```{r}
#| label: "common"
#| include: FALSE
source("_common.R")
```
# auréHAL & MonÉvaluation {#sec-mon-evaluation-hceres}
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 [-@sec-ms-excel]) pour insérer des données complémentaires du laboratoire (équipes, doctorant-es).
::: {.columns}
::: {.column width="50%"}
<iframe src="https://aurehal.archives-ouvertes.fr/" width="95%" height="500px" title="a) auréHAL" allowfullscreen="true" style="border:1px solid black;padding:5px;margin:5px;"></iframe>
:::
::: {.column width="50%"}
<iframe src="https://monevaluation.hceres.fr/hal" width="95%" height="500px" title="b) Mon évaluation HCERES" style="border:1px solid black;padding:5px;margin:5px;"></iframe>
:::
:::
<figure><figcaption>Figure 3 : Dispositifs proposés d'accès aux données de production scientifique. <br> 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" [<img src="/img/eye-svgrepo-com.svg" height="20px">](https://aurehal.archives-ouvertes.fr/structure/read/id/97036), 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. <br> 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.</figcaption></figure>
> En poursuivant la navigation, il est alors possible d'obtenir la [liste des notices](https://hal.science/search/index/?q=structId_i:(97036)+producedDateY_i:[2020+TO+2026]&sort=producedDateY_i%20desc&submit=&docType_s=ART+OR+COMM+OR+POSTER+OR+OUV+OR+COUV+OR+DOUV+OR+PATENT+OR+OTHER+OR+UNDEFINED+OR+REPORT+OR+CREPORT+OR+THESE+OR+HDR+OR+LECTURE+OR+MEM+OR+VIDEO+OR+SON+OR+IMG+OR+MAP+OR+SOFTWARE&submitType_s=notice+OR+file+OR+annex&rows=300) de documents rattachées directement à l'UMR IDEES pour la période investiguée.
## Méthode indirecte de collecte : "Microsoft Excel" {#sec-ms-excel}
:::{.callout-warning collapse="true"}
## 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"](https://monevaluation.hceres.fr/hal),
- 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 `r format(Sys.time(), "%A %e %B %Y")`.
:::
### 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.
```{r personnel-equipes , eval=TRUE, echo=TRUE, warning= FALSE, message = FALSE, output = FALSE}
# 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)
# Chromium default parameters for docker
chromote::set_default_chromote_object(
chromote::Chromote$new(browser = chromote::Chrome$new(args = "--no-sandbox"))
)
#- 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")
```
`r tbl_staff`
### Sélection de types de documents
Parmi l'ensemble des productions scientifiques (voir le tableau [-@tbl-doctype] dans la note [-@nte-corpus]), 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.
```{r documents-equipes , eval=TRUE, echo=TRUE, warning= FALSE, message = FALSE, output = FALSE}
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$AU),] %>%
# select(PY,AU,TI,equipe,halid) %>%
# kbl(col.names = NULL, longtable = T, booktabs = T) %>%
# add_header_above(c("Année", "Auteur/trices","Titre","Axes", "n°HAL")) %>%
## kable_classic(full_width = F) %>%
# kable_styling(latex_options = c("repeat_header")) %>%
## column_spec(1) %>%
# save_kable("tables/total_pub.pdf")
```
Au sein du corpus, `r round(ncorr/npub*100,2)`% des notices (soit `r paste(ncorr)` notices) semblent n'être pas associées aux membres du laboratoire attachés à ses axes : des corrections manuelles sont nécessaires (inversion nom/prénom, faux positif etc.).
`r tbl_pub`
## Premiers éléments d'analyse des données collectées par la méthode indirecte
### Types de documents retenus pour l'analyse
```{r types-documents, eval=TRUE, echo=TRUE, warning= FALSE, message = FALSE, output = FALSE}
library(tidyverse)
# selection des documents avec peereview
pub <- read_tsv("data/umr_selection.tsv") %>%
filter(! peereviewed %in% "N") %>%
rowid_to_column("ID")
# inscription des classes type de document et de leur population
pub %>%
count(type) %>%
arrange(-n) %>%
write_tsv("stats/type.tsv")
```
```{r plot-types-documents, eval=TRUE, echo=TRUE, warning= FALSE, message = FALSE}
require(readr)
require(ggplot2)
type_pub <- read_tsv("stats/type.tsv")
ggplot(type_pub, aes(x = type, y = n)) +
geom_bar(stat = "identity",
fill = c("#66a61e","#e7298a","#7570b3","#d95f02","#1b9e77"))+
xlab("Type de documents") +
ylab("Nombre de documents") +
labs(caption = "Figure 4: Représentation du nombre de documents du corpus par type") +
theme_minimal() +
theme(plot.caption = element_text(hjust = 0.5, size = 11, colour = "#696969"))
# +
# theme_minimal()
ggsave("figures/type.png")
```
### Pratiques de publications des équipes : _co-authoring_
```{r auteurices-equipes, eval=TRUE, echo=TRUE, warning= FALSE, message = FALSE, output = FALSE}
library(tidyverse)
library(stringi)
# créé une sous-liste des co-auteurices de pub$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")
```
```{r plot-auteurices-equipes, eval=TRUE, echo=TRUE, warning= FALSE, message = FALSE}
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"))
ggsave("figures/coaut_equi.png")
```
### Publications inter-équipes
```{r documents-equipes, eval=TRUE, echo=TRUE, warning= FALSE, message = FALSE, output = TRUE}
# 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")
```
```{r plot-co-publi-equipes, eval=TRUE, echo=TRUE, warning= FALSE, message = FALSE}
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")
```
`r tbl_co_equ`
```{r mat-inter-equ-pub, eval=TRUE, echo=TRUE, warning= FALSE, message = FALSE, output = FALSE}
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")
```
```{r , eval=TRUE, echo=TRUE, warning= FALSE, message = FALSE}
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")
```
`r mat_co_equ`
### Co-publications avec des extérieur-es
```{r co-publi-ext, eval=TRUE, echo=TRUE, warning= FALSE, message = FALSE, output = FALSE}
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")
```
```{r plot-co-publi-ext, eval=TRUE, echo=TRUE, warning= FALSE, message = FALSE}
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")
```
`r tbl_co_ext`
### Co-publications avec les doctorant-es
```{r co-publi-doc, eval=TRUE, echo=TRUE, warning= FALSE, message = FALSE, output = FALSE}
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")
```
```{r plot-co-publi-doct, eval=TRUE, echo=TRUE, warning= FALSE, message = FALSE}
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")
```
`r tbl_co_doct`
### Langues de publication
```{r lang-publi, eval=TRUE, echo=TRUE, warning= FALSE, message = FALSE, output = FALSE}
# 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")
```
```{r table-lang-publi, eval=TRUE, echo=TRUE, warning= FALSE, message = FALSE}
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")
```
`r tbl_langues`
### Graphe des revues & équipes
```{r revues-equipes , eval=TRUE, echo=TRUE, warning= FALSE, message = FALSE, output = FALSE}
# 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")
```
```{r graph-revues-equipes, eval=TRUE, echo=TRUE, warning= FALSE, message = FALSE}
# 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"))
```
## Première synthèse
> `r type_pub %>% filter(type %in% "article") %>% pull(n)` articles dans des revues ACL ont été publiés entre 2020 et 2026.
> Les publications à plus d'un-e auteur-rice représentent `r round(coaut_equi %>% filter(equ %in% "Total") %>% pull(coaut), 1)`% des publications. Publier seul-e est donc une pratique très minoritaire pour les équipes des axes 1 et 2, resp. `r round(coaut_equi %>% filter(equ %in% "Axe 1") %>% summarise(n = (n - ncoaut)*100/n),1)`% et `r round(coaut_equi %>% filter(equ %in% "Axe 2") %>% summarise(n = (n - ncoaut)*100/n),1)`% des publications, elle est partagée au sein des équipes des axes 3 et 4, resp. `r round(coaut_equi %>% filter(equ %in% "Axe 3") %>% summarise(n = (n - ncoaut)*100/n),1)`% et `r round(coaut_equi %>% filter(equ %in% "Axe 4") %>% summarise(n = (n - ncoaut)*100/n),1)`%.
> Parmi les co-publications, `r round(coext %>% filter(equ %in% "Total") %>% pull(coext), 1)`% associent au moins un-e auteur-rice extérieur-e à l’UMR IDEES et `r round(codoct %>% filter(equ %in% "Total") %>% pull(codoct), 1)`% associent au moins un-e doctorant-e.
> `r lang %>% filter(langue %in% "anglais") %>% pull(total_prct)`% des publications sont en anglais.
## 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 [-@sec-schema-doc]) 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.
