <- pub %>%
  filter(nbaut > 1) %>%
  group_by(equ) %>%
  summarise(npub = n_distinct(ID)) %>%
  unnest_wider(equ, names_sep = " ") %>%
  rename(i = `equ 1`, j = `equ 2`, k = `equ 3`) %>%
  drop_na(i) %>%
  select(i, j, npub) %>% # warning, the only publi involving the 3 teams is removed (??)
  mutate(j = ifelse(is.na(j), i, j)) %>%
  drop_na()

g <- graph_from_data_frame(el, directed = F, vertices = c("Axe 1","Axe 2","Axe 3","Axe 4"))

g <- simplify(g, remove.loops = F, edge.attr.comb = "sum")

#mat <- as_adjacency_matrix(g, type = "upper", attr = "npub", sparse = F)

mat <- as_adjacency_matrix(g, attr = "npub", sparse = F)

mat <- mat/colSums(mat)*100 
write_rds(mat, "stats/mat.rds")

write(data.matrix(mat), "stats/mat.tsv")

Code

require(gdata)
mat <- read_rds("stats/mat.rds")

mat <- round(mat, 1)
lowerTriangle(mat) <- ""    
mat_co_equ <-  mat %>% 
      kbl(booktabs = T, caption = "Table 4: Matrice de répartition de la co-production scientifique (en pourcentage %) entre les équipes à partir des documents du corpus.") %>%
    add_header_above(c(" ", "Répartition en % de co-production entre les équipes" = 4)) %>%
  kable_styling(full_width = T)
mat_co_equ %>% 
  save_kable("tables/mat_copub_equi.png")

Table 4: Matrice de répartition de la co-production scientifique (en pourcentage %) entre les équipes à partir des documents du corpus.
	Répartition en % de co-production entre les équipes
	Axe 1	Axe 2	Axe 3	Axe 4
Axe 1	51.2	14	14.9	19.8
Axe 2		86.8	0.7	0.7
Axe 3			80.7	5.7
Axe 4				83.9

2.2.4 Co-publications avec des extérieur⋅es

Code

require(ggplot2)
require(knitr)
require(tidyr)
# créé une colonne réduite des (nom & initiale prénom) de membres du labo
staff <- staff %>%
  distinct(Nom, Prénom, statut) %>%
  mutate(initial = str_remove_all(Prénom, "[:lower:]") %>%
         str_remove_all("\\.") %>%
         str_remove_all("\\s$"),
         autc = str_c(str_to_upper(Nom), " ", initial)) %>%
  distinct(autc, .keep_all = T)
# fait une jointure entre la liste des publications & les auteur⋅ices labo
match <- pub %>%
  unnest(aut) %>%
  mutate(aut = trimws(aut)) %>%
  mutate(autc = str_remove_all(aut, "\\.") %>%
  trimws()) %>%
  left_join(staff, by = "autc")
# ID lignes des auteur∕ices extérieur⋅es
halidautres <- match %>% 
  filter(is.na(Nom)) %>%
  pull(ID) 
# ajout d'une colonne ext TRUE si l'auteur⋅ice est extérieur
pub <- pub %>%
  mutate(ext = ifelse(ID %in% halidautres, T, F))
# compte la part de co-auteurices extérieur⋅es & le nbre de pub associées
pub %>%
  unnest(equ) %>%
  filter(nbaut > 1) %>%
  group_by(equ) %>%
  summarise(n = n_distinct(ID), ncoext = n_distinct(ID[ext == T])) %>%
  mutate(coext = ncoext/n*100) %>%
  bind_rows(pub %>%
              filter(nbaut > 1) %>%
              count(equ = "Total", ncoext = n_distinct(ID[ext == T])) %>%
              mutate(coext = ncoext/n*100)) %>%
write_tsv("stats/coext.tsv")

Code

library(ggplot2)
library(knitr)
library(kableExtra)
coext <- read_tsv("stats/coext.tsv")
tbl_co_ext <- coext %>%
  select(equ, coext) %>%
  mutate(coext = round(coext, 1)) %>%
  pivot_wider(names_from = equ, values_from = coext) %>%
  select(- c(Total)) %>%
  mutate(Période = "2020-2026") %>%
  relocate(Période, 1) %>%
  kbl(booktabs = T, caption = "Table 5: Co-production scientifique avec des extérieur⋅es en pourcentage (%) pour chaque équipe à partir des documents du corpus.") %>%
  add_header_above(c(" ", "Pourcentage (%) de co-production avec des extérieur⋅es pour chaque équipe." = 4)) %>%
    kable_styling(full_width = T)
tbl_co_ext %>% 
  save_kable("tables/tbl_copub_ext.png")

Table 5: Co-production scientifique avec des extérieur⋅es en pourcentage (%) pour chaque équipe à partir des documents du corpus.
	Pourcentage (%) de co-production avec des extérieur⋅es pour chaque équipe.
Période	Axe 1	Axe 2	Axe 3	Axe 4
2020-2026	77.7	95.9	69.3	88.3

2.2.5 Co-publications avec les doctorant⋅es

Code

library(ggplot2)
library(knitr)
library(tidyr)
# ID lignes des auteur∕ices doctorant⋅es
doct <- match %>% 
  filter(statut == "doctorant") %>%
  pull(ID) 
# ajout d'une colonne doct TRUE si l'auteur⋅ice est doctorant
pub_co_aut <- pub %>%
  filter(nbaut > 1) %>%
  mutate(audoct = ifelse(ID %in% doct, T, F))
# compte la part de co-auteurices doctorant⋅es & le nbre de pub associées
pub_co_aut %>%
  unnest(equ) %>%
  filter(nbaut > 1) %>%
  group_by(equ) %>%
  summarise(n = n_distinct(ID), ncodoct = n_distinct(ID[audoct == T])) %>%
  mutate(codoct = ncodoct/n*100) %>%
  bind_rows(pub_co_aut %>%
#              filter(nbaut > 1) %>%
              count(equ = "Total", ncodoct = n_distinct(ID[audoct == T])) %>%
              mutate(codoct = ncodoct/n*100)) %>%
write_tsv("stats/codoct.tsv")

Code

library(ggplot2)
library(knitr)
library(kableExtra)
codoct <- read_tsv("stats/codoct.tsv")
tbl_co_doct <- codoct %>%
  select(equ, codoct) %>%
  mutate(codoct = round(codoct, 1)) %>%
  pivot_wider(names_from = equ, values_from = codoct) %>%
  select(- c(Total)) %>%
  mutate(Période = "2020-2026") %>%
  relocate(Période, 1) %>%
  kbl(booktabs = T, caption = "Table 6: Co-production scientifique avec les doctorant⋅es en pourcentage (%) pour chaque équipe à partir des documents du corpus.") %>%
  add_header_above(c(" ", "Pourcentage (%) de co-production avec des doctorant⋅es" = 4)) %>%
  kable_styling(full_width = F)
tbl_co_doct %>% 
  save_kable("tables/tbl_copub_doct.png")

Table 6: Co-production scientifique avec les doctorant⋅es en pourcentage (%) pour chaque équipe à partir des documents du corpus.
	Pourcentage (%) de co-production avec des doctorant⋅es
Période	Axe 1	Axe 2	Axe 3	Axe 4
2020-2026	38	23.1	22.1	16.6

2.2.6 Langues de publication

Code

# sélectionner la variable "langue de publication", puis mesurer le nombre ainsi que le pourcentage d'articles par langue et par période

lang <- pub %>%
  unnest(equ) %>% 
  mutate(langue = str_to_lower(langue)) %>%
# mutate(langue = ifelse(langue %in% "anglais, espagnol", "espagnol", langue)) %>%
  filter(langue %in% c("anglais", "français", "espagnol")) %>%
  group_by(equ, langue) %>%  # grouper les données par période et par langue de publication
  # créer un nouveau tableau indiquant le nombre d'articles par equipe et par langue
  summarise(n = n()) %>% 
  mutate(prct = round(n/sum(n)*100, 1)) %>% # ajouter une colonne avec le % d'articles par langue à chaque equipe
  pivot_wider(names_from = equ, values_from = c(n, prct)) %>% # transposer le tableau en largeur
  mutate(across(everything(), ~replace_na(.x, 0))) %>% # remplacer les valeurs manquantes par des zeros
  mutate(total_nb = rowSums(across(starts_with("n")))) %>% # ajouter une colonne avec le total des 3 equipe
  mutate(total_prct = round(total_nb/sum(total_nb)*100, 1)) %>% # ajouter une colonne avec le % du total
  arrange(-total_nb) %>%
  relocate(`prct_Axe 1`, .before = 3) %>% # modifier la position de la colonne prct_p1
  relocate(`prct_Axe 2`, .before = 5) %>% # modifier la position de la colonne prct_p2 etc
  relocate(`prct_Axe 3`, .before = 7)

write_tsv(lang, "stats/lang.tsv")

Code

lang <- read_tsv("stats/lang.tsv")
tbl_langues <- lang %>%
  bind_rows(summarise(., # ajouter les totaux par colonne
                      across(where(is.numeric), \(x) sum(x)), # faire le total pour les colonnes numériques
                      across(where(is.character), ~"Total")) %>% # écrire "Total" dans la première colonne
              mutate(across(contains("prct"), round, 1))) %>%  # arrondir les nombres obtenus pour les %
  kbl(booktabs = T, caption = "Table 7: Répartition par langues (en nombre et en %) de la production scientifique pour chaque équipe à partir des documents du corpus.", col.names = NULL) %>% # représenter le contenu du tableau sauf les entêtes de colonnes
  # ajouter une première entête de colonne pour chacune des 9 colonnes du tableau
  add_header_above(c("Langue", rep(c("Nb", "%"), 5))) %>%
  # ajouter une seconde entête surplombant la première, indiquant les 3 périodes et la partie Total
  add_header_above(c(" ", "Axe 1" = 2, "Axe 2" = 2, "Axe 3" = 2, "Axe 4" = 2, "Total" = 2)) %>%
  # ajouter une troisième entête générale précisant le contenu d'ensemble du tableau
  add_header_above(c(" ", "Répartition par équipe des langues de publication et communication par équipe." = 10)) %>%
  kable_styling(full_width = F) %>% # choisir l'apparence du tableau et la police
  row_spec(dim(lang)[1]+1, bold = T)  %>%  # mettre en gras la dernière ligne (totaux en ligne)
  column_spec(c(3, 5, 7, 9, 11), italic = T)
tbl_langues %>% 
  save_kable("tables/tbl_langues_pub.png")

Table 7: Répartition par langues (en nombre et en %) de la production scientifique pour chaque équipe à partir des documents du corpus.
	Répartition par équipe des langues de publication et communication par équipe.
	Axe 1		Axe 2		Axe 3		Axe 4		Total
Langue	Nb	%	Nb	%	Nb	%	Nb	%	Nb	%
français	58	45	78	44.3	188	65.7	194	59.3	518	56.4
anglais	71	55	98	55.7	98	34.3	129	39.4	396	43.1
espagnol	0	0	0	0.0	0	0.0	4	1.2	4	0.4
Total	129	100	176	100.0	286	100.0	327	99.9	918	99.9

2.2.7 Graphe des revues & équipes

Code

# collecte des revues par équipe
bip <- pub %>%
  filter(type %in% "article") %>%
  unnest(equ) %>%
  group_by(halid) %>%
  mutate(id = paste0("A", cur_group_id())) %>%
  ungroup() %>%
  distinct(id, SO, equ)
# revues les plus fréquences
top <- bip %>%
  group_by(SO) %>%
  summarise(n = n_distinct(id)) %>%
  arrange(-n) %>%
  filter(n > 3) %>% # & ! SO %in% "The Conversation"
  pull(SO)
# association revues vs équipes
bip <- bip %>%
  filter(SO %in% top) %>%
  distinct(equ, SO)
# tableau équipe intermédiaire
attr <- bip %>%
  distinct(equ) %>%
  rename(node = equ) %>%
  mutate(type = "equipe") 
# tableau des revues
so <- distinct(bip, SO) %>%
  mutate(type = "journal") %>%
  rename(node = SO)
# inscription
write_tsv(so, "data/so_rev.tsv")

Code

# construction des noeuds
so <- read_tsv("data/so_rev.tsv")
v <- bind_rows(attr, so) %>%
  mutate(col = case_when(node %in% "Axe 1" ~ "forestgreen",
                         node %in% "Axe 2" ~ "blue",
                         node %in% "Axe 3" ~ "purple",
                         node %in% "Axe 4" ~ "gold",
                         TRUE ~ "grey"))
# construction des classes
bipi <- bip %>%
  left_join(so, by = c("SO" = "node")) %>%
  distinct(SO, equ, type) %>%
  relocate(SO, 1)
# construction des relations
v <- distinct(v, node, type, col)
# construction du graphes
library(igraph)
g <- graph_from_data_frame(bipi, directed = F, vertices = v)
# symboliser les évènements par des carrés et les individus par des cercles
V(g)[V(g)$type %in% "journal"]$shape <- "square"
V(g)[! V(g)$type %in% "journal"]$shape <- "circle"
# choisir deux gammes de couleur pour bien distinguer les deux ensembles de sommets
V(g)$color <- v$col[match(V(g)$name, v$node)]
V(g)$label <- ifelse(V(g)$shape %in% "square", str_trunc(V(g)$name, 14), NA)
l <- layout_with_fr(g)
# 
library(ggplot2)
library(tidygraph)
library(ggraph)
g %>%
  ggraph(layout = "fr") + 
  geom_edge_link(edge_colour = "grey") +
  geom_node_point(aes(filter = type %in% "journal"), show.legend = F, shape = 21, fill = "red", stroke = 0.2) + 
  geom_node_point(aes(filter = ! type %in% "journal", size = degree(g), fill = name), show.legend = F, shape = 22,  stroke = 0.2) + 
  geom_node_text(aes(label = ifelse(type %in% "journal", str_trunc(name, 25), name), 
                     fontface = ifelse(! type %in% "journal", "bold", "plain"), 
                     size = ifelse(degree(g) >= 5, 7, 6)), colour = "black", repel = T, show.legend = F) + # ,  repel = TRUE, min.segment.length = Inf, max.overlaps = Inf
  theme_void() +
  scale_size(guide="none") +
  labs(fill = c("Equipe"),
       title = "Revues à comité de lecture privilégiées par équipe",
       subtitle = "Revues dans lesquelles au moins 3 articles ont été publiés entre 2020 et 2026")

2.3 Première synthèse

358 articles dans des revues ACL ont été publiés entre 2020 et 2026.

Les publications à plus d’un⋅e auteur⋅rice représentent 63.9% des publications. Publier seul⋅e est donc une pratique très minoritaire pour les équipes des axes 1 et 2, resp. 6.2% et 16.9% des publications, elle est partagée au sein des équipes des axes 3 et 4, resp. 51.2% et 37.7%.

Parmi les co-publications, 87% associent au moins un⋅e auteur⋅rice extérieur⋅e à l’UMR IDEES et 17.8% associent au moins un⋅e doctorant⋅e.

43.1% des publications sont en anglais.

2.4 Éléments critiques

Cette méthode de collecte des données de production scientifique du laboratoire est centrée sur le relevé de notices hal renseignées et rattachées à l’UMR IDEES (voir figure 1.2) exploitant une relation de type notice de document (halId) -> laboratoire (structure_t) au sein d’un dispositif fermé.
La suite de l’étude propose la construction d’un dispositif ouvert mobilisant notamment l’API HAL. Elle s’intéresse en particulier aux auteur⋅rices scientfiiques et leur rôle dans les notices d’oeuvres issues de la production scientifique.