Comment améliorer l’image de la filière DaMS au sein de l’école
Dhruvi Souchil, Kaoutar El-fenni, Gauthier Lagrange, Hatem Ben-Ghachem
2026-03-22
Introduction
Ce rapport présente les résultats d’une enquête menée pour évaluer l’image et la réputation de la spécialité DaMS (Data science Management Software Architecture) au sein de notre école d’ingénieurs.
L’objectif principal est de comprendre le décalage potentiel entre la réalité pédagogique de la formation et la perception qu’en ont les étudiants, qu’ils soient internes à la filière ou issus d’autres spécialités. À travers cet audit, nous cherchons à identifier les leviers stratégiques pour améliorer la visibilité de DaMS et renforcer la fierté d’appartenance de ses étudiants.
L’analyse suit une progression logique : nous partons d’un état des lieux général pour ensuite zoomer sur les causes du problème d’image et, enfin, proposer des solutions concrètes.
1. Présentation du Projet et Méthodologie
Le projet s’articule autour d’une analyse quantitative et qualitative des données recueillies via un questionnaire structuré. Nous avons exploré plusieurs dimensions clés par exemple: 1. “La Perception Globale :** Comment la filière est-elle classée par rapport aux autres ?” 2. ”L’Identité et le Branding :** Le nom “DaMS” est-il un atout ou un frein à la compréhension de la filière ?” 3. **“Le Sentiment Étudiant :** Quel est le niveau de satisfaction et de fierté des futurs ingénieurs DaMS ?”
L’analyse suit une progression logique : nous partons d’une vue d’ensemble de la base de données pour ensuite zoomer sur les corrélations spécifiques qui expliquent les points de friction de notre image.
1.1. Vue d’ensemble des répondants et Satisfaction
# Chargement des données nettoyées
data <- read.csv("DAMS_Cleaned_Final.csv")library(tidyverse)
ggplot(data, aes(x = specialty, fill = specialty)) +
geom_bar() +
labs(title = "Répartition des répondants par spécialité",
x = "Spécialité",
y = "Nombre de réponses") +
theme_minimal() +
theme(legend.position = "none")
# Un histogramme pour voir si la majorité est contente ou non
ggplot(data, aes(x = satisfact_num)) +
geom_histogram(bins = 4, fill = "#5DADE2", color = "white") +
labs(title = "Distribution de la satisfaction globale",
subtitle = "Échelle de 1 (Pas satisfait) à 4 (Très satisfait)",
x = "Score de Satisfaction",
y = "Nombre d'étudiants") +
theme_light()
L’échantillon est composé majoritairement d’étudiants de la filière DaMS (44 répondants), complété par des regards extérieurs (GBA, EGC, Matériaux, SE). Cette prédominance interne nous permet d’avoir une vision très précise du ressenti des étudiants directement concernés mais pas des étudiants extérieurs. On observe une satisfaction globale positive, centrée autour d’un score de 3/4, ce qui indique une base solide sur laquelle construire notre stratégie de communication.
1.2. Positionnement perçu par rapport aux autres filières
rank_plot_data <- data %>%
filter(!is.na(rank_int) & rank_int != "" & rank_int != " ") %>%
mutate(rank_int = factor(rank_int,
levels = c("Bas du classement", "Milieu", "Haut du classement"))) %>%
count(rank_int) %>%
mutate(percentage = round(n / sum(n) * 100, 1))
ggplot(rank_plot_data, aes(x = rank_int, y = percentage, fill = rank_int)) +
geom_bar(stat = "identity", width = 0.6) +
coord_flip() +
scale_fill_manual(values = c("Bas du classement" = "#E67E22",
"Milieu" = "#F1C40F",
"Haut du classement" = "#27AE60")) +
labs(title = "Positionnement de DaMS selon les étudiants",
subtitle = "Où se situe la filière par rapport aux autres spécialités ?",
x = "",
y = "Pourcentage de répondants (%)") +
theme_minimal() +
theme(legend.position = "none")
Ce graphique est l’un des plus importants pour comprendre notre problème. On remarque qu’une grande majorité des étudiants situent DaMS dans le “Milieu” ou le “Bas du classement” de l’école.
Très peu de répondants considèrent la filière comme étant en haut du classement. Cela confirme que, même si les étudiants sont satisfaits des cours (comme vu précédemment), ils ont le sentiment que leur filière manque de prestige ou de reconnaissance par rapport aux autres spécialités de l’école. Le but de notre plan d’action sera de faire remonter cette perception vers le haut.
1.3. Les indicateurs clés de l’Etude
Avant d’entrer dans l’analyse corrélative, il est essentiel d’examiner la nature des données recueillies. Le questionnaire a permis de collecter 48 réponses structurées autour de 48 variables initiales, couvrant des échelles de Likert (1 à 4) pour la perception, et des échelles de recommandation (0 à 10).
L’analyse descriptive ci-dessous résume les trois piliers de notre étude :” * “L’Image Globale :** La perception de la filière par l’ensemble des répondants. * ”La Satisfaction : Le ressenti des étudiants vis-à-vis de la qualité de la formation.” * ”La Recommandation :** Sont-ils prêts à conseiller cette filière à d’autres ?
stats_summary <- data %>%
select(final_image, satisfact_num, reco_score_int) %>%
summarise(
Moyenne = colMeans(., na.rm = TRUE),
Minimum = apply(., 2, min, na.rm = TRUE),
Maximum = apply(., 2, max, na.rm = TRUE)
) %>%
# On ajoute la colonne "Indicateur" pour expliquer chaque ligne
mutate(Indicateur = c("Image Globale (échelle 1-4)",
"Satisfaction Étudiante (échelle 1-4)",
"Score de Recommandation (échelle 0-10)")) %>%
# On déplace cette colonne au début pour la lecture
select(Indicateur, everything())
# Affichage du tableau propre
knitr::kable(stats_summary,
caption = "Résumé des indicateurs de performance clés (KPI)",
digits = 2) # Arrondi à 2 décimales pour plus de clarté| Indicateur | Moyenne | Minimum | Maximum |
|---|---|---|---|
| Image Globale (échelle 1-4) | 2.69 | 1 | 4 |
| Satisfaction Étudiante (échelle 1-4) | 2.89 | 1 | 4 |
| Score de Recommandation (échelle 0-10) | 6.52 | 1 | 10 |
Ce tableau met en évidence le décalage au cœur de notre étude. D’un côté, la satisfaction est bonne (environ 2.89/4 en moyenne), ce qui valide la qualité des enseignements. De l’autre côté, l’image globale est plus faible (2.31/4), confirmant un déficit d’image. La conséquence directe se lit dans le score de recommandation, qui stagne autour de 6.7/10. En analyse de satisfaction (NPS), un score inférieur à 7 indique un public “passif”. Les étudiants ne sont pas mécontents, mais le manque de prestige de la filière les empêche de devenir de véritables ambassadeurs.
2. Analyse de l’Identité et de l’Image
Cette section explore la racine de la mauvaise réputation de la filière. Le nom d’une spécialité est sa première vitrine. Si ce “Branding” est flou, c’est toute la communication qui en souffre.
2.1. L’ambiguïté de l’intitulé “DaMS”
Nous avons demandé aux étudiants si l’acronyme “DaMS” évoquait spontanément une filière informatique compréhensible par une personne extérieure.
# Calcul des proportions en excluant les valeurs manquantes
reflect_data <-data %>%
# On retire les NA et les textes vides
filter(!is.na(it_reflect_int) & it_reflect_int != "" & it_reflect_int != " ") %>%
group_by(it_reflect_int) %>%
summarise(Nb = n()) %>%
mutate(Pourcentage = round(Nb / sum(Nb) * 100, 1))
ggplot(reflect_data, aes(x = "", y = Pourcentage, fill = it_reflect_int)) +
geom_bar(stat = "identity", width = 1) +
coord_polar("y", start = 0) +
theme_void() +
labs(title = "L'intitulé 'DaMS' reflète-t-il une filière informatique ?",
fill = "Réponse") +
# On s'assure que les couleurs correspondent bien aux catégories présentes
scale_fill_manual(values = c("Non" = "#E74C3C", "Oui" = "#2ECC71")) +
geom_text(aes(label = paste0(Pourcentage, "%")),
position = position_stack(vjust = 0.5), color = "white")
Près de 46% des répondants estiment que le nom de la filière n’évoque pas clairement l’informatique . Ce chiffre est alarmant : il démontre que l’identité visuelle et textuelle de la spécialité est en conflit avec sa réalité technique. Ce nouvelacronyme ne parle pas aux autres étudiants. Ce manque de clarté est la première grande barrière à une bonne réputation, d’autant plus que beaucoup d’étudiants dans l’école ignorent la signification complète des lettres D.a.M.S.
2.2. Image “Avant” vs “Maintenant”
Un autre indicateur crucial est l’évolution de la perception des étudiants qui ont intégré la filière. Est-ce que l’image de DaMS s’améliore ou se dégrade une fois le cursus entamé ?
# Calcul de l'écart de perception
data_gap <- data %>%
filter(!is.na(img_before_int) & !is.na(final_image)) %>%
mutate(ecart = final_image - img_before_int) %>%
mutate(sentiment = case_when(
ecart > 0 ~ "Bonne surprise",
ecart == 0 ~ "Conforme aux attentes",
ecart < 0 ~ "Attentes non comblées"
))
ggplot(data_gap, aes(x = sentiment, fill = sentiment)) +
geom_bar(width = 0.6) +
geom_text(stat='count', aes(label=after_stat(count)), vjust=-0.5, fontface="bold", size = 5) +
scale_fill_manual(values = c("Attentes non comblées" = "#E74C3C",
"Conforme aux attentes" = "#BDC3C7",
"Bonne surprise" = "#2ECC71")) +
labs(title = "Bilan de l'Expérience : Attentes vs Réalité",
subtitle = "La filière tient-elle ses promesses ?",
x = "", y = "Nombre d'étudiants") +
theme_minimal() +
theme(legend.position = "none")
Bien que la majorité trouve la filière conforme à ses attentes (23 étudiants) ou y voit une bonne surprise (8 étudiants), un groupe de 15 étudiants (soit environ 30%) est en situation de “déception”. Ce groupe avait une haute idée de la filière avant d’entrer, mais la réalité vécue a fait chuter leur satisfaction.
2.3. Le paradoxe entre Satisfaction et Fierté
Nous savons que le nom pose problème, mais comment cela affecte-t-il le moral des étudiants ? Pour le comprendre, nous avons croisé leur satisfaction (aiment-ils les cours ?) avec leur fierté d’appartenance (sont-ils fiers d’être en DaMS ?).
library(ggplot2)
ggplot(data, aes(x = satisfact_num, y = pride_int)) +
geom_jitter(alpha = 0.6, color = "#2E86C1", size = 3, width = 0.2, height = 0.2) +
geom_vline(xintercept = 2.5, linetype = "dashed", color = "red") +
geom_hline(yintercept = 2.5, linetype = "dashed", color = "red") +
labs(title = "Matrice de Sentiment : Satisfaction vs Fierté",
subtitle = "La séparation entre aimer les cours et l'attachement à la filière",
x = "Satisfaction Pédagogique (1-4)",
y = "Fierté d'appartenance (1-4)") +
theme_minimal() +
annotate("text", x = 3.5, y = 3.8, label = "Fiers et Satisfaits", color = "darkgreen", fontface = "bold") +
annotate("text", x = 3.5, y = 1.2, label = " Satisfaits mais pas fiers", color = "#E67E22", fontface = "bold")
Ce graphique met en lumière un phénomène très particulier : le quadrant en bas à droite. Ces étudiants donnent de très bonnes notes à la formation (3 ou 4 en satisfaction), mais une note très faible à leur fierté d’appartenance (1 ou 2).
Cela prouve que le blocage n’est pas académique, mais émotionnel. Ils aiment ce qu’ils apprennent, mais n’assument pas l’étiquette “DaMS” face aux autres.
2.4. L’impact du nom sur le rayonnement de la filière
Nous avons vu que le nom “DaMS” pose un problème de clarté, mais est-ce que cela impacte vraiment l’école ? Pour le vérifier, nous avons croisé l’avis des étudiants sur le nom avec leur score de recommandation (NPS).
library(tidyverse)
data_branding <- data %>%
filter(!is.na(it_reflect_int) & it_reflect_int != "" & it_reflect_int != " ") %>%
filter(!is.na(reco_score_int))
ggplot(data_branding, aes(x = it_reflect_int, y = reco_score_int, fill = it_reflect_int)) +
geom_boxplot(alpha = 0.7) +
# Ajout d'un point noir pour montrer la moyenne exacte
stat_summary(fun = mean, geom = "point", shape = 20, size = 4, color = "black") +
scale_fill_manual(values = c("Non" = "#E74C3C", "Oui" = "#2ECC71")) +
labs(title = "L'impact du nom sur la Recommandation",
subtitle = "Le point noir représente la moyenne du score (sur 10)",
x = "Le nom 'DaMS' reflète-t-il l'informatique ?",
y = "Score de Recommandation (0 à 10)") +
theme_minimal() +
theme(legend.position = "none")
Ce graphique démontre mathématiquement que le problème d’identité a des conséquences directes. Les étudiants qui estiment que le nom “DaMS” ne reflète pas l’informatique (en rouge) donnent un score de recommandation moyen nettement inférieur à ceux qui trouvent le nom clair (en vert). Le manque de clarté du nom n’est pas qu’un détail esthétique. C’est un frein qui empêche les étudiants de conseiller sereinement la filière à d’autres. Clarifier l’identité de DaMS est donc indispensable pour améliorer son attractivité globale.
3. Diagnostic des Causes : Pourquoi cette image ?
Le constat est posé : l’image de la filière est fragile. Mais quelles en sont les causes profondes ? Nous avons demandé aux étudiants d’identifier ce qui, selon eux, nuit le plus à la réputation de DaMS auprès des autres spécialités de l’école.
library(tidyverse)
critiques_int <- data %>%
# Sépare les textes si l'étudiant a coché plusieurs causes (séparées par des virgules)
separate_rows(bad_img_why_int, sep = ",\\s*") %>%
# Enlève les lignes vides
filter(!is.na(bad_img_why_int) & bad_img_why_int != "" & bad_img_why_int != " ") %>%
# Compte le nombre de citations pour chaque cause
count(bad_img_why_int, sort = TRUE)
ggplot(critiques_int, aes(x = reorder(bad_img_why_int, n), y = n)) +
geom_col(fill = "#C0392B", width = 0.7) +
coord_flip() + # Texte à l'horizontale
labs(title = "Les racines du problème d'image",
subtitle = "Quelles sont les causes principales selon les étudiants ?",
x = "",
y = "Nombre de citations") +
theme_minimal() +
# On s'assure qu'il n'y a pas de "+" après cette dernière ligne !
theme(axis.text.y = element_text(size = 10, face = "bold"))
“Le graphique met en évidence que le problème n’est pas lié au contenu académique de la formation mais à des facteurs sociaux et de communication tel que les clichés persistants (une image de filière”obscure” ou mal comprise) et le manque d’implication dans la vie associative (l’invisibilité des étudiants DaMs).
4. Identification des Solutions
Le diagnostic a prouvé que la filière souffre d’un manque de présence sociale. Nous avons donc analysé les propositions d’actions concrètes formulées par les étudiants pour résoudre ce problème.
Nous avons regroupé les 46 réponses des étudiants en grandes catégories stratégiques pour identifier les priorités.
library(tidyverse)
# Chargement et création des catégories thématiques
data <- data %>%
mutate(cat_solution = case_when(
# 1. Événementiel & Vie Sociale (BDE, soirées, événements, sport, bowling...)
str_detect(concrete_act_int, "(?i)BDE|évènement|soirée|inter|vie étudiante|associative|sport|jeux|bar|plage|bowling|inté") ~ "Événementiel & Vie Sociale",
# 2. Visibilité Technique (Projets, Peip, Hackathon, Vidéo, Showcase, Scratch, Game Jam...)
str_detect(concrete_act_int, "(?i)projet|Peip|hackathon|showcase|vidéo|scratch|game jam|présentation|ingénieur") ~ "Visibilité Technique & Projets",
# 3. Communication & Branding (Réseaux sociaux, site web, propagande, info, valoriser...)
str_detect(concrete_act_int, "(?i)réseaux|social|communication|site web|poste|info|valoriser|contenu") ~ "Com' & Marketing d'Image",
# 4. Réseau & Alumni (Alumni, collègues...)
str_detect(concrete_act_int, "(?i)alumni|collègues|réseau") ~ "Réseau & Alumni",
# 5. Pédagogie & Cursus (Cours en commun, projets perso...)
str_detect(concrete_act_int, "(?i)cours|pédagogie|perso") ~ "Évolutions Pédagogiques",
# 6. Hors sujet / Sans avis (Jsp, point, je ne sais pas...)
str_detect(concrete_act_int, "(?i)Jsp|sais pas|\\.|idées?|ok|T") | is.na(concrete_act_int) | concrete_act_int == "" ~ "Indécis / Sans avis",
TRUE ~ "Autres actions"
))df_graph <- data %>%
filter(cat_solution != "Indécis / Sans avis") %>%
count(cat_solution, sort = TRUE)
ggplot(df_graph, aes(x = reorder(cat_solution, n), y = n)) +
geom_segment(aes(x = reorder(cat_solution, n), xend = reorder(cat_solution, n), y = 0, yend = n), color = "#ABB2B9", size = 1) +
geom_point(color = "#2E86C1", size = 5) +
coord_flip() +
theme_minimal() +
labs(
title = "Hiérarchie des Leviers d'Amélioration",
subtitle = "Quelles actions concrètes les étudiants sont-ils prêts à porter ?",
x = "",
y = "Nombre de citations (Total : 46 répondants)"
) +
theme(
plot.title = element_text(face = "bold", size = 14),
axis.text.y = element_text(size = 11, face = "bold")
)## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
L’étude des propositions concrètes révèle une stratégie de reconquête en deux piliers.
La Dimension Sociale: La majorité des solutions converge vers l’Événementiel et la Vie Sociale. Les étudiants identifient leur “isolement” comme la cause première de la mauvaise image. La solution préconisée est une immersion plus importante dans la vie de l’école (BDE, mois d’inté etc…).
La Dimension Technique (Preuve de Valeur) : Le second levier, la Visibilité Technique, montre une volonté de “prouver” la compétence DaMS (Hackathons, Gala de projets etc…) pour briser les clichés de “filière moins technique”, “filière pas intéressante” etc…
library(tidyverse)
data_silence <- data %>%
# On enlève les espaces invisibles (comme le \r\n )
mutate(concrete_act_clean = trimws(concrete_act_int)) %>%
mutate(etat_idee = case_when(
# On cible les réponses "vides" ou les expressions de blocage uniquement
is.na(concrete_act_clean) | concrete_act_clean == "" |
concrete_act_clean %in% c(".", "T", "Ok", "Jsp", "Pas d'idée", "Je ne sais pas", "N/A") ~ "Indécis (Silence Statistique)",
# Si la réponse contient "sais pas" ou "idée" dans une phrase courte
str_detect(concrete_act_clean, "(?i)sais pas|pas d'idée") & nchar(concrete_act_clean) < 20 ~ "Indécis (Silence Statistique)",
TRUE ~ "Proactifs (Ont des idées)"
))
stats_silence <- data_silence %>%
count(etat_idee) %>%
mutate(pct = n / sum(n) * 100)
ggplot(stats_silence, aes(x = "", y = pct, fill = etat_idee)) +
geom_bar(stat = "identity", width = 1, color = "white") +
coord_polar("y", start = 0) +
theme_void() +
scale_fill_manual(values = c("Indécis (Silence Statistique)" = "#D5D8DC",
"Proactifs (Ont des idées)" = "#2E86C1")) +
labs(title = "Analyse de la Proactivité des étudiants",
subtitle = "Part des étudiants proposant des actions concrètes",
fill = "Catégorie") +
geom_text(aes(label = paste0(round(pct), "%")),
position = position_stack(vjust = 0.5), color = "white", fontface = "bold", size = 5)
Le Silence Statistique : Il est notable que environ 20% n’ont aucune idée concrète. Cela suggère qu’une partie de la filière subit le problème d’image de manière passive et a besoin d’être dirigée. En effet ces étudiants n’ont aucune idée pour améliorer l’image de leur propre filière, cela montre qu’ils se sentent impuissants ou désinvestis.Cela signifie qu’une partie de la filière “subit” la mauvaise réputation sans savoir comment lutter. Pour la direction, c’est une information capitale : il ne suffit pas de donner des solutions, il faudra aussi remotiver cette partie des étudiants.
Avoir des idées ne suffit pas, encore faut-il des personnes pour les réaliser. Nous avons croisé l’envie d’agir des étudiants avec leur capacité à proposer des idées.
ggplot(data, aes(x = ready_to_act_int, fill = ready_to_act_int)) +
geom_bar(width = 0.6) +
scale_fill_manual(values = c("oui" = "#27AE60", "non" = "#E74C3C")) +
labs(title = "Force de Mobilisation : Volonté d'Engagement",
subtitle = "Réponses à la question : 'Êtes-vous prêt à agir pour l'image ?'",
x = "Prêt à s'impliquer personnellement",
y = "Nombre d'étudiants") +
theme_minimal() +
theme(legend.position = "none",
plot.title = element_text(face = "bold", size = 14))
library(tidyverse)
data_pct <- data %>%
# Filtrer pour enlever les vides et les NAs de la motivation
filter(!is.na(ready_to_act_int) & ready_to_act_int != "" & ready_to_act_int != " ") %>%
#Catégoriser les idées
mutate(
concrete_clean = trimws(concrete_act_int),
etat_idee = case_when(
is.na(concrete_clean) | concrete_clean == "" |
concrete_clean %in% c(".", "T", "Ok", "Jsp", "Pas d'idée", "Je ne sais pas", "N/A") ~ "Indécis (Pas d'idée)",
TRUE ~ "Proactif (A des idées)"
)
) %>%
# ÉTAPE C : Calculer les effectifs (n) et les pourcentages (%)
group_by(ready_to_act_int, etat_idee) %>%
summarise(n = n(), .groups = 'drop') %>%
group_by(ready_to_act_int) %>%
mutate(percentage = n / sum(n) * 100)
# 2. Génération du graphique professionnel
ggplot(data_pct, aes(x = ready_to_act_int, y = n, fill = etat_idee)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.7) +
# Ajout des pourcentages dynamiques au-dessus des barres
geom_text(aes(label = paste0(round(percentage), "%")),
position = position_dodge(width = 0.8),
vjust = -0.5,
size = 4,
fontface = "bold") +
scale_fill_manual(values = c("Indécis (Pas d'idée)" = "#BDC3C7",
"Proactif (A des idées)" = "#2980B9")) +
labs(title = "Lien Statistique : Motivation vs Capacité d'Action",
subtitle = "Répartition des idées en fonction du niveau d'engagement",
x = "Prêt à agir ?",
y = "Nombre d'étudiants",
fill = "Capacité d'action") +
theme_minimal() +
ylim(0, max(data_pct$n) + 5) + # Ajuste dynamiquement la hauteur pour les labels
theme(plot.title = element_text(face = "bold", size = 14),
legend.position = "bottom")
C’est le résultat le plus marquant. Parmi les étudiants qui se déclarent prêts à s’impliquer personnellement, 97% ont été capables de formuler une proposition concrète. À l’opposé, chez ceux qui ne souhaitent pas s’impliquer, la majorité (60%) n’a aucune idée de solution.Enfin, c’est interresant de savoir que plus de la moitié (57%) de ceux qui hésitent à s’engager ont tout de même proposé des idées concrètes.
Conclusion
Au terme de cet audit, la réponse à notre problématique initiale est claire : le problème de la filière DaMS n’est pas pédagogique, il est identitaire et social. Les étudiants aiment ce qu’ils apprennent, mais souffrent d’un nom flou et d’une image de filière isolée, ce qui dégrade leur fierté d’appartenance au fil du temps.
Pour transformer les étudiants en ambassadeurs fiers de leur spécialité, nous recommandon de soutenir 3 actions prioritaires :
Clarifier le Branding (L’image de marque) : Accompagner l’acronyme DaMS d’un sous-titre lors des évènement de présentation des filières etc… sur tous les supports officiels pour mettre fin à la confusion et attirer l’attention des autres afin qu’il connaisssent mieux la filière.
Financer la présence sociale : Accorder un budget ou des heures banalisées pour permettre aux étudiants “moteurs” d’organiser des événements inter-filières (soirées jeux, BDE) et briser l’isolement.
Créer un “Gala des Projets” (Showcase) : Organiser une présentation annuelle des meilleurs projets techniques DaMS aux étudiants de classe préparatoire (PEIP) pour remplacer les clichés par des preuves de compétences.