Transformation numérique des Universités : une représentation des discours d’experts de l’Enseignement Supérieur et de la Recherche

Alain Cucchi*

Christophe Porlier**

Véronique Sébastien***

* IIN, Université de La Réunion, France

** IIN, Université de La Réunion, France

*** IIN, Université de La Réunion, France

Résumé :

Les universités, comme toutes les organisations, sont soumises à la transformation globale des modèles engendrés par la révolution numérique. Pour autant, on constate dans les établissements une difficulté structurelle du passage à l’échelle, les innovations dans les pratiques, les modes d’organisation, les postures restant le fait d’individus expérimentateurs. Pourtant, les incitations institutionnelles à évoluer sont nombreuses, la prise de conscience des équipes de gouvernance est réelle, les diagnostics stratégiques identifient clairement le numérique comme une opportunité de renouvellement et de développement des universités, tout autant que les risques et menaces auxquels elles seraient confrontées si elles ne s’engageaient rapidement sur ce chemin. Pour mieux comprendre les modalités des transformations numériques des universités, ce travail de recherche propose d’explorer les éléments structurants du discours d’acteurs experts. Par acteur expert il faut entendre des enseignants-chercheurs, ingénieurs, spécialistes du numérique, des sciences de l’éducation, de l’organisation ou de l’économie. La problématique est de savoir en quoi les représentations de ces acteurs peuvent nous permettre de mieux comprendre les enjeux associés à la transformation numérique des universités. Dans ce but, cinq questions générales ont été posées. Le matériau recueilli a fait l’objet d’un codage et la méthode d’échelonnement multidimensionnel (Multi Dimensional Scaling MDS) a été mobilisée pour proposer une visualisation des concepts retenus. Une interprétation des résultats obtenus est proposée et commentée.

Mots clés :

numérique, université, transformation numérique, représentations, Multi Dimensional Scaling MDS

1 Introduction

Les organisations actuelles sont mises en tension par les forces associées à la généralisation du numérique. Les établissements d’enseignement supérieur et de recherche (ESR) n’y échappent pas, les autorités de tutelle incitant ces dernières à évoluer, à intégrer et renouveler leurs pratiques. Ainsi, le rapport du conseil national du numérique, publié en mai 2016 (Conseil National du Numérique, 2016), propose une transformation numérique de l’université dans plusieurs dimensions : les lieux d’apprentissages ; les contenus pédagogiques et les données; les services numériques ; les recherches en éducation ; les modèles économiques. Au cœur de ces transformations se trouvent les acteurs de ces institutions. Les représentations de ces transformations à opérer sont multiples et conditionnent la capacité de l’organisation à changer. Cette capacité à se transformer trouve un écho particulier dans le paysage actuel de l’enseignement et de la recherche, environnement caractérisé par une tension concurrentielle qui s’accroit.

Les experts de l’ESR interviennent sur la question des usages et de la transformation numérique en tant que prescripteurs ou influenceurs. Ils proposent une vision, des représentations des enjeux de l’université numérique de demain. En tant qu’acteurs, ils ont une conscience aigüe des jalons, étapes et obstacles qui favoriseront ou freineront le développement des transformations numériques. En tant que prescripteurs, ils peuvent structurer les fondamentaux managériaux liés à la transformation numérique de ces établissements. La problématique est de mieux comprendre les processus de transformation des établissements ESR à la lumière des représentations de ces acteurs experts. Dans ce but, ce travail de recherche propose d’explorer les éléments structurants du discours de ces acteurs. En d’autres termes, la problématique est de savoir en quoi les représentations d’acteurs experts de l’ESR peuvent nous permettre de mieux comprendre les enjeux associés à la transformation numérique des universités. Ce travail prolonge une recherche menée précédemment sur les impacts des représentations sur la dynamique du changement organisationnel dans ces établissements (xxx., 2016). À l’aide de la méthode d’échelonnement multidimensionnel (Multi Dimensional Scaling MDS), il propose une visualisation des concepts et une interprétation de leur positionnement.

2 Revue de littérature

La question des déterminants à la transformation numérique des universités dans les représentations des acteurs experts interroge la question du changement dans les organisations selon trois axes principaux clairement identifiables : la transformation numérique de l’organisation, en tant que changement; l’organisation université et ses spécificités; les représentations des acteurs, experts, et leur influence sur la capacité de l’organisation à changer.

2.1 Le changement, cœur du processus de transformation de l’organisation

Selon Philippe Bernoux, le changement dans les organisations peut trouver son origine dans les évolutions sociétales. Toutefois, il ne peut s’imposer aux acteurs sans qu’il y ait construction de nouvelles relations, de nouvelles règles. C’est un apprentissage qui se construit au travers des interactions par assimilations de nouvelles règles. Les racines du changement sont : l’environnement ; les institutions ; les acteurs. Ces racines sont en interactions constantes dans le système organisationnel, elles s’influencent mutuellement (Bernoux, 2015). L’influence des technologies sur le changement et l’organisation est aujourd’hui relativisée. Le déterminisme technologique est loin d’être une évidence (Vinck & Penz, 2008) et le modèle organisationnel dépend plus de la ligne politique de la gouvernance

de l’entreprise que de l’influence des technologies sur l’organisation (Hamon-Cholet, 2000). Les transformations organisationnelles associées aux technologies se conçoivent dans un réseau d’actants, humains ou non, évoluant dans des champs de forces. La théorie de la traduction (Callon & Latour, 1978) place la mise en réseau comme condition essentielle au changement. Toute innovation ne porte pas intrinsèquement ces conditions. Il est nécessaire de traduire le message c’est à dire de porter à la connaissance des acteurs susceptibles d’accompagner le changement le message qui sera cohérent avec la dimension stratégique de leur motivation à agir. Cette opération de traduction prend son sens en mettant en perspective les représentations des acteurs. Les messages qui irriguent le réseau interagissent avec les représentations des acteurs. Les concepts véhiculés par la mise en œuvre de la technologie et les transformations de l’organisation animent et co-évoluent avec le réseau. C’est la mise en réseau d’acteurs – actants qui va donner vie à cette innovation. La théorie de la traduction organise l’innovation ou le changement autour de trois étapes : construire la mise en réseau des acteurs, contextualiser ; les amener à agir ensemble, à s’approprier une question commune ; élaborer un bien commun, c’est un « investissement de forme » qui permet un travail commun entre des acteurs différents. La transformation numérique des organisations est de ce registre, mobilisant un réseau évolutif d’actants.

2.2 L’université, une organisation singulière

Les institutions universitaires en général, et les universités françaises en particulier, sont l’objet d’organisations singulières. Plusieurs auteurs se sont attachés à les caractériser. Mintzberg considère que l’université est constituée de deux modèles d’organisations concomitants (Mintzberg, 1989). Le premier, une organisation professionnelle, constituée d’une pyramide inversée de la base vers le sommet, où les acteurs jouissent d’une autonomie importante, de lignes de pouvoir confirmées dans l’administration des établissements, d’une grande liberté d’exercice et d’indépendance. Ces principes sont inscrits dans la loi et garanti par le conseil constitutionnel (CC,93-322, 28 juillet 1993). Le second, une organisation de type mécaniste, en support des activités de l’université et au service des professionnels. Elle est constituée des services administratifs et techniques et forme une pyramide hiérarchique du sommet à la base. Christine Musselin propose une classification en 4 modèles organisationnels (Saussois & Musselin, 2012) : L’université en tant qu’organisation collégiale ; l’université en tant que bureaucratie ; l’université en tant qu’institution politique ; l’université en tant qu’anarchie organisée.

Ces singularités s’observent également dans les modes de prise de décision. Selon Michael Polanyi, les prises de décisions sont effectuées de façon collégiale, entre pairs partageant des valeurs communes (Polanyi, 1962). Pour Peter Blau les universités s’apparentent au modèle des organisations bureaucratiques. Le changement ne peut être opéré que par les pairs dans ce modèle (Blau, 1973). Le modèle de l’université en tant qu’institution politique met l’accent sur les conflits et jeux de pouvoir qui influencent les décisions, en particulier sur l’allocation des budgets. Enfin, l’université en tant qu’anarchie organisée remet en question les approches précédentes. La rationalité limitée des acteurs, la multitude des missions, l’implication intermittente des acteurs aux prises de décision et les processus et technologies de production « floues » sont les facteurs clefs de cette approche. La prise de décision est alors théorisée selon le modèle de la poubelle : les solutions émanent de la rencontre hasardeuse entre des acteurs en situation de décider, de l’opportunité de prendre les décisions et des solutions existantes pour les problèmes rencontrés (Cohen, March, & Olsen, 1972).

L’université, au gré des réformes récentes successives, dont la loi LRU de 2007 concernant les libertés et responsabilités des universités, a évolué des modèles évoqués précédemment vers un modèle plus entrepreneurial, caractérisé par 3 processus selon Christine Musselin :

« la construction d’une identité et de frontières, la construction d’une hiérarchie, et la construction de rationalité ». Le transfert du pouvoir vers le management transforme ces organisations professionnelles en organisations managériales, qui, pour fonctionner de façon optimale, doivent s’appuyer sur les réseaux de professionnels, qui eux maintiennent une autonomie très importante dans l’organisation universitaire. Deux spécificités différencient les universités des bureaucraties professionnelles : les liens faibles entre collègues dans le cadre des activités d’enseignement, la coopération n’étant pas indispensable ainsi que les activités de recherche des équipes ne nécessitant pas de lien avec les activités d’autres laboratoires ou équipes de recherche , ce qui les rend peu dépendant dans l’organisation ; les technologies de production au sens du processus de transformation ne sont pas claires malgré les recherches effectuées en sciences de l’éducation par exemple, ce qui en fait des technologies floues (« unclear »).

Cette évolution entrepreneuriale de l’institution universitaire n’est pas neutre. Elle suscite des changements dans les infrastructures et les processus organisationnels, dans les activités administratives, pédagogiques et de recherche. Par exemple, elle affecte les modes de financement : formation par apprentissage / alternance ; réponse à des appels à projets recherche … Le numérique accompagne fortement ces changements, tant dans la production universitaire de connaissances et de formations que dans le fonctionnement administratif. La question qui se pose est la façon dont le numérique se diffuse et transforme l’institution universitaire. Dans le domaine de la gouvernance TI, des travaux montrent comment l’institution peut incorporer des éléments structurels pour mieux gérer cette infrastructure numérique. Par exemple, dans une méta analyse, Isaias Scalabrin Bianchi et Rui Dinis Sousa, (2016) identifient trois dimensions dans la gouvernance TI : la dimension structurelle avec les comités, les conseils et acteurs en charge des TI ; la dimension relationnelle avec les pratiques institutionnelles favorisant les échanges et le partage ; les processus associés à la planification et aux prises de décisions stratégiques au travers notamment de la mise en place de référentiels. Toutefois, cette architecture organisationnelle ne préjuge pas de l’adhésion des actants. Le développement du réseau support à l’innovation s’accompagne d’une évolution des représentations des actants, intégrant l’innovation dans leurs schémas, pratiques, valeurs. En d’autres termes, le réseau d’innovation s’accompagne d’une reconstruction symbolique.

2.3 Les représentations sociales

La théorie des représentations sociales, a été conceptualisée par Serge Moscovici (Moscovici, 1961). La perception de notre environnement et son interprétation relève d’une construction symbolique issue de différents référents : culturels, croyances, dogmes, les normes auxquelles nous nous référons … Les phénomènes sociaux sont définis par les représentations sociales ( (Moscovici & Maison, 2015). L’identité du groupe est construite sur un socle culturel commun incluant la langue, les croyances, les normes sociales et d’autres dimensions encore qui constituent en soit l’institution de référence. C’est dans ce cadre que l’action va prendre sens, que la dimension symbolique identitaire, que les règles et pratiques vont pouvoir se construire. Elles prennent existence au sein d’un champ de représentations qui permet leur développement, qui d’une certaine façon constitue la genèse des cadres communs générés et acceptés par le groupe social. Il y a un lien de causalité entre les représentations et les cadres de références de ces groupes. À l’intérieur de ces cadres, l’action trouve sa justification, son sens. Les représentations sociales sont d’une certaine façon le substrat social sur lequel le groupe construit son identité et son action.

Étudier le changement dans une organisation sociale suppose de s’intéresser aux représentations du groupe social, de leurs contenus et de leurs structures afin d’en saisir les éléments constitutifs qui constituent potentiellement autant de leviers d’action pour les

changements envisagés dans l’organisation. C’est l’objet du dispositif de recherche présenté ci-après.

3 Méthodologie

3.1 Le questionnement analytique

Pour rappel, la question principale de cette recherche est de savoir en quoi les représentations d’acteurs experts de l’ESR peuvent nous permettre de mieux comprendre les enjeux associés à la transformation numérique des universités.

Pour ce faire, cinq questions ont été conçues et posées à douze experts des universités, enseignants-chercheurs ou ingénieurs, spécialistes du numérique, des sciences de l’éducation, de l’organisation ou de l’économie. Au total soixante réponses ont été exploitées pour ce travail de recherche. L’ensemble des réponses a fait l’objet de transcriptions intégrales. Les questions sont présentées dans le Tableau 1 suivant :

N° Question 1 La pédagogie, la recherche, la mission d’insertion professionnelle ou l’organisation et la gouvernance des universités

sont impactées en profondeur par la généralisation du numérique et de ses usages. L’université à l’ère du numérique vit-elle un changement majeur de ses modèles existants, est-ce une révolution et si oui en quoi ?

2 On évoque un marché mondial de la formation, une internationalisation de l’offre de formation, une marchandisation voire une « ubérisation » de la formation, rendus possibles par le numérique. Comment imaginez-vous l’université de demain dans ce contexte ?

3 A l’ère du numérique, nos universités, nos méthodes de travail, nos croyances et dogmes divers, sont confrontés à de nouveaux enjeux et de nouvelles réalités. Quelles sont, de votre point de vue, les priorités d’actions indispensables, au niveau des universités, des communautés d’universités et d’établissements d’enseignement supérieur, des collectivités et pouvoirs publics, pour nous adapter à cette évolution sociétale ?

4 Selon vous, le modèle économique et organisationnel des universités à l’ère du numérique doit-il évoluer ?

5 Qu’est ce qui est en train de changer fondamentalement, pour les enseignants et les étudiants à l’ère du numérique ?

Tableau 1 : les cinq questions posées aux acteurs experts de l'ESR

L’approche méthodologique adoptée est partiellement celle du questionnement analytique (Paillé & Mucchielli, 2016) complétée par une analyse du corpus par catégorisation. Le questionnement analytique consiste à construire un canevas investigatif permettant de faire émerger les concepts émis par les personnes interrogées. Les questions ont été posées aux interviewés sans relance lors des réponses afin de leur permettre de s’exprimer sans interaction directive. Le matériau obtenu, après avoir procédé à sa transcription, a été analysé par un codage « pur » c’est à dire que le matériau a été traité indépendamment de tout cadre théorique (Dumez, 2016). A ce stade, le travail de recherche n’a pas pour objectif de parvenir à théoriser les résultats de l’analyse comme cela serait le cas pour l’approche méthodologique par théorisation ancrée (Glaser & Anselm, 1967). Le matériau a été découpé en unités de sens, constitués de phrases ou paragraphes, puis, le codage des unités de sens a été opéré en attribuant à ces unités de sens des phrases les qualifiants. Il a été procédé ensuite à la réduction de ces codes pour obtenir des mots puis des catégories. Quand cela était possible, un codage axial était réalisé, c’est à dire l’élaboration de relations entre les concepts, eux même générés à partir du processus d’abstraction issus des catégories par conceptualisation. Ces opérations ont été effectuées sur l’outil logiciel d’analyse qualitative Atlas.ti.

3.2 Le traitement des données

3.2.1 La méthode d’échelonnement multidimensionnel MDS

Le traitement des données a pour objectif de proposer une représentation des concepts mobilisés dans les discours des acteurs. Dans ce but, nous utiliserons la méthode par

positionnement multidimensionnel ou échelonnement multidimensionnel (Multi Dimensional Scaling MDS). Cette méthode permet de représenter graphiquement des niveaux de proximités (similarités ou dissimilarités) entre des objets (individus, concepts, objets d’analyse).

Matrice des proximités (distances)

Représentation graphique obtenue par MDS

Figure 1: exemple MDS

Dans l’exemple ci-dessus, les objets représentés sont des villes de France métropolitaine. La méthode de représentation MDS utilise des données de base constituées des distances comme proximités. Dans ce cas, les proximités seront des dissimilarités entre objets puisque plus la distance est grande plus les villes sont éloignées. Ainsi, la matrice des distances entre ville contient les données de base. Le résultat est une représentation où sont positionnées les villes conformément à ce que l’on peut observer sur une carte de France métropolitaine (à une rotation près). Ainsi, l’objectif de MDS est de positionner les objets dans un espace (de 1, 2, …, n dimensions) en respectant au mieux les contraintes des proximités initiales. Les dimensions sont similaires à des facteurs (obtenus par factorisation) dans le sens qu’ils indiquent le nombre de facettes des relations entre les objets à positionner. Un espace à deux dimensions sera utilisé lorsque l’objectif est de visualiser les objets les uns par rapport aux autres. Ainsi, deux objets proches dans la matrice initiale (similarité élevée ou dissimilarité faible) devront être proches dans la visualisation résultante. Réciproquement, deux objets éloignés auront une dissimilarité élevée ou une similarité faible. Le niveau d’adéquation du positionnement des objets est mesuré à partir d’un indicateur appelé « Stress ». Cet indicateur rend compte dans quelle mesure les distances entre objets dans l’espace résultat violent les proximités de la matrice initiale. Il doit être aussi faible que possible.

Le « fit » de la solution obtenue s’apprécie en fonction du niveau de Stress et de la variance restitué dans la solution. En ce qui concerne le Stress, il représente la pertinence de la solution obtenue. Il est construit pour prendre des valeurs entre 0 et 1. Dans son papier original, Kruskal (1964) et Kruskal & Wish (1978) suggèrent les appréciations suivantes : 20%≤Stress : faible ; 10%≤Stress<20% : correct ; 5%≤Stress<10% : bon ; 2,5%≤Stress<5% : excellent ; 0%≤Stress<2,5% : proche de la perfection. Dugard, Todman and Staines (2010 p.275) proposent des limites similaires et considèrent qu’un bon niveau de Stress doit être inférieur à 0,15. Toutefois, le niveau de cet indicateur dépend du nombre d’objets et du bruit dans les données notamment. Pour identifier des niveaux de stress plus précis, des tables spécifiques ont été réalisées (voir par exemple Spence Ian, Ogilvie John C., 1973 ; Kenneth Sturrock and Jorge Rocha, 2000). Construites à partir de données aléatoires, elles permettent de mieux apprécier la qualité de la solution en comparant le niveau de stress obtenu avec celui

Distance Avion

Bia

rritz

Bre

st

Lille

Str

asbo

urg

Nic

e

Per

pign

an

Par

is

Biarritz 0Brest 591 0Lille 868 599 0Strasbourg 914 901 407 0Nice 711 1045 833 544 0Perpignan 371 854 883 756 373 0Paris 669 505 204 397 686 686 0

MMDS

de la même configuration (nombre d’objets, nombre de dimensions) calculé à partir de données aléatoires. Des indicateurs de respect de la variance dans les données sont également disponibles (Dispersion Accounted For (DAF), Tucker's Coefficient of Congruence) et doivent prendre des valeurs aussi proches de 1 que possible. D’autres indicateurs sont disponibles pour apprécier le niveau d’adéquation de la solution (voir Mair et al. (2016) pour une synthèse).

D’un point de vue opérationnel, le principal intérêt de cette méthode MDS est de permettre une visualisation des objets dans un espace à deux ou trois dimensions. Cette représentation est plus adaptée à une analyse des proximités entre objets en représentant graphiquement les éléments qui sont proches et ceux qui sont plus éloignés. D’un point de vue méthodologique, l’attrait principal est qu’il s’agit d’une méthode non paramétrique. En effet, le calcul des positions dans l’espace résultant n’est pas associé à des hypothèses statistiques, notamment en termes de normalité des données ou autre loi de distribution. Cherchant à respecter l’ordre des objets présents dans la matrice des proximités initiales, l’algorithme calcule et réajuste les positions dans l’espace résultant de façon à minimiser le stress. Ainsi, les données n’ont pas à respecter une loi de distribution théorique, ce qui est une caractéristique précieuse pour la fiabilité des résultats.

3.3 Les données

Les données ont été obtenues à partir des réponses formulées par les experts. Elles font l’objet de transformation pour permettre leur visualisation. Dans un premier temps, l’approche méthodologique adoptée est partiellement celle du questionnement analytique (Paillé & Mucchielli, 2016) complétée par une analyse du corpus par catégorisation. Le questionnement analytique consiste à construire un canevas investigatif permettant de faire émerger les idées émises par les personnes interrogées. Les questions ont été posées aux interviewés sans relance lors des réponses afin de leur permettre de s’exprimer sans interaction directive. Le matériau obtenu, après avoir procédé à sa transcription, a été analysé par un codage « pur » c’est à dire que le matériau a été traité indépendamment de tout cadre théorique (Dumez, 2016). Le matériau a été découpé en unités de sens, constitués de phrases ou paragraphes, puis, le codage des unités de sens a été opéré en attribuant à ces unités de sens des phrases les qualifiants. Il a été procédé ensuite à la réduction de ces codes pour obtenir des mots puis des catégories. Ce travail de catégorisation des réponses a été effectué à l’aide du logiciel Atlas ti et a permis d’identifier 37 catégories. Ces catégories caractérisent les thèmes abordés dans les discours des experts interviewés. Une matrice de données initiale est obtenue, croisant 37 catégories avec les 5 questions. Cette matrice constitue nos données de base (cf. Annexe A).

À partir de ce matériau de base un calcul est effectué pour obtenir les proximités nécessaires au fonctionnement de MDS. L’observation de cette matrice initiale montre que les thèmes sont inégalement répartis dans les discours. En observant la colonne total, certains thèmes sont très présents comme « Evolution », « Stratégie », « Changement », « Formation » (couleur rouge). D’autres sont peu évoqués (couleur bleu) comme « Résistances », « Responsabilités », « Réseaux ». La construction des proximités doit respecter cette situation, en positionnant les thèmes fréquents au cœur de la représentation et ceux qui sont peu mobilisés. Dans ce but, une matrice des cooccurrences des thèmes a été construite. Les cooccurrences traduisent les interrelations des concepts dans les réponses des experts. C’est la raison pour laquelle cette mesure a été préférée à d’autres telles que le calcul de la distance euclidienne ou les correlations. Ainsi, le produit matriciel de la matrice initiale (Thèmes*Questions (37*5)) a été réalisé pour obtenir une matrice de cooccurrence des thèmes (matrice de dimension 37*37). Pour obtenir une mesure des cooccurrences proche des distances, il a été considéré la racine carrée des valeurs obtenues. Enfin, pour des raisons de

clarté, ces mesures obtenues ont été normées sur une échelle de 1 à 100, 1 correspondant à l’indice de cooccurrence maximal (entre « Stratégie » et « Evolution ») et 100 correspondant à l’indice de cooccurrence minimal. L’hypothèse est que les thèmes qui ont un indice de cooccurrence élevé sont proches dans les représentations des répondants, alors que ceux qui ont un indice de cooccurrence faible sont éloignés.

Au terme de ces calculs, la méthode MDS Proxscal de SPSS 18 a été utilisée pour obtenir les résultats suivants.

4 Résultats et discussions

Les mesures d’adéquation de la solution obtenue sont synthétisées dans le tableau en annexe. Considérant les 37 concepts à positionner et les niveaux de stress obtenus, la solution peut être considérée comme acceptable. De plus, les indicateurs de dispersion (DAF et Tucker's Coefficient of Congruence), proches dans l’esprit des indicateurs de variance restituée de type R square, montrent que la solution obtenue restitue bien la variance contenu dans les données.

Figure 2: Visualisation des concepts évoqués par les experts

Le positionnement et la répartition des concepts appellent plusieurs commentaires. Tout d’abord, concernant la répartition, le lecteur peut observer une répartition relativement homogène. Certains concepts sont au centre du nuage. Il s’agit de « Stratégie », « Formation », « Changement », « Evolution ». En interprétant cette répartition à l’aide des données initiales (Annexe A), nous pouvons distinguer trois zones. Les concepts au centre, dans la zone gris foncé, sont ceux qui interviennent le plus souvent dans le discours des experts avec plus de 29 apparitions. C’est le cœur des discours, les concepts clés des

ÉCONOMIQUE

IMPACTS

INNOVATION

PÉDAGOGIE DE

PROXIMITÉ

représentations suscitées par les questions posées. Ils expriment que le numérique est associé aux stratégies, aux changements, aux évolutions de l’Univesité de xxx, notamment dans le domaine de la formation. Le numérique est donc à l’origine de changements et d’évolutions à intégrer dans une stratégie institutionnelle. Ceci est d’autant plus vraisemblable que l’équipe de direction de cette Université a placé le numérique au cœur de son action en tant que force de changement et de moyen pour mieux assurrer ses missions de formation et d’insertion professionnelle. D’un point de vue stratégique, elle souhaite également utiliser ces ressources numériques pour proposer de nouveaux services (formations multi modales en présentiel, à distance synchrone et en asynchrone) et étendre le rayonnement de son action à une aire géographique plus importante, à l’international. Il est à noter que la recherche n’apparaît pas dans les discours, même si ce terme est explicitement mentionné dans la première question. Cette absence semble signifier que la recherche est moins afffecté par les effets du numérique, ou concerne moins la recherche qui utilise déjà grandement les ressources numériques pour collaborer et développer ses activités.

La première périphérie est constituée des concepts qui ont été évoqués dans une moindre mesure, entre 10 et 22 apparitions : « Accompagnement », « Adapter », « Concurrence », « Diversification », « Gain », « Innovation », « Marché », « Mixité », « Modèle », « Modèle économique », « Motivation », « Numérique », « Objectifs », « Temps », « Valeur ». Leur positionnement permet de révéler les lignes d’opposition de la représentation. L’axe vertical oppose deux univers du discours. Le premier relève de l’économique, du marché, de la valeur et de la concurrence. Ce sont des termes qui caractérisent l‘univers marchand. Ces thèmes évoquent la marchandisation de la formation potentiellement suscité par la révolution numérique. Les ressources numériques étant potentiellement accessibles indépendamment de la distance, cela renforce la mise en concurrence entre les acteurs de la formation supérieure. Cela est supporté par le développement des formations à distance, des modalités autonomes de type MOOC ou autre, par des organismes physiquement éloignés. Dans les discours, ce modèle est en opposition avec une pédagogie de proximité, basé sur le soutien, l’accompagnement, la collaboration et le modèle de l’enseignement supérieur universitaire. L’autre axe oppose les forces d’innovation, diversification et motivation, potentielles ou avérées, aux impacts et aux freins (histoire, socialisation, contraintes). Les experts mobilisent donc des concepts qui montrent que la transformation numérique de l’institution universitaire s’inscrit dans un champ de force, dans une mise en tension opposant les forces d’innovation aux contraintes et impacts de ces évolutions.

Enfin, dans la couronne extérieure, se trouvent les concepts apparaissant moins de 10 fois dans les discours des experts : « Approches », « Collaboration », « Complexité », « Contraintes », « Espace », « Histoire », « Influences », « Lieux », « Limites », « Qualité », « Réseaux », « Résistances », « Responsabilités », « Ressources », « Révolution », « Socialisation ». Leur « poids » dans les discours des experts est faible, intervenant peu dans les réponses formulées. De ce fait ils structurent moins l’espace des concepts et se positionnent en fonction des champs de force des discours exprimés

5 Conclusion

Ce travail de recherche s’inscrit dans les travaux sur la transformation numérique des organisations. S’appuyant sur les discours d’experts de l’Enseignement du Supérieur et de La Recherche, un codage des réponses à cinq questions a été réalisé. Ces questions ont volontairement été très peu directives de façon à mieux explorer, sans contraintes de la part du chercheur, les concepts formulés par les répondants. Ce codage a été utilisé pour réaliser un traitement d’échelonnement multi dimensionnel (Multi Dimensional Scaling MDS). Cette

technique permet de visualiser les positions des différents concepts exprimés dans un espace. Ces positionnements relatifs ont permis de visualiser les concepts centraux, revenant fréquemment dans les réponses, et ceux qui se trouvent plus en périphérie, peu fréquent dans les réponses. Les positions observées ont pu révéler les tensions argumentatives dans les discours : une opposition « marchandisation de la formation » vs. « pédagogie de proximité » d’une part, « innovations » vs. « impacts » d’autre part. Les concepts argumentatifs mobilisés viennent s’agencer dans cette double mise en tension.

D’un point de vue managérial, l’intérêt de cette recherche est d’identifier les axes argumentatifs associés aux transformations numériques de l’institution universitaire. Ces axes permettent de mieux cerner les enjeux et de comprendre les lignes de force de la transformation numérique des organisations.

D’un point de vue méthodologique, l’intérêt de cette recherche est de mobiliser la méthode d’échelonnement multidimensionnel MDS pour traiter des données qualitative. L’intérêt de cette approche est de proposer un positionnement des concepts évoqués dans un espace. Il ne s’agit donc pas d’un outil statistique permettant de valider (ou pas) des hypothèses, mais d’un algorithme générant des représentations pouvant être interprétées. Ces représentations constituent des supports à l’interprétation des phénomènes et aux échanges entre acteurs dans des pratiques de délibération. Enfin, le caractère non paramétrique de l’outil permet de l’adapter à de nombreux jeux de données, permettant ainsi de développer une approche « qualimétrique » intéressante.

Toutefois, certains aspects peuvent prolonger les résultats ce travail. Une invetigation particulière sur la dimension recherche mériterait d’être menée. En effet, cette dimension n’apparait pas dans les réponses alors que le numérique affecte également les activités de recherche : coordination des équipes, recherche d’information, management des projets et des appels à projets… De plus, afin d’offrir un point de vue complémentaire, il serait intéressant d’interroger différentes catégories de personnels ainsi que des étudiants de différentes origines et de différentes spécialités. Cela permettrait de nuancer ces résultats et de comparer les représentations afin de mieux comprendre la transformation numérique des organisations.

6 Annexes

6.1 Annexe A : Données initiales

Num Items Q1 Q2 Q3 Q4 Q5 Total 1 ACCOMPAGNEMENT 2 0 9 5 1 17 2 ADAPTER 1 0 6 5 2 14 3 APPROCHES 0 0 3 3 1 7 4 CHANGEMENT 13 9 5 0 12 39 5 COLLABORATION 1 0 0 0 2 3 6 COMPLEXITÉ 1 2 0 0 0 3 7 CONCURRENCE 2 8 2 5 3 20 8 CONTRAINTES 5 0 0 0 0 5 9 DIVERSIFICATION 0 2 2 6 2 12

10 ESPACE 6 0 0 0 1 7 11 ÉVOLUTION 13 13 8 7 6 47 12 FORMATION 12 11 4 8 2 37 13 GAIN 0 0 3 2 8 13 14 HISTOIRE 1 1 0 0 0 2 15 IMPACTS 6 1 1 0 0 8 16 INFLUENCES 5 0 1 0 0 6 17 INNOVATION 0 1 9 8 2 20 18 LIEUX 0 0 2 1 0 3 19 LIMITES 0 1 0 1 1 3 20 MARCHÉ 0 4 4 5 1 14 21 MIXITÉ 0 6 5 5 2 18 22 MODÈLE 2 0 0 5 3 10

23 MODÈLE ÉCONOMIQUE

0 10 3 9 0 22

24 MOTIVATION 0 4 8 3 4 19 25 NUMÉRIQUE 4 3 3 4 3 17 26 OBJECTIFS 4 2 3 4 2 15 27 PÉDAGOGIE 3 2 6 4 14 29 28 QUALITÉ 1 3 1 1 0 6 29 RÉSEAUX 0 1 1 0 2 4 30 RÉSISTANCES 1 0 0 0 0 1 31 RESPONSABILITÉS 2 0 0 0 1 3 32 RESSOURCES 0 0 3 3 0 6 33 RÉVOLUTION 3 1 1 0 2 7 34 SOCIALISATION 3 1 0 0 0 4 35 STRATÉGIE 12 11 6 10 3 42 36 TEMPS 8 1 1 0 2 12 37 VALEUR 0 5 2 3 1 11

6.2 Annexe B : Indicateurs d’adéquation de la solution Stress and Fit Measures

Normalized Raw Stress ,09317 Stress-I ,30523a Stress-II ,72974a S-Stress ,22278b Dispersion Accounted For (D.A.F.)

,90683

Tucker's Coefficient of Congruence

,95228

PROXSCAL minimizes Normalized Raw Stress. a. Optimal scaling factor = 1,103. b. Optimal scaling factor = ,892.

7 Bibliographie

Bernoux, P. (2015). Sociologie du changement. (Points, Ed.).

Blau, P. (1973). The Organisation of Academic Work (Wiley-Inte).

Callon, M., & Latour, B. (1978). Comment suivre les innovations ? Clef pour l’analyse socio-technique. Prospective et Santé Publique.

Cohen, M. D., March, J. G., & Olsen, J. P. (1972). A Garbage Can Model of Organizational Choice. Administrative Science Quarterly, 17(1), 1. http://doi.org/10.2307/2392088

Conseil National du Numérique. (2016). Université numérique - du temps des explorateurs à la transformation.

Dugard P, Todman J and Staines H (2010) Approaching multivariate analysis. A practical introduction. Second Edition. Routledge:New York. This text has example analyses using SPSS.

Dumez, H. (2016). Méthodologie de la recherche qualitative (Vuibert).

Glaser, B. G., & Anselm, A. L. (1967). La découverte de la théorisation ancrée (Armand Col).

Isaias Scalabrin Bianchi, Rui Dinis Sousa, (2016) IT Governance Mechanisms in Higher Education, Procedia Computer Science, Volume 100, 2016, Pages 941-946,

Kenneth Sturrock and Jorge Rocha, (2000), « A Multidimensional Scaling Stress Evaluation Table », Field Methods, Vol. 12, No. 1, February 2000, pp. 49–60

Kruskal J.B. (1964a) « Multidimensional Scaling by Optimizing Goodness of Fit to a Non Metric Hypothesis », Psychometrika, 29, 1-27.

Kruskal J.B. (1964b), Non Metric Multidimensional Scaling: a Numerical Method, Psychometrika, 29, 115-129.

Kruskal J.B., Wish M. (1984), Multidimensional Scaling, Quantitative Applications in the Social Sciences, 11, Sage University Paper.

Mair Patrick, Borg Ingwer, Rusch Thomas, (2016), Goodness-of-Fit Assessment in Multidimensional Scaling and Unfolding, Multivariate Behavioral Research, Vol. 51, N°6, 772-789

Mintzberg, H. (1989). Le management. (Eyrolles, Ed.).

Moscovici, S. (1961). La psychanalyse, son image et son public (PUF, Press). Paris.

Moscovici, S., & Maison, F. (2015). Pourquoi l’étude des représentations sociales en psychologie ?

Paillé, P., & Mucchielli, A. (2016). L’analyse qualitative en Sciences hulaines et sociales (Armand Col). Paris.

Polanyi, M. (1962). The Republic of Science: its Political and Economic Theory (Minerva).

Porlier C., Sébastien V., Tang-Taye J.P. (2016). « À l’ère du numérique, impacts des représentations sur la dynamique du changement organisationnel, Conférence », Conférence pluridisciplinaire, commande publique, services publics locaux et concurrence, UFR Droit et économie-université de La Réunion -Laboratoires CEMOI et CRJ

Prochaska, J. M., Prochaska, J. O., & Levesque, D. A. (2001). A transtheorical approach to changing organizations. Administration and Policy in Mental Health, 28, 14.

Saussois, J.-M., & Musselin, C. (2012). Les organisations - État des savoirs. (Sciences Humaines, Ed.).

Spence Ian, Ogilvie John C., (1973), A table of expected stress values for random rankings in nonmetric multidimensional scaling, Multivariate Behavioral Research, October 1973, pp. 511-517