Enquê e su les logiciels u ilisés lo s du p ocessus de
eche che – Uni e si é Rennes 2, 2024-2025
Aline Ben egnu Dos San os (Maison des Sciences humaines e sociales en B e agne), Isabelle B émond (Di ec ion
du Sys ème d’In o ma ion Rennes 2), Rémi Join ille, Flo ence Thiaul (Uni é Régionale de Fo ma ion à
l’In o ma ion Scien i ique e Technique B e agne-Pays de Loi e), Mo gane Mo izu , Cécile Sebban (Se ice
Commun de Documen a ion Rennes 2), Ma in Amouzou (A elie de la donnée ARDoISE), Inès Rau u ie
(Déléguée à la P o ec ion des Données Rennes 2)
Ti e anglais Su ey on he digi al ools used o esea ch a Rennes 2 Uni e si y, 2024-2025
Résumé
L’enquê e menée à l’au omne 2024 aup ès de la communau é de eche che de l’Uni e si é Rennes 2 isai
à mieux ce ne les usages des logiciels dans le p ocessus de eche che, a in d’adap e l’o e de se ices e
de o ma ion. A ec 77 éponses complè es ( aux de éponse de 7,5 %), elle me en lumiè e la di e si é des
p a iques des che cheu s en sciences humaines e sociales, les ypes de données ai és e les ou ils
mobilisés. Les logiciels son p incipalemen choisis pou leu s onc ionnali és, leu accessibili é (g a ui e ou
open sou ce) e les ecommanda ions en e pai s, andis que les ques ions de con o mi é au RGPD es en
peu in ég ées. Si l’o e logicielle locale es ela i emen bien iden i iée, les in as uc u es na ionales son
moins connues. Des besoins de o ma ion son exp imés, p incipalemen pou les langages de
p og amma ion, les ou ils de ai emen de données quan i a i es e les sys èmes d’in o ma ion
géog aphique. Le dé eloppemen de logiciels es e ma ginal mais engagé dans une logique d’ou e u e,
enco e peu accompagnée pa des p a iques d’a chi age pé enne. Des ecommanda ions son o mulées
pou en o ce la communica ion, les se ices e l’au onomie numé ique des che cheu ·euses.
Mo s-clé : science ou e e, ou ils numé iques, enquê e de e ain, usages, données de eche che, logiciels,
uni e si é, Rennes 2
Summa y
This su ey was conduc ed in he all o 2024 among he esea ch communi y a he Uni e si y o Rennes 2.
I aimed o unde s and be e he use o so wa e in he esea ch p ocess, in o de o adap se ice and
aining o e ings. Wi h 77 comple e esponses (a 7.5% esponse a e), he esul s highligh he di e si y o
esea ch p ac ices in he humani ies and social sciences, he ypes o da a p ocessed, and he ools used.
Resea che s choose so wa e o i s pe o mance, accessibili y ( ee o open sou ce), and pee
ecommenda ions, while issues ela ed o GDPR compliance emain la gely o e looked. Al hough local
so wa e o e ings a e ela i ely well iden i ied, na ional in as uc u es a e less well known. The aining
needs exp essed a ge p ima ily p og amming languages, quan i a i e da a analysis ans geog aphical
in o ma ion so wa e. So wa e de elopmen emains ma ginal a he uni e si y, bu is pu sued wi h an
open-sou ce app oach, hough s ill lacking long- e m a chi ing p ac ices. Recommenda ions a e o mula ed
a he end o his epo o imp o e communica ion, se ices, and esea che s’ digi al au onomy.
Keywo ds : open science, uses, esea ch da a, su ey, digi al ools, so wa e, uni e si y, Rennes 2
1
Syn hèse
L’enquê e, conçue a ec LimeSu ey pa un g oupe de a ail associan plusieu s se ices, a é é di usée le
24 oc ob e 2024 ia la lis e de di usion Reche che de l’uni e si é Rennes 2, e ac i e pendan 5 semaines. Il
y a eu 77 éponses complè es e 39 éponses incomplè es.
Le aux de éponse à l’enquê e de la popula ion cible (1050 che cheu ·euses, doc o an ·es, pe sonnels de
sou ien à la eche che) s’élè e à 7,5 %. Les enseignan ·es-che cheu ·euses (32 %) son p opo ionnellemen
plus ep ésen é·es pa mi les épondan ·es que les doc o an ·es (18%).
P o ils des épondan ·es
30 % des épondan ·es décla en mene des ac i i és de eche che depuis plus de 10 ans (30 %). Les
pe sonnes ayan débu é plus écemmen leu pa cou s son égalemen ep ésen ées : 9,5 % on de la
eche che depuis moins de 3 ans, e 6 % depuis 3 à 5 ans.
L’ancienne é à Rennes 2 es moind e, ce qui suggè e une ce aine mobili é au sein de la communau é
scien i ique (18 % de épondan ·es ayan plus de 10 ans d’ancienne é à Rennes 2).
Les UFR les plus ep ésen ées son celles des Sciences humaines e des Sciences sociales, comp an
chacune 21 épondan ·es. Tou e ois, en e mes de discipline, ce son les che cheu ·euses en psychologie
a ilié·es au Labo a oi e de Psychologie : Cogni ion, Compo emen , Communica ion (LP3C) qui cons i uen
le g oupe le plus impo an , a ec 17 épondan ·es. 4 uni és de eche che ne son pas ep ésen ées.
Les doc o an ·es épondan à l’enquê e son memb es des ois écoles doc o ales pilo ées pa l’uni e si é
Rennes 2 (su les 13 écoles doc o ales du Collège doc o al de B e agne), ED ALL (A s, Le es, Langues) ; ED
ESC (Espaces, Socié és, Ci ilisa ions) ; ED ELICCE (Éduca ion, Langages, In e ac ions, Cogni ion, Clinique,
Expe ise) a ec une ep ésen a ion légè emen supé ieu e d’ELICCE, mais un nomb e global de
doc o an ·es aible (27)
Les a ilia ions CNU indiquées pa les 47 épondan ·es ayan indiqué leu s sec ions son cohé en es a ec les
champs disciplinai es majo i ai emen ep ésen és à l’uni e si é Rennes 2, ou en émoignan d’une la ge
di e si é disciplinai e dans les SHS, e de l’anc age in e disciplinai e d’une pa ie de la communau é,
no ammen en STAPS. Des CNU ho s des champs enseignés à l’uni e si é (D oi , économie e ges ion,
Sciences) éunissen au o al 8 épondan ·es.
P a iques de a ail e de eche che
Une majo i é des épondan ·es u ilisen exclusi emen leu o dina eu p o essionnel (46,5 % des éponses).
20 % (19 pe sonnes, don 3/4 de doc o an ·es) u ilisen au con ai e seulemen leu o dina eu pe sonnel.
On peu donc suppose que le ecou s à un équipemen pe sonnel ien sou en pallie l'absence
d’équipemen p o essionnel. 28,5 % (25 pe sonnes) u ilisen à la ois un o dina eu pe sonnel e un
o dina eu p o essionnel.
La eche che indi iduelle cons i ue la p a ique la plus cou an e (1/4 des éponses), e domine ne emen
lo sque les épondan ·es n'on sélec ionné qu’une seule op ion. Ce chi e peu s’explique d’une pa pa le
p o il disciplinai e SHS de l’uni e si é, d’au e pa pa le ai que 23 % des épondan ·es son des
doc o an ·es, a ec des éseaux moins é endus.
Lo sque plusieu s modali és son choisies, les collabo a ions in e nes à l’é ablissemen e celles a ec
d’au es ins i u ions ançaises son p esque aussi équen es que l’ac i i é indi iduelle. Les collabo a ions
in e na ionales son légè emen moins impo an es. La collabo a ion a ec des é udian ·es de licence ou de
mas e es plus ma ginale en e mes de olume, mais appa aî quel que soi le nomb e de choix. En in, la
collabo a ion a ec des en ep ises ou la socié é ci ile es la moins épandue.
2
La majo i é des épondan ·es a aillen su plusieu s ypes de données, a ec une p édominance ma quée
du ex e e du quan i a i , andis que les o ma s mul imédias occupen une place non négligeable,
aduisan une hyb ida ion c oissan e des sou ces dans les p a iques de eche che en SHS.
82 % des épondan ·es mobilisen au moins deux modes d’acquisi ion de données. La a ié é des p a iques
ouche quasimen l’ensemble des modes de collec e, ci és pa au moins 25 % des épondan ·es. Pou les
che cheu ·euses ayan sélec ionné un seul mode de collec e, les données quan i a i es e la collec e de
documen s p imen . À pa i de deux choix, ce son les enquê es e les en e iens qui p édominen .
Sans su p ise, l’é ape “Analyse e ai emen des données” es e majo i ai emen iden i iée comme celle où
le besoin en ou ils es le plus o . Elle es sui ie pa les é apes de collec e, p oduc ion ou acquisi ion des
données, puis pa celle de publica ion, exposi ion e alo isa ion. e les ai emen s p éalables.
La majo i é des épondan ·es u ilisen des logiciels à plusieu s s ades du cycle de ie (en e 2 e 4 pou
58%). Le s ade de la plani ica ion es celui où la p a ique a ie le plus en onc ion du nomb e de choix. La
di e si é des ou ils ci és en commen ai e e lè e la di e si é des données e p a iques de ecueil cons a ée
plus hau .
Choix, ecommanda ion e besoins de logiciels
Les ois c i è es les plus impo an s pou le choix de logiciels son la pe o mance echnique des ou ils,
leu accessibili é inanciè e e la alida ion pa les pai s. L’au onomie e les p a iques au odidac es des
che cheu ·euses se dessinen en c eux dans le ai que l’o e ai e pa l’en i onnemen de eche che es un
c i è e pou 1/4 seulemen des épondan ·es, alo s que 40 % eche chen des logiciels g a ui s ou open
sou ce.
On cons a e aussi une assez g ande di e si é dans les choix. La compa ibili é RGPD es peu p ise en
comp e.
75 logiciels on ai l’obje d’une ecommanda ion pa les épondan ·es. Plus de la moi ié des logiciels n’on
é é ci és que pa une seule pe sonne, émoignan là enco e de la di e si é des usages e p a iques. Les
logiciels les plus ci és son :
•Zo e o (14 ois)
•Jamo i, N i o e R (en e 7 e 9 ois)
•R s udio e SPSS (5 ois)
Pa mi les logiciels p éconisés, la majo i é es g a ui e (44 don 31 en Open Sou ce), mais on ou e aussi 27
logiciels payan s (27) e 13 au modèle économique mix e ( onc ionnali és basiques g a ui es seulemen )
son ci és.
Une bonne pa ie des logiciels ci és pa plusieu s épondan ·es (24/29) es déjà disponible dans l’o e
uni e si ai e, à l’excep ion de 3 logiciels non con o mes à la poli ique de sécu i é de l’uni e si é.
Les besoins de solu ions ins i u ionnelles conce nen p incipalemen , pou les demandes écu en es, des
logiciels de ai emen de données (quan i a i es, quali a i es e dans une moind e mesu e ex uelles),
mais l’accès à l’IA géné a i e es aussi bien ep ésen é.
55 pe sonnes u ilisen des ou ils en ligne accessibles à ous, e 38 des ou ils en ligne es ein s à une
communau é disciplinai e (don 10 n’u ilisen pas d’ou ils accessibles à ous).
2/3 des épondan ·es (59) décla en s ocke ou en oye des données ia ces pla e o mes. La lec u e des
condi ions géné ales d’u ilisa ion n’es pas un é lexe géné al (chi e p esque équi alen en e lec eu ·ices
e non-lec eu ·ices), mais 42 % des épondan ·es décla en la p a ique . 29 % seulemen é i ien la
localisa ion des se eu s. C’es aussi le cas pou les 31 pe sonnes qui manipulen des données sensibles ou
à ca ac è e pe sonnel.
10 che cheu ·euses on déjà c éé du code sou ce ou un ou il logiciel. Cela es e une ac i i é ma ginale,
comme on peu s’y a end e dans une uni e si é SHS, mais pas nulle.
3
Ce e c éa ion de code peu se ai e à plusieu s s ades de la ca iè e : les épondan .es conce né.es son
doc o an .e.s, enseignan s e che cheu ·euses plus con i més, pe sonnel de sou ien à la eche che . On
e ou e aussi une di e si é disciplinai e : a s, géog aphie, psychologie, STAPS.
La cul u e de l’ou e u e es o e : 7 p oduc eu s su 10 on ou e le code. Si les moyens d’accès/s ockage
semblen bien connus e p a iqués (Gi hub), la sécu isa ion à long e me ia l’a chi age su So wa e
He i age (di ec emen ou en passan pa Hal) l’es moins : seulemen 2 épondan ·es su 10 on ai ce
choix.
Besoins de o ma ion e connaissance des o es ins i u ionnelles
Les besoins de o ma ion se concen en pa iculiè emen su les logiciels sui an s :
1. R, pou ous les ni eaux de compé ence
2. NVi o, a ec une demande ma quée su ou pou les onc ions expe es
3. Les ou ils SIG, no ammen QGIS, pou ous ypes de ni eaux
4. Py hon, égalemen pou ous ni eaux.
L’o e logicielle de l’é ablissemen es bien connue (80 % des épondan ·es), mais pou la majo i é (66 %),
ce e connaissance es e pa ielle.
En e anche, 17 % indiquen ne pas ê e du ou in o més des essou ces disponibles.
La connaissance de l’o e e des se ices des EPST (31%) e d’Huma-Num (56%) es moins impo an e. On
cons a e que l’o e des ac eu s plus dis an s géog aphiquemen es moins bien iden i iée (e aussi
p obablemen moins connue des p o essionnels de l’IST locaux, à l’excep ion d’Huma-Num). Un e o
d’in o ma ion e de communica ion su les o es p oposées aux che cheu ·euses pa des ac eu s na ionaux
ou eu opéens se ai donc u ile.
Les au es besoins (exp imés pa 10 épondan ·es) son liés à la acili é d’usage e à l’inadéqua ion des
solu ions logicielles e ègles ac uellemen p oposées :
•Con ain es de sécu i é imposées pa la DSI e manque d’au onomie in o ma ique
•Ou ils de isiocon é ence plus pe o man s (Zoom plu ô que BigBlueBu on)
•Pa age de documen s sécu isé ou e à des che cheu ·euses d’au es ins i u ions ançaises e
é angè es plus acile e e gonomique qu’Huma-Num
Les ésul a s de ce e enquê e co obo en pou l’uni e si é Rennes 2 ce ains enseignemen s donnés pa
l’enquê e «P a iquese usagesdesou ilsnumé iquesdanslescommunau ésscien i iquesenF ance»
(SOSP-FR) menée en 2022 pa le Comi é pou la science ou e e.
•L’impo ance de la ques ion des logiciels pou les SHS
•La di e si é de ypes de données manipulés quelle que soi la discipline
•La p ééminence de la ecommanda ion pa les pai s dans les choix de logiciels, e un
ecou s à l’ins i u ion plus secondai e
•Les a en es conce nan les se ices en ligne e de la édac ion collec i e
•Une mobilisa ion plus impo an e des communau és SHS de sciences sociales e sciences
humaines pa appo aux communau és a s-le es-langues su la ques ion des logiciels.
•Le main ien en SHS de l’u ilisa ion de logiciels payan s
•La hié a chie globale des logiciels u ilisés (R, Excel, ou ils GIS, ou ils Adobe e Excel)
•Une ins i u ionnalisa ion de R, une pa plus ma ginale du langage Py hon (mais a ec des
demandes de o ma ion signi ica i es dans no e enquê e)
Pa appo à l’enquê e de 2022, on peu no e la p og ession des demandes/ ecommanda ions
liées à N i o, e aussi l’in ég a ion dans les p a iques d’ou ils liés à l’in elligence a i icielle.
Au e di é ence, la co éla ion en e classe d’âge e logiciels lib es e g a ui s ne semble pas se con i me
pou no e échan illon.
4
Table des ma iè es
Ti e anglais Su ey on he digi al ools used o esea ch a Rennes 2 Uni e si y, 2024-2025........................1
Résumé................................................................................................................................................................1
Syn hèse..............................................................................................................................................................2
1 Con ex e...........................................................................................................................................................6
1.1 Genèse e adminis a ion de l’enquê e...................................................................................................6
1.2 Nomb e de éponses................................................................................................................................6
2 Les ésul a s......................................................................................................................................................7
2.1 Ca ac é isa ion des épondan ·es............................................................................................................7
2.1.1 S a u des épondan ·es..................................................................................................................7
2.1.2 Expé ience en eche che.................................................................................................................8
Expé ience en eche che, ous é ablissemen s con ondus......................................................................8
Expé ience en eche che à Rennes 2........................................................................................................8
2.1.3 Labo a oi e e UFR de a achemen ...............................................................................................9
2.1.4 Appa enance à une école doc o ale............................................................................................11
2.1.5 A ilia ion à une ou des sec ions CNU (Conseil na ional des uni e si és).....................................12
3 P a iques de eche che..................................................................................................................................13
3.1 Types d'o dina eu s u ilisés...................................................................................................................13
3.2 Cad e de eche che................................................................................................................................14
3.3 Types de données de eche che ai és.................................................................................................15
3.4 Modes de collec e ou de p oduc ion des données de eche che.........................................................16
4 Ou ils logiciels................................................................................................................................................18
4.1 Besoin d’ou ils e s ades du cycle de ie des données .........................................................................18
4.2 C i è es de choix des logiciels ...............................................................................................................21
4.3 Recommanda ions de logiciels..............................................................................................................23
4.4 Besoins iden i iés en solu ions ins i u ionnelles pou les logiciels inancés pe sonnellemen ou en
accès empo ai e.........................................................................................................................................24
4.5 Usage des ou ils en ligne........................................................................................................................24
4.6 C éa ion de codes sou ces e de logiciels de eche che........................................................................27
5 Vos besoins.....................................................................................................................................................28
5.1 Souhai s de o ma ions..........................................................................................................................28
5.2 Connaissance des o es ins i u ionnelles ela i es aux ou ils e se ices in o ma iques.....................30
5.3 Au es besoins logiciels ou d'in o ma ion.............................................................................................32
5.4 Au es commen ai es.............................................................................................................................33
6 Discussion des ésul a s.................................................................................................................................34
7 Enseignemen s de l’enquê e e p oposi ions................................................................................................36
Bibliog aphie.....................................................................................................................................................38
Annexe 1 : ques ionnai e..................................................................................................................................40
Annexe 2 : Données complémen ai es.............................................................................................................45
Annexe 3 : L’o e de logiciels e de o ma ion à l’Uni e si é Rennes 2...........................................................50
Di ec ion des se ices in o ma iques...........................................................................................................50
Maison des Sciences humaines e sociales en B e agne.............................................................................50
URFIST B e agne – Pays de la Loi e..............................................................................................................50
Se ice commun de documen a ion............................................................................................................50
Ressou ces na ionales..................................................................................................................................50
Annexe 4 : quelques ca alogues logiciels en ligne............................................................................................51
Annexe 5 : glossai e e sigles............................................................................................................................52
5
1 Con ex e
1.1 Genèse e adminis a ion de l’enquê e
Ce e enquê e épond à un besoin exp imé pa plusieu s se ices de l’uni e si é, no ammen la
Déléguée à la p o ec ion des données, la Di ec ion des Sys èmes d’In o ma ion e le Se ice
Commun de Documen a ion à la sui e de sollici a ions émanan de che cheu ·euses. Un g oupe de
a ail a ainsi é é cons i ué en a il 2024, éunissan des ep ésen an ·es de l’URFIST e de la
MSHB, in e locu eu · ices p i ilégié.es pou les o ma ions e se ices Huma-Num, ainsi qu’un
memb e de l’a elie de la donnée ARDoISE. Ini ialemen cen é su les ou ils de ansc ip ion, le
ques ionnemen s’es p og essi emen éla gi à l’ensemble des logiciels u ilisés pa la communau é
de eche che de Rennes 2.
L’enquê e isai ois objec i s p incipaux : é abli un é a des lieux des logiciels ac uellemen
u ilisés a in de pou oi o mule des ecommanda ions à d’au es che cheu ·euses ; iden i ie les
besoins en ma iè e de logiciels e de o ma ion e , en in, mieux connaî e les p a iques des
dé eloppeu ·euses de logiciels de eche che au sein de l’uni e si é, dans le cad e d’une déma che
po ée pa l’a elie de la donnée au ou de la sensibilisa ion au s ockage e à l’a chi age des codes
sou ces e logiciels.
Le ques ionnai e, conçu a ec l’ou il LimeSu ey, compo ai 22 ques ions (don ce aines
condi ionnelles). Les éponses é aien anonymes. Peu de ques ions é aien obliga oi es, e celles
po an su le p o il des épondan ·es on é é placées en in de ques ionnai e. Ce choix explique le
nomb e plus es ein de éponses à ces de niè es, compa é à celles po an di ec emen su les
usages logiciels.
L’enquê e a é é di usée le 24 oc ob e 2024 ia la lis e de di usion Reche che de l’uni e si é
Rennes 2, a ec un appel en oyé le 19 no emb e. La clô u e é ai ixée au 30 no emb e. Des elais
complémen ai es on é é assu és su LinkedIn ainsi que su les si es web des pa enai es
impliqués.
Le ques ionnai e es ep is en annexe 1.
1.2 Nomb e de éponses
Pa mi un public cible es imé à 1 050 che cheu ·euses e doc o an ·es, 154 pe sonnes on accédé
au ques ionnai e, e 116 on épondu.
Au o al, l’enquê e comp e 77 éponses complè es e 39 éponses pa ielles. Tou es les éponses
appo ées à une ques ion, qu’elles p o iennen de ques ionnai es comple s ou pa iels, se on
p ises en comp e dans ce appo . Le nomb e de épondan ·es es sys éma iquemen p écisé pou
chaque ques ion.
6
2 Les ésul a s
2.1 Ca ac é isa ion des épondan ·es
2.1.1 S a u des épondan ·es
Nomb e de épondan ·es : 79
Tableau 1 : S a u des épondan ·es
S a u Nomb e de
épondan ·es %
Enseignan ·es-che cheu ·euses 49 32 %
Doc o an .es 27 17,5 %
Che cheu ·euses 2 2 %
Pe sonnels de sou ien à la eche che 1 0,5 %
Pou l’année uni e si ai e 2024-2025, l’uni e si é Rennes 2 comp e en i on 1 050 che cheu ·euses
e doc o an ·es, épa i·es en e 550 enseignan ·es-che cheu ·euses e 500 doc o an ·es.
Le aux de éponse à l’enquê e s’élè e à 7,5 %. Les enseignan ·es-che cheu ·euses son
p opo ionnellemen plus ep ésen é·es pa mi les épondan ·es que les doc o an ·es ( ableau e
igu e 1). Il es à no e que les ques ions ela i es au s a u des pa icipan ·es igu aien en in de
ques ionnai e, ce qui a pu con ibue à un aux de éponse pa iel su ces élémen s.
7
Figu e 1 : s a u des épondan ·es
49
27
2
1
Enseignan ·e-che cheu ·euse
Doc o an ·e
Che cheu ·euse
Pe sonnel de sou ien à la
eche che
2.1.2 Expé ience en eche che
Nomb e de épondan .es : 79
Tableau 2 : Expé ience en eche che
Dans o e ca iè e Ca iè e (% ) A Rennes 2 Rennes 2 (%)
Moins de 3 ans 15 9,5 % 23 15 %
Depuis 3 à 5 ans 9 6 % 15 9,5 %
Depuis 6 à 10 ans 6 4 % 10 6,5 %
Plus de 10 ans 46 30 % 28 18 %
Sans éponse 3 2 % 3 2 %
Le ques ionnai e compo ai une double ques ion su l’ancienne é des épondan ·es en
eche che : d’une pa dans l’ensemble de leu pa cou s, e d’au e pa spéci iquemen à
l’uni e si é Rennes 2.
Expé ience en eche che, ous é ablissemen s con ondus
La majo i é des épondan ·es décla en mene des ac i i és de eche che depuis plus de 10 ans
(30%), ce qui e lè e une p édominance de che cheu ·euses expé imen é·es dans l’échan illon
( ableau e igu e 2). Les pe sonnes ayan débu é plus écemmen leu pa cou s son égalemen
ep ésen ées : 9,5 % on de la eche che depuis moins de 3 ans, e 6 % depuis 3 à 5 ans. Ce
de nie g oupe pou ai co espond e en pa ie à des doc o an ·es en milieu ou in de pa cou s.
Expé ience en eche che à Rennes 2
La épa i ion des éponses es globalemen similai e à celle de la ques ion p écéden e, mais a ec
un lége déplacemen e s des du ées plus cou es. On obse e une baisse ma quée du nomb e de
épondan ·es ayan plus de 10 ans d’ancienne é à Rennes 2 (18 %, con e 30 % pou l’ensemble de
la ca iè e), ce qui suggè e une ce aine mobili é au sein de la communau é scien i ique. En
d'au es e mes, plusieu s épondan ·es exe cen leu ac i i é à Rennes 2 depuis une pé iode plus
cou e que leu expé ience globale en eche che, ce qui es cohé en a ec des pa cou s de
8
Figu e 2 : Du ée d’expé ience en eche che des épondan ·es
Moins de 3 ans
Depuis 3 à 5 ans
Depuis 6 à 10 ans
Plus de 10 ans
Sans éponse
0
5
10
15
20
25
30
35
40
45
50
15
9
6
46
3
23
15
10
28
3
Dans o e ca iè e
A Rennes 2
mobili é in e ins i u ionnelle ou in e na ionale.
Ces données soulè en plusieu s in e oga ions, no ammen conce nan les p a iques de
eche che des doc o an ·es : la p opo ion non négligeable de épondan ·es décla an ai e de la
eche che depuis plus de ois ans pou ai indique la p ésence de hèses longues, ou moins
p obablemen une p ise en comp e du mas e dans la dé ini ion de la eche che.
2.1.3 Labo a oi e e UFR de a achemen
Nomb e de épondan ·es : 78
Tableau 3 : Répondan ·es pa UFR
UFR Nb pa . Pa . En %
UFR A s Le es Communica ion 15 19 %
UFR Langues 10 10 %
UFR Sciences Humaines 21 26,5 %
UFR Sciences Sociales 21 26,5 %
UFR Sciences e echniques des
ac i i és physiques e spo i es
10 12,5 %
Uni é mix e de eche che en
sciences humaines e sociales
1 1,5 %
Les UFR les plus ep ésen ées son celles des Sciences humaines e des Sciences sociales,
comp an chacune 21 épondan ·es ( ableau e igu e 3). Tou e ois, en e mes de discipline
( ableau 4), ce son les che cheu ·euses en psychologie a ilié·es au Labo a oi e de Psychologie :
Cogni ion, Compo emen , Communica ion (LP3C) qui cons i uen le g oupe le plus impo an ,
a ec 17 épondan ·es. 4 uni és de eche che ne son pas ep ésen ées (His oi e e C i ique des
a s | HCA ; Anglophonie : Communau és e Éc i u es | ACE ; Linguis ique ingénie ie e didac ique
des langues | LIDILE ; Reche ches en psychopa hologie e psychanalyse | RPpsy).
9
Figu e 3 : Labo a oi e e UFR de a achemen
UFR ALC
UFR Langues
UFR Sciences Humaines
UFR Sciences Sociales
UFR S aps
Uni é mix e de eche che SHS
0
5
10
15
20
25
3
4
6
1
7
17
4
4
5
2
3
7
5
5
1
APP
ARENES
CELLAM
CELTIC-BLM
CREAD
ERIMIT
ESO
LAHM (CREAAH)
LETG
LIRIS
LP3C
M2S
PREFICS
PTAC
TEMPORA
VIPS2
pa iculie en communica ion, sociologie isuelle, e hnog aphie ou a s.
•Les documen s web (28,5 %) e lè en un usage ela i emen équen du ma é iel en ligne,
qui peu inclu e des a icles, pos s, o ums, ou si es web, e indique une a en ion po ée
aux con enus numé iques na i s.
•La ca égo ie « Au e » (6 %), bien qu’assez ma ginale, signale des o mes spéci iques de
données (3D, cap u e de mou emen s, dessin assis é pa o dina eu (DAO), on es, ca ne s
e hnog aphiques) qui ne en en pas dans les ca égo ies s anda ds.
La majo i é des épondan ·es a aillen su plusieu s ypes de données, a ec une p édominance
ma quée du ex e e du quan i a i , andis que les o ma s mul imédias occupen une place non
négligeable, aduisan une hyb ida ion c oissan e des sou ces dans les p a iques de eche che en
SHS.
3.4 Modes de collec e ou de p oduc ion des données de
eche che
Nomb e de épondan ·es : 116, possibili é de éponses mul iples ( 313 éponses)
Tableau 10 : Modes de collec e ou de p oduc ion des données de eche che
Réponse Nomb e de
éponses
Pou cen age des
épondan ·es
Pou cen age
des éponses
En e iens 58 50 % 18,5 %
Enquê es 54 46,5 % 17 %
Acquisi ions de données quan i a i es e SIG (appa eils,
mesu es) 48 41,5 % 15,5 %
Collec e e numé isa ion de documen s ( ex es, a chi es,
co pus d'a icles, d'images) 47 40,5 % 15 %
Réu ilisa ions de jeux de données ou de co pus exis an s 34 29,5 % 10 %
Acquisi ions de données web 32 27,5 % 10 %
Expé iences (psychologiques, sociologiques...) 28 24 % 9 %
Au e 9 8 % 3 %
Fouilles a chéologiques 3 2,5 % 1 %
16
82 % des épondan ·es mobilisen au moins deux modes d’acquisi ion de données, a ec une
moyenne de 2,5 éponses pa pe sonne ( igu e 7). La a ié é des p a iques se mani es e quel que
soi le nomb e de choix, e elle ouche l’ensemble des modes de collec e, ci és pa au moins 25 %
des épondan ·es (à l’excep ion des ouilles a chéologiques e de la ca égo ie « au es »).
L’analyse des combinaisons de éponses mul iples me en é idence que, pou les che cheu ·euses
ayan sélec ionné un seul mode de collec e, les données quan i a i es e la collec e de documen s
p imen . Lo sque deux modes ou plus on é é sélec ionnés pa le ou la épondan ·e, ce son les
enquê es e les en e iens qui p édominen . Ce e impo ance des en e iens, enquê es e
données quan i a i es es à me e en pa allèle a ec les cons a s ai s dans la ques ion su les
ypes de données ai és, e à la o e ep ésen a ion des labo a oi es de sciences humaines,
sciences sociales e STAPS pa mi les épondan ·es.
Les données issues du web iennen en complémen d’au es modes d’acquisi ion (le nomb e de
ci a ions augmen an a ec le nomb e de éponses). Elle es men ionnée pa 30 % des
épondan ·es. Tou e ois, la ques ion ne pe me pas de dé e mine s’il s’agi de éu ilise un co pus
de données p éalablemen c éé pa le/la même che cheu ·euse, ou de ep end e des données
p odui es pa quelqu’un d’au e.
La ca égo ie Au es mon e à nou eau la a ié é des p a iques en SHS, les commen ai es ou an
su d’au es ypes d’acquisi ion ( ex omé ie, obse a ion pa icipan e, es s, modélisa ion 3D,
dessin ec o iel, audio isuel e c.)
17
Figu e 7 : Modes de collec e ou de p oduc ion des données de eche che p i ilégiés (plusieu s
éponses possibles)
1 c
2 c
3 c
4 c
5 c
6 c
0 10 20 30 40 50 60 70 80 90 100
Données quan i a i es e SIG
(appa eils, mesu es)
Données web
Enquê es
En e iens
Expé iences (psychologiques,
sociologiques…)
Fouilles a chéologiques
Collec e e numé isa ion de
documen s
( ex es, a chi es, co pus d'a -
icles, d'images)
4 Ou ils logiciels
4.1 Besoin d’ou ils e s ades du cycle de ie des données
Nomb e de épondan ·es : 87, possibili é de éponses mul iples ( 337 éponses)
L’é ape “Analyse e ai emen des données”
es e majo i ai emen iden i iée comme celle
où le besoin en ou ils es le plus o ( igu e
8). Elle es sui ie pa les é apes de collec e,
p oduc ion ou acquisi ion des données, puis
pa celle de publica ion, exposi ion e
alo isa ion, e pa les ai emen s p éalables.
Tableau 11 : Cycle de ie des données -
besoins d'ou ils
Nomb e de
épondan ·es %
1 choix 6 7 %
2 choix 14 16 %
3 choix 22 25,5 %
4 choix 15 17 %
5 choix 11 12,5 %
6 choix 11 12,5 %
7 choix 8 9 %
La hié a chie des é apes se con i me quel que soi le nomb e de éponses sélec ionnées pa le ou
la épondan ·e. La majo i é des épondan ·es u ilisen des logiciels à plusieu s s ades du cycle de
ie (en e 2 e 4 pou 58% - ableau 11). La hié a chie globale (Analyse, Collec e, Publica ion) es e
iden ique si on c oise a ec les ypes de données manipulées, sau pou le son, où les ai emen s
p éalables p ennen la 2e place ( igu e 10). Le s ade de la plani ica ion es celui où la p a ique
a ie le plus en onc ion du nomb e de choix.
18
Figu e 8 : Cycle de ie des données - besoins d'ou ils
Figu e 9 : Cycle de ie des données - besoins d'ou ils
(plusieu s éponses possibles)
1 choix
2 choix
3 choix
4 choix
5 choix
6 choix
7 choix
0 10 20 30 40 50 60 70
Plani ica ion de la
eche che
Collec e/acquisi ion/
p oduc ion
T ai emen s p éalables
Analyse e ai emen
Pa age ou publica ion
S ockage e conse a-
ion
Publica ion/
exposi ion/ alo isa-
ionF
La di e si é des ou ils ci és en commen ai e ( ableau 12) e lè e la di e si é des données e
p a iques de ecueil cons a ée plus hau . Le e me « ou ils » a é é in e p é é dans les
commen ai es dans le double sens ma é iel (camé a, dic aphone, o dina eu , éléphone po able,
ou ils de mesu e ou cap a ion audio isuelle...) e logiciel.
Pou ce qui conce ne les logiciels, les commen ai es ( oi ableau ci-dessous) po en
p incipalemen su les onc ions d’analyse de données e de ai emen ( ansc ip ion, ai emen
audio, analyse ex uelle). Pa mi les ou ils ci és plusieu s ois, R, Ma lab, Jasp, des in e aces
acili a ices de p og amma ion R e Py hon (Jamo i, Google Colab) ; on e ou e aussi plusieu s
ou ils de a ail collabo a i .
La sui e Mic oso O ice e ses ou ils son aussi ci és plusieu s ois, bien que l’uni e si é me e à
disposi ion Lib e O ice. La p é é ence exp imée semble liée à plusieu s ac eu s, qu’il con ien
d’analyse : s’agi -il d’une ques ion de onc ionnali és, d’e gonomie ou simplemen d’habi ude ?
Une pa ie des logiciels men ionnés son open sou ce, mais pou l’analyse s a is ique e de
données les commen ai es men ionnen aussi des ou ils payan s. Les in as uc u es na ionales
(Huma-Num, DMP Opido ) son men ionnées pou le s ockage e la plani ica ion, mais pas dans les
phases d’analyse ou de ai emen .
L’IA in e ien à plusieu s ni eaux : plani ica ion (No ion, Cha GPT), p épa a ion des con enus e
publica ion (Cha GPT).
19
Figu e 10 : C oisemen ype de données / s ade du cycle de ie
Base de données
Documen web
Données quan i a i es
Image
Son
Tex e
Vidéo
Au e
0
10
20
30
40
50
60
Plani ica ion
Collec e/acquisi ion
T ai emen s p éalables
Analyse e ai emen
Mise en o me e documen a ion
S ockage e conse a ion
Publica ion, exposi ion, alo isa ion
Tableau 12 : Besoin d'ou ils - logiciels u ilisés
Réponse
Nomb e
de
éponses
%
Nb de
commen-
ai es
Logiciels/ onc ionnali és
ci és en commen ai e
Analyse e ai emen des
données acquises (analyse
s a is ique, ex uelle,
ca og aphie, calcul encodage-
balisage, da a isualisa ion,
simula ions, modélisa ions...)
76 86,5 % 14
- R
- Jamo i, JASP e S a a (analyse s a is ique)
- MaxQDA, NVi o e I amu eq (analyse de
données quan i a i es)
- Ma lab e Google Colab (p og amma ion)
- QGIS (analyse ca og aphique)
- Ou ils de la sui e Mic oso Wo d
Collec e/acquisi ion/
p oduc ion de os ma é iaux
e données de eche che
56 63,5 % 10
- Logiciels d’OCR,
- Ou ils/applica ions d’en egis emen
d’en e iens ou de passa ion d’enquê es
- Ou ils de p ise de mesu e ou de éalisa ion
d’expé iences spéci iques,
- Ou ils géné iques de la sui e Wo d.
- Ma lab e Google Colab (pou le langage
Py hon)
- S ockage des données
Publica ion, exposi ion,
alo isa ion ( édac ion,
p oduc ion de code, co ec ion
o hog aphique e
g amma icale, aduc ion,
alo isa ion g aphique, ges ion
de la bibliog aphie, ca ne s de
eche che, ou ils de ges ion de
colloque…)
55 62,5 % 6
- Zo e o
- Hypo heses.o g
- Cha GPT
- Ou ils d’amélio a ion d’en egis emen s
sono es
- Ou ils de mise en page.
T ai emen s p éalables des
données (ne oyage,
ansc ip ion, aduc ion,
homogénéisa ion, cons uc ion
de co pus, en ichissemen s...)
52 59 % 6
- Cha GPT
- Ou ils de ansc ip ion oix- ex e
- Ou ils de ne oyage de données
- Ou ils d’exploi a ion d’enquê es
- Google Colab (p og amma ion en Py hon)
Mise en o me e
documen a ion des données
en ue du pa age ou de la
publica ion
(anonymisa ion/pseudonymisa
ion, mé adonnées,
p ésen a ion...)
41 46,5 % 3
- Sui e O ice
- O e lea (LaTeX)
- Ou ils de mon age d’a chi es sono es
S ockage e conse a ion
(au oma isa ion de la
sau ega de, nommage,
con e sion de données...)
34 38,5 % 4
- Zo e o
- Huma-Num Box
- Nakala
- Sui e O ice (Wo d e Excel)
Plani ica ion de la eche che
(ges ion de p oje , édac ion
d’appel à p oje , PGD…)
23 26 % 3
- DMP Opido
- No ion.so
- Cha GPT
20
4.2 C i è es de choix des logiciels
Nomb e de épondan ·es : 88, possibili é de éponses mul iples a ec 3 choix maximum ( 240 éponses)
Tableau 13 : C i è es de choix des logiciels
1 choix 2 choix 3 choix 4 choix 6 choix To al
éponses
% épon-
dan ·es
Fonc ionnali és echniques 3 3 44 1 1 52 59 %
Open sou ce ou g a ui 0 2 39 0 1 42 47,5 %
Recommandé pa d’au es
che cheu ·euses 0 3 27 0 1 31 35 %
Ou il collabo a i 0 0 22 1 1 24 27 %
P oposé dans mon é ablissemen
Ou mon en i onnemen de eche che 1 2 20 0 1 24 27,5 %
Ou il en ligne (accessible de pa ou ) 0 1 21 0 0 22 25 %
U ilisa ion possible pou des
Pa enai es ho s de mon ins i u ion 0 2 14 1 1 18 20,5 %
Capaci é de s ockage 0 1 11 1 0 13 15 %
Compa ibili é RGPD 1 0 12 0 0 13 15 %
Au e 1 0 0 0 0 1 1 %
Nomb e de épondan ·es 6 7 70 1 1
Figu e 11: C i è es de choix des logiciels
21
Les ois c i è es les plus impo an s pou le choix de logiciels ( igu e 11) son :
les onc ionnali és echniques
la g a ui é / l’open sou ce (à no e que la ques ion ne pe me pas de disc imine en e
choix d’oppo uni é e adhésion aux aleu s des communs de la connaissance)
la ecommanda ion pa d’au es che cheu ·euses
Ces ésul a s me en en a an l'impo ance de la pe o mance echnique des ou ils, leu
accessibili é inanciè e e la alida ion pa les pai s dans le choix des logiciels u ilisés pa les
épondan ·es. L’au onomie e les p a iques au odidac es des che cheu ·euses se dessinen en
c eux dans le ai que l’o e ai e pa l’en i onnemen de eche che es un c i è e pou 1/4
seulemen des épondan ·es, alo s que 40 % eche chen des logiciels g a ui s ou open sou ce.
On cons a e aussi une assez g ande di e si é dans les choix ( ou es les éponses ecueillen au
minimum 15 % - ableau 13). La compa ibili é RGPD es peu p ise en comp e, soulignan l’in é ê
d’une sensibilisa ion à p é oi .
Une pe sonne a p écisé en commen ai e que son c i è e de choix unique é ai la poly alence du
logiciel.
Pou les deux ca égo ies de épondan ·es majo i ai es, on obse e quelques di é ences ( igu e
12) : une plus g ande impo ance de la ecommanda ion pou les doc o an ·es, ainsi que de la
disponibili é dans l’en i onnemen de eche che ou en ligne. L’u ilisa ion possible pa les
pa enai es ex é ieu s es un c i è e plus p ésen pou les enseignan .es-che cheu .euses, le poids
des onc ionnali és echniques y es aussi un peu plus impo an .
22
Figu e 12 : C i è es de choix des logiciels selon le s a u
Enseignan .e-Ch...
Che cheu .euse
Doc o an .e
pe sonnel de sou...
Non enseigné
0 20 40 60 80 100 120 140
5 %
5 %
22 %
19 %
18 %
18 %
12 %
6 %
8 %
13 %
9 %
12 %
11 %
18 %
9 %
5 %
Capaci é de s ockage Compa ibili é RGPD
Fonc ionnali és echniques Open sou ce ou g a ui
Ou il collabo a i Ou il en ligne
P oposé dans l’en i onnemen de eche che Recommandé pa d’au es che cheu .euses
U ilisa ion possible pou des pa enai es ho s de mon ins i u ion
4.3 Recommanda ions de logiciels
Tableau 14 : Recommanda ion de logiciels
Logiciels ci és 3 ois ou
plus
Nomb e de
ci a ions
Logiciels ci és 3 ois ou
plus (sui e)
Nomb e de
ci a ions
Zo e o 14 I amu eq 4
R 9 Whispe 4
Jamo i 9 Lexico 3
N i o 7 No ion 3
SPSS 6 Py hon 3
QGIS 5 Sonal 3
R s udio 5 S a a 3
Cha GPT 4 Sui e O ice 3
Excel 4 T in 3
Se ices Huma-num 4
Su les 75 logiciels ci és, le plus ecommandé ( ableau 14) es Zo e o (14 ois), R e R s udio (14 ois
en cumulé) sui i d’au es logiciels de ai emen de données : Jamo i, N i o e e SPSS.
Pa mi les logiciels p éconisés, plus de la moi ié n’on é é ci és qu’une seule ois. La majo i é es
g a ui e (44), don 31 en Open Sou ce. 27 logiciels payan s ou mix es (13- onc ionnali és basiques
g a ui es seulemen ) son ci és. La g a ui é es plus ep ésen ée pou les logiciels les plus ci és.
Pou une même onc ion, on ou e
plusieu s logiciels ci és (g a ui s ou
payan s). Un·e épondan ·e ai la
dis inc ion sui an e dans ses
ecommanda ions : open sou ce
(g a ui ) pou les é udian ·es, logiciels
payan s (plus pe o man s?) pou sa
eche che. Les che cheu ·euses ne
ou en pas oujou s complè emen
sa is ac ion dans l’o e g a ui e
(no ammen pou l’analyse de données
quan i a i es e quali a i es, la
ansc ip ion e les ai emen s
g aphiques e audio isuels, l’IA), ce que
ma quen aussi les besoins exp imés d’o e ins i u ionnelle (c . 4.4). Ainsi, R es pa ois ci é en
combinaison a ec d’au es (MaxQDA, SPSS) mais un·e épondan ·e es ime aussi que « Je ais ou
a ec R, e il peu jus e ou ai e ».
Une analyse des modali és de mise à disposi ion des logiciels ci és au ni eau de la Di ec ion des
Se ices In o ma iques de l’uni e si é a ensui e é é e ec uée pou les 29 logiciels ci és au moins
deux ois ( igu e 13).
La plupa son disponibles, à l’excep ion de 3 logiciels non p éconisés (Cha GPT, No ion e T in ,
qui s ocken les données aux USA pou un abonnemen indi iduel).
23
Figu e 13 : Logiciels p éconisés - disponibili é à Rennes 2
0
2
4
6
8
10
12
14
16
6
14
1
3 3 2
Logiciels p éconisés - disponibili é à R2
Humanum 3
4.4 Besoins iden i iés en solu ions ins i u ionnelles pou les
logiciels inancés pe sonnellemen ou en accès empo ai e
Tableau 15 : Besoins de logiciels iden i iés
Logiciels ci és 2 ois ou
plus
Nomb e
de
ci a ions
N i o 7
SPSS 6
Cha GTP 5
Adobe c ea i e sui e 3
Claude 3
No ion 3
Sui e Mic oso O ice 3
Zoom 3
Zo e o 3
Alces e 2
An ido e 2
Lalal.ai 2
Ma lab 2
S a a 2
La plupa des logiciels men ionnés dans ce e ques ion on déjà é é ci és dans une ou plusieu s
des ques ions p écéden es, on ou e cependan à la ma ge ce ains logiciels nou eaux, e aussi
l’exp ession de besoins liés à des onc ionnali és plu ô qu’à des logiciels pa iculie s. La majo i é
des demandes écu en es ( ableau 15) es liée à des logiciels de ai emen de données
(quan i a i es, quali a i es e dans une moind e mesu e ex uelles – igu e 14). L’accès à des ou ils
d’in elligence a i icielle géné a i e ai égalemen pa ie des a en es iden i iées. Pou Zo e o, il
s’agi d’un besoin de s ockage complémen ai e. Les logiciels ci és seulemen une ois son lis és en
annexe 2.
4.5 Usage des ou ils en ligne
Nomb e de épondan ·es : 88
Tableau 16 : Usage des ou ils en ligne
Si ous u ilisez des ou ils en ligne, quelles son os
usages ? Oui Non Ne sais
pas
Sans
éponse
S ockez- ous ou en oyez- ous des données su ces ou ils ? 59 20 0 9
Manipulez- ous des données sensibles ou à ca ac è e
pe sonnel ? 31 47 1 9
U ilisez- ous des ou ils accessibles à ous (ou ils Google,
OpenRe ine…) ? 55 21 2 10
U ilisez- ous des ou ils es ein s à une communau é ESR
(ou ils Huma-Num, P ogedo, Da a e a...) ? 38 36 6 8
Lisez- ous les clauses des condi ions géné ales d'u ilisa ion
de ces ou ils conce nan les données ? 37 40 2 9
P enez- ous connaissance de la localisa ion des se eu s
dans ou ho s Union Eu opéenne ? 26 52 1 9
24
Figu e 14 : Besoins de solu ion ins i u ionnelle
0
4
8
12
La majo i é des épondan ·es u ilise des ou ils en ligne accessibles à ous, a ec 55 éponses
( ableau 16 e igu e 15). L’usage des ou ils en ligne es ein s à une communau é disciplinai e es
ela i emen équilib é pa mi les épondan ·es : 38 les u ilisen (don 10 n’u ilisen pas d’ou ils
accessibles à ous), andis que 36 ne le on pas. Pa ailleu s, 6 pe sonnes ne sa en pas si les ou ils
qu’elles u ilisen son es ein s à une communau é.
2/3 des épondan ·es (59) décla en s ocke ou en oye des données ia ces pla e o mes. La
lec u e des condi ions géné ales d’u ilisa ion n’es pas un é lexe géné al (chi e p esque
équi alen en e lec eu ·ices e non-lec eu ·ices), mais 42 % des épondan ·es décla en la
p a ique . 29 % seulemen é i ien la localisa ion des se eu s.
Pa mi les 31 pe sonnes (35%) qui manipulen des données sensibles ou à ca ac è e pe sonnel,
ou es à l’excep ion de 4 s ocken /en oien de données su des ou ils en ligne. Mais les clauses
des condi ions géné ales d'u ilisa ion de ces ou ils conce nan les données ne son lues que pa la
moi ié (16), e moins de la moi ié (seulemen 13) décla en p end e connaissance de la localisa ion
des se eu s dans ou ho s Union Eu opéenne.
Si l’on s’in é esse à la épa i ion des épondan s selon leu a achemen aux UFR ( igu e 16), on
cons a e que les communau és de sciences sociales e a s-le es communica ion son plus
enclines à u ilise des ou ils es ein s à une communau é. Les épondan ·es en sciences humaines
décla en da an age li e les clauses CGU e s’in é esse à la localisa ion des se eu s.
25
Figu e 15: U ilisa ion des ou ils en ligne
Connaissance de la localisa ion
Des se eu s (dans ou ho s UE) ?
Manipulen des données sensibles
Ou à ca ac è e pe sonnel
Lisen les condi ions
Géné ales d'u ilisa ion
U ilisen des ou ils es ein s
À une communau é ESR
U ilisen des ou ils
Accessibles à ous
S ocken des données
0 10 20 30 40 50 60 70
26
31
37
38
55
59
52
47
40
36
21
20
1
1
2
6
2
0
Ne sais pas
Non
Oui
L’ancienne é dans la ca iè e a o ise la connaissance des se ices Huma-Num jusqu’à un ce ain
poin ( igu e 24) ; ils son connus au moins pa iellemen pa 66 % des enseignan ·es-
che cheu ·euses (con e 50 % pou les doc o an ·es). Cependan on obse e une meilleu e
in o ma ion pou les jeunes che cheu ·euses (moins de 3 ans d’ancienne é) ou les plus anciens
(plus de 10 ans) que pou les ca égo ies in e médiai es, ce es moins nomb euses dans les
éponses. On peu en in é e un e e posi i des disposi i s d’in o ma ion e de o ma ion
doc o ale.
5.3 Au es besoins logiciels ou d'in o ma ion
Nomb e de épondan ·es : 10
Tableau 19 : Au es besoins logiciels ou d'in o ma ion
A ez- ous d'au es besoins
logiciels ou d'in o ma ion ?
Réponse 11 13,5 %
Sans éponse 69 86 %
Dix éponses dé aillées on é é
appo ées conce nan les au es
besoins en logiciels ou en
in o ma ions.
Dé ails des éponses
Xmind Non SPSS
Calculs s a is iques, su de g ands e de pe i s
e ec i s
J'au ais (comme l'ensemble des EC) su ou besoin de pou oi
u ilise des ou ils de isiocon é ence p a iques els que Zoom sans
a oi à quémande une licence (BBB es absolumen inadap é), de
e ou e une au onomie in o ma ique (d oi s adminis a eu PC)
qui e à ce que ce ains se ices Rennes 2 sensibles ne me soien
pas accessibles, e qu'un logiciel qu'un che cheu juge nécessai e
soi ache é dès lo s qu'il a le budge ...
Ini ia ion à l'IA ( ia py hon) ; Ini ia ion à un logiciel
opensou ce d'analyse idéo 3D ype OpenPose ( ia
Py hon) ; Ini ia ion au ai emen d'image ( ia
Py hon)
Les o ma ions auxquelles j'ai d oi comme
doc o an e e cha gée de cou s
Re ou e une o me de libe é qui n'oblige pas à ai e un icke à
chaque mise à jou de logiciel
Oui: une pla e o me de pa age de documen s
acile d'accès y comp is pa des collègues ho s R2
e ho s de F ance / de l'UE.
Oui: espace de pa age de ichie s sécu isé mais accessible à des
collègues d'au es uni e si és e d'au es pays (pas Huma-Num, on
a abandonné, op compliqué, incomp éhensible); enquê e
quan i a i e en ligne mais plus simple que LimeSu ey
32
Figu e 24 : Connaissance de l'o e Huma-Num selon l'ancienne é dans la ca iè e
Moins de 3 ans
3 à 5 ans
6 à 10 ans
Plus de 10 ans
Non enseigné
0 5 10 15 20 25 30 35 40 45 50
47 %
56 %
80 %
33 %
33 %
33 %
22 %
20 %
44 %
67 %
20 %
11 %
16 %
11 %
7 %
Ne connaî pas
Pa iellemen
Bien
T ès bien
Les éponses dé aillées à ce e ques ion peu en se épa i en plusieu s ca égo ies
•Con ain es de sécu i é imposées pa la DSI
Ce ain·es che cheu ·es eg e en la igidi é des ègles de sécu i é, qui les obligen à passe pa un
icke à chaque mise à jou de logiciel. Ils souhai e aien e ou e une plus g ande au onomie
in o ma ique, no ammen des d oi s adminis a eu su leu PC, même si cela implique que ce ains
se ices sensibles de Rennes 2 es en inaccessibles. Pa ailleu s, ils es imen qu’un logiciel jugé
nécessai e pa un che cheu de ai pou oi ê e ache é dès lo s que le budge es disponible.
•Ou ils de isiocon é ence
Les épondan ·es souhai e aien pou oi u ilise des ou ils p a iques comme Zoom sans a oi à sollici e
une licence, ca la solu ion ac uelle (BigBlueBu on) es jugée inadap ée.
•Pa age de documen s
Les commen ai es indiquen le souhai d’une pla e o me de pa age de documen s simple d’accès,
accessible à des collègues ex é ieu s à Rennes 2, oi e ho s de F ance ou de l’Union eu opéenne. Ce e
pla e o me de ai ê e sécu isée ou en pe me an un accès acile ; Huma-Num es jugé op
complexe pa ce ains.
•Au es ou ils souhai és
Anno a ion collabo a i e de idéos
XMind (ca og aphie men ale)
SPSS (analyse s a is ique en sciences sociales)
Logiciels de calcul s a is ique pou pe i s e g ands échan illons (R ?)
Ou il d’enquê e quan i a i e en ligne plus simple que LimeSu ey
Py hon, a ec des o ma ions ou ini ia ions su :
•In elligence a i icielle
•Logiciel open sou ce d’analyse idéo 3D ype OpenPose
•T ai emen d’image
5.4 Au es commen ai es
Nomb e de épondan ·es : 5
La possibili é é ai laissée en de niè e ques ion aux épondan ·es de s’exp ime pa un
commen ai e lib e. Une pe sonne a souligné la nécessi é de inance les logiciels e abonnemen s
à i e pe sonnel, en aison de aibles c édi s.
En in 31 che cheu ·euses on accep é de laisse leu mail pou des en e iens ul é ieu s.
33
6 Discussion des ésul a s
Les ésul a s de ce e enquê e co obo en pou l’uni e si é Rennes 2 ce aines in o ma ions
données pa l’enquê e «P a iquese usagesdesou ilsnumé iquesdanslescommunau és
scien i iquesenF ance» (SOSP-FR) menée en 2022 pa le Comi é pou la science ou e e.
•L’impo ance de la ques ion des logiciels pou les SHS
•La di e si é de ypes de données manipulés quelle que soi la discipline
•La p ééminence de la ecommanda ion pa les pai s dans les choix de logiciels, e un
ecou s à l’ins i u ion plus secondai e
•Les a en es conce nan les se ices en ligne e de la édac ion collec i e
•Une mobilisa ion plus impo an e des communau és SHS de sciences sociales e sciences
humaines pa appo aux communau és a s-le es-langues su la ques ion des logiciels.
•Le main ien en SHS de l’u ilisa ion de logiciels payan s
•La hié a chie globale des logiciels u ilisés (R, Excel, ou ils GIS, ou ils Adobe e Excel)
•Une ins i u ionnalisa ion de R, une pa plus ma ginale du langage Py hon (mais a ec des
demandes de o ma ion signi ica i es dans no e enquê e)
Pa appo à l’enquê e de 2022, on peu no e la p og ession des demandes/ ecommanda ions
liées à N i o, e aussi l’in ég a ion dans les p a iques d’ou ils liés à l’in elligence a i icielle.
Au e di é ence, la co éla ion en e classe d’âge e logiciels lib es e g a ui s ne semble pas se
con i me pou no e échan illon. Le choix a ai é é ai , s’agissan d’une enquê e à aleu locale
pou l’é ablissemen , de ne pas demande op d’in o ma ions pe sonnelles (âge, gen e, onc ions
adminis a i es). Cependan , d’au es ma queu s (s a u e ancienne é dans la ca iè e de
eche che) peu en donne des indica ions.
On cons a e que le c i è e de choix des logiciels « Open sou ce ou g a ui » es sélec ionné pa la
même p opo ion de doc o an s e d’enseignan s-che cheu s (18%). Les ecommanda ions
logicielles ci en majo i ai emen un mix de logiciels g a ui s e payan s pou le·la même
épondan ·e. 74 % des éponses de che cheu ·euses con i més (plus de 10 ans d’expé ience)
ci en des logiciels g a ui s ou open sou ce - e in e semen 61 % des ecommanda ions ai es pa
des nou eaux che cheu s (5 ans d’expé ience ou moins) po en au moins pa iellemen su des
logiciels payan s.
Il aud ai app o ondi pa des en e iens pou sa oi si ces cons a s émoignen d’une p og ession
de l’accul u a ion à la science ou e e (a ec la géné alisa ion d’ou ils comme Zo e o, R e l’usage
de logiciels spécialisés dé eloppés pa d’au es che cheu s - Gephi, I amu eq, Jamo i, Sonal…) ; e
d’au e pa si le main ien du payan lo sque les al e na i es exis en es lié à la mé hodologie de
la eche che, à des di é ences de onc ionnali és, d’e gonomie e d’in ég a ion des onc ions,
d’habi udes, e /ou un manque d’in o ma ion. La mul iplici é des logiciels ci és, don la plupa 1
seule ois, co espond-elle aussi à des besoins ès spéci iques ?
Les aspec s liés à la empo ali é n’on pas é é c eusés dans no e enquê e, mais mé i e aien une
é ude. L’enquê e 2015-2016 «Inno a ionsinSchola lyCommunica ions» poin e l’a alanche de
c éa ion de logiciels dans les années écen es3. Ces logiciels peu en ensui e connaî e des so s
3 Bosman & K ame , O shapes and s yle, diapos 21 à 23
34
di e s (obsolescence, c éa ion d’une communau é de dé eloppeu s béné oles, passage de l’open
sou ce au mode comme cial pa acha …).
La ques ion de la pé enni é e de la mise à jou des logiciels open sou ce e dé eloppés pa les
che cheu s se pose, ca la du ée de ie d’un logiciel de eche che es bien supé ieu e au p oje de
eche che lui même (au ou de 10 ans selon le appo 2024 du MESRI su la P oduc ione
alo isa iondeslogicielsissusdela eche chepublique ançaise4), e ai l’obje ac uellemen
d’ini ia i es de alo isa ion e de p ése a ion (ca alogue ançais des logiciels lib es de la
eche che académique, inci a ion au pa age e à la sau ega de dans le 2e Plan Na ional pou la
Science Ou e e5).
Commen e à quelle équence les che cheu ·euses adop en -ils de nou eaux ou ils au cou s de
leu ca iè e, e quand/pou quoi les abandonnen -ils (obsolescence, meilleu e o e, changemen s
mé hodologiques e é olu ions – en ligne, collabo a ion) ? Des p o ils e des pa cou s se
dégagen -ils ? Je oen Bosman and Bianca K ame p oposaien en 2016 plusieu s pa cou s
hypo hé iques d’usage logiciel : adi ionnel ; mode ne ; expé imen al ; inno an ; google ;
NPG/Macmillan (Na u e e ou ils associés)6.
Les logiciels en SHS son des ou ils qui pe me en de gagne du emps su des âches
ch onophages e de acili e le ecueil e l’exploi a ion des données. Ils o en aussi de nou elles
açons de ai e de la eche che ( ex omé ie, humani és numé iques) e de nou eaux obje s de
eche che. Mais les ou ils ne son pas neu es. La li é a u e poin e égalemen les aspec s
épis émologiques7 liés au numé ique, ainsi que les e e s indui s su les pa ies p enan es pa
l’usage de logiciels ou ou ils numé iques8.
Pa ailleu s, l’u ilisa ion de logiciels open sou ce peu pe me e d’amélio e la ep oduc ibili é9 e
la quali é de la science. L’enquê e pou ai ê e p olongée en analysan la maniè e don les
che cheu ·euses de l’uni e si é p ennen en comp e ces ques ions dans leu s choix d’ou ils.
Au e in e oga ion, quel posi ionnemen adop e pou une uni e si é a in de concilie au mieux
les mul iples enjeux liés aux logiciels pou la eche che :
•une p esc ip ion logicielle dic ée pa les pai s, à laquelle l’o e locale de ai s’adap e ;
•des o es ins i u ionnelles (locales, disciplinai es, na ionales) ou open sou ce mou an es,
oisonnan es e seulemen pa iellemen iden i iées pa les di é en s ac eu s ;
•des besoins liés à une eche che ans-ins i u ions, mondialisée e ansdisciplinai e
(besoins d’au hen i ica ion c oisés, de collabo a ion, d’accès en ligne) ;
•des besoins indi iduels ès di é enciés e poin us sui an la eche che (mul iplici é de
logiciels) e po en iellemen liés à la concep ion de la eche che
•la nécessi é de maî ise les coû s ou en pe me an une eche che e icien e, e
l’adap a ion à la di e si ica ion des modèles économiques, a ec l’hyb ida ion ( e sion de
base g a ui e e o e p emium payan e), le passage de l’acha à l’abonnemen , la
déma é ialisa ion du pos e de a ail e s une o e en ligne ;
•un souhai de souplesse, d’immédia e é e de libe é pou es e des logiciels, qui se heu e
aux exigences de sécu i é in o ma ique ?
4 Blanc & Boule , P oduc ion e alo isa ion des logiciels issus de la eche che publique ançaise, p. 6
5 2e plan na ional pou la science ou e e, pages 16-19
6 Bosman & K ame , O shapes and s yle, diapo 10.
7 Tu é y & al, À p opos de quelques ou ils de collec e de données
8 Clohessy & al., Using digi al ools in clinical, heal h and social ca e esea ch
9 Schul z, Du labo a oi e à Jupy e
35
7 Enseignemen s de l’enquê e e p oposi ions
Pa age les ecommanda ions p oposées pa les che cheu ·euses :
•C ée une base de logiciels ecommandés accessible su le web, a ec la possibili é de sugges ions, e la
mise en aleu d’o es ins i u ionnelles locales e na ionales.
•Complé e le magasin logiciel de la DSI a ec les ou ils Open Sou ce ecommandés pa plusieu s
che cheu .euses le cas échéan
•E alue les di é ences des ou ils concu en s (payan s / g a ui s) pou les explici e dans le desc ip i
des logiciels les plus ci és (N i o no ammen ), a ec les al e na i es possibles, en s’appuyan su
l’expe ise d’u ilisa eu ·ices
•Cons i ue un ca alogue de essou ces ( o ma ions, expe ·es, o ums e lis es de di usion) su R, Py hon
e au es logiciels Open Sou ce ès u ilisés
Communique su plusieu s aspec s :
•Communique su des p ésen a ions éguliè es des o es EPST e Huma-Num
•O ganise une campagne de sensibilisa ion aux aspec s de la RGPD liés aux ou ils de la eche che pou
les che cheu .euses e les pe sonnels de sou ien
•Ren o ce la communica ion su les impé a i s de sécu i é, les choix de la DSI, les coû s des solu ions
payan es (ex : licences zoom)
•Echange a ec les che cheu ·euses su l’in é ê des logiciels open sou ce pou la ep oduc ibili é
•Sensibilise les c éa eu ·ices de codes sou ces e logiciels à l’in é ê de l’a chi age dans So wa e
He i age
Op imise les se ices e épond e aux di icul és iden i iées
•Recense éguliè emen (pa une enquê e ou une déma che UX) e documen e les con ac s/ p oblèmes
liés aux o es logicielles ès u ilisées e jugées insa is aisan es ( isiocon é ence, pa age de
documen s), a in de ai e emon e aux ou nisseu s des poin s d’amélio a ion
•App o ondi les besoins e iden i ie des solu ions pou les onc ionnali és e logiciels ci és dans les
ques ions su l’a en e de solu ions ins i u ionnelles e les besoins complémen ai es (don l’IA), ainsi que
su les p obléma iques de inancemen
App o ondi les ésul a s de l’enquê e pa des en e iens quali a i s
•Complé e les données (uni és de eche che, écoles doc o ales non ep ésen ées)
•Analyse les aisons d’adop ion des di é en s logiciels (connaissance des al e na i es g a ui es, aspec s
mé hodologiques, habi udes de a ail e de o ma ion – indi iduelles ou de la communau é-, ni eau
d’expé ience en eche che, onc ionnali és a ancées, ypes de données ou d’exploi a ion di é en s…)
•In e oge la empo ali é d’adop ion des logiciels
•Vé i ie la connaissance des ac eu s de la o ma ion
36
Index des ableaux
Tableau 1 : S a u des épondan ·es...................................................................................................................4
Tableau 2 : Expé ience en eche che..................................................................................................................5
Tableau 3 : Répondan ·es pa UFR......................................................................................................................6
Tableau 4 : Répondan ·es pa labo a oi e e UFR..............................................................................................7
Tableau 5 : Répondan · pa école doc o ale.......................................................................................................8
Tableau 6 : CNU des épondan ·es......................................................................................................................9
Tableau 7 : Types d'o dina eu s u ilisés............................................................................................................10
Tableau 8 : Cad e de eche che........................................................................................................................11
Tableau 9 : Types de données de eche che ai és.........................................................................................12
Tableau 10 : Modes de collec e ou de p oduc ion des données de eche che................................................13
Tableau 11 : Cycle de ie des données - besoins d'ou ils................................................................................15
Tableau 12 : Besoin d'ou ils - logiciels u ilisés..................................................................................................17
Tableau 13 : C i è es de choix des logiciels......................................................................................................18
Tableau 14 : Recommanda ion de logiciels......................................................................................................20
Tableau 15 : Besoins de logiciels iden i iés.......................................................................................................21
Tableau 16 : Usage des ou ils en ligne..............................................................................................................21
Tableau 17 : Souhai s de o ma ion..................................................................................................................25
Tableau 18 : Connaissance des o es ins i u ionnelles - ou ils e se ices in o ma iques..............................27
Tableau 19 : Au es besoins logiciels ou d'in o ma ion....................................................................................29
Index des igu es
Figu e 1 : s a u des épondan ·es......................................................................................................................4
Figu e 2 : Du ée d’expé ience en eche che des épondan ·es..........................................................................5
Figu e 3 : Labo a oi e e UFR de a achemen ..................................................................................................6
Figu e 4 : Répondan ·es pa école doc o ale......................................................................................................8
Figu e 5 : Types d'o dina eu s u ilisés pa s a u .............................................................................................10
Figu e 6 : Cad e de eche che (plusieu s éponses possibles)..........................................................................11
Figu e 7 : Modes de collec e ou de p oduc ion des données de eche che p i ilégiés (plusieu s éponses
possibles)...........................................................................................................................................................14
Figu e 8 : Cycle de ie des données - besoins d'ou ils......................................................................................15
Figu e 9 : Cycle de ie des données - besoins d'ou ils (plusieu s éponses possibles).....................................15
Figu e 10 : C oisemen ype de données / s ade du cycle de ie.....................................................................16
Figu e 11: C i è es de choix des logiciels..........................................................................................................18
Figu e 12 : C i è es de choix des logiciels selon le s a u .................................................................................19
Figu e 13 : Logiciels p éconisés - disponibili é à Rennes 2...............................................................................20
Figu e 14 : Besoins de solu ion ins i u ionnelle................................................................................................21
Figu e 15: U ilisa ion des ou ils en ligne...........................................................................................................22
Figu e 16 : Usages liés aux ou ils en ligne pa UFR...........................................................................................23
Figu e 17 : C éa ion de codes sou ce e de logiciels.........................................................................................24
Figu e 18 : P écisions su l'ou e u e du code..................................................................................................24
Figu e 19 : Souhai s de o ma ion.....................................................................................................................25
Figu e 20 : Besoins de o ma ion exp imés pa s a u ......................................................................................25
Figu e 21 : Besoins de o ma ion pa UFR........................................................................................................26
Figu e 22 : Connaissance de l'o e...................................................................................................................27
Figu e 23 : Connaissance de l'o e R2 selon l'ancienne é à l'uni e si é..........................................................28
Figu e 24 : Connaissance de l'o e Huma-Num selon l'ancienne é dans la ca iè e.......................................29
37
Bibliog aphie
Enquê es e documen s ins i u ionnels
Béchec, M. L., Boucha d, A., Cha ie , P., Denecke , C., Gallezo , G., & Rennes, S. (2022). P a iques
e usages des ou ils numé iques dans les communau és scien i iques en F ance (Rappo de
eche che) (112 p.). Comi é pou la science ou e e. h ps://doi.o g/10.52949/5
Blanc, I., & Boule , P. (2024). Rappo su la p oduc ion e alo isa ion des logiciels issus de la
eche che publique ançaise. Minis è e cha gé de l’Enseignemen supé ieu e de la Reche che.
h ps://www.enseignemen sup- eche che.gou . / /p oduc ion-e - alo isa ion-des-logiciels-
issus-de-la- eche che-publique- ancaise-98204
Duca, D., & Mel ze , K. (2019). The Ecosys em o Technologies o Social Science Resea ch (Whi e
pape ). Sage. h ps://doi.o g/10.4135/wp191101
InSHS. (2021). Les sciences humaines e sociales e la p o ec ion des données à ca ac è e pe sonnel
dans le con ex e de la science ou e e : Guide pou la eche che. CNRS.
h ps://www.ou i lascience. /les-sciences-humaines-e -sociales-e -la-p o ec ion-des-donnees-a-
ca ac e e-pe sonnel-dans-le-con ex e-de-la-science-ou e e- 2/
K ame , B., & Bosman, J. (2016). Inno a ions in schola ly communica ion—Global su ey on
esea ch ool usage (No. 5:692). F1000Resea ch. h ps://doi.o g/10.12688/ 1000 esea ch.8414.1
Bosman, J., & K ame , B. (2016, juin 30). O Shapes and S yle : Visualising inno a ions in schola ly
communica ion [P esen a ion]. igsha e. h ps://doi.o g/10.6084/m9. igsha e.3468641. 1
K ame , B., & Bosman, J. (2017). Su ey 2015-2016. Inno a ions in Schola ly Communica ion.
h ps://101inno a ions.wo dp ess.com/su ey-2015-2016/
Lou e , V., G ange , S., Di Cosmo, R., & Pelleg ini, F. (2024). Ve s un ca alogue des logiciels issus de
la eche che. Comi é pou la science ou e e. h ps://doi.o g/10.52949/79
Minis è e de l’Enseignemen supé ieu , de la Reche che e de l’Inno a ion. (2021). Deuxième Plan
na ional pou la science ou e e 2021-2024. h ps://www.ou i lascience. /deuxieme-plan-
na ional-pou -la-science-ou e e
P a iques numé iques des communau és de eche che
Ande sen, E. (2022). F om sea ch o digi al sea ch. In A. Ficke s & J. Ta a ino (Éds.), Digi al His o y
and He meneu ics : Be ween Theo y and P ac ice (p. 131-158). De G uy e Oldenbou g.
h ps://www.deg uy e b ill.com/documen /doi/10.1515/9783110723991-007/h ml
Ba zman Ma co (a ec Ge phagnon Mélanie & Mo a Oli ie ). (2020). La ansi ion numé ique dans
la eche che e l’enseignemen supé ieu à l’ho izon 2040. Édi ions Quae. h ps://www.quae-
open.com/p odui /135/9782759231539/la- ansi ion-nume ique-dans-la- eche che-e -l-
enseignemen -supe ieu -a-l-ho izon-2040
Boukacem-Zeghmou i, C. (2020). Les p a iques numé iques des jeunes che cheu s. In É. Anheim &
38
L. Fo aison, L’édi ion en sciences humaines e sociales : Enjeux e dé is (p. 89-97). Édi ions de
l’École des hau es é udes en sciences sociales. h ps://doi.o g/10.4000/books.edi ionsehess.28848
Clemen , T. E., & Ca e , D. (2017). Connec ing heo y and p ac ice in digi al humani ies
in o ma ion wo k. Jou nal o he Associa ion o In o ma ion Science and Technology, 68(6),
1385-1396. h ps://doi.o g/10.1002/asi.23732
Clohessy, S., A ani is, T. N., Rashid, U., C addock, C., E ans, M., To o, C. T., & Ellio , M. T. (2024).
Using digi al ools in clinical, heal h and social ca e esea ch : A mixed-me hods s udy o UK
s akeholde s. BMJ Open, 14(4), e076613. h ps://doi.o g/10.1136/bmjopen-2023-076613
Du, J., Yuen, C., Slaugh e , M., & Chen, A. T. (2021). Pe cei ed Usabili y and Expe ience wi h Digi al
Tools in he Con ex o Digi al Humani ies Resea ch. P oceedings o he Associa ion o In o ma ion
Science and Technology, 58(1), 435-439. h ps://doi.o g/10.1002/p a2.474
Du lache , T. (2022). Philosophical pe spec i es on compu a ional esea ch me hods in digi al
his o y. In A. Ficke s & J. Ta a ino (Éds.), Digi al His o y and He meneu ics : Be ween Theo y and
P ac ice (p. 109-128). De G uy e Oldenbou g.
h ps://www.deg uy e b ill.com/documen /doi/10.1515/9783110723991-006/h ml
F ançois, P., & DeKe legand, D. (2023). Pa II - Technical Con ex s : Building Digi al Tools o
Humani ies Resea ch. Digi al S udies / Le champ numé ique, Special DSCN Collec ion #8.
h ps://doi.o g/10.16995/dscn.10371
Gi en, L. M., & Willson, R. (2018). In o ma ion echnology and he humani ies schola :
Documen ing digi al esea ch p ac ices. Jou nal o he Associa ion o In o ma ion Science and
Technology, 69(6), 807-819. h ps://doi.o g/10.1002/asi.24008
Jouannaud, M.-P. (2024). Using R o Apply Open Science P inciples in Second Language Acquisi ion
and Didac ics. Alsic. App en issage Des Langues e Sys èmes d’In o ma ion e de Communica ion,
27(1). h ps://doi.o g/10.4000/12a6
Schul z, E. (2023). Du labo a oi e à Jupy e : La ajec oi e d’un ins umen logiciel lib e de la
science ou e e. h ps://hal.science/hal-04316428
Toelch, U., & Os wald, D. (2018). Digi al open science—Teaching digi al ools o ep oducible and
anspa en esea ch. PLOS Biology, 16(7), e2006022.
h ps://doi.o g/10.1371/jou nal.pbio.2006022
Tu é y, C., Del igne, V., Fe nandes, P., & B essy-Léand i, C. (2021). À p opos de quelques ou ils de
collec e de données : Ré lexions su les p a iques numé iques en a chéologie. Humani és
numé iques, 3. h ps://doi.o g/10.4000/ e uehn.1603
39
Annexes
Annexe 1 : ques ionnai e
Enquê e su les logiciels u ilisés lo s du p ocessus de eche che
Ce ques ionnai e, issu d'un besoin iden i ié pa plusieu s se ices suppo de l'Uni e si é Rennes 2 (DSI, SCD,
URFIST, MSHB, DPO), a pou bu de:
• d esse une ca og aphie des logiciels u ilisés pa les memb es de la communau é scien i ique de l'uni e si é
(che cheu .euses ,enseignan .es-che cheu .euses, doc o an .es, pe sonnels de sou ien à la eche che)
• ecense les di é en s besoins de la communau é en ma iè e de logiciels ai an des données
Le emps de éponse es es imé à en i on 10 minu es.
Les données écol ées ia ce ques ionnai e son anonymes. Elles se on exclusi emen u ilisées pa les memb es
de l’équipe-p oje de ce e enquê e. Elles se on accessibles uniquemen su l'espace Resana du g oupe de
a ail, où elles se i on à l'é ablissemen d'un appo d'enquê e. Elles se on en in supp imées à l'issue d'un
délai de deux ans.
Con ac en cas de p oblème : [email p o ec ed]
Vous pou ez exe ce os d oi s d'accès, de ec i ica ion, d'e acemen , de limi a ion e d'opposi ion au ai emen
aup ès du délégué à la p o ec ion des données de l'uni e si é Rennes 2 pa e-mail ou pa cou ie .
Vous ê es égalemen en d oi de ai e une éclama ion aup ès de la CNIL, 3 Place de Fon enoy, TSA 80715,
75334 Pa is cedex 07.
Il y a 22 ques ions dans ce ques ionnai e.
Con ex e de eche che
Quel(s) mode(s) de collec e ou de p oduc ion de os données de eche che p i ilégiez- ous ?Cochez ou ce qui
s’applique.
• Acquisi ions de données quan i a i es e SIG (appa eils, mesu es)
• Acquisi ions de données web
• Enquê es
• En e iens
• Expé iences (psychologiques, sociologiques...)
• Fouilles a chéologiques
• Collec e e numé isa ion de documen s ( ex es, a chi es, co pus d'a icles, d'images)
• Réu ilisa ions de jeux de données ou de co pus exis an s
• Au e :
40
Dans quel cad e ai es- ous le plus sou en os eche ches ?
Cochez ou ce qui s’applique.
• Reche che indi iduelle
• P oje impliquan plusieu s che cheu .euses de la même ins i u ion
• P oje en collabo a ion a ec des che cheu .euses d’au es ins i u ions ançaises
• P oje en collabo a ion a ec des che cheu .euses d’au es ins i u ions y comp is in e na ionales
• P oje en collabo a ion a ec des en ep ises ou memb es de la socié é ci ile
• Reche che en collabo a ion a ec des é udian .es (L ou M)
Quel(s) ype(s) de données de eche che ai ez- ous ?
Cochez ou ce qui s’applique.
• Base de données
• Documen web
• Données quan i a i es
• Image
• Son
• Tex e
• Vidéo
• Au e :
Logiciels
Pou os données, à quels s ades de leu cycle de ie a ez- ous pa iculiè emen besoin d'ou ils ?
Plusieu s choix possibles. Vous pou ez appo e des p écisions en commen ai e si ous le souhai ez
•Plani ica ion de la eche che (ges ion de p oje , édac ion d’appel à p oje , PGD…)
•Collec e/acquisi ion/p oduc ion de os ma é iaux e données de eche che
•T ai emen s p éalables des données (ne oyage, ansc ip ion, aduc ion, homogénéisa ion,
cons uc ion de co pus, en ichissemen s...)
•Analyse e ai emen des données acquises (analyse s a is ique, ex uelle, ca og aphie, calcul
encodage-balisage, da a isualisa ion, simula ions, modélisa ions...)
•Mise en o me e documen a ion des données en ue du pa age ou de la publica ion
(anonymisa ion/pseudonymisa ion, mé adonnées, p ésen a ion...)
•S ockage e conse a ion (au oma isa ion de la sau ega de, nommage, con e sion de données...)
•Publica ion, exposi ion, alo isa ion ( édac ion, p oduc ion de code, co ec ion o hog aphique e
g amma icale, aduc ion, alo isa ion g aphique, ges ion de la bibliog aphie, ca ne s de eche che,
ou ils de ges ion de colloque…)
Lo sque ous a ez à choisi un ou il, quels son les 3 c i è es les plus impo an s si ous de ez choisi en e
plusieu s logiciels?
Cochez ou ce qui s’applique. Veuillez sélec ionne 3 éponses maximum
•Capaci é de s ockage
•Compa ibili é RGPD
•Fonc ionnali és echniques
41
Besoins de o ma ion : éponses mul iples selon les di é en s ni eaux
Ca égo ie seule
Ca égo ie/
ini ia ion
Ca égo ie/
P ise en main
Ca égo ie/
Fonc ions
expe es Les 3
To al éponses
ca égo ie
Ini ia ion 754622
P ise en main 4 5 9 6 24
Fonc ions
expe es 7 4 9 6 26
Pas de besoin
Besoins de o ma ion exp imés pa s a u
Ini ia ion P ise en main Fonc ions
expe es Pas de besoin
Enseignan .e-
Che cheu .euse 13 13 14 25
Che cheu .euse 1 1
Doc o an .e 8 10 11 11
pe sonnel de
sou ien 1
Non enseigné 1 1
Besoins de o ma ion pa UFR
Ini ia ion P ise en main Fonc ions
expe es Pas de besoin
A s Le es
Communica ion 4 2 4 9
Langues 1 1 1 5
Sciences
Humaines 4 10 9 10
Sciences Sociales 9 7 6 8
S aps 2 3 4 3
Au e 1
48
Connaissance de l’o e R2 selon l’ancienne é à l’uni e si é
O e R2 Ne connaî pas Pa iellemen Bien T ès bien
Moins de 3 ans 8 10 5
3 à 5 ans 4 7 3
6 à 10 ans 8 2
Plus de 10 ans 2 25 1
Connaissance de l’o e des EPST selon le s a u
O e EPST Ne connaî pas Pa iellemen Bien T ès bien sans éponse
Enseignan .e-
Che cheu .euse 23 12 2 11
Che cheu .euse 2
Doc o an .e 15 8 1 2
pe sonnels de
sou ien 1
Non enseigné 1
Connaissance de l’o e Huma-Num selon le s a u
O e Huma-num Connai pas Pa iellemen Bien T ès bien sans éponse
Enseignan .e-
Che cheu .euse 16 19 7 3 3
Che cheu .euse 1 1
Doc o an .e 13 8 4 1
pe sonnels de
sou ien 1
Non enseigné 1
49
Annexe 3 : L’o e de logiciels e de o ma ion à l’Uni e si é
Rennes 2
Di ec ion des se ices in o ma iques
Magasin logiciels Rennes 2, en ins alla ion lib e depuis le bu eau du pos e de a ail. Assis ance pa icke s pou
les au es demandes logicielles.
Ou ils accessibles depuis l’ENT : Message ie Pa age, Enquê es Limesu ey, isio BBB-CONF, ges ion de p oje
Kando, ou ils Rena e ( isio Rendez- ous , plani ica ion d ‘é ènemen s E en o, En oi de g os ichie s)…
Lis e des logiciels ins allés dans les salles in o ma iques disponible su l’ENT
Maison des Sciences humaines e sociales en B e agne
Pla e o me Humani és numé iques : accompagnemen dans la ges ion e le ai emen de données quali a i es
(co pus ex uels, lexicomé ie, TAL), la numé isa ion e l’édi ion de co pus numé iques (OCR/HTR, encodage
XML-TEI), la alo isa ion des co pus iconog aphiques e AV en SHS, e l’u ilisa ion des ou ils d’Huma-Num.
G ille de se ices Huma-Num.
Pla e o me Uni e si ai e de données : accompagnemen dans la p oduc ion e le ai emen de données
quan i a i es (R, Jamo i, Py hon) e dans l’accès à des bases de données s a is iques, y comp is sensibles ia le
CASD.
Ca alogue Que ele -P ogedo-Di usion.
P og amme Da alab Rennes : a elie s pou la ges ion des données de la eche che en SHS.
URFIST B e agne – Pays de la Loi e
Ca alogue des o ma ions de l'U is : Chaque semes e, des s ages son p oposés (en p ésen iel ou en ligne)
pou accompagne les che cheu ·euses no ammen dans la p ise en main d'ou ils de ai emen des données de
la eche che, de édac ion de PGD, de ges ion bibliog aphique (exemples de o ma ions o ganisées
éguliè emen : Py hon, R, Ga gan ex , QGIS, Commen édige un PDG, Zo e o).
Si e de l'U is : Consul e no ammen l’Ongle Ressou ces (mise en ligne de suppo s de o ma ions p oposées à
l'U is )
Callis o : pla e o me de o ma ion au ou de la science ou e e, de l’in o ma ion scien i ique e echnique e des
mé ie s des biblio hèques
Se ice commun de documen a ion
Logiciels de ai emen de données disponibles à l’espace Reche che, en plus des logiciels accessibles dans
ou es les BU
Assis ance e o ma ion su Zo e o
Assis ance e o ma ion su les plans de ges ion logiciels, les ou ils d’anonymisa ion, les cahie s de labo a oi e
dans le cad e de l’A elie de la donnée A doise
Ressou ces na ionales
Resana : sui e collabo a i e en ligne
G is : ableu collabo a i e ges ion de base de données
SciencesCon : pla e o me de ges ion de con é ences scien i iques
50
Annexe 4 : quelques ca alogues logiciels en ligne
1. Socle In e minis é iel des Logiciels Lib es. (s. d.). Consul é 21 aoû 2025, à l’ad esse
h ps://code.gou . /sill/
Ca alogue de é é ence de logiciels lib es ecommandés pou l'ensemble de
l'adminis a ion.
2. Ca alogue des logiciels lib es de la eche che académique. (s. d.). Consul é 26 aoû 2025, à
l’ad esse h ps://logiciels.ca alogue-es . /
Ré é encemen de logiciels lib es dé eloppés dans la eche che académique ( e sion be a)
3. Les pla e o mes echnologiques du RnMSH. (s. d.). Consul é 26 aoû 2025, à l’ad esse
h ps://heu is .huma-num. /heu is /?db=RnMSH_Pla e o mes&websi e=761&lang=FR&pageid=528
Pla e o mes du éseau na ional des Maisons des Sciences sociales e des Humani és
4. K ame , B., & Bosman, J. (2017). 400+ Tools and inno a ions in schola ly communica ion.
Google Docs.
h ps://docs.google.com/sp eadshee s/d/1KUMSeq_Pzp4K eZ7pb5 ddcssk1XBTiLHniD0d3nDqo/edi ?
usp=embed_ acebook
Lis e d'ou ils associée à l'enquê e Inno a ions in Schola ly Communica ion de 2015
5. Social Sciences & Humani ies Open Ma ke place. (s. d.). Social Sciences & Humani ies Open
Ma ke place. Consul é 26 aoû 2025, à l’ad esse h ps://ma ke place.sshopencloud.eu/
Pla e o me numé ique eu opéenne eg oupan des ou ils, se ices, données e
publica ions à des ina ion des communau és eu opéennes en SHS
6. Wink, I. (s. d.). Resea ch Guides : Da a Applica ions Se ices: Da a Applica ions. Consul é 26
aoû 2025, à l’ad esse h ps://libguides.uky.edu/da a_applica ions/da a_applica ions
Guide de l'Uni e si é du Ken ucky su les logiciels liés aux données
7. Blake, J. (s. d.). All guides : Digi al ools o esea ch: In oduc ion. Consul é 26 aoû 2025, à
l’ad esse h ps:// mi .libguides.com/Digi alTools/in oduc ion
Guide des biblio hèques du MIT su les ou ils numé iques pou la eche che
8. Associa ion F amaso . ses se ices (F amaca e, F amindmap, F ama o ms…) e son
ca alogue de logiciels lib es. Consul é 16 sep emb e 2025.
51
Annexe 5 : glossai e e sigles
ARDoISE : A elie de la donnée ennais
CGU : Condi ions géné ales d’u ilisa ion d’un si e web
Clus e de calcul : eg oupemen d'o dina eu s pe me an d’op imise la puissance de calcul
CNU : Conseil na ional des uni e si és. Il gè e la quali ica ion e la ca iè e des che cheu s uni e si ai es, qui
y son a iliés selon des sec ions disciplinai es
CNRS : Cen e na ional de la eche che scien i ique
COSO : Comi é pou la science ou e e. Ce comi é na ional mobilise les ac eu s de l’enseignemen
supé ieu e de la eche che pou accompagne de maniè e dynamique e coo donnée la mise en œu e de
la poli ique na ionale de science ou e e.
3D : modélisa ion/image en 3 dimensions
Da a Te a : In as uc u e de eche che dédiée aux données d’obse a ion de la e e
DAO : Dessin assis é pa o dina eu
DMP Opido : ou il d'aide à la c éa ion en ligne de plans de ges ion de données
DSI : Di ec ion du sys ème d’in o ma ion
ED : école doc o ale. S uc u e o ganisan le doc o a au sein d’une uni e si é (ou pou la B e agne d’un
eg oupemen d’é ablissemen s)
EPST : é ablissemen public à ca ac è e scien i ique e echnologique. 6 o ganismes on ce s a u : CNRS,
INED, INRAE, INRIA, INSERM, IRD.
Gi hub : pla e o me open sou ce collabo a i e des inée aux dé eloppeu s de logiciels, qui peu en y c ée ,
s ocke , modi ie , usionne e pa age des ichie s ou du code
SIG : Sys ème d’In o ma ion géog aphique (GIS en anglais)
Huma-Num : in as uc u e de eche che o an aux communau és de eche che SHS une in as uc u e
numé ique de ni eau in e na ional a in de p odui e, alo ise e p ése e leu eche che, dans un
con ex e de science ou e e e de pa age des données.
IA : In elligence a i icielle
IST : In o ma ion scien i ique e echnique. L’IST eg oupe l'ensemble des in o ma ions p odui es pa la
eche che e nécessai es à l'ac i i é scien i ique. Dans les uni e si és, ces ac i i és ecou en no ammen
les se ices d’appui documen ai e e de o ma ion (biblio hèques, documen alis es URFIST...)
MSHB : Maison des sciences humaines e sociales en B e agne. Les 21 MSH son des s uc u es d’appui e
de eche che s uc u ées en éseau, a ec pou mission de elaye localemen les in as uc u es de
eche che na ionales SHS, (Huma-num e P ogedo), de p opose des se ices mu ualisés aux labo a oi es
SHS locaux, de sou eni e impulse les ini ia i es de eche che, e de édé e la communau é SHS.
Obse a ion pa icipan e : mé hode de eche che qui implique la pa icipa ion d'un·e che cheu ·euse dans
une communau é pendan une pé iode p olongée
OpenAI : en ep ise amé icaine d'in elligence a i icielle, don l’un des p odui s es Cha GPT
Open Sou ce : Code sou ce ou e . Ce e me s'applique aux logiciels don la licence espec e des c i è es
p écisémen é ablis pa l'Open Sou ce Ini ia i e, c'es -à-di e les possibili és de lib e edis ibu ion, d'accès
au code sou ce e de c éa ion de a aux dé i és.
52
P ogedo : in as uc u e na ionale pou les données e les mé hodes en sciences humaines e sociales
quan i a i es
Py hon : langage de p og amma ion lib e qui peu s’u ilise dans de nomb eux con ex es
R : langage de p og amma ion e logiciel lib e des iné aux s a is iques e à la science des données. RS udio
p opose un en i onnemen de dé eloppemen g a ui pou ce langage.
RGPD : Règlemen Géné al su la P o ec ion des Données. Règlemen eu opéen p o égean les données à
ca ac è e pe sonnel des pe sonnes physiques.
Sc ip : en in o ma ique, ensemble d'ins uc ions ou de commandes éc i es dans un langage de
p og amma ion
So wa e He i age : pla e o me de p ése a ion e d'a chi age de codes sou ces e logiciels
STAPS : sciences e echniques de l’ac i i é physique e spo i e
Tex omé ie : mé hode s a is ique e d’analyse des données appliquée aux ex es
URFIST : Uni é Régionale de Fo ma ion à l’In o ma ion Scien i ique e echnique
53
