La Grande École du Numérique : les paradoxes d’une politique de promotion des formations techniques centrées sur l’apprentissage du code informatique
Bibliographic record
Abstract
Depuis 2013, on a vu émerger en France un ensemble d’initiatives promouvant la formation au code informatique. Présenté comme étant évident, car en accompagnement de la transformation numérique des organisations, cet engouement pour les formations courtes donnera naissance en 2015 à un dispositif national nommé « Grande École du Numérique », qui labellise ces formations et entend former 10 000 nouvelles personnes en trois ans. Il existe ainsi aujourd’hui 400 formations labellisées par ce dispositif et plusieurs milliers de personnes formées à travers elles. L’institutionnalisation de ce dispositif a été très rapide : on compte en effet moins de neuf mois entre son annonce et sa mise en place. L’objectif de cet article est de montrer en quoi cette valorisation peut sembler paradoxale. Nous verrons en effet qu’autour de la notion de « code informatique » on assiste à une promotion de ce dernier en tant que compétence. En effet, cette valorisation du code se joue avant tout à un niveau symbolique. Sur les plans théorique et empirique, elle se confronte à de nombreuses contradictions, tant du point de vue de l’histoire de l’enseignement de la programmation informatique que de celui de la place occupée par les développeurs informatiques dans la division du travail, et surtout des points de vue économique et social, notamment concernant la question de l’insertion professionnelle.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.018 | 0.036 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.008 | 0.035 |
| Scholarly communication | 0.015 | 0.016 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".