1Débutons le chapitre par une petite fiction. 10 janvier 2023, 9 h 45 : la présidente de la section 06 du CNU reçoit un message sur le fil « Slack » dédié du ministère qui lui annonce que l’étude des dossiers de CRCT peut débuter. Elle lance alors l’application « Match » qui regarde les caractéristiques des dossiers et les met en regard des compétences de rapporteurs. Les contraintes d’éthique sont aussi respectées. Fondé sur une IA en cours d’apprentissage, un choix lui est alors proposé. Elle en discute via Zoom avec son bureau pour affiner les allocations. Certes, il y a une petite heure de travail mais ce n’est pas grave ; en 2024, cela ira encore plus vite. À 14 h 45, elle valide les choix définitifs. Ils sont alors automatiquement stockés dans une blockchain publique avec permissions. Les candidats, comme les rapporteurs, peuvent alors se connecter et utiliser leur clé privée pour vérifier leurs rapporteurs et les adresses d’envoi des documents complémentaires.

2Ce scénario est une fiction mais, pourtant, il ne comporte que des technologies existantes et utilisées par ailleurs. À titre d’exemple, plus de 12 millions d’utilisateurs disposent de « Slack » et un nombre encore plus grand de l’application Teams qui le concurrence dans la même catégorie : les outils de travail collaboratif. L’application « Match » est un nom inventé pour l’occasion. Mais cette fonctionnalité d’allocation est utilisée, par exemple, par l’éditeur suisse de revues Frontiers afin de proposer à un éditeur d’un numéro spécial des réviseurs adaptés pour les articles soumis. Enfin, les blockchains publiques avec permissions sont nombreuses. Carrefour et Nestlé en ont déployé une pour rassurer leurs clients sur l’origine d’un de leurs produits les plus sensibles : le lait bio infantile.

3Le but du présent chapitre est de proposer un panorama des technologies existantes et qui pourraient être utiles pour, premièrement, accompagner les membres du CNU dans leurs différentes activités et, deuxièmement, permettre la mise en œuvre de nouvelles missions. Ainsi, la contribution évoquera à la fois comment les technologies mises en œuvre au niveau du CNU peuvent se positionner en soutien des membres de la communauté, sans pour autant éluder les risques émergeant de ces nouveaux usages.

Technologies numériques et CNU : le traditionnel arbitrage entre opportunités et risques

4Traditionnellement, le CNU fait l’objet de diverses interrogations relatives à son organisation, à son mode de fonctionnement, à la manière dont les dossiers sont instruits en son sein, et à l’objectivité des décisions rendues. Si la plupart de ces questions sont légitimes, force est de constater qu’elles trouvent généralement toutes leurs origines dans un déficit d’information des candidats vis-à-vis du CNU. Ces derniers s’interrogent en effet fréquemment sur les processus de décision des membres du CNU, et sur leurs critères d’évaluation d’un dossier. Dans le même temps, les données dont disposent les candidats sur le fonctionnement du conseil ne proviennent pas toujours de sources véritablement fiables et relèvent parfois de la pure imagination, de la rumeur, voire d’un certain niveau de phantasme. Dans tous les cas, on constate une très forte asymétrie d’information entre les différents acteurs concernés par le CNU : ceux qui déposent un dossier et ceux qui ont en charge son évaluation.

5Avec l’arrivée massive des technologies numériques au cours des dernières années, l’information a davantage circulé et son accès a été considérablement facilité. Est-ce pour autant un avantage systématique pour les candidats ? Ne peut-on pas voir dans la libre circulation des données des risques pour ces derniers et, si oui, lesquels ? Par ailleurs, cette réduction de l’asymétrie de l’information, via les technologies numériques, n’impacte-t-elle que les candidats ? N’exerce-t-elle pas également une influence sur les membres du conseil et, si oui, laquelle ? C’est à ces différentes interrogations que nous nous proposons de répondre dans la première partie du chapitre en prenant soin de systématiquement distinguer les opportunités et les risques que les technologies numériques représentent tant pour les candidats qui déposent un dossier au CNU que pour les membres du conseil qui ont la responsabilité de l’évaluer.

Technologies numériques et candidats : d’un accès simplifié aux modalités de fonctionnement du CNU à un devoir d’extrême transparence dans la constitution des dossiers

6Indéniablement, la dématérialisation complète des dossiers à destination du CNU¹ présente des avantages pour les enseignants-chercheurs. Elle facilite leur envoi, supprime les coûts financiers importants liés à l’expédition de documents lourds et volumineux (thèses, articles, ouvrages), et laisse plus de temps, en théorie, aux candidats pour les préparer. Dans le même temps, l’accès à l’information relative au fonctionnement du CNU et aux critères d’évaluation des dossiers est devenu direct et aisé. Il suffit, pour y accéder, d’aller consulter sur le site du CNU les rapports que le (la) président(e) rédige systématiquement après chaque session. Ces derniers constituent une source d’information précieuse et objective à destination des candidats. À titre d’exemple, le rapport sur la qualification aux fonctions de maîtres de conférences de la session 2021 renseigne sur le nombre de dossiers reçus, le pourcentage de dossiers qualifiés, le déroulement de la procédure de qualification, les éléments de doctrine du CNU en matière de qualification (évaluation des aptitudes à la recherche, à l’enseignement, à l’implication collective), les pièces à fournir dans le dossier. Grâce à cette mise en ligne de l’information, il est dorénavant possible d’accéder à toutes les données utiles à la constitution d’un dossier, quel que soit l’établissement fréquenté ou l’unité de recherche à laquelle chacun est rattaché. Les technologies numériques peuvent donc être considérées comme un moyen d’assurer l’équité de traitement de chaque enseignant-chercheur souhaitant déposer un dossier au CNU.

7Bien entendu, le fait que chaque candidat puisse disposer des données relatives aux critères d’évaluation des dossiers rend naturellement les évaluateurs plus exigeants quant au respect de ces derniers. Avant de se décider à faire une demande au CNU, il est donc recommandé à chaque enseignant-chercheur de mener sa propre auto-évaluation afin de s’assurer de l’adéquation – tant sur la forme que sur le fond – de son dossier aux attentes des membres du CNU. Cette remarque est particulièrement importante pour les doctorants issus de disciplines qui ne relèvent pas directement des sciences de gestion et du management (par exemple, l’économie, l’informatique, la communication), mais qui tentent néanmoins d’être qualifiés dans la section 06. Si la dématérialisation des dossiers leur permet d’adresser sans effort particulier le même dossier à deux (voire plus) sections différentes du CNU, les chances de succès d’une telle opération s’avèrent plus que réduites. On ne peut en effet prétendre répondre aux attentes des membres d’une communauté à l’aide d’un dossier qui n’est pas adapté aux codes et aux attentes de cette dernière, voire qui a été construit selon les us et coutumes d’une autre section. Dans ce cas précis, les technologies numériques ne rendent pas particulièrement service aux candidats.

8Si les candidats ont dorénavant un accès simplifié et direct – grâce aux technologies numériques – à des informations importantes pour la constitution de leurs dossiers, une exigence de transparence au niveau des données fournies s’impose à eux de manière encore plus forte qu’auparavant. Plus précisément, toute information communiquée dans un dossier est immédiatement vérifiable par les évaluateurs qui le souhaitent. Il convient donc d’éviter de fournir des éléments ambigus, plus ou moins précis ou argumentés, car ils amèneront les rapporteurs à vouloir éclaircir la situation en menant des recherches complémentaires sur Internet. Ainsi, la consultation d’une page LinkedIn d’un enseignant-chercheur peut permettre d’en apprendre plus, et de manière plus claire et précise, que le CV qu’il a pris soin d’envoyer et de remplir de façon plus ou moins exhaustive. Par l’intermédiaire des technologies digitales, il est dorénavant possible d’accéder à des données qui étaient beaucoup moins faciles à trouver dans le passé telles que les activités administratives et/ou collectives véritablement exercées par le candidat, les institutions qu’il a fréquentées, les articles réellement acceptés par les revues, les classements des articles à la date d’acceptation du papier (et non à celle de la constitution du dossier). Le souci d’honnêteté et de transparence doit donc être au rendez-vous lors de la constitution d’un dossier puisqu’il est dorénavant possible de tout vérifier. Les technologies numériques ne font pas qu’apporter des avantages aux individus ; elles lui imposent également de nouveaux devoirs.

Technologies numériques et membres du CNU : d’un possible contrôle renforcé des dossiers constitués à un accroissement de l’auto-contrôle entre pairs

9Pour les membres du CNU, l’évaluation de la véracité des données fournies par les candidats est devenue beaucoup plus simple. La place que pouvait occuper par le passé le doute dans l’appréciation des dossiers s’est considérablement réduite dans la mesure où tout est dorénavant contrôlable en un temps réduit. Comme on l’a souligné, le fait de pouvoir consulter quasi instantanément des informations, issues de sources différentes (page LinkedIn d’un enseignant-chercheur, site Internet de son unité de recherche, de l’école doctorale où ses doctorants sont rattachés, etc.), sur un candidat permet aux rapporteurs du CNU d’avoir, en cas d’incertitude, une vision plutôt précise et exacte sur la réalité de son activité professionnelle. Dans le cadre de l’examen des demandes de PEDR, il arrive parfois que les indications fournies par les candidats soient imprécises, notamment en matière de devenir des docteurs, de nombre de thèses soutenues, de pourcentage d’encadrement pour chaque doctorant. La consultation simultanée de diverses bases de données permet aux rapporteurs d’affiner leurs évaluations, de dissiper leurs doutes éventuels sur une partie d’un dossier à évaluer et, surtout, d’évaluer la véracité des propos tenus. En ce sens, les technologies numériques facilitent le travail assigné aux membres du CNU.

10Si les technologies numériques imposent aux candidats un devoir de transparence accru en matière de constitution des dossiers, elles imposent également cette obligation aux rapporteurs en matière d’évaluation des candidats. Du fait de l’accès instantané des membres du CNU, durant les sessions, aux données relatives à l’ensemble des candidats, les rapporteurs se doivent d’être les plus précis et les plus complets possible lorsqu’ils évaluent les enseignants-chercheurs, au risque d’être interpellés directement par les autres membres du CNU en cas de restitution incomplète du parcours professionnel des candidats ou d’oublis importants les concernant. Les technologies numériques renforcent donc l’auto-contrôle par les pairs du travail d’évaluation réalisé par chaque membre du CNU. Tout comme les candidats, les rapporteurs se trouvent ainsi en situation d’évaluation durant les sessions et aucun d’entre eux n’a d’intérêt à voir son image d’évaluateur se dégrader vis-à-vis de ses pairs. Une telle situation doit donc rassurer les enseignants-chercheurs qui expriment souvent des inquiétudes quant à la manière dont on rapporte sur eux au CNU. Avec l’essor des technologies numériques, les risques d’expertise imprécise et incomplète sur un candidat s’avèrent quasi-inexistants tant le pouvoir exercé par les pairs sur les rapporteurs est devenu fort.

Des technologies au service des activités

11Analyse des dossiers, détection de bons profils ou encore gestion administrative, d’un côté, big data, IA, blockchain, de l’autre. Voyons comment activités et technologies peuvent se marier.

Big data et analyse des candidats

12Le concept de big data, même s’il a plus de dix ans, demeure plus un sujet de fantasme que de réalité entrepreneuriale. En effet, peu d’organisations sont capables de générer, stocker et analyser les données massives. À titre d’exemple, quasiment aucune administration publique ne gère de big data en France et, par exemple, aucune banque privée non plus. Faut-il pour autant abandonner le domaine ? La réponse est bien évidemment négative. Même si le CNU ne gérera pas de big data, il peut utiliser certains des outils employés pour gérer du big data. C’est le cas du logiciel R. R est un logiciel dédié à l’analyse de données. Certes, ce n’est pas nouveau. SPSS fut un temps la référence en la matière. Cependant, R se distingue par sa gratuité, conséquence de son appartenance au mouvement du logiciel libre (rattachement à GNU). En outre, R est à la fois un environnement et un langage de script. Ainsi, profitant de l’engouement lié à la mise à disposition de gros volumes de données, une communauté s’est agrégée autour de R et met à disposition un nombre croissant de « packages », c’est-à-dire un script dédié à une fonctionnalité qui permettra d’être appelé pour répondre à un problème plus large. À ce jour, plus de 17 500 packages sont disponibles. Parmi eux, une dizaine sont orientés sur l’analyse des publications, et tout particulièrement sur la mesure de la performance d’un chercheur. Examinons certains de ces packages.

13RImpact annonce mesurer l’impact académique d’un auteur. Il se fonde sur un article, publié en 2012, qui propose une méthode agrégative (22 critères) permettant de noter un auteur (Ruscio et al., 2012). Le package « Scholar » va quant à lui plus loin. En effet, il se fonde sur Google Scholar qui, utilisant la puissance du moteur de recherche de Google, propose une liste des publications de chaque auteur. Précisions qu’année après année, la qualité des données progresse (dédoublonnage ou suppression des homonymes, par exemple). À partir de ces données, le package propose différentes analyses classiques (nombre, classement parmi d’autres auteurs, en tenant compte aussi de l’ordre dans lequel l’auteur est cité). Il est donc possible de classer automatiquement l’ensemble des dossiers de candidats et ce, quel que soit le nombre de candidats. Le package propose aussi des fonctions utiles comme le fait de savoir dans combien de revues différentes une personne a publié. Mais, plus en avant, « Scholar » propose de prédire les futurs h index en fonction des publications passées et de la discipline du candidat (Acuna et al., 2012). « Tinyscholar », de son côté, propose juste une représentation visuelle des données issues aussi de Google Scholar, ce qui permet de donner une vue d’ensemble d’un chercheur de manière ergonomique.

14Pour aller plus dans le détail de la production d’un candidat, le package « Crminer » va rechercher tous les textes disponibles via le Crossref d’un auteur. Il est possible alors de lancer tout un ensemble d’analyse sur le contenu ainsi récupéré et d’avoir des indicateurs quant aux thématiques développées par le candidat. Mais aussi, il est possible de connaître, par exemple, sa qualité d’écriture au travers, par exemple, de la complexité du vocabulaire qu’il emploie. En effet, les packages permettant d’analyser le langage NLP sont très nombreux et utiles notamment pour la recherche en sciences de gestion et du management (Balech et Benavent, 2019).

15Ainsi, le CNU peut profiter des outils de big data (R, par exemple), mais aussi d’entreprises utilisant le big data (Google, notamment) pour analyser les dossiers de publication des candidats. Bien évidemment, ce processus ne va pas sans soulever un certain nombre de questions. Première question : que se passe-t-il si les publications ne sont pas indexées par Google Scholar ? Pour lancer le débat, il est aisé de mettre en avant que le service va notamment chercher ses données dans des bases comme HAL. Or, il est plus que recommandé aux chercheurs de mettre, a minima, leurs références dans HAL. Deuxième question : quels critères retenir ? C’est ici que le CNU trouve tout son intérêt. En coordination avec la FNEGE et les associations académiques, des critères globaux peuvent émerger. Ces critères peuvent alors permettre d’aller plus loin que les critères existants. Finalement, il existe deux critères simples : « au moins deux articles dans des revues classées sur quatre ou cinq ans » et le fameux « deux rang 2 ». De tels critères sont l’illustration de l’impossibilité de disposer de données fiables permettant un calcul. Aujourd’hui, ces données commencent à être disponibles. Aussi, et avant que d’autres nous imposent leurs critères, il serait judicieux de les proposer et de les tester.

IA et détection des profils

16Rappelons tout d’abord que le CNU a pour missions principales le recrutement ainsi que le suivi des carrières des maîtres de conférences et des professeurs des universités². Ainsi, toute demande confondue, la section 06 du CNU, par exemple, étudie chaque année près de 2 000 dossiers et émet autant d’avis qualitatifs et fondés sur des faits observables dans l’activité des candidats. Ce nombre pourrait encore augmenter significativement si le suivi de carrière, prévu par les articles 7-1 et 18-1 du décret n^o84-431 du 6 juin 1984³, modifiés par l’article 21 du décret n^o2014-997 du 2 septembre 2014 et par l’article 2 du décret n^o2019-1108 du 30 octobre 2019, était mis en œuvre, généralisé et systématisé. Chacune de ces campagnes est traitée selon un processus propre et des critères spécifiques. Néanmoins, tous ces processus ont en commun trois étapes critiques et fondamentales :

• Une première étape d’affectation, au terme de laquelle les dossiers des candidats demandeurs sont répartis aussi équitablement que possible entre l’ensemble des membres du CNU qui siègeront lors de cette session, tout en veillant à éviter les conflits d’intérêts avérés (par exemple, lorsqu’un dossier est évalué par le co-auteur d’un candidat) ou potentiels (par exemple, lorsqu’un dossier est évalué par un rapporteur appartenant à la même université que le candidat).

• Une deuxième étape d’évaluation, au terme de laquelle chaque dossier est étudié en profondeur par deux rapporteurs, selon des critères objectifs communs et partagés entre tous les membres du CNU qui siègeront lors de cette session, pour garantir l’équité et la comparabilité entre les dossiers.

• Une troisième étape de décision collective, au terme de laquelle l’ensemble des membres du CNU qui siègent à la session, sur la base des rapports et des avis motivés et objectivés des rapporteurs, prennent collégialement une décision pour chacune des demandes étudiées.

17Tandis que les entreprises publics et privées de moyenne et grande taille se sont déjà largement dotées d’outils de gestion (prévisionnelle) des carrières et des compétences, les sections du CNU, quant à elles, ne peuvent encore compter que sur la capacité d’organisation de leurs bureaux, et sur l’intelligence et la rationalité humaine de chacun des membres. Pourtant, la diversité des contextes institutionnels, la variété des trajectoires professionnelles individuelles et la quantité d’informations qualitatives à prendre en considération font de leur mission d’évaluation et de décision une tâche complexe face à laquelle les rationalités humaines et collectives sont confrontées à leurs limites. Sans chercher l’exhaustivité, mentionnons-en quelques-unes :

• L’affectation des dossiers se fait sur la base des informations connues et visibles sur les candidats et les évaluateurs. Par exemple, leurs liens de parenté apparents, leurs universités d’appartenance, leurs activités de recherche communes, leurs liens d’influence réciproque éventuels, etc. En revanche, tout lien qui n’est pas connu du CNU, ou déclaré par ses membres, reste invisible et ne peut donc pas être pris en compte pour optimiser l’affectation et la garantir exempte de tout biais. Cette étape d’affectation s’apparente ainsi à la résolution d’une équation à variables multiples. En situation d’information imparfaite et distribuée, tendre vers la résolution de cette équation – au gré d’interactions multiples avec les évaluateurs – est un exercice chronophage, certes garant du respect de l’équité, mais sans réelle création de valeur. Ici, une IA de type fouille de textes et de données (text and data mining, TDM), circonscrite aux dossiers des candidats ainsi qu’aux CV extensifs des membres du CNU, permettrait d’automatiser des scénarios d’affection. Une fouille de texte élargie aux sites académiques de référence (par exemple, Research Gate, HAL, etc.)⁴ permettrait d’élargir encore la base de la recherche de traces de conflits d’intérêt possibles et de les prendre en considération dans les scénarios d’affectation. Se poseraient alors les questions de la liste précise et exhaustive des situations de conflit pour programmer l’IA et des sites de référence pertinents à fouiller.

• L’évaluation des dossiers repose autant sur l’information transmise par le candidat – dans sa complétude comme dans sa précision – que sur l’appréciation et la capacité de l’évaluateur à identifier l’information pertinente et à en évaluer la fiabilité. Cette étape d’évaluation s’apparente ainsi à un travail chronophage de recension et de catégorisation d’informations – parfois aussi de complétion lorsque des précisions manquent et de fiabilisation lorsque des contradictions apparaissent dans le dossier – tandis que la réelle valeur ajoutée de l’évaluation repose avant tout sur une appréciation qualitative d’ensemble du potentiel ou de la trajectoire d’un candidat. Ici aussi, une IA de type TDM multilingue, qui procèderait, sur la base d’une grille d’analyse précise et détaillée, à un ordonnancement et à une classification des faits observables de l’activité professionnelle, permettrait d’automatiser un pré-rapport formaté par candidat. Les rapporteurs pourraient alors concentrer leur attention sur l’évaluation de l’activité et de la trajectoire des candidats qui leur sont affectés. Une IA de type apprentissage profond (deep learning) pourrait également apprendre des corrections qu’apporteraient les rapporteurs sur leurs pré-rapports pour aider le système à reclasser des informations et à en détecter d’autres. Une question fondamentale se poserait alors : faut-il s’en remettre exclusivement aux informations déclarées dans le dossier du candidat (fouille circonscrite) ou permettre à l’IA de chercher au-delà de l’information déclarée (fouille élargie) ?

18Enfin, comme tout collectif élu évoluant tous les quatre ans, l’existence d’une mémoire organisationnelle se pose aussi : mémoire des processus, des candidats, des dossiers, des décisions, et des contextes historiques et institutionnels de notre métier pour encore mieux évaluer les dossiers. Ici, une IA apprenant sessions après sessions, en utilisant, par exemple, des algorithmes bayésiens, contribuerait à faire émerger une mémoire organisationnelle. Une telle mémoire serait d’autant plus importante et pressante que le CNU serait appelé de ses vœux par son ministère de tutelle à s’engager plus fortement dans le suivi de carrière des enseignants‑chercheurs.

Blockchain et smartcontracts

19La contribution possible de l’IA aux processus d’affectation-évaluation-décision des dossiers maintenant éclairée, se pose la question de la circulation des dossiers entre les candidats et les membres du CNU. Quelles sont les tendances technologiques émergentes qui pourraient contribuer à soutenir ce processus de circulation ? Nous pensons bien évidement à la blockchain et aux smartcontracts. La blockchain repose sur trois fondements théoriques et technologiques bien connus : la théorie des jeux, le réseau de pairs à pairs et la cryptographie asymétrique. Elle consiste en un registre distribué qui stocke de manière permanente et inaltérable un ensemble de transactions (par exemple, des crypto-monnaies ou des jetons), validées par un consensus (par exemple, la preuve de travail et la preuve d’enjeu). On distingue notamment deux types de blockchain selon qu’elle est publique ou privée :

• dans une blockchain privée, seuls les membres ou utilisateurs autorisés peuvent accéder au registre distribué, la nature, le statut ou l’identité des participants à la blockchain étant déterminés dès l’origine ;

• la blockchain publique est conçue pour que tout le monde soit en mesure d’accéder au registre distribué, moyennant éventuellement de s’authentifier.

20Dans le contexte du CNU, un dossier pourrait ainsi être représenté par un jeton sur une blockchain. Il existe des jetons fongibles qui représentent des objets interchangeables (par exemple, un billet de cinq euros ou des crypto-monnaies) et des jetons non fongibles qui permettent de représenter des objets individualisables (par exemple, un dossier CNU). Lorsque les jetons sont déployés sur une blockchain, ils en prennent alors les caractéristiques : décentralisation, immutabilité, confidentialité, intégrité, authenticité, non répudiation, auditabilité. Pour faire circuler les jetons entre les participants à une blockchain (par exemple, les membres du CNU, mais aussi les candidats qui souhaitent soumettre leur dossier au CNU), il est nécessaire qu’ils détiennent chacun un portefeuille électronique, ou Wallet, avec un numéro de compte. La circulation est alors opérée par un programme informatique appelé smartcontract.

21Contrairement à son nom, un smartcontract n’est pas un contrat au sens juridique et il n’est pas intelligent non plus. Il s’agit en fait d’un code informatique enregistré dans le registre d’une blockchain qui fournit un environnement d’exécution ou un langage de script. L’exécution d’un smartcontract est déclenchée par une transaction et son résultat est soumis au consensus. Les smartcontracts peuvent être implémentés sur toutes les blockchains privées ou publiques qui supportent les programmations de smartcontract. Par exemple, la blockchain Ethereum pourrait être mobilisée pour faire circuler les dossiers des candidats représentés par des jetons non fongibles grâce à des smartcontracts. On peut alors programmer un smartcontract pour faire circuler un jeton et donc programmer autant de smartcontract qu’il y a de dossier à faire circuler. Mais on peut aussi programmer un smartcontract générique et l’appeler chaque fois que l’on a besoin de faire circuler un dossier. Les membres du CNU recevraient alors l’ensemble des jetons dans leur Wallet.

22Il faudrait ensuite faire le rapprochement entre l’empreinte numérique d’un jeton (dans leur Wallet) et le dossier physique d’un candidat (par exemple, sur Galaxie) pour pouvoir commencer à l’étudier. Automatiser ce rapprochement impliquerait toutefois le développement d’une application spécifique qui permettrait d’abord de lier un jeton au dossier source du candidat, puis de télécharger ou de lire le dossier en question. Cela impliquerait donc l’existence d’un fichier centralisé, hors de la chaine, qui rassemble la concordance entre le dossier source et le jeton déployé sur la blockchain. Cela nécessiterait aussi l’existence d’une plateforme de partage de documents (par exemple, Galaxie) dans laquelle seraient stockés les dossiers sources des candidats. L’existence à la fois d’un fichier et d’une plateforme de partage de documents – tous deux centralisés – serait finalement en contradiction avec la philosophie de la blockchain, dont l’objectif est de recourir à un réseau de pairs à pairs distribués pour éviter de dépendre d’une infrastructure centralisée. Appliqué au contexte de la circulation des dossiers du CNU, l’intérêt d’adopter une blockchain prête donc à discussion :

• La blockchain est pertinente lorsqu’il s’agit de faire circuler de la valeur entre un nombre important de parties prenantes qui ne se connaissent pas et ne se font pas confiance. Dans ce cas, le recours à un réseau de pairs à pairs distribués peut être une solution pour renforcer la confiance. Mais un tel enjeu de confiance entre les candidats et les membres du CNU est-il tellement important qu’il justifierait le recours à la technologie blockchain ?

• La blockchain est pertinente quand la transaction ou le jeton ont besoin d’être fiabilisés. Le protocole blockchain et le chiffrement asymétrique des dossiers assurent alors une circulation sécurisée entre les parties prenantes et diminuent le risque d’attaque information et de corruption des transactions. Mais les niveaux de vulnérabilité des plateformes du CNU et les niveaux de sensibilité des sujets traités par le CNU (qualifications, promotions, suivi de carrière, etc.) sont-ils tellement élevés qu’ils justifieraient le recours à la technologie blockchain ?

• Le bilan énergétique de la blockchain est également considérablement plus élevé que celui d’une plateforme centralisée. Le recours à un smartcontract générique serait, certes, une solution moins énergivore que le déploiement systématique pour chaque transaction, mais son impact environnemental resterait néanmoins considérable comparativement à l’utilisation d’une plateforme de partage de documents. L’intérêt pour la technologie blockchain doit certes être considéré au regard du processus de circulation de transaction à soutenir mais aussi de la frugalité énergétique recherchée.

23Ainsi, l’intérêt d’adopter la technologie blockchain pour organiser, sécuriser et fiabiliser la circulation des dossiers du CNU questionne. Néanmoins, le déploiement de smartcontracts, même hors d’une blockchain, semble tout à fait pertinent en tant que code informatique qui permet de faire circuler de l’information entre tiers.

IoT et gestion administrative des membres du CNU

24Le concept d’Internet des Objet (IoT en anglais, et en acronyme en général) a une vingtaine d’années mais ne se matérialise concrètement que depuis une dizaine d’années. L’idée globale est d’avoir des appareils connectés ayant peu de capacités mais remplaçant ce manque par leur nombre et leur interconnectivité. Le concept est d’ailleurs plus ancien. K. Kelly, ancien éditeur de Wired et générateur de nombreuses idées dans les mondes numériques, indiquait dès 1998 que la première règle pour la nouvelle économie se fondait sur le volume des connexions (Kelly, 1998). Il estimait ainsi déjà que de nombreux objets simples connectés étaient plus puissants qu’un gros « cerveau ». Les objets connectés prennent différentes formes et souvent captent des données issues de leur environnement (chaleur, humidité, présence etc.). Le marché de l’IoT est prometteur. En effet, si le nombre d’ordinateurs se compte en centaines de millions, celui des smartphones en milliards, on estime qu’il y aura plus de 30 milliards d’objets connectés dès 2025. Concernant la connexion, des entreprises comme SigFox ont contribué à la réalisation d’infrastructures de communications dédiées. Notons d’ailleurs qu’en quelques années, SigFox a bâti un réseau de communication couvrant l’Europe notamment, ce qui, en comparaison des opérateurs de téléphonie, est impressionnant. De plus, certains objets peuvent être intégrés à des smartphones ou à des ordinateurs (Raspberry ou Arduino, par exemple).

25Comment, le CNU pourrait-il profiter de ces objets ? Plusieurs pistes peuvent être identifiées. Première piste : quand en 2021, il est encore demandé de signer une feuille de présence papier comme preuve de présence, cela est plus que désolant. La perception d’un simple objet connecté identifiant son porteur et passant près d’une borne installée dans la salle permettrait à la fois de s’assurer de la présence et aussi de respecter les consignes sanitaires limitant la transmission de virus. Pour les sceptiques, il n’y a pas plus de risques d’usurpation d’identité avec un objet qu’avec une signature papier. Nous dirions même moins car cela nécessite que le membre donne ou se fasse dérober son objet pour que l’usurpateur puisse s’identifier. Tandis que personne n’est en mesure de vérifier une signature manuscrite. Seconde piste : le même objet pourrait être utilisé pour le vote. En effet, l’objet pourrait posséder trois boutons (oui, non, blanc), et chaque membre passant devant la borne appuierait de manière discrète pour donner son choix. Fini ainsi les petits papiers blancs, le long dépouillement et le PV notant les résultats. D’autres idées peuvent émerger bien sûr. En tous cas, ces petits objets seraient très utiles pour permettre au membre du CNU de ne se concentrer que sur leur travail, et non sur la bureaucratie de papier.

Réseaux sociaux et promotion des disciplines

26La question de la relation entre les réseaux sociaux au sens large – c’est-à-dire que nous évoquons ici avant tout une « application » définie comme une « plateforme d’intermédiation et de mise en contact » – et la promotion des disciplines au sens strict est majeure. Il s’agit en effet non pas uniquement de constater le rôle du premier sur le second – il est massif et croissant – mais plus exactement d’identifier, de caractériser et de délimiter le type de promotion des disciplines qui peut avoir lieu par le truchement des réseaux sociaux. Nous aborderons un tel impact à la fois quantitativement et qualitativement et nous parlerons de « force de frappe » pour bien matérialiser le caractère massif et percutant de l’impact des réseaux sociaux à propos desquels il est parfois utile d’évoquer les « jeux d’ombres et de lumières sur les organisations » (Baret et al., 2006). Nous ciblerons les impacts sur les chercheurs tout d’abord puis, simultanément, sur les disciplines (une discipline n’est finalement rien d’autre qu’un groupement d’un ou plusieurs chercheurs qui s’agrègent autour des thématiques, de concepts et d’outils) et sur les institutions (une institution n’est finalement rien d’autre qu’un groupement d’acteurs qui s’agrègent autour d’une entité de jure / de facto, auxquelles ils sont rattachés administrativement, académiquement et/ou opportunément). Ces deux définitions, certes un peu descriptives, nous permettent toutefois d’avancer sur la promotion des disciplines à la fois par les réseaux sociaux et comme réseau social (Vitari et Pillet, 2019).

27Qu’en est-il de la force de frappe quantitative des réseaux sociaux ? Il ne suffit pas d’insister sur l’évidence de leur puissance numérique – nombre d’usagers, nombre d’abonnés, nombre de pages primo-visitées, nombre de partages de contenus, nombre de « vues », nombre d’interactions (les « like », les « soutiens », les « intérêts », etc.), durée de la connexion, etc. – pour montrer qu’ils ont de l’influence sur la diffusion des contenus, et donc sur la promotion des disciplines des chercheurs en sciences de gestion et du management. En effet, un internaute sur dix seulement n’est pas connecté à l’un des principaux réseaux sociaux accessibles en France. Cela signifie par conséquent que neuf internautes sur dix sont connectés et dès lors qu’ils sont accessibles – ou plus exactement éligibles – à la diffusion de contenus disciplinaires par les réseaux. La force de frappe quantitative est donc manifeste et les internautes ont accès à des contenus relayés par les réseaux et relatifs aux sciences de gestion et du management en général, et à leurs infra-disciplines en particulier. Que le dernier article publié par le professeur Payet soit accessible sur sa page Facebook ou sur son compte Research Gate n’est pas le cœur de la question ; qu’il soit lu l’est tout autant et surtout, qu’il soit partagé après avoir été lu et apprécié (ou pas). D’ailleurs, le fait de partager sans avoir lu au préalable un article est de plus en plus contrôlé, voire empêché (cas de Twitter, de WhatsApp), afin de ne pas ajouter inutilement du trafic au trafic et de ne pas créer artificiellement un buzz par le simple fait de partager du contenu !

28Qu’en est-il de la force de frappe qualitative ? C’est bien là que les exigences de pertinence et de robustesse des contenus interviennent pour envisager la promotion réelle et effective des disciplines, et non pas leur simple mise en abime numérique noyée dans le big data dont le « big » va l’emporter sur le « data ». Vitari et Pillet (2019) indiquent, à propos de la structuration de la discipline « systèmes d’information », la force des liens croisés, le rôle des revues académiques et la puissance de la rencontre des réseaux de co-auteurs. C’est bien là qu’il convient de classer les réseaux sociaux en fonction de critères plutôt qualitatifs que quantitatifs, qui reviennent souvent à approximer la réputation ou plus exactement la e-réputation (Baret et al., 2006). Nous pouvons aborder cette contribution qualitative à la fois en partant du chercheur (i.e., de son laboratoire) et de sa réputation et/ou en partant de sa discipline de rattachement (i.e., de son association académique de rattachement) et de sa réputation. Nous parlons ainsi, à titre d’illustration, de la réputation du professeur Marc Bidan dont le laboratoire de rattachement est le LEMNA de l’université de Nantes et la discipline de rattachement est le management des systèmes d’information, fédérée par l’Association Information & Management (AIM). Ces communautés sont parfois modestes lorsqu’elles sont prises individuellement mais elles deviennent puissantes lorsqu’elles s’agrègent ponctuellement par l’intermédiaire des réseaux (sociaux ou pas) et s’interconnectent et infusent via les nœuds de réseaux de chacune d’elles. La puissance de LinkedIn est à ce titre spectaculaire.

29Dans cette logique réputationnelle, il s’agira d’évoquer les abonnements, les usages, les citations, la présence numérique, les partages de contenus, les partages de liens, etc. C’est‑à‑dire que pour commencer, nous listons la simple présence sur les réseaux sociaux ou, plus simplement, sur les plateformes, en procédant alors à un premier partage entre d’un côté, les réseaux non professionnels (ici non-académiques) et de l’autre, les réseaux plutôt orientés professionnels (ici académiques) (tableau 1). La question qui taraude tout chercheur peut ici se résumer au travers du titre de l’article de Dutot (2021) : « Un bon chercheur, c’est quoi ? Un mauvais chercheur, c’est quoi ?». Nous pouvons au moins tenter de l’aborder au travers de sa réputation et de sa présence sur les réseaux.

Tableau 1 : Plateformes et réseaux

30Dans tous les cas, la plateforme utilisée pourra être mise à profit pour communiquer entre les acteurs et pour échanger en recherchant, certes, des échanges de fond (partage de contenus, de données, d’outils de collecte et de traitement, de financement, de collaborations, d’affiliations, de co-diplomation, de support de publication, etc. ), qui vont contribuer à faire connaître les travaux et la discipline, mais aussi parfois des échanges de forme (partage de contacts, partage de clicks, demande de vue, demande de transferts, demande de relais, etc.). Dans le premier cas, le chercheur et sa discipline de rattachement tenteront en général d’être valorisés par le processus même de co-construction de contenu, par exemple un papier de recherche co-rédigé par le biais d’un réseau comme Research Gate, et dans le second cas, au contraire, le chercheur et sa discipline de rattachement prennent le risque d’une réussite ou d’un échec réputationnel en instrumentalisant le réseau, par exemple la diffusion d’un questionnaire sur LinkedIn ou d’un lien URL sur Facebook, selon que le réseau sera perçu comme sérieux (LinkedIn) ou pas (Facebook). De plus, outre l’identification des réseaux sociaux qui peuvent intervenir dans la diffusion et la valorisation des disciplines et infra-disciplines des sciences de gestion et du management, il faut souligner que leur caractérisation et délimitation est importante ; elle repose à la fois sur des perceptions et des pratiques (Dutot, 2021).

31Nous terminerons ce paragraphe en insistant sur la diversité des réseaux sociaux – des plateformes – et donc des usages et fonctionnalités qu’ils proposent : avec ou sans follower, avec ou sans chiffrage, avec ou sans partage de contenus, avec ou sans souveraineté, avec ou sans pérennité, etc. Il y a quand même un point commun et une idée sous-jacente, celle de collecter massivement des données et des contenus qu’ils pourront ensuite travailler, traiter et monétiser. C’est leur raison d’être, c’est leur business model même. C’est aussi la raison pour laquelle les réseaux sociaux – même les plus sérieux, professionnels et académiques – se doivent de rester gratuits pour être attractifs et héberger les interactions de leurs usagers – sans (trop de) droit de regards – plutôt que ceux de leurs clients – avec un (peu de) droit de regard – dont ils ne veulent pas ! De plus, ils sont en phase avec la logique de l’open access et de la transparence des données et peuvent ainsi fragiliser les revues à accès payant en captant leur contenu (les articles), notamment par le biais des publications de pre-prints comme le propose Research Gate par exemple.

32La promotion des disciplines de gestion et du management – du marketing à la comptabilité en passant par les systèmes d’information, la stratégie ou la logistique – passe avant tout par celle des chercheurs, de leurs projets et de leurs travaux, qu’ils soient pris individuellement ou collectivement. C’est dans cette logique que la promotion des disciplines au travers des réseaux sociaux est liée d’abord à l’activité numérique des chercheurs, avant celle de leur institution, même si ces dernières sont rarement inertes et mobilisent de plus en plus souvent d’excellents community managers. Il est à noter enfin que l’attractivité numérique des chercheurs va d’abord s’appuyer sur leur maitrise des contenants – les réseaux, leur fonctionnalité et leur interopérabilité – car elle semble, à court et moyen terme, plus importante que celle des contenus. Un exemple récent est celui du « son » qui apparait comme le nouvel eldorado des réseaux sociaux. En effet, nous insisterons sur le succès du « son » dans les salons vocaux propres aux échanges conversationnels entre membres du « club » comme Clubhouse justement, et la contre-attaque récente de certains autres comme Facebook (Sounbites, Hotline), Twitter, LinkedIn, Spotify et surtout Discord (Stage Channels), car il s’agit de proposer des salons vocaux pour capter le plus possible de conversations, d’interviews, de réactions, et donc d’usagers et de contenus. « Nous pensons que l’audio sera bien sûr également un média de première classe et il y a tous ces différents produits à construire sur tout le spectre », a même déclaré Mark Zuckerberg, en avril 2021, sur un chat en groupe du réseau Discord au sein duquel il s’était invité.

33Ainsi, comme les réseaux les accueillent et les outillent, les chercheurs se regroupent, avec ou sans l’aval de leur institution, et forment des groupes fermés (page Facebook, groupe WhatsApp, groupe LinkedIn, classe Slack, salon Discord, etc.), c’est-à-dire qu’ils induisent des « effets réseaux » qui à leur tour tendent à légitimer et à renforcer les plateformes qui les hébergent. Ces contenus échangés par les chercheurs en réseau vont ensuite contribuer à promouvoir leur discipline et leur thématique centrale de recherche par le trafic qu’ils vont induire, et les nouveaux usagers qui vont s’agréger. Nous avons schématisé ce processus dans les quatre étapes du tableau 2.

Tableau 2 : Les grandes étapes de l’offre de contenants à la promotion de contenus

34Les « effets réseaux » observés par et pour les chercheurs en sciences de gestion et du management – notamment au travers des bouleversements induits par la pandémie de Covid-19 tels que la distanciation physique et le télétravail pluri-plateformes – produisent même des pratiques, des routines et des contournements relativement intéressants qui risquent de s’installer durablement tant les enjeux de pouvoir (qui maîtrise quoi ?) et le capital social (qui parle à qui ?) sont désormais liés aux pratiques et appropriations sur et par les réseaux sociaux (Karoui et Dudézert, 2012). Nous terminerons justement par la mise en perspective du rôle des plateformes de visioconférences que nous assimilerons ici à des réseaux sociaux professionnels (Zoom, Teams, Webex, Starleaf, etc.) et certaines plateformes de gaming (Discord, Twitch, etc.) pour partager des échanges et des documents... et pour co-construire autrement leur discipline ! Ces réseaux, leur apport et leur hybridation sont même en passe de créer une discipline nouvelle. La boucle sera ainsi bouclée.

Des technologies et de nouveaux horizons

35De nouveaux horizons s’ouvrent avec l’aide des nouvelles technologies pour la communauté des enseignants-chercheurs. Ils sont de trois natures : l’aide personnalisée aux candidats pour leur carrière, la détection de hauts potentiels et, en contre-champ, la détection des vulnérabilités.

L’aide personnalisée aux candidats pour leur carrière

36Pour apprendre, un modèle d’IA a besoin de données en entrées et de résultats en sorties. Promotions, attribution de la PEDR, qualifications constituent autant de bases de cas. En effet, en entrée, il y a des dossiers contenant des données et des informations ; comme variable modératrice, il y a des rapporteurs ayant des caractéristiques ; et en sortie, il y a des attributions ou non. Cet ensemble d’inputs et d’outputs constitue alors une base permettant à un modèle d’apprendre. L’apprentissage contribuera à faire émerger des règles de succès et des règles d’échecs. C’est là que l’aide personnalisée peut entrer en jeu. Avant d’imaginer le type de règles qui pourraient ainsi être générées, décrivons l’architecture nécessaire.

37Tout d’abord, un prestataire de cloud devra être choisi. Dans l’idéal, un prestataire national de type OVH serait retenu. Mais, à défaut, l’un des géants du type Amazon, avec stockage des données en France, pourrait être utilisé pour la qualité de ses services de machine learning. Ensuite, il s’agira de constituer le dataset (l’ensemble des données pour l’apprentissage) ; il faudra alors trouver les dossiers, ajouter des métadonnées à ces dossiers (nom, date etc.), et s’assurer que le format des données contenus dans le PDF, car en général ce sont des PDF, est lisible. Sinon, il y aura une phase d’OCR pour transformer l’image en texte. Des données concernant les rapporteurs et les avis devront aussi être disponibles. L’ensemble sera alors stocké sous une forme structurée. Enfin, une analyse des documents en NLP peut être menée pour proposer d’autres métadonnées et un modèle d’apprentissage doit être créé et testé.

38Ces phases sont longues et couteuses mais peuvent, d’une part, conduire à mieux comprendre les décisions prises au travers de l’émergence de règles et, d’autre part, servir de base à une prédiction du succès (ou non) d’un dossier. Donnons quelques illustrations. La mise en évidence, ou la non mise en évidence, de liens entre les disciplines des candidats et celles des rapporteurs peut conduire à des évolutions en termes de sélection des rapporteurs. Des seuils en termes de pédagogie, de recherche ou d’administratif peuvent apparaître, ceci permettrait alors de donner des indications aux candidats du type, si vous avez ce profil de publications avec cette durée de thèse vous avez x % de chances d’être qualifié. On peut même imaginer que le candidat puisse pré-tester son dossier et choisir ensuite de l’envoyer ou non. L’immédiate critique face à un tel processus serait de craindre la disparition de l’humain. Cependant, balayons une telle crainte en indiquant que le fait de connaître la manière, souvent inconsciente, avec laquelle un groupe décide permet justement à l’individu de s’améliorer, ou du moins, de se situer du point de vue de son comportement. De plus, des indications quant à la structure du contenu d’un dossier peuvent permettre de mieux voir les forces et faiblesses, et de réduire certains biais d’attention. Ainsi, l’IA possède toutes les caractéristiques pour permettre aux membres du CNU, comme aux candidats, de mieux se connaître et de se centrer sur les valeurs de chacun sans en oublier.

La détection de hauts potentiels (IA et agilité digitale)

39L’IA repose sur un double socle pour que ses données proposées à l’entrée se transforment en résultats pertinents à la sortie. D’une part, elle s’appuie sur des algorithmes – donc des équations – qui en sont son côté soft et, d’autre part, elle s’appuie sur des ordinateurs puissants – donc des supercalculateurs – qui en sont son côté hard. La combinaison de la finesse des modélisations et suggestions mathématiques et de la puissance des serveurs et ordinateurs en réseaux explique que l’IA progresse dans tous les domaines où des données peuvent être collectées, stockées, traitées et analysées afin de proposer ce qui était jadis nommé une aide à la décision, et qui est désormais plus proche de ce que nous pourrions dénommer une suggestion pour la décision. Par exemple, en fonction des data qui auront été collectées avec ou sans votre consentement explicite, l’IA suggèrera que, comme vous avez déjà aimé regarder telle série historique et que, comme vous venez d’acheter telle voiture rouge, alors il est probable que vous apprécierez vos vacances en Italie. De même, une autre IA vous suggérera qu’après la lecture de tel article (data via Research Gate), et au regard de votre participation récente à telle conférence (data via Science Conf), alors il y a de fortes chances que vous soyez intéressé par la sortie de tel numéro spécial de cette fameuse revue académique (data via Google Scholar ou Scopus, voire Cairn).

40Nous pouvons extrapoler cette analyse avec la détection des talents ou plus exactement des « hauts potentiels » dans une logique académique ou disciplinaire. La question n’est pas de collecter les données – elles sont largement disponibles au regard de la présence numérique de la plupart des enseignants chercheurs et chercheurs – mais plutôt de les traiter et de les combiner entre elles pour « sortir » un résultat pertinent, c’est-à-dire un chercheur à haut potentiel ! Ainsi, la question sera avant tout « qu’est-ce qu’un chercheur à haut potentiel ? », et comment une IA peut-elle tenter de le caractériser. Si la réponse est, par exemple, « un chercheur qui serait (encore) jeune mais aussi (déjà) publiant, (suffisamment) intégré, (marginalement) fantaisiste et (significativement) productif », alors il sera aisé d’en dégager un profil-type en termes de data et de caractérisation. Certes, ces qualifications de « hauts potentiels » peuvent être incomplètes, elles sont très souvent insatisfaisantes et cachent une réalité plus complexe. Reprenons notre exemple et proposons un tableau 3 qui pourrait détecter et identifier les cibles.

Tableau 3 : Critères quantitatifs et critères qualitatifs des hauts potentiels

41Cependant, il est possible d’être encore plus efficace dans le ciblage et le repérage de ces hauts potentiels en remarquant que ces derniers, à l’issue de leurs thèses, qu’ils ont soutenues dans de grands laboratoires avec des jurys plutôt senior, sont « souvent » : (1) qualifiés par le CNU dès leur première candidature ; (2) en poste au sein d’un IAE des grandes métropoles (Paris, Lyon, Lille, Toulouse, Aix-en-Provence, etc.) ou dans une business school située en haut du tableau (top 5 / top 10), voire en poste comme associate professor dans les grandes universités anglo-saxonnes (Londres, Berlin, New York, Sydney, Los Angeles, etc.) ; et (3) largement suivis par et sur les réseaux sociaux. Ce qui nous donnerait une dernière ligne à ajouter avec un menu déroulant qui permettrait aux algorithmes de repérer et puis surtout de hiérarchiser les hauts potentiels qui seront identifiés (tableau 4).

Tableau 4 : Critères complémentaires des hauts potentiels

42Il est donc intéressant de noter que la question centrale n’est pas le « comment » détecter (les data sont à disposition et aisément analysables grâce à des logiciels et équations dédiés), mais plutôt le « quoi » détecter : les cerveaux sur-stimulés, la minutie dans l’exécution des tâches, la rapidité et la pertinence dans la production, le décalage avec « la norme et les normaux », etc. Mais finalement, si « nous » nous trompions sur ce qu’est un enseignant-chercheur à haut potentiel ? Si des critères comme l’âge ou les publications, voire les postes occupés, étaient de plus en plus discutables, notamment au regard des évolutions profondes du métier même d’enseignant-chercheur. La simple production de connaissance n’est pas suffisante, il faut la diffuser, la communiquer, la vulgariser… et la raconter ! Le métier d’enseignant-chercheur a profondément changé et s’est transformé. Produire ne suffit certes plus et les débats sur le « nouveau métier de chercheur » sont encore largement ouverts, tant sa caractérisation reste délicate (Monin, 2017 ; Garreau et de Montmorillon, 2019). Toutefois, les hauts potentiels senior sont de plus en plus intéressants à analyser avec une expérience qui infuse et leur permet d’être à la fois pertinents et productifs en seconde partie de carrière (Monin, 2017), et qui ont à leur disposition des outils numériques qui leur permettent de bien diffuser leurs travaux, mais pas forcément dans le cadre de revues scientifiques ou de conférences académiques.

43Nous conclurons en renvoyant à la nuance et à l’impératif d’humilité face à des équations dont bien souvent la transparence, et donc la redevabilité, est discutable mais qui font face, elles aussi, à des évolutions rapides des compétences managériales qu’elles ont à débusquer, à identifier, à évaluer (Giraud et al., 2021). La littérature évolue assez vite et nous donne ainsi l’occasion de documenter le terrain IA / hauts potentiels qui reste sensible car il renvoie à notre métier, à son sens, ses implications, à ses contournements aussi, et à sa profonde mutation toujours en cours, et pour encore de nombreuses années (Garreau et de Montmorillon, 2019).

La détection des vulnérabilités (IA et mort digitale)

44Une autre question sensible et ouverte doit être abordée : celle de la détection des vulnérabilités. Toutefois, le « pourquoi détecter » ne se pose pas de la même façon que dans le paragraphe précédent tant la détection des vulnérabilités est un enjeu majeur en ces temps perturbés, notamment par la crise sanitaire et ses conséquences sociétales et économiques. À nos yeux, en effet, si détecter les hauts potentiels est une possibilité, détecter les vulnérabilités est un impératif. Nous parlerons bien évidemment, car c’est l’objet du présent ouvrage, des vulnérabilités des chercheurs et enseignants-chercheurs dans le cadre de l’exercice des trois dimensions de leur métier, la recherche, l’enseignement et l’administration, et exclusivement dans ce cadre-là. Les données accessibles et mises à disposition des équations et calculateurs des modèles d’IA sont nombreuses tant le numérique a investi le champ de ces métiers (publications académiques, pre‑prints, réseaux sociaux, conférences, sociétés savantes, universités, publications non académiques, etc.). Cela permet de traiter une masse de données significative et régulièrement renouvelée au sein des communautés (Vitari et Pillet, 2019).

45Les vulnérabilités et autres « risques du métier » peuvent être directement liés à l’exercice du travail durant les activités de recherche ou d’enseignement, par exemple en laboratoire pour les disciplines exposées (physique, chimie, biologie, mécanique, etc.), avec des accidents de laboratoire comme des explosions, des chocs, des incendies, etc., mais aussi en séance pour des disciplines moins exposées aux expérimentations dangereuses comme c’est le cas des SHS avec des accidents comme des chutes, des altercations, des agressions verbales et/ou physiques, etc. Dans ce cas, grâce aux données collectées par le passé dans des situations similaires, l’IA sera utile dans une logique préventive et dans la perspective d’éviter de reproduire des situations telles que l’accident aurait de forte de chance de se produire. C’est toute la logique de la sécurisation des protocoles expérimentaux dans le cadre des expérimentations en sciences dites dures mais aussi de la détection des situations ou des enjeux sensibles – sur les réseaux sociaux, par exemple – dans le cadre de cours en SHS qui abordent des sujets à dimension potentiellement polémiste.

46Les vulnérabilités peuvent être indirectement liées à l’exercice du métier mais plutôt à l’accumulation de stress, d’injonction parfois contradictoires et d’autres sollicitations liées à la carrière. Nous évoquerons ici à la fois le cas de la recherche et de la production scientifique, qui sous-tendent largement les promotions et les évolutions de carrière de l’enseignant chercheur, et le cas de l’enseignement et des responsabilités administratives, qui sous-tendent son ancrage local, notamment avec l’avènement rapide de distances sociales et du télétravail dans des conditions technologiques et opérationnelles le plus souvent plutôt subies que pilotées. La petite « mort digitale », c’est-à-dire une sorte de lâcher prise digital, est alors détectable par l’IA dès lors que l’enseignant-chercheur est moins présent et moins actif – régularité des connexions, temps moyen de connexion, lieu des connexions, temps moyen entre deux connexions, temps de réponse, nombre de mots par réponse, usage intempestif de « ! », « … » ou de « majuscules », etc. – sur les plateformes qu’il avait l’habitude de fréquenter professionnellement (Research Gate, LinkedIn) ou non professionnellement (Facebook, Twitter). Le tableau 5 peut aider à schématiser le rôle de l’IA dans la détection des vulnérabilités en montrant qu’elle est utile plutôt ex post dans le cadre de l’exercice direct du métier et qu’elle le sera plutôt ex ante dans un cadre plus indirect.

Tableau 5 : Vulnérabilités, données et contextualisation

47La complexité de la question de la vulnérabilité et de sa détection par l’IA tient aussi à la problématique du « changement » profond du métier d’enseignant-chercheur qui est notable et documenté depuis quelques années, et notamment depuis les années 2010 (Garreau et de Montmorillon, 2019). Notons, par exemple, que trois tendances lourdes parmi d’autres, la fragmentation des tâches, la précarisation perçue du corps professoral et l’isolement institutionnel, peuvent expliquer la montée des vulnérabilités en termes de décrochage digital. Elles sont aisément détectables par les IA à partir des data modélisant la présence et l’activité des collègues sur Internet ainsi que leur indicateur de performance professionnelle et autres tableaux de bord proposés par chacune des applications et plateformes. De plus, ces décrochages digitaux – pour le moment, ils ne sont que digitaux – ont été largement accentués par la crise sanitaire et ses conséquences sociétales durant les confinements successifs depuis mars 2020 (distanciation, plateformisation, visioconférence, etc.). Il est intéressant de souligner que le « nombre de vues » d’un contenu ou d’un post n’est plus accessible – trop anxiogène et contreproductif selon les analystes – sur Twitter et ne le sera plus à terme sur Facebook ou LinkedIn. En bref, les traces ne sont détectables par les IA que si elles sont numériques et donc collectables sous forme de données. Il faut donc agir et intervenir, avec ou sans l’IA, dès que les signaux faibles du décrochage des collègues sont perçus.

Conclusion

48CNU et numérique sont sources de fortes synergies : des synergies pour améliorer l’existant, et des synergies pour mettre en avant de nouvelles missions que le CNU pourrait prendre en charge, tester et déployer. Mais le monde du numérique pourrait aussi bénéficier de l’emploi par le CNU de tels outils et de leurs pratiques. En effet, des entreprises ou des organisations pourraient proposer des solutions adaptées, puis se servir de cette validation nationale pour améliorer le fonctionnement des universités, des IAE, des IUT et des business schools. Les opportunités sont là et le contexte lié à la Covid‑19 est propice aux changements. Gageons que l’avenir nous montrera combien certaines de ces opportunités pourront et sauront être saisies.