Le métier d'évaluateur de politiques publiques
Bibliographic record
Abstract
Ce cahier, publié par la Société Française de l’Évaluation (SFE), résulte d’un travail collectif mené entre 2020 et 2024 sur la professionnalisation du métier d’évaluateur de politiques publiques. Il vise à formaliser un référentiel de compétences adapté au contexte français, tout en s’inspirant d’expériences internationales. Ce travail résulte d’un mandat donné par les instances de la SFE en 2020 et visant à : clarifier et valoriser les compétences spécifiques à l’évaluation pour renforcer la crédibilité des évaluateurs, soutenir le développement de la qualité des travaux évaluatifs, attirer de nouveaux professionnels, et clarifier les distinctions entre évaluation, audit et autres activités voisines, à travers un référentiel de compétences, offrir un outil utile aux praticiens, commanditaires et institutions pour structurer les parcours professionnels, recruter, ou améliorer les pratiques évaluatives. Le groupe de travail a réalisé une analyse comparative de dix référentiels de compétences étrangers, en identifiant des domaines communs (méthodologie, déontologie, gestion, relations, compétences professionnelles et scientifiques) et en distinguant quelques spécificités comme la reconnaissance des compétences culturelles (Canada, Nouvelle-Zélande) ou la gradation par séniorité (ONU). Il a conduit 25 entretiens approfondis avec des praticiens français d’horizons divers, afin de recueillir leurs perceptions sur les compétences nécessaires, l’intérêt d’un référentiel et d’une éventuelle reconnaissance formelle. A partir de ces éléments, le groupe a réalisé un travail de conception du référentiel, structuré en six domaines de compétences regroupés en savoirs, savoir-faire et savoir-être. Ce référentiel a ensuite été soumis à l’expérimentation sur cinq organisations en 2023 afin de bénéficier de premiers retours d’expérience et de vérifier son niveau de pertinence. A deux reprises, ces travaux ont été mis en débat au sein de la communauté évaluative afin d’en tirer des enseignements utiles et des axes d’enrichissement. Au terme de ce travail, il est proposé ici un référentiel structuré en 6 domaines (connaissances en sciences sociales ; connaissances en évaluation des politiques publiques ; compétences relatives à l’initiation d’une évaluation ; au processus d’évaluation ; à la gestion de projet ; à la posture évaluative) et décliné en 49 sous-compétences couvrant les différentes dimensions du métier, en spécifiant les compétences nécessaires selon le statut d’évaluateur ou de responsable d’évaluation (versant commanditaire). Des usages multiples de cet outils ont été identifiés, en termes de professionnalisation et structuration de la filière, de soutien au recrutement, à la formation continue, et au dialogue entre acteurs. Également comme outil de légitimation et de promotion de l’évaluation auprès des tiers. Les échanges ont mis également en lumière quelques enjeux et limites, liés à la fragmentation et au flou du champ de l’évaluation en France, aux risques d’une standardisation excessive (ex. habilitation) et à la nécessité d’une approche inclusive, flexible et évolutive. En conclusion, ce référentiel constitue un socle pour la structuration du métier en France et ouvre la voie à une reconnaissance accrue, tout en posant des bases pour de futures évolutions.
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 | 0.045 | 0.055 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.006 |
| Science and technology studies | 0.007 | 0.009 |
| Scholarly communication | 0.014 | 0.008 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.022 | 0.004 |
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".