Scientifique Données Sociales
Verdict CRISTAL-10 v14.0 : Pivot
Chiffres clés 2026
Tension marché : 1.8% postes vacants (7 291 postes secteur DARES).
Source : France Travail / DARES BMO 2026 / INSEE TIC 2025. Données pack mises à jour 15 mars 2026.
Le scientifique données sociales, aussi appelé computational social scientist ou data scientist sciences sociales, intervient sur un marché français en forte tension portée par les besoins réglementaires et la transformation des métiers IT.
Le métier relève du code ROME M1403 (études et prospectives socio-économiques) et concerne plusieurs centaines de professionnels en France, principalement chez les laboratoires de recherche (CNRS, INED, Sciences Po médialab), les think tanks indépendants, les grandes ESN data et les administrations (INSEE, DREES, DARES).
Le marché affiche plusieurs dizaines d’offres actives selon France Travail avec une tension qualifiée de moyenne. Le cœur du travail combine analyse de données d’enquêtes et de traces numériques, modélisation économétrique ou analyse de réseaux sociaux, visualisation et communication scientifique. Les outils clés incluent Python pandas, R tidyverse, Stata, NVivo et Gephi, qui dominent les annonces du marché français.
Impact IA sur le métier
Automatisable par l’IA
- Présenter et expliciter les avancées scientifiques et les travaux de recherche
- Rédiger une publication scientifique
- Conduire des travaux d’études et de recherche
- Collaborer avec des équipes multidisciplinaires
- Présenter des résultats de recherche à des audiences variées
Reste humain
- Analyser des données de recherche en sciences humaines
- Former des étudiants aux méthodes de recherche
- Déplacements professionnels
- Possibilité de télétravail
- Travail en horaires décalés
Impact de l’IA sur ce metier
L’IA automatise aujourd’hui trois blocs concrets : le nettoyage automatique des données d’enquête via assistants IA, l'analyse sémantique de gros corpus textuels via NLP, la génération de visualisations exploratoires via outils auto-EDA.
Trois compétences restent strictement humaines : l'interprétation socio-historique des résultats statistiques, le design d’enquêtes et échantillonnage représentatif, l'éthique de la recherche et protection des données personnelles.
Deux catégories d’outils IA se sont installées en 2026 : les assistants IA dédiés à l’analyse de corpus et à la modélisation statistique en R ou Python, et les modèles d’embedding pour l’analyse sémantique de textes en sciences sociales. Le constat est clair : moins de saisie manuelle, plus d’arbitrage stratégique.
Compétences clés
20 compétences ROME. Source : France Travail.
Carrière et formation
Formations RNCP
- RNCP35973 — Sciences et techniques des activités physiques et sportives : ergonomi (Niveau 6)
- RNCP36848 — Migrations (fiche nationale) (Niveau 7)
- RNCP37462 — Didactique des sciences (fiche nationale) (Niveau 7)
- RNCP37466 — Pédagogie en sciences de la santé (fiche nationale) (Niveau 7)
Reconversion & CPF
- 4 paths de reconversion disponibles →
- Durée moyenne formation : 36 mois
- 15 formations CPF éligibles
- Top organismes : NANTES UNIVERSITE, UNIVERSITE DE BORDEAUX, UNIVERSITE D ARTOIS
- Financement CPF + Pôle Emploi possibles
Carriere et formation
La carrière démarre presque toujours en scientifique données sociales junior ou rôle assimilé chez l’un des employeurs suivants : laboratoires de recherche (CNRS, INED, Sciences Po médialab), think tanks indépendants, grandes ESN data, administrations (INSEE, DREES, DARES). Les deux premières années consistent à maîtriser les outils Python pandas, R tidyverse, Stata, NVivo et Gephi, et à construire un socle technique solide.
Entre 3 et 7 ans, le profil devient scientifique données sociales confirmé, avec la prise en charge de dossiers à forte valeur, un périmètre élargi et la responsabilité de la qualité des livrables.
Au-delà de 8 ans, deux portes s’ouvrent : poste senior expert chez les grands comptes ou consultant indépendant facturant à la journée selon la spécialisation et la rareté du profil.
Salaire détaillé
Voir grille junior/médiane/senior + méthodologie
| Niveau | Médian estimé | P90 estimé | Base |
|---|---|---|---|
| Junior (0-2 ans) | 29 399 € | 33 808 € | 0.70 × médian |
| Médian (3-7 ans) | 42 000 € | 48 299 € | DARES+INSEE |
| Senior (8+ ans) | 52 500 € | 56 700 € | 1.25 × médian |
Méthodologie : Médian = données DARES/INSEE salaires bruts annuels 2024-2025 pour le code ROME associé. Junior/Senior = extrapolations ratios standards (0.70x / 1.25x). P90 = niveau atteint par 10 % des supérieurs de la catégorie. Pour précision par expérience/secteur/région : consulter Michael Page, Robert Half, Talent.com.
Tendances 2026-2030
Freins adoption IA (BPI France 2024) : 42% citent le manque de compétences, 38% citent les coûts.
Pourquoi envisager une reconversion
Le passage vers les donnees sociales seduit par le sens donne au travail de recherche, la diversite des sujets (sante, education, politique) et la possibilite de publier scientifiquement. La tension moyenne du marche francais (95 offres actives 2026) protege ces profils de la concurrence et offre une marge de negociation salariale superieure aux metiers satures.
L acceleration +14 % sur cinq ans et la protection partielle face a l IA (verdict Augment, score 75 %) renforcent l attractivite pour des profils en quete de sens et de stabilite professionnelle.
5 metiers cibles pour se reconvertir
Le sociologue ou economiste universitaire apporte la maitrise theorique et complete sa transition en 6 mois via une formation ciblee sur specialisation R et Python applique.
Le data analyst senior valorise ses competences techniques et complete sa transition en 8 mois via une formation ciblee sur methodologie enquete et statistique inferentielle.
Le ingenieur d etudes statistiques transfere sa pratique du terrain et complete sa transition en 5 mois via une formation ciblee sur outils NVivo et analyse qualitative.
Le doctorant en SHS reconverti complete par l ingenierie et complete sa transition en 10 mois via une formation ciblee sur Python pandas et stack data moderne.
Questions fréquentes & sources
Sources officielles
Metiers proches face a l IA
Analyse approfondie
Scientifique en données sociales : méthodes computationnelles, salaires et avenir du métier
Le scientifique en données sociales applique des méthodes computationnelles issues de l’informatique et des statistiques pour analyser des phénomènes humains : comportements en ligne, réseaux d’influence, dynamiques de polarisation, trajectoires professionnelles. Ce métier se situe à l’intersection des sciences sociales et de la data science, mais il se distingue nettement du data scientist classique par sa formation théorique en sociologie, science politique ou anthropologie.
En France, les principaux employeurs sont le CNRS, Sciences Po Paris (Médialab), l’EHESS, l’INED et, du côté privé, les grandes entreprises de médias, les plateformes numériques et les cabinets de conseil en stratégie d’opinion. La demande progresse depuis 2020, portée par les besoins d’analyse de la désinformation, des dynamiques électorales et des comportements de consommation à grande échelle.
Computational social science vs data scientist classique : deux cultures distinctes
La différence fondamentale ne réside pas dans les outils mais dans la posture intellectuelle. Le data scientist classique optimise des métriques de performance ou prédit des comportements pour maximiser un résultat commercial. Le scientifique en données sociales formule des hypothèses théoriques sur des structures sociales et utilise les données pour les tester, les réfuter ou les affiner.
Un data scientist Netflix cherche à maximiser le temps passé sur la plateforme. Un scientifique en données sociales étudiant Netflix s’interroge sur la façon dont les algorithmes de recommandation reproduisent ou amplifient des inégalités culturelles préexistantes -- avec des outils similaires, mais une finalité radicalement différente.
Concrètement, le scientifique en données sociales publie dans des revues académiques à comité de lecture (NETCOM, European Sociological Review, Social Networks). Il documente ses protocoles selon des standards éthiques IRB. Il travaille sur des jeux de données parfois restreints, collectés avec consentement, et produit des résultats interprétables plutôt qu’un modèle boîte noire optimisé pour la précision prédictive.
Sciences Po Médialab et l’héritage de Bruno Latour
Fondé en 2009 par Bruno Latour et Dominique Boullier, le Médialab de Sciences Po est le laboratoire de référence français en computational social science. Bruno Latour y a développé l’approche cartographique des controverses, combinant théorie de l’acteur-réseau et analyse numérique des traces web. Depuis son décès en 2022, le laboratoire poursuit ce programme sous la direction de Dominique Cardon.
Le Médialab a produit des outils devenus standards : Gephi (visualisation de graphes, co-développé avec l’Université de Technologie de Compiègne), Table2Net, Artoo. Ces outils sont utilisés dans des dizaines de pays et téléchargés plusieurs centaines de milliers de fois. Le laboratoire collabore régulièrement avec Sciences Po CEVIPOF pour analyser les réseaux sociaux politiques, et avec l’Institut Reuters pour l’étude des comportements informationnels.
Pour les étudiants en sciences sociales, Sciences Po offre un Master 2 Méthodes et Enquêtes en Sciences Sociales (MESS) qui intègre des modules de computational social science, ainsi qu’un parcours de recherche au sein du Médialab. L’admission est compétitive : environ 25 places par an pour le parcours recherche.
Méthodes principales : NLP, analyse de réseaux, modélisation agent
Trois familles de méthodes structurent la boîte à outils du scientifique en données sociales.
Le traitement automatique du langage (NLP) permet d’analyser des corpus textuels massifs : archives de presse, débats parlementaires, tweets, avis de consommateurs. Les techniques incluent l’analyse de sentiment, la modélisation thématique (LDA, BERTopic), la détection de cadrage narratif et l’extraction d’entités nommées. Le corpus Europarl (débats du Parlement européen traduits en 24 langues) est l’un des jeux de données de référence pour ces analyses comparatives.
L’analyse de réseaux sociaux (Social Network Analysis, SNA) permet de cartographier des structures d’interdépendance : qui cite qui dans un champ académique, comment l’information circule dans un réseau militant, quels acteurs servent de pont entre des communautés polarisées. Les métriques fondamentales sont la centralité de degré, la centralité d’intermédiarité (betweenness centrality) et le coefficient de clustering.
La modélisation basée sur les agents (Agent-Based Modeling, ABM) simule l’émergence de phénomènes collectifs à partir de règles individuelles simples. Elle est utilisée pour modéliser la diffusion de normes, la ségrégation résidentielle (modèle de Schelling) ou la propagation de rumeurs. Le modèle SIR (Susceptible-Infecté-Rétabli), issu de l’épidémiologie, a été adapté pour modéliser la viralité de l’information sur les réseaux sociaux.
Stack technique : Python, NetworkX, R, Gephi, Stata, Mesa, NLTK
Le scientifique en données sociales navigue entre plusieurs environnements selon les tâches.
- Python est le langage principal pour la collecte (Scrapy, Selenium, API REST), le prétraitement (Pandas, NumPy), le NLP (NLTK, spaCy, Transformers de Hugging Face) et la modélisation ABM (Mesa). NLTK reste la référence pédagogique pour le NLP académique malgré la montée de spaCy.
- NetworkX (Python) est la bibliothèque de référence pour l’analyse de graphes. Elle permet de calculer toutes les métriques SNA, de détecter des communautés (algorithme de Louvain) et d’exporter vers Gephi pour la visualisation interactive.
- R reste dominant pour les analyses statistiques avancées (modèles mixtes, analyses de survie, SEM), le traitement d’enquêtes (package survey) et la visualisation académique (ggplot2). L’ESS European Social Survey distribue ses données dans des formats optimisés pour R.
- Gephi est le logiciel open source de visualisation de réseaux, co-développé par le Médialab. Standard de fait pour la publication académique de visualisations de graphes.
- Stata est encore très utilisé en économie et science politique pour les régressions sur données de panel et les analyses d’enquêtes longitudinales. L’INSEE et l’INED fournissent des modules Stata pour leurs données.
- Mesa (Python) est le framework de modélisation basée sur les agents maintenu par la communauté open source. Il intègre une interface de visualisation interactive pour explorer les résultats de simulation.
RGPD, éthique de la recherche et IRB à la française
En France, l’équivalent des Institutional Review Boards (IRB) américains est le Comité d’Éthique pour les Recherches en Sciences Humaines et Sociales (CERHS) du CNRS, ainsi que les comités d’éthique institutionnels des universités. Leur rôle est d’évaluer les protocoles de recherche impliquant des données personnelles ou des sujets humains.
Le RGPD (Règlement Général sur la Protection des Données) s’applique également à la recherche académique, avec des exemptions encadrées par l’article 89 pour les finalités d’intérêt public. Concrètement, une recherche sur des tweets publics peut être menée sans consentement individuel si les données sont anonymisées et si la recherche relève de l’intérêt public documenté. En revanche, la collecte de données de messageries privées ou de données de santé requiert un protocole éthique formalisé et souvent un accord de la CNIL.
CESSDA (Consortium of European Social Science Data Archives) et GESIS (Leibniz Institute for the Social Sciences) sont les deux infrastructures européennes de référence pour l’archivage et la distribution de données de recherche en sciences sociales. GESIS héberge notamment le ZACAT, portail d’accès aux données ESS et à des centaines d’enquêtes européennes harmonisées.
| Type de données | Régime RGPD | Comité éthique requis | Délai moyen |
|---|---|---|---|
| Tweets/posts publics anonymisés | Exemption art. 89 possible | Non (déclaration suffisante) | -- |
| Données d’enquête individuelle | Consentement éclairé obligatoire | Oui (CERHS ou équivalent) | 4 à 12 semaines |
| Données administratives INSEE/INED | Convention accès protégé (CASD) | Oui (CASD + CNIL) | 3 à 6 mois |
| Données de santé couplées | Accès SNDS via Health Data Hub | Oui (CESREES + CNIL) | 6 à 18 mois |
Salaires en recherche publique : CNRS, Sciences Po, EHESS
En France, les salaires des chercheurs en sciences sociales dans le secteur public suivent la grille de la fonction publique d’État. Un chargé de recherche CNRS en début de carrière (CR2) perçoit entre 2 400 et 2 700 euros nets par mois, soit 28 800 à 32 400 euros annuels nets. Un directeur de recherche (DR1) peut atteindre 4 500 à 5 500 euros nets mensuels en fin de carrière, soit 54 000 à 66 000 euros nets annuels.
Sciences Po Paris, en tant qu’établissement privé d’intérêt public, dispose d’une plus grande flexibilité salariale. Un chercheur post-doctoral en computational social science au Médialab est rémunéré autour de 2 500 à 3 000 euros nets. Les professeurs associés (contrats de droit privé) peuvent négocier des rémunérations entre 50 000 et 75 000 euros bruts annuels selon leur profil.
L’EHESS propose des contrats similaires au CNRS pour ses maîtres de conférences (MCF) et directeurs d’études, avec des salaires bruts allant de 35 000 euros en début de carrière à 70 000 euros pour les directeurs d’études de classe exceptionnelle.
Dans le secteur privé, le même profil -- bac+8 en sciences sociales avec compétences Python/R et expérience NLP -- obtient des salaires significativement plus élevés :
- Consultant en intelligence économique ou stratégie d’opinion : 45 000 à 70 000 euros bruts en début d’activité
- Data scientist spécialisé sciences sociales dans un grand groupe médias : 55 000 à 85 000 euros bruts
- Head of Social Analytics dans une scale-up ou une plateforme numérique : 75 000 à 110 000 euros bruts
Formations : Masters et doctorats en France
Le parcours standard en France passe par un Master 2 spécialisé, souvent suivi d’un doctorat financé (contrat doctoral CNRS ou ANR) pour les profils orientés recherche académique.
- Master 2 Méthodes et Enquêtes en Sciences Sociales, Sciences Po Paris : formation la plus reconnue en France. Combine méthodes quantitatives avancées, ethnographie et analyse de réseaux. Accès compétitif, environ 25 places par an.
- Master 2 Sociologie Quantitative et Démographie, EHESS : orienté analyse statistique des données d’enquête, démographie quantitative et méthodes longitudinales. Fort ancrage sur les données INSEE et INED.
- Master Mathématiques Appliquées aux Sciences Sociales (MASS), Paris 1 Panthéon-Sorbonne : approche plus formalisée, bonne passerelle vers les profils mixtes économétrie/sociologie.
- Master MIASHS (Mathématiques et Informatique Appliquées aux SHS) : décliné dans plusieurs universités (Lille, Bordeaux, Lyon 2). Formation technique solide pour les étudiants venant d’une licence scientifique souhaitant se spécialiser en sciences sociales.
Pour les profils internationaux, l’ESS European Social Survey propose des summer schools annuelles sur l’analyse de données longitudinales comparatives. GESIS organise également des formations courtes sur les méthodes computationnelles disponibles pour les chercheurs européens.
Reconversions possibles : depuis la sociologie classique et la data science
Deux profils de reconversion alimentent ce métier depuis des horizons opposés.
Depuis la sociologie qualitative, la reconversion vers les méthodes computationnelles nécessite l’acquisition d’un socle technique : Python ou R (6 à 12 mois de formation intensive), statistiques inférentielles, bases de données relationnelles. Les points forts de ce profil sont la rigueur théorique, la capacité à formuler des questions de recherche pertinentes et la connaissance des corpus de données existants (ESS, SHARE, ELIPSS). Les certifications DataCamp ou Coursera peuvent accélérer la montée en compétence technique.
Depuis la data science commerciale, la reconversion vers la recherche académique ou appliquée en sciences sociales suppose d’acquérir une culture théorique en sociologie, science politique ou économie comportementale. La lecture des grandes revues (Revue Française de Sociologie, Social Forces, American Journal of Sociology) et un Master 2 en sciences sociales quantitatives (accessible en formation continue) constituent le chemin le plus direct. La principale difficulté est l’adaptation à un rythme de production plus lent et à des métriques de succès différentes (publication vs. performance modèle).
Risque d’automatisation par l’IA : faible pour les profils théoriques
L’évaluation du risque d’automatisation pour ce métier est globalement faible à moyen terme, pour des raisons structurelles. Les tâches automatisables sont les plus mécaniques : extraction de données, nettoyage de corpus, génération de visualisations standards. Ces tâches représentent peut-être 20 à 30 % du temps de travail d’un chercheur junior.
En revanche, les tâches à haute valeur ajoutée résistent bien à l’automatisation : formulation de la question de recherche, choix du design méthodologique, interprétation des résultats dans un contexte théorique, critique des biais de collecte et de sélection, rédaction académique argumentée. Ces compétences requièrent une connaissance des débats théoriques en sciences sociales que les LLM actuels simulent superficiellement.
L’AFS (Association Française de Sociologie) et les comités éditoriaux des grandes revues signalent d’ailleurs une demande croissante pour des profils capables de critiquer méthodologiquement les résultats produits par des pipelines automatisés. Le scientifique en données sociales se positionne comme un auditeur de l’IA plutôt que comme un remplacé par elle.
Twitter/X et l’accès aux données après la restriction de l’API
Jusqu’en 2023, l’API publique de Twitter (devenu X) permettait aux chercheurs d’accéder gratuitement à 1 % du flux public de tweets via le endpoint Streaming API. En avril 2023, cet accès gratuit a été supprimé et remplacé par des plans payants démarrant à 100 dollars par mois (Basic) jusqu’à plusieurs milliers de dollars pour des volumes significatifs.
Cette restriction a provoqué une réorganisation majeure de la recherche sur les réseaux sociaux. Les alternatives adoptées par les chercheurs français et européens incluent Mastodon et le Fediverse (API publique sans restriction, corpus plus petit mais représentatif d’une partie de la population engagée politiquement), les archives Internet Archive via des projets de préservation, et surtout le mécanisme d’accès DSA.
Depuis 2024, le Digital Services Act (DSA) oblige les très grandes plateformes (VLOP) à fournir un accès aux données aux chercheurs accrédités par les coordinateurs nationaux des services numériques. En France, l’ARCOM coordonne ces demandes d’accès pour X, TikTok et YouTube. Le Médialab de Sciences Po et plusieurs équipes CNRS ont activement utilisé ce mécanisme depuis 2024. C’est désormais la voie réglementaire privilégiée en Europe pour accéder aux données de plateformes sociales.
Évolution de carrière : du post-doc au directeur de recherche
Le parcours académique standard est bien balisé mais exigeant. Après le doctorat (3 à 5 ans), une période post-doctorale de 2 à 4 ans est quasi-inévitable avant d’obtenir un poste permanent. Les postes de chargé de recherche CNRS et de maître de conférences sont ouverts par concours annuels. La compétition est intense : souvent 100 à 300 candidats pour 1 à 3 postes par discipline.
| Poste | Secteur | Expérience requise | Salaire brut annuel |
|---|---|---|---|
| Doctorant contractuel | Public (CNRS/université) | Bac+5 | 23 000 à 26 000 euros |
| Post-doctorant | Public | Doctorat | 30 000 à 38 000 euros |
| Chargé de recherche CR2 (CNRS) | Public | Doctorat + 2 à 5 ans post-doc | 35 000 à 42 000 euros |
| Directeur de recherche DR2 | Public | 15 à 20 ans d’expérience | 55 000 à 75 000 euros |
| Senior Research Scientist | Privé (tech/conseil) | Doctorat + 3 à 5 ans | 70 000 à 95 000 euros |
| Head of Social Analytics | Privé | 8 à 12 ans d’expérience | 85 000 à 110 000 euros |
Du côté privé, les trajectoires sont plus rapides mais moins linéaires. Un chercheur ayant quitté le CNRS après 5 ans pour rejoindre un cabinet de conseil peut atteindre un poste de Principal Researcher ou Head of Social Analytics en 3 à 5 ans supplémentaires. Les grands groupes comme Publicis, Havas ou des think tanks comme Terra Nova et l’Institut Montaigne recrutent régulièrement des profils avec une double compétence sciences sociales et méthodes computationnelles.
Perspectives du métier
Les grands modèles de langage s’imposent comme outils de textmining pour annoter des corpus à grande échelle, démocratisant l’analyse de texte tout en soulevant de nouveaux enjeux de biais systémiques. La recherche sur la désinformation se structure comme champ disciplinaire à part entière, soutenue par des financements publics comme l’Observatoire des Influences Numériques et des projets ANR, créant une demande de chercheurs capables d’analyser des campagnes de manipulation coordonnée. L’AI Act européen génère une demande structurelle pour des évaluations d’impact social et des audits de biais sur les algorithmes déployés par des institutions comme France Travail ou les CAF, tandis que l’harmonisation des infrastructures de données via l’Espace Européen des Données de Recherche ouvre des perspectives de recherche comparative transnationale inédites.