Carte institutionnelle : notices sans affiliation, et effet d'une normalisation minimale
Complément à la carte institutionnelle : ce que recouvrent les notices sans aucune affiliation, et de combien une normalisation minimale et déterministe des sigles (casse, accents, espaces) change le classement de ses 20 premières affiliations.
D'un coup d'œil
Une question de source, pas de hasard
Répartition des notices sans affiliation selon la ou les sources qui les ont moissonnées (`sources_moisson`) - la première hypothèse testée (theses.fr, qui n'écrit jamais ce champ) ne se vérifie pas sur ce périmètre : aucune notice du champ IA n'est theses.fr exclusive.
| Source | Notices | Sans affiliation | Taux |
|---|---|---|---|
| hal | 4 351 | 121 | 2.8 % |
| openalex | 2 733 | 1 580 | 57.8 % |
| hal+openalex | 1 141 | 12 | 1.1 % |
Par année
| Année | Notices | Sans affiliation | Taux |
|---|---|---|---|
| 2015 | 208 | 67 | 32.2 % |
| 2016 | 200 | 60 | 30.0 % |
| 2017 | 278 | 93 | 33.5 % |
| 2018 | 451 | 150 | 33.3 % |
| 2019 | 598 | 151 | 25.3 % |
| 2020 | 560 | 133 | 23.8 % |
| 2021 | 670 | 98 | 14.6 % |
| 2022 | 822 | 81 | 9.9 % |
| 2023 | 915 | 95 | 10.4 % |
| 2024 | 1 236 | 218 | 17.6 % |
| 2025 | 1 569 | 321 | 20.5 % |
| 2026 (en cours, incomplète) | 718 | 246 | 34.3 % |
Par discipline (triée par taux décroissant)
| Discipline | Notices | Sans affiliation | Taux |
|---|---|---|---|
| Psychologie et sciences cognitives | 94 | 45 | 47.9 % |
| Économie | 66 | 24 | 36.4 % |
| Sciences politiques | 120 | 43 | 35.8 % |
| Sociologie et anthropologie | 223 | 66 | 29.6 % |
| Linguistique et langues | 304 | 79 | 26.0 % |
| Philosophie | 408 | 89 | 21.8 % |
| Informatique (IA) | 3 267 | 710 | 21.7 % |
| Mathématiques et statistiques | 102 | 21 | 20.6 % |
| Sciences de gestion | 501 | 96 | 19.2 % |
| Sciences de l'éducation | 406 | 77 | 19.0 % |
| Sciences de l'information et de la communication | 465 | 86 | 18.5 % |
| Ingénierie | 644 | 114 | 17.7 % |
| Santé et médecine | 514 | 89 | 17.3 % |
| Histoire, arts et lettres | 116 | 19 | 16.4 % |
| Droit | 944 | 145 | 15.4 % |
3 discipline(s) sous 50 notices écartée(s) de ce tableau - taux trop instable pour un si petit effectif.
Les 24 fusions trouvées par la normalisation minimale
Casse, accents et espaces superflus gommés (`champs.normaliser_mot_cle`) - aucune sélection, la liste complète des fusions trouvées sur ce relevé.
| Libellé retenu | Mentions | Graphies fusionnées |
|---|---|---|
| INSERM | 459 | INSERM (395), Inserm (64) |
| GIPSA-lab | 59 | GIPSA-lab (40), GIPSA-Lab (19) |
| CRIStAL | 40 | CRIStAL (39), CRISTAL (1) |
| INSA Hauts-De-France | 35 | INSA Hauts-De-France (33), INSA Hauts-de-France (2) |
| LaSTIG | 26 | LaSTIG (25), LASTIG (1) |
| Crem | 24 | Crem (19), CREM (5) |
| LAMSADE | 18 | LAMSADE (13), Lamsade (5) |
| SIGMA Clermont | 16 | SIGMA Clermont (15), Sigma Clermont (1) |
| UNIGE | 14 | UNIGE (12), UniGe (2) |
| UMA | 13 | UMA (9), UMa (4) |
| Céres | 8 | Céres (5), CeReS (2), Ceres (1) |
| Flowers | 7 | Flowers (5), FLOWERS (2) |
| EMPENN | 5 | EMPENN (4), Empenn (1) |
| CoRes | 5 | CoRes (4), CORES (1) |
| navier umr 8205 | 4 | navier umr 8205 (3), NAVIER UMR 8205 (1) |
| SPHERE UMR 7219 | 4 | SPHERE UMR 7219 (3), SPHERE (UMR_7219) (1) |
| INTUIDOC | 4 | IntuiDoc (2), INTUIDOC (2) |
| SILVA | 4 | SILVA (3), Silva (1) |
| THEMA | 4 | ThéMA (2), THEMA (2) |
| CARMEN | 4 | CarMeN (2), CARMEN (2) |
| ETH Zurich | 3 | ETH Zurich (2), ETH Zürich (1) |
| École Nationale d'Administration | 3 | École Nationale d'Administration (2), École nationale d'administration (1) |
| LOGICA | 2 | LogicA (1), LOGICA (1) |
| GRADES | 2 | GRADeS (1), GRADES (1) |
Classement des 20 premières affiliations, après normalisation minimale
| Rang | Affiliation | Mentions | Cumul |
|---|---|---|---|
| 1 | CNRS | 3 445 | 9.3 % |
| 2 | Comue de Toulouse | 1 126 | 12.4 % |
| 3 | Inria | 862 | 14.7 % |
| 4 | IMT | 654 | 16.5 % |
| 5 | UGA | 507 | 17.9 % |
| 6 | INSA | 479 | 19.2 % |
| 7 | INSERM | 459 | 20.4 % |
| 8 | UT2J | 427 | 21.6 % |
| 9 | NU | 384 | 22.6 % |
| 10 | UT3 | 358 | 23.6 % |
| 11 | SU | 352 | 24.6 % |
| 12 | UL | 329 | 25.5 % |
| 13 | UB | 305 | 26.3 % |
| 14 | IMT Atlantique | 275 | 27.0 % |
| 15 | UCBL | 274 | 27.8 % |
| 16 | UT Capitole | 273 | 28.5 % |
| 17 | AMU | 270 | 29.3 % |
| 18 | UR | 269 | 30.0 % |
| 19 | UNISTRA | 262 | 30.7 % |
| 20 | UM | 257 | 31.4 % |
Ce que ce complément permet de lire, et ce qu'il ne dit pas
58 % des notices moissonnées SEULEMENT par OpenAlex manquent d'affiliation, contre 2.8 % pour celles moissonnées par HAL seul et 1.1 % pour les deux fusionnées - la présence de HAL dans la moisson d'une notice, pas sa discipline ni son année, explique l'essentiel de l'écart.
Les disciplines les plus touchées (Psychologie et sciences cognitives, Économie, Sciences politiques) sont aussi, sur ce même relevé, celles où la part de notices exclusivement moissonnées par OpenAlex est la plus élevée - un effet de composition des sources plutôt qu'une propriété propre à la discipline, mais la correspondance n'est pas parfaite (santé et médecine, par exemple, a une part élevée de notices OpenAlex seul sans avoir le taux le plus élevé de notices sans affiliation) : à confirmer plutôt qu'à généraliser sans réserve.
La normalisation minimale (casse, accents, espaces) fusionne 24 groupes de graphies sur 4 093 valeurs distinctes - un effet réel mais modeste sur la concentration mesurée par le graphique 6 (31.2 % avant, 31.4 % après). Les sigles HAL arrivent déjà largement uniformes en casse et sans accent - ce n'est pas là que se loge la vraie duplication.
Cette normalisation ne rapproche aucun sigle réellement différent du même établissement (un acronyme et sa forme développée, par exemple) : la concentration institutionnelle réelle reste sous-estimée au-delà de cet effet modeste, dans une mesure que seul un chantier de normalisation complète permettrait de mesurer.
Méthode et réserves
Champ retenu : les 8 225 notices du champ IA, même périmètre que le graphique 6. Le volet « sans affiliation » recoupe les mêmes notices par `sources_moisson`, `annee` et `discipline` ; le volet « normalisation » reclasse les mêmes mentions d'affiliation déjà comptées par le graphique 6, il ne recalcule rien de plus sur la base.
La normalisation reste minimale et entièrement déterministe.
`champs.normaliser_mot_cle` gomme la casse, les accents, la ponctuation et
les espaces superflus - la même fonction déjà en usage pour les mots-clés,
aucune logique nouvelle inventée pour ce complément. Elle ne fusionne QUE
des graphies identiques une fois ces éléments gommés : elle ne rapproche
pas deux sigles réellement différents désignant le même établissement.
affiliations reste un recueil de sigles HAL bruts, jamais
rapproché d'un référentiel d'institutions (voir
`claude/pays-des-notices.md`) - ce complément mesure une PARTIE du biais
déjà annoncé par le graphique 6, pas sa correction.
Le lien discipline/source n'est pas causal, seulement observé sur ce relevé. Les disciplines où le taux de notices sans affiliation est le plus élevé sont aussi, en général, celles où la part de notices moissonnées uniquement par OpenAlex est la plus forte - une corrélation mesurée ici, pas un mécanisme démontré discipline par discipline.