Production et valorisation des logiciels issus de la recherche publique française
Bibliographic record
Abstract
En 2022, le projet de loi 3DS a été adopté par l’Assemblée Nationale et le Sénat. Cette loi prévoit le principe de publication par défaut des codes sources et algorithmes de l’administration. Dans l’amendement 3614 de cette même loi, il a été perçu que cette disposition « pourrait déstabiliser les actions de valorisation et de transfert de technologie des établissements publics de recherche qui produisent des logiciels ». Afin de mieux comprendre les impacts de cette disposition sur les acteurs de la recherche française, il a été convenu qu’un rapport du gouvernement au Parlement serait remis d’ici la fin de l’année 2023. La présente étude a été conduite sous le pilotage du Professeur Pierre Boulet, Professeur des universités en informatique et Vice-Président Infrastructures Numériques à l’Université de Lille. Cette mission lui a été confiée par le ministère de l’Enseignement Supérieur et de la Recherche, en la personne de Madame Isabelle Blanc, Administratrice ministérielle des données, des algorithmes et des codes sources, rattachée à la DGESIP et la DGRI. L’étude dresse un état des lieux de la production et de la valorisation des logiciels issus de la recherche en France et alimente le rapport attendu par le Parlement. Elle vise à apporter des informations clés aux décideurs politiques de manière à leur permettre de faire évoluer, si cela s’avère nécessaire, le cadre réglementaire qui régit les modalités de production et de valorisation scientifique et économique des logiciels. A cette fin, l’étude présente un panorama de la production de logiciels de la recherche public française et des stratégies de développement associées. Elle fournit également une analyse des pratiques de protection et des licences qui sont appliquées aux logiciels. Enfin, elle recense les différents modèles de valorisation et les pratiques adoptées par les acteurs de la valorisation pour les logiciels libres et propriétaires.
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 | 0.038 | 0.093 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.006 | 0.005 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.018 | 0.013 |
| Open science | 0.003 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.022 | 0.010 |
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".