Skip to content

Latest commit

 

History

History
554 lines (453 loc) · 37.6 KB

Notebook.md

File metadata and controls

554 lines (453 loc) · 37.6 KB

Analyse des données RéFérens III

Antoine Blanchard 28/04/2021

Import du référentiel métier RéFérens

RéFérens (REFérentiel des Emplois-types de la recherche et de l’Enseignement Supérieur) version III est fourni par le Ministère de l’enseignement supérieur, de la recherche et de l’innovation, sur leur portail open data. On l’importe :

data <- read.csv2("fr-esr_referentiel_metier_referens_3.csv") %>%
  mutate(Id = row_number())

variables <- data %>%
  select(-Id) %>%
  colnames()

Il comporte 242 lignes ou fiches métiers, conformément à ce qui est annoncé sur le portail data.gouv.fr :

Ce jeu de données reprend les informations et nomenclatures concernant les 242 métiers des ingénieurs et personnels techniques de recherche et de formation (ITRF) et des ingénieurs et personnels techniques de la recherche (ITA) décrits dans le répertoire des branches d’activités professionnelles et des emplois-types, dénommé RéFérens (REFérentiel des Emplois-types de la recherche et de l’Enseignement Supérieur).

Transformation des données

On définit les chaînes de caractère qui seront comptées dans le document comme des occurrences du terme “données” :

donnees <- "Donnees|donnees|Données|données|Donnee|donnee|Donnée|donnée"

On dénombre, pour chaque cellule, les occurrences du terme “données” et on les ajoute aux données brutes pour former le tableau data_filtered :

denombrement <- data %>%
  column_to_rownames("Id") %>%
  #select(Nom des colonnes, séparées par une virgule) %>%
  mutate_all(str_count, donnees) %>%
  mutate(somme = rowSums(.)) %>%
  rownames_to_column("Id") %>%
  filter(somme > 0) %>%
  arrange(desc(somme))
  
# Classer les corps dans l'ordre hiérarchique
ordre_corps <- c("ATRF", "TECH", "AI", "IE", "IR")

data_filtered <- data %>%
  filter(Id %in% denombrement$Id) %>%
  mutate(Id = as.character(Id),
         referens_cs=factor(referens_cs, levels = ordre_corps)) %>%
  left_join(denombrement %>% select(Id, somme), by = "Id") %>%
  arrange(desc(somme))

Analyse des données

Distribution des fiches métiers

On trace la distribution des 154 fiches métiers selon le nombre de fois où apparaît le terme “données” :

data_filtered %>%
    mutate(referens_id = fct_reorder(referens_id, -somme),
         referens_cs=factor(referens_cs, levels = ordre_corps)) %>%
  ggplot(aes(x = referens_id, y = somme, color=referens_cs, label=somme)) +
  geom_point() +
    geom_text_repel(box.padding=0.5,max.overlaps = Inf, aes(label=ifelse(somme>=17,somme,'')), show.legend=FALSE) +
  labs(x="Rang", y="Nombre d'occurrences du terme ''données''", color="Corps",
       title="Distribution des fiches métiers",
       caption="Données MESRI – Analyse CC-BY Antoine Blanchard / Datactivist") +
    scale_color_hue(labels = c("ATRF (Cat. C)", "TECH (Cat. B)", "AI (Cat. A)", "IE (Cat. A)", "IR (Cat. A)")) +
  theme_ipsum() +
  theme(axis.title.x=element_blank(),
        axis.text.x=element_blank(),
        axis.ticks.x=element_blank(),
        panel.grid.major.x = element_blank())

On observe une distribution fortement asymétrique, avec un décrochement à y=17. Nous sommes donc tentés de placer un seuil entre les fiches métiers qui forment une continuité de y=15 à y=1 et les 8 métiers où le terme apparaît 17 fois ou plus.

On étiquette ces 8 métiers (les autres étiquettes s’affichent au survol) :

distribution_corps_avec_intitule <- data_filtered %>%
    mutate(referens_id = fct_reorder(referens_id, -somme),
         referens_cs=factor(referens_cs, levels = ordre_corps))

  ggplot(distribution_corps_avec_intitule) +
    aes(x = referens_id, y = somme, color=referens_cs, label=referens_intitule) +
  geom_point() +
    geom_text_repel(size=2.5,box.padding=0.5,max.overlaps = Inf,force=8, aes(label=ifelse(somme>=17,referens_intitule,'')), show.legend=FALSE,
    nudge_x           = 0.2,
    direction         = "both",
    segment.size      = 0.2,
    segment.curvature = -0.1,
    segment.inflect=FALSE) +
  labs(x="Rang", y="Nombre d'occurrences du terme \"données\"", color="Corps",
       title="Distribution des fiches métiers",
       caption="Données MESRI – Analyse CC-BY Antoine Blanchard / Datactivist") +
    scale_color_hue(labels = c("ATRF (Cat. C)", "TECH (Cat. B)", "AI (Cat. A)", "IE (Cat. A)", "IR (Cat. A)")) +
  theme_ipsum() +
  theme(axis.title.x=element_blank(),
        axis.text.x=element_blank(),
        axis.ticks.x=element_blank(),
        panel.grid.major.x = element_blank())

Et sous forme de table :

top_metiers <- data_filtered %>%
  filter(somme >= 17) %>%
  arrange(desc(somme)) %>%
  select (referens_intitule, bap, referens_fap, referens_cs, somme, Id)

kable(top_metiers, caption = "Métiers incluant au moins 17 fois le terme 'données'")
referens_intitule bap referens_fap referens_cs somme Id
Ingénieur-e de recherche en production, traitement et analyse de données BAP D - Sciences Humaines et Sociales Production, traitement et analyse des données IR 35 123
Ingénieur-e d’études en production, traitement, analyse de données et enquêtes BAP D - Sciences Humaines et Sociales Production, traitement et analyse des données IE 29 160
Technicien-ne en production, traitement de données et enquêtes BAP D - Sciences Humaines et Sociales Production, traitement et analyse des données TECH 25 101
Assistant-e ingénieur-e en production, traitement de données et enquêtes BAP D - Sciences Humaines et Sociales Production, traitement et analyse des données AI 24 106
Assistant-e ingénieur-e biologiste en traitement de données BAP A - Sciences du vivant, de la terre et de l’environnement Biologie et santé, Sciences de la vie et de la terre AI 23 125
Assistant-e statisticien-ne BAP E - Informatique, Statistiques et Calcul scientifique Statistiques AI 21 161
Administrateur-trice de bases de données / Intégrateur d’applications BAP E - Informatique, Statistiques et Calcul scientifique Ingénierie technique et de production IE 20 116
Ingénieur-e statisticien-ne BAP E - Informatique, Statistiques et Calcul scientifique Statistiques IE 17 215

Métiers incluant au moins 17 fois le terme ‘données’

On constate que ce sont majoritairement des métiers AI et IE, majoritairement en soutien à la recherche (BAP A et D).

Occurrences de l’expression “données” par champ

Dans quelles colonnes (variables) du jeu de données trouve-t-on le plus le terme “données” ?

denombrement %>%
  select(-somme) %>%
  column_to_rownames("Id") %>%
  summarise_all(sum) %>%
  rownames_to_column("Id") %>%
  gather("variable", "somme", -Id) %>%
  filter(somme > 0) %>%
  ggplot(aes(x=fct_reorder(variable, somme), y = somme)) +
  geom_col(aes(fill = variable), color = "grey50") +
  labs(x = "", y = "Nombre d'occurrences du terme ''données''",
       title="Classement des variables selon \n le nombre d'occurrences du terme ''données''",
       caption="Données MESRI – Analyse CC-BY Antoine Blanchard / Datactivist")+
  coord_flip()+
  theme_ipsum() +
  theme(legend.position = "none")

Comme on pouvait s’y attendre, le terme données apparaît le plus dans les champs qui décrivent les compétences opérationnelles (rang 1) et les activités principales (rang 2) des fiches métiers. Il apparaît assez peu dans l’intitulé des fiches métiers (voir ci-après), qui est au 9e rang, précédé du champ “intitulé précédent” qui mérite d’être creusé pour comprendre pourquoi certaines occurrences ont disparu (voir plus loin). Au 6e rang, donc assez haut, on trouve le champ “Facteurs d’évolution à moyen terme” du métier qui vise, selon la documentation de RéFérens, à identifier les facteurs clés et en déduire leur impact qualitatif sur le métier.

On regarde quelle place le terme “données” occupe comparativement aux autres termes les plus utilisés dans le champ “Facteurs d’évolution à moyen terme” :

data_filtered %>%
  unnest_tokens(word, referens_facteurs_d_evolution_moyen_terme) %>%
      mutate(stem = wordStem(word)) %>%
  anti_join(get_stopwords(language = "fr")) %>%
  count(stem, sort = TRUE) %>%
  filter(n >25) 
## Joining, by = "word"

##       stem   n
## 1 développ 108
## 2  gestion  45
## 3    donné  43
## 4   evolut  36
## 5 techniqu  34
## 6 numériqu  30
## 7   nouvel  26
## 8 recherch  26

Le terme “données” est même le terme qui revient le plus fréquemment (43 occurrences) dans le champ “Facteurs d’évolution à moyen terme” des fiches métiers après “développement” et apparentés (108) et “gestion” (45).

Liste des 11 métiers dont l’intitulé contient l’expression “données”

intitule_TRUE <- denombrement %>%
  filter(denombrement$referens_intitule >0 | denombrement$referens_metiers >0)

intitule_filtered <- data_filtered %>%
  filter(Id %in% intitule_TRUE$Id) %>%
  mutate(Id = as.character(Id),
         referens_cs=factor(referens_cs, levels = ordre_corps)) %>%
  left_join(data_filtered %>% select(Id, somme), by = "Id") %>%
  select(referens_intitule, referens_metiers, bap, referens_fap, referens_cs, Id) %>%
  arrange(bap,referens_cs)

kable(intitule_filtered, caption = "Métiers incluant le terme \"données\" dans leur intitulé")
referens_intitule referens_metiers bap referens_fap referens_cs Id
Assistant-e ingénieur-e biologiste en traitement de données BAP A - Sciences du vivant, de la terre et de l’environnement Biologie et santé, Sciences de la vie et de la terre AI 125
Ingénieur-e biologiste en traitement de données epidémiologiste|bio informaticien BAP A - Sciences du vivant, de la terre et de l’environnement Biologie et santé, Sciences de la vie et de la terre IE 230
Ingénieur-e biologiste en analyse de données epidémiologiste|bio informaticien BAP A - Sciences du vivant, de la terre et de l’environnement Biologie et santé, Sciences de la vie et de la terre IR 178
Technicien-ne en production, traitement de données et enquêtes BAP D - Sciences Humaines et Sociales Production, traitement et analyse des données TECH 101
Assistant-e ingénieur-e en production, traitement de données et enquêtes BAP D - Sciences Humaines et Sociales Production, traitement et analyse des données AI 106
Ingénieur-e d’études en production, traitement, analyse de données et enquêtes BAP D - Sciences Humaines et Sociales Production, traitement et analyse des données IE 160
Ingénieur-e de recherche en production, traitement et analyse de données BAP D - Sciences Humaines et Sociales Production, traitement et analyse des données IR 123
Administrateur-trice de bases de données / Intégrateur d’applications administrateur de bases de données (dba) BAP E - Informatique, Statistiques et Calcul scientifique Ingénierie technique et de production IE 116
Chargé-e de l’édition de corpus numériques éditeur de données scientifiques BAP F - Culture, Communication, Production et diffusion des savoirs Édition et graphisme IE 91
Chargé-e du traitement des données scientifiques BAP F - Culture, Communication, Production et diffusion des savoirs Information scientifique et technique, documentation et collections patrimoniales IE 146
Gestionnaire de données et indicateurs patrimoniaux BAP G - Patrimoine immobilier, Logistique, Restauration et Prévention Patrimoine immobilier AI 80

Métiers incluant le terme “données” dans leur intitulé

Ensemble, ces deux listes de métiers obtenues par deux méthodes différentes (que le terme apparaisse au moins 17 fois ou qu’il apparaisse dans l’intitulé) forment une liste de 13 métiers-types que l’on peut qualifier de “métiers des données”.

metiers_donnee <- full_join(intitule_filtered,top_metiers,by=c("referens_intitule","bap","referens_fap","referens_cs","Id"))  %>%
  arrange(bap,referens_cs)

kable(metiers_donnee, caption = "Métiers des données")
referens_intitule referens_metiers bap referens_fap referens_cs Id somme
Assistant-e ingénieur-e biologiste en traitement de données BAP A - Sciences du vivant, de la terre et de l’environnement Biologie et santé, Sciences de la vie et de la terre AI 125 23
Ingénieur-e biologiste en traitement de données epidémiologiste|bio informaticien BAP A - Sciences du vivant, de la terre et de l’environnement Biologie et santé, Sciences de la vie et de la terre IE 230 NA
Ingénieur-e biologiste en analyse de données epidémiologiste|bio informaticien BAP A - Sciences du vivant, de la terre et de l’environnement Biologie et santé, Sciences de la vie et de la terre IR 178 NA
Technicien-ne en production, traitement de données et enquêtes BAP D - Sciences Humaines et Sociales Production, traitement et analyse des données TECH 101 25
Assistant-e ingénieur-e en production, traitement de données et enquêtes BAP D - Sciences Humaines et Sociales Production, traitement et analyse des données AI 106 24
Ingénieur-e d’études en production, traitement, analyse de données et enquêtes BAP D - Sciences Humaines et Sociales Production, traitement et analyse des données IE 160 29
Ingénieur-e de recherche en production, traitement et analyse de données BAP D - Sciences Humaines et Sociales Production, traitement et analyse des données IR 123 35
Assistant-e statisticien-ne NA BAP E - Informatique, Statistiques et Calcul scientifique Statistiques AI 161 21
Administrateur-trice de bases de données / Intégrateur d’applications administrateur de bases de données (dba) BAP E - Informatique, Statistiques et Calcul scientifique Ingénierie technique et de production IE 116 20
Ingénieur-e statisticien-ne NA BAP E - Informatique, Statistiques et Calcul scientifique Statistiques IE 215 17
Chargé-e de l’édition de corpus numériques éditeur de données scientifiques BAP F - Culture, Communication, Production et diffusion des savoirs Édition et graphisme IE 91 NA
Chargé-e du traitement des données scientifiques BAP F - Culture, Communication, Production et diffusion des savoirs Information scientifique et technique, documentation et collections patrimoniales IE 146 NA
Gestionnaire de données et indicateurs patrimoniaux BAP G - Patrimoine immobilier, Logistique, Restauration et Prévention Patrimoine immobilier AI 80 NA

Métiers des données

Occurrences de l’expression “données” par BAP

Proportion des fiches métiers qui contiennent l’expression “données” par BAP :

BAP_filtered <- data_filtered %>%
  count(bap) %>%
  arrange(bap)

BAP <- data %>%
  count(bap)

BAP_filtered_pourcentage <- BAP_filtered %>%
  left_join(BAP, BAP_filtered, by = "bap") %>%
  mutate(pourcentage_bap=round(n.x/n.y,2),
         bap=fct_reorder(bap, bap, .desc = TRUE))

BAP_filtered_pourcentage %>%
  ggplot(aes(x = bap, y = pourcentage_bap)) +
  geom_col(aes(fill = bap), color = "grey50") +
  labs(x = "", y = "Proportion",
       title="Proportion de fiches métiers comprenant \nle terme \"données\" par BAP",
    caption="Données MESRI – Analyse CC-BY Antoine Blanchard / Datactivist") +
  theme_ipsum() +
  coord_flip() +
  theme_ipsum(grid="X") +
  theme(legend.position = "none") +
  scale_fill_manual(values = brewer.pal(8, "YlOrRd")) +
  scale_y_continuous(labels = scales::percent, limits = c(0,1))

On constate que les BAP E et D possèdent en proportion la plus grande part de métiers liés aux données : c’est intéressant de voir le soutien à la recherche en SHS si haut. Les BAP A, B et C, qui concernent directement le soutien à la recherche, sont moins concernés par les données que les BAP F et J qui sont liés à l’administration de l’université et se retrouvent plutôt dans l’administration centrale.

Occurrences de l’expression “données” par corps

Proportion des fiches métiers qui contiennent l’expression “données” par corps :

corps_filtered <- data_filtered %>%
  count(referens_cs) %>%
  arrange(desc(n))

corps <- data %>%
  count(referens_cs)

corps_filtered_pourcentage <- corps_filtered %>%
  left_join(corps, corps_filtered, by = "referens_cs") %>%
  mutate(pourcentage_corps=round(n.x/n.y,2),
         referens_cs=factor(referens_cs, levels = ordre_corps))

corps_filtered_pourcentage %>%
  ggplot(aes(x = referens_cs, y = pourcentage_corps)) +
  geom_col(aes(fill = referens_cs), color = "grey50") +
  labs(x = "Corps", y = "Proportion",
       title="Proportion de fiches métiers comprenant \nle terme \"données\" par corps",
      caption="Données MESRI – Analyse CC-BY Antoine Blanchard / Datactivist") +
  coord_flip() +
  theme_ipsum(grid="X") +
  theme(legend.position = "none") +
  scale_y_continuous(labels = scales::percent, limits = c(0,1))

On constate que la proportion de métiers liés aux données varie en même temps que l’ordre hiérarchique : elle est plus grande pour les corps ayant le plus de missions d’encadrement.

Fréquence de l’expression “données” par BAP et par corps

data_filtered %>%
      mutate(referens_cs=factor(referens_cs, levels = ordre_corps)) %>%
  ggplot(aes(x = referens_bap_id, fill=referens_cs)) +
    geom_bar() +
      labs(x= "BAP", y = "Nombre de fiches métiers", fill="Corps",
           title="Nombre de fiches métiers comprenant \nle terme \"données\" par corps et BAP",
         caption="Données MESRI – Analyse CC-BY Antoine Blanchard / Datactivist") +
theme_ipsum(grid="Y")

En valeur absolue, la BAP F Culture, Communication, Production et diffusion des savoirs concentre le plus grand nombre de fiches métiers liées aux données, grâce à un nombre très important de métiers appartenant au corps des IE.

Nous voulons savoir quels sont ces métiers IE de la BAP F.

Liste des métiers IE de la BAP F liés aux données

temp <- data_filtered %>%
  filter(referens_cs %in% c("IE") & referens_bap_id %in% c("F")) %>%
  select (referens_intitule, bap, referens_fap, referens_cs, somme)

  kable(temp, caption="Métiers IE de la BAP F liés aux données")
referens_intitule bap referens_fap referens_cs somme
Chargé-e de l’édition de corpus numériques BAP F - Culture, Communication, Production et diffusion des savoirs Édition et graphisme IE 11
Chargé-e des systèmes d’information documentaire BAP F - Culture, Communication, Production et diffusion des savoirs Information scientifique et technique, documentation et collections patrimoniales IE 10
Chargé-e d’archives BAP F - Culture, Communication, Production et diffusion des savoirs Information scientifique et technique, documentation et collections patrimoniales IE 9
Chargé-e du traitement des données scientifiques BAP F - Culture, Communication, Production et diffusion des savoirs Information scientifique et technique, documentation et collections patrimoniales IE 9
Chargé-e de collections muséales BAP F - Culture, Communication, Production et diffusion des savoirs Information scientifique et technique, documentation et collections patrimoniales IE 4
Chargé-e de fabrication et graphisme BAP F - Culture, Communication, Production et diffusion des savoirs Édition et graphisme IE 3
Traducteur-trice BAP F - Culture, Communication, Production et diffusion des savoirs Information scientifique et technique, documentation et collections patrimoniales IE 3
Chargé-e des ressources documentaires BAP F - Culture, Communication, Production et diffusion des savoirs Information scientifique et technique, documentation et collections patrimoniales IE 3
Ingénieur-e pour l’enseignement numérique BAP F - Culture, Communication, Production et diffusion des savoirs Productions audiovisuelles, productions pédagogiques et web IE 2
Ingénieur-e en technologies de l’information et de la communication BAP F - Culture, Communication, Production et diffusion des savoirs Productions audiovisuelles, productions pédagogiques et web IE 1
Animateur-trice de communautés BAP F - Culture, Communication, Production et diffusion des savoirs Médiation scientifique, culture et communication IE 1
Chargé-e de communication BAP F - Culture, Communication, Production et diffusion des savoirs Médiation scientifique, culture et communication IE 1
Chargé-e de médiation scientifique BAP F - Culture, Communication, Production et diffusion des savoirs Médiation scientifique, culture et communication IE 1
Chargé-e de projets culturels BAP F - Culture, Communication, Production et diffusion des savoirs Médiation scientifique, culture et communication IE 1

Métiers IE de la BAP F liés aux données

Dispersion des fiches métiers par corps

Question : on a vu que les corps IE et IR possèdent proportionnellement plus de métiers liés aux données, mais dans quels corps trouve-t-on les métiers des données (c’est-à-dire où le terme apparaît le plus fréquemment) ?

On trace la dispersion des fiches métiers par corps selon les occurrences du mot “données”, avec une représentation par boxplot :

dispersion_corps <- data_filtered %>%
      mutate(referens_cs=factor(referens_cs, levels = ordre_corps))

  ggplot(dispersion_corps) +
  aes(x = referens_cs, y = somme, color=referens_cs) +
    geom_boxplot()+
  geom_jitter(shape=16, position=position_jitter (0.2)) +
    labs(x= "Corps", y = "Nombre d'occurrences du terme ''données''", color="Corps",
         title="Dispersion des fiches métiers comprenant \nle terme \"données\" par corps",
         caption="Données MESRI – Analyse CC-BY Antoine Blanchard / Datactivist") +
  theme_ipsum() +
    theme(legend.position = "none")

Il apparaît que les corps IE et IR ont la distribution la plus étirée vers le haut, ce sont ceux où l’on trouve le plus de métiers des données.

Métiers des BAP E, F, G, J où “données” apparaît comme facteur d’évolution moyen terme

evolution_metiers <- data_filtered %>%
  mutate(Id = as.character(Id)) %>%
  left_join(denombrement %>% select(Id, referens_facteurs_d_evolution_moyen_terme), by = "Id") %>%
  filter(referens_facteurs_d_evolution_moyen_terme.y >0) %>%
  filter(referens_bap_id %in% c("E", "F", "G", "J")) %>%
  group_by(bap) %>%
  arrange(referens_cs, .by_group = TRUE)

evolution_metiers_extrait <- evolution_metiers %>%
  select (referens_intitule, bap, referens_fap, referens_cs, somme)

  kable(evolution_metiers_extrait, caption = "Métiers où 'données' apparaît comme facteur d'évolution moyen terme")
referens_intitule bap referens_fap referens_cs somme
Assistant-e statisticien-ne BAP E - Informatique, Statistiques et Calcul scientifique Statistiques AI 21
Ingénieur-e statisticien-ne BAP E - Informatique, Statistiques et Calcul scientifique Statistiques IE 17
Ingénieur-e en calcul scientifique BAP E - Informatique, Statistiques et Calcul scientifique Calcul scientifique IE 4
Administrateur-trice systèmes et réseaux BAP E - Informatique, Statistiques et Calcul scientifique Ingénierie technique et de production IE 1
Expert-e en information statistique BAP E - Informatique, Statistiques et Calcul scientifique Statistiques IR 10
Expert-e en calcul scientifique BAP E - Informatique, Statistiques et Calcul scientifique Calcul scientifique IR 2
Assistant-e d’édition BAP F - Culture, Communication, Production et diffusion des savoirs Édition et graphisme AI 2
Chargé-e de l’édition de corpus numériques BAP F - Culture, Communication, Production et diffusion des savoirs Édition et graphisme IE 11
Chargé-e d’archives BAP F - Culture, Communication, Production et diffusion des savoirs Information scientifique et technique, documentation et collections patrimoniales IE 9
Chargé-e du traitement des données scientifiques BAP F - Culture, Communication, Production et diffusion des savoirs Information scientifique et technique, documentation et collections patrimoniales IE 9
Responsable éditorial-e BAP F - Culture, Communication, Production et diffusion des savoirs Édition et graphisme IR 6
Dessinateur-trice gestionnaire et indicateurs patrimoniaux BAP G - Patrimoine immobilier, Logistique, Restauration et Prévention Patrimoine immobilier TECH 4

Métiers où ‘données’ apparaît comme facteur d’évolution moyen terme

Dans ces BAP liés à l’administration centrale, on remarque l’absence de la BAP J et la quasi-absence de la BAP G, dont aucun métier ne prend la donnée en compte pour leur évolution moyen terme. Pourtant, les entretiens que nous avons menés montrent que ces domaines de la gestion du patrimoine immobilier et du pilotage sont fortement amenés à évoluer dans le contexte de la donnée.

Métiers où “données” apparaît comme “intitulé précédent” et a disparu de l’intitulé actuel

suppression_metiers <- denombrement %>%
  filter(referens_intitule_precedent >0 & referens_intitule ==0) %>%
  mutate(Id = as.character(Id)) %>% 
  select(Id) %>%
  left_join(data_filtered, by = "Id") %>%
  select (referens_intitule, referens_intitule_precedent, bap, referens_fap, referens_cs) %>%
  arrange(referens_cs) 

kable(suppression_metiers, caption = "Métiers dont l'ancien intitulé incluait le terme 'données' contrairement à l'intitulé actuel")
referens_intitule referens_intitule_precedent bap referens_fap referens_cs
Technicien-ne d’exploitation, d’assistance et de traitement de l’information Technicien d’exploitation, de maintenance et de traitement des données BAP E - Informatique, Statistiques et Calcul scientifique Ingénierie des systèmes d’information|Ingénierie technique et de production TECH
Gestionnaire d’application / assistance support Gestionnaire de base de données BAP E - Informatique, Statistiques et Calcul scientifique Ingénierie des systèmes d’information AI

Métiers dont l’ancien intitulé incluait le terme ‘données’ contrairement à l’intitulé actuel

Dans le premier cas il s’agit d’une évolution des missions, dans le second cas de la substitution du terme “données” par “information”. Il faudrait voir dans quelle mesure cette substitution est significative ou non.

TO DO

Afficher le terme “données” en kwic (keyword-in-context) et représenter son voisinage lexical (qualificatifs, verbes relatifs à des processus managériaux…)

Répéter les étapes avec le terme “archives”

save.image(file = "my_workspace.RData")