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”

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 lundi 30 mars 2026.

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

Un extrait de la liste du personnel de recherche, permanent ou contractuel, par axe, connu sur l’archive HAL 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")
Nom
Prénom
Axe principal
Table 1 : Extrait aléatoire de la liste des membres de l’UMR et leur affectation thématique.
FEUILLET Thierry Axe 1
MALGOUYRES Shirley Axe 2
MAIRAVILLE Léa Axe 2
TOUREILLE Etienne Axe 3
BALLO Raynald Axe 3
MARTEL Camille Axe 3
VAGUET Yvette Axe 3
JOLY Olivier Axe 3
FONTANA Valentin Axe 4
CANTAT Olivier Axe 2
DOIGNON Yoann Axe 4
JAOUEN Marine Axe 3
YEMBI-YEMBI Louis Kadryl Axe 2
CHABROLLE Thibault Axe 2
KRUMMEICH Raphaëlle Axe 1

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.).

Année
Auteur/trices
Titre
Axes
n°HAL
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.
2023 KERBIRIOU R., SERRY A. Estimation and analysis of container handling rates in European ports Axe 3 https://hal.science/hal-04042387
2025 AMAT F. La transition vue par les habitats collectifs et écologiques en milieu rural en France et au Québec, un facteur de collaboration et de controverse Axe 4 https://hal.science/hal-05085729
2021 BARON M., DE RUFFRAY S. Les thèses de géographie au CNU : structurations disciplinaires et hiérarchies universitaires Axe 3 https://hal.science/halshs-03524653
2021 AMAT F., IMBERT C., LE ROUX G. La métropolisation au regard de la restructuration des catégories socioprofessionnelles: tertiarisation de l’emploi et spécialisations sociales (1968-2015) Axe 4 https://hal.science/hal-03457640
2024 BRENNETOT A., DIDELON-LOISEAU C. Représenter le territoire : Concepts, définitions, construction Axe 3 https://hal.science/hal-05009730
2024 VAISSET T. « La nuit vient. » l’amiral d’Argenlieu, la débâcle et la noche oscura Axe 3 https://hal.science/hal-04580754
2025 DOIGNON Y., IMBERT C., SEYS F.-O. Le divorce. Un phénomène plus marqué dans les villes, le sud du pays et les DROM Axe 4 https://hal.science/hal-05435657
2025 KERBIRIOU R., BAZILLE A., ALIX Y. Les Ports Territoriaux : ambition, action, anticipation Axe 3 https://hal.science/hal-05318409
2023 FORLEN M. Approches filmiques et cartographiques pour donner à voir et à entendre des espaces invisibilisés Axe 4 https://hal.science/hal-04982218
2023 BEAUVAIS F., ROMAIN Q., REULIER R., BERMOND M., FEUILLET T., DELAHAYE D., MEDJKANE M., CADOR J.-M. Pour une géographie des bords de route : du terroir hydro-paysager à la caractérisation du bord de route Axe 2 ; Axe 1 https://hal.science/hal-04248676
2025 DUBUC S., IMBERT C., VALETTE J.-F., EL FAHLI R. L’évolution du peuplement. Reconfiguration de la concentration : entre retour et ralentissement Axe 4 https://hal.science/hal-05431087
2024 FEUILLET T., CHARREIRE H. The geographical dimension of daily active mobility Axe 1 https://hal.science/hal-04673309
2025 CHRISTOPHE L., PECOUT H., CURA R., CEBEILLAC A., REY-COYREHOURCQ S. Premiers pas en web scraping Axe 1 https://hal.science/hal-05187278
2024 SERRY A. Position d’HDR : « Le terrain dans les espace maritimes et portuaires - heuristiques géographiques » Axe 3 https://hal.science/hal-04671840
2023 BOPDA A., TATUEBU TAGNE C., FOTUE SIMO C. T., MABOU P. B. Déplacements forcés et reconfiguration socio-territoriale en pays Bamiléké (Ouest-Cameroun) Axe 3 https://hal.science/hal-05461855

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 
require(readr)
require(ggplot2)
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() +
  theme(plot.caption = element_text(hjust = 0.5, size = 11, colour = "#696969"))

Code 
# +
#   theme_minimal()
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.") +
  theme_minimal() +
  theme(legend.position="none",plot.caption = element_text(hjust = 0.5, size = 11, colour = "#696969"))

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")
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
%
Table 7: Répartition par langues (en nombre et en %) de la production scientifique pour chaque équipe à partir des documents du corpus.
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
require(dplyr)
require(stringr)
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(! type %in% "journal", ifelse(degree(g) >= 5, 11,8),6)),
#                     size = ifelse(degree(g) >= 5, 7, 6)), 
                     colour = "black", repel = T, show.legend = F) +
#                     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",
       caption = "Figure 6: Revues dans lesquelles au moins 3 articles ont été publiés entre 2020 et 2026") +
  theme(plot.caption = element_text(hjust = 0.5, size = 11, colour = "#696969"))

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.