Archives pour la catégorie Data-mining

Les nouveaux modes d’éditorialisation du libre accès : l’étude critique de 2016 est là !

Je diffuse aujourd’hui mon principal projet de ces derniers mois, qui marque également l’aboutissement d’une réflexion engagée depuis plusieurs années sur Sciences communes : une étude critique sur les nouveaux modes d’éditorialisation des revues scientifiques en accès ouvert réalisée pour BSN — et très opportunément, cela tombe en pleine Open Access Week

couverture_rapport
Cliquez sur l’image pour accéder au rapport (hébergé sur scoms en attendant HAL)

L’étude n’est que la version « synthétique » d’une quarantaine de pages d’un ouvrage qui paraîtra dans quelques mois. On peut retrouver également certains éléments propres à l’ouvrage (non repris dans l’étude) dans la présentation que j’en ai tirée pour la BSN et que j’ai ressorti la semaine dernière pour le séminaire PragmaTIC :

Support de présentation de l’étude pour BSN

Le libre accès connaît aujourd’hui un tournant majeur. Il entre dans la loi : la Loi pour une République numérique prévoit un droit de republication des versions auteur ainsi qu’une exception au droit d’auteur pour faire de l’extraction automatisée de textes et de données (text & data mining, encore connu sous le sigle TDM). Au-delà de cette officialisation, le libre accès, sous toutes ses formes (archives ouvertes, revues, bases de données) est devenu un phénomène massif et incontournable, toutes disciplines, communautés et pays confondus.

De quel libre accès parle-t-on ?

La mise à disposition gratuite, voire sous licence libre, dissimule des choix éditoriaux, économiques et même politiques, radicalement distincts. Une partie du mouvement du libre accès est ainsi tentée par une mutation a minima : le journal flipping, soit une reconversion (to flip) des budgets consacrés aux abonnements en achats de « droits à publier » en libre accès, sans rien changer aux montants.

Cette reconversion maintient en l’état l’oligopole des géants de l’édition scientifique (bien présenté dans le dernier Datagueule), voire en étend la portée. Car un acteur comme Elsevier n’attend pas la généralisation du libre accès pour amorcer sa reconversion. Les acquisitions successives de Mendeley ou de l’archive ouverte SSRN (en attendant, peut-être, celles de ResearchGate ou Academia) témoignent de l’avènement de formes de contrôle et de captation inédites de l’activité scientifique : les interactions des chercheurs autour de leur publication alimentant un vaste recueil de métriques, revendues entre autres aux institutions universitaires. Nous assistons à l’émergence d’un nouveau modèle économique de l’édition scientifique assez largement inspiré de celui des grandes industries du web comme Facebook ou Google.

Une autre édition est possible

D’autres modèles existent : de par son ampleur-même, la conversion au libre accès autorise une réforme plus globale des conditions de diffusion de l’écrit scientifique. Les évolutions sont déjà engagées. C’est ce que rend visible la « cartographie » des pratiques et des initiatives émergentes qui se décline sur les quatre parties du rapport : outils d’édition, formes d’écritures, dispositifs d’évaluations et modèles économiques connaissent des transformations parfois radicales — et parfois convergentes. L’article n’est plus seulement ce un objet fixe et immuable une fois le processus de publication achevé mais connaît une multitude d’incarnation ultérieures (par exemple en se métamorphosant en données grâce aux techniques de text & data mining). L’évaluation ne s’arrête pas davantage au seuil de la revue : en s’ouvrant (open peer review), elle prend la forme d’une réception continue.

capture-decran-2016-10-27-a-16-18-45
Analyse de correspondance réalisée à partir des données d’une étude sur les pratiques d’écriture de 20 000 chercheurs : l’utilisation d’outils libre est étroitement liée à la pratique en libre accès (orange) tandis que des pratiques émergentes mettent davantage l’accent sur la réplication (bleu).

En 2016, la question n’est plus tant de susciter ou de développer des innovations, mais de les intégrer et de les combiner dans des infrastructures cohérentes. L’architecture du web permet de faire cohabiter et « dialoguer » des modèles très différents par le biais de standards communs. Pour soutenir cette « bibliodiversité », il est nécessaire de la donner à lire, de faciliter la circulation d’une forme à l’autre et d’une plateforme à l’autre. J’ai ainsi proposé une petite projection (connus par les initiés de BSN sous le nom de code de « slide 63 ») du rôle déterminant que pourraient désormais jouer les archives ouvertes au-delà du simple recueil de l’article en recensant la pluralité de ces incarnations : évaluations, réplications, extraction de données…

Projection d'une archive ouverte augmentée
Projection d’une archive ouverte augmentée (à partir d’un article déjà déposé dans HAL)

L’élaboration des infrastructures ne soulève pas des enjeux que « techniques ». Finalement un acteur comme Elsevier pourrait très bien jouer ce rôle (et commence à le faire). La différenciation s’opère sur un autre plan : celui, « politique », de la gouvernance. L’enjeu double est aussi bien d’empêcher le détournement de l’open access au profit de nouvelles enclosures que de développer des processus de prise décision plus efficaces et mieux adaptés à un contexte fortement évolutif. Le futur de l’édition scientifique passe ainsi peut-être par l’avènement de grandes plateformes auto-gérées. Celles-ci s’inscriraient la lignée de communs numériques comme Wikipédia ou OpenStreetMap, mais avec des modèles forcément différents, qui restent encore à inventer.

Bien qu’il m’ait été officiellement confié en janvier dernier, le rapport a été « préparé » depuis trois ans sur Sciences Communes. Le présent carnet a été créé en 2013 dans la perspective d’étudier et de référencer les « les nouvelles pratiques de réutilisation des publications et des données scientifiques ». Le rapport va aujourd’hui beaucoup plus loin que ce que j’imaginais alors : j’étais alors plutôt focalisé sur les questions de licences, tout en ayant en tête la perspective d’un écosystème élargi, né de la mobilité inédite des textes et données de la recherche (mon rapport particulier à l’open access, découvert alors que j’étais un simple contributeur sur Wikipédia dans l’incapacité d’accéder aux grandes bases d’articles sous paywall, n’y est pas étranger). Les dimensions de la « cartographie » du rapport sont en partie apparues dans le fil de ce carnet : la possibilité d’une captation de l’open access par des industries académiques 2.0, la nécessité d’une réponse politique, la longue « préhistoire » du libre accès…

Il y a une autre forme de continuité. Dans le rapport comme dans Sciences communes, les opportunités ouvertes par les nouvelles méthodes et formes d’écriture scientifique ne sont pas juste signalées mais mises en pratiques et exploitées. J’ai ainsi repris des données déposées sur Figshare ou Zenodo et j’ai développé des programmes d’extractions automatisés d’articles scientifiques (notamment pour situer le débat académique sur le terme d’open peer review) — tout comme, j’ai pu, par le passé, publier ici des « expériences » (1, 2, 3) qui démontraient, par l’exemple, l’opportunité de penser la publication scientifique comme une production croisée de textes, de données, de codes et de visualisations.

Réseau de similarité entre termes dans les blogs référencés dans l'Open Access Directory
Essai de text mining sur les blogs référencés dans l’Open Access Directory. Le réseau de similarité entre les termes met en évidence l’importance croissante des thématiques éditoriales (données, évaluation…) dans le mouvement sur libre accès

Et puis, ce travail est une forme de production collaborative par procuration. Si j’en suis techniquement le rédacteur, je ne peux pas laisser de côté toutes les influences, déterminantes, qu’il laisse percevoir : celles de mes « encadrants » (Serge Bauin, Emmanuelle Corne, Jacques Lafait et Pierre Mounier), celle de ma collaboratrice sur Sciences Communes Rayna Stamboliyska (qui a directement contribué à l’écriture de ce présent billet), celle de mes collègues de SavoirsCom1 (Lionel Maurel, Thelonious Moon, Mélanie Dulong de Rosnay — également contributrice sur Sciences Communes) et de tant d’autres, théoriciens ou acteurs du libre accès (Marin Dacos, Daniel Bourrion, Guillaume Cabanac, Marie Farge…)

L’exception text & data mining définitivement approuvée!

La bonne nouvelle vient de tomber : la commission mixte parlementaire chargée de mettre en œuvre une rédaction définitive pour la loi sur le numérique s’est ralliée à une exception étendue pour le text & data mining. La rédaction définitive sera rendue publique prochainement mais d’après une dépêche AEF elle modifie le code de la propriété intellectuelle.

L’article L122-5 qui référence l’ensemble des exceptions au droit d’auteur inclut un nouvel alinéa 10 ainsi rédigé :

Les copies ou reproductions numériques réalisées à partir d’une source licite, en vue de l’exploration de textes et de données incluses dans des écrits scientifiques ou associées à ceux­-ci pour les besoins de la recherche publique, à l’exclusion de toute finalité commerciale. Un décret fixe les conditions dans lesquelles l’exploration des textes et des données est mise en œuvre, ainsi que les modalités de conservation et de communication des fichiers produits au terme des activités de recherche pour lesquelles elles ont été produites ; ces fichiers constituent des données de recherche.

La rédaction me paraît globalement conforme avec ce que l’Assemblée avait approuvé en janvier. Le droit des bases de données est également modifié. L’article L342-5 (qui référence les exceptions en la matière) est doté d’un nouvel alinéa 5 ainsi rédigé :

Les copies ou reproductions numériques de la base réalisées par une personne qui y a licitement accès, en vue de fouilles de textes et de données incluses dans des écrits scientifiques ou associées à ceux-­ci dans un cadre de recherche, à l’exclusion de toute finalité commerciale. La conservation et la communication des copies techniques issues des traitements, au terme des activités de recherche pour lesquelles elles ont été produites, sont assurées par des organismes désignés par décret. Les autres copies ou reproductions sont détruites.

Le dispositif finalement approuvé prévoie ainsi une exception au text mining « universelle », qui se ne limite pas seulement aux contrats d’abonnements conclus par les universités mais à l’ensemble des sources licites (tels que les textes librement consultables sur le web). Cette sécurité juridique va considérablement faciliter la mise en œuvre de projets de lectures distantes ou d’extraction automatisés de données à grande échelle.

Suite au succès de la commission mixte parlementaire, la loi sur le numérique entre dans la dernière ligne droite : elle sera voté (en « masse ») par l’Assemblée le 20 juillet et le Sénat en septembre.

Text mining : une licence nationale contre l’exception ?

C’était une surprise inattendue : lors de l’examen de la Loi sur le numérique, le parlement a approuvé une exception au droit d’auteur au titre de l’extraction automatisée des textes et des données à des fins scientifiques. Ce vote positif s’opposait aux intentions du gouvernements— après avoir brièvement été évoquée dans un premier jet de la loi en juillet, le sujet avait été soigneusement remisé.

En dépit de ce retour surprise, le devenir de l’exception reste incertain. La loi sur le numérique doit faire l’objet d’un vote au sénat et, peut-être, d’un second vote à l’Assemblée. La poursuite de la procédure parlementaire était prévue pour avril mais, selon les derniers échos, elle ne devrait pas intervenir avant mai voire juin — et vu l’agenda chargé de cette période rien n’exclut un nouveau report au-delà des vacances parlementaires.

Ce hiatus laisse aux opposants à l’adoption le temps de s’organiser. Sciences communes a ainsi eu l’écho, informel, de tractations en cours en vu de créer une sorte de « licence nationale » accordée aux institution universitaire pour mener des projets de text mining (vraisemblablement en liaison avec la mission confiée par le Ministère de la Culture et le Ministère de la recherche à Charles Huot). Les contours de l’affaire sont encore flous mais, apparemment, il serait question de parvenir à un accord contractuel avec les principaux éditeurs scientifiques et d’arguer, dès lors, qu’une exception serait devenue parfaitement inutile. L’idée n’est pas totalement neuve : elle a déjà abouti à une mise en œuvre partielle dans le cadre du projet ISTEX. Même si les conditions négociées avec les grands éditeurs n’étaient pas exécrables, la démarche contractuelle s’est avérée peu concluante sur le long terme d’après les échos que j’ai pu en avoir.

La différence entre une exception et une licence nationale n’est pas qu’une question de « forme » juridique (en ce sens que l’on parviendrait au même résultat sans avoir à modifier explicitement la loi). De mon point de vue, une licence nationale telle qu’envisagée actuellement soulèverait quatre problèmes majeurs :

(1) Elle entérine l’idée que le droit d’extraire et de synthétiser automatiquement des informations est distinct du droit de lire. Dans ce cadre, les éditeurs revendiquent un droit de propriété additionnel sur leur corpus : non seulement comme « œuvre » mais aussi comme ensemble de « données textuelles », cette propriété seconde pouvant faire l’objet d’une vente à part. Ainsi une exception pour l’extraction automatisée ne permet pas seulement de légitimer des usages de facto illégaux (pour l’essentiel la constitution de bases de données transmises à d’autres chercheurs — soit un cadre qui excède le « cercle de famille »). Elle contribue également à clarifier les zones grises qui font l’objet d’une captation de plus en plus étendues. Les licences de data mining « maison » des grands éditeurs scientifiques édictent ainsi des restrictions multiples sur les recherches et les extractions possibles (par exemple en empêchant de récupérer des chaînes de plus de 200 caractères). L’enjeu n’est plus seulement de protéger un « capital » intellectuel, mais d’imposer de nouveaux droits conditionnant la transmission et l’accès à l’information : Elsevier en vient à écrire sa propre loi.

(2) Dans son principe même, une licence nationale est destinée à être limitée à quelques acteurs (en tout premier lieu les grands éditeurs scientifique). Par contraste, une exception est une universelle : tant qu’un chercheur à un accès licite à une source, il peut l’extraire automatiquement. Cette disjonction est particulièrement visible dans mon domaine de recherche, les sciences humaines et sociales. Je m’intéresse en effet surtout à des ressources textuelles non scientifiques. Ma thèse portait sur l’application de techniques de text mining à des corpus de presse généraliste ancienne ; l’introduction d’une exception permettrait d’étendre des mes recherches au-delà des collections disponibles dans le domaine public (ce qui serait strictement impossible dans le cadre d’une licence nationale limitée à quelques corpus, aussi gros soient-ils).

(3) Dans les pourparlers informels actuellement en cours, il serait question d’introduire une « somme forfaitaire » préalable à toute extraction. Cette restriction semble s’inspirer d’un dispositif prévu dans l’exception pédagogique (sorte de « fair use » ultra-restrictif à la française) : entre autres conditions préalables, la représentation ou la reproduction d’une œuvre protégée doit être compensée « par une rémunération négociée sur une base forfaitaire »… Dans la continuité du premier problème, ce dispositif va graver dans le marbre la séparation entre droit de lire et droit d’extraire (puisqu’il s’agira désormais de deux actes marchands distincts). Plus concrètement, alors que l’argent public finance déjà trois fois les recherches scientifiques (en tant que productions d’agents de l’´État jamais rétribués par l’éditeur, en tant que « droits d’écrire » faisant l’objet d’APC, en tant que droits de lire chèrement distribués par des bouquets d’abonnements), on nous propose ni plus ni moins de les payer une « quatrième fois », en tant que corpus de données textuelles.

(4) Le quatrième problème tient plus d’une dérive probable : par définition un accord contractuel est souvent plus « verbeux » qu’une loi, puisqu’il s’agit de définir un arrangement organique entre plusieurs acteurs et non une règle à vocation « universelle ». Les débats risquent d’aboutir à des dispositifs relativement complexes, assez proches des licences « maison » des grands éditeurs scientifiques (avec des restrictions d’autant plus occultes que la politique commerciale des éditeurs fait l’objet d’un secret systématique).

En tout et pour tout, une licence nationale ne compenserait que très imparfaitement l’absence d’exception. Surtout elle risque de retarder son adoption éventuelle — et ainsi de faire plus de mal que de bien.

L’enjeu commence pourtant à devenir pressant. Au-delà de la sécurisation juridique de certaines activités recherche, la France risque d’être peu présente dans le nouveau monde de la donnée scientifique : le Royaume-Uni et le Japon ont déjà voté des exceptions ; les États-Unis en disposent de facto d’une (via le fair use, consacré par le projet Google Books). C’est ainsi de l’autre côté de la Manche qu’a pu se créer un projet aussi ambitieux que « Content mine » — ici, il serait de facto interdit…

Ce risque bien réel est hypothéqué pour des gains éminemment symboliques. Dans la mesure où elles ne porterait que sur l’usage scientifique de sources accessibles « licitement » (ce qui, dans le cas d’Elsevier, impliquerait d’avoir au préalable un abonnement à Science Direct), ce nouveau droit ne pénalise en aucun cas les activités commerciales existantes.

Will France get its text and data mining exception?

The French parliament is currently examining a significant law on « The Digital Republic ». It covers a wide array of topics: open data, open access, Freedom of panorama, data portability, digital platform regulation… Contrary to the initial plan of the French governement, several MPs have put forward another item to this list: a text and data mining exception. While approved by the French lower house, the final fate of the exception is still uncertain at this stage. The governement initially wanted to set a second vote, that has finally been upheld, so that the mining exception currently figures prominently in the « Digital Republic » law. Anyhow, it still has to gain the approval of the senate.

Mining and its legal issues

The current intellectual property regulation in Europe restrains an extraordinary scientific opportunity: being able to grasp the main features, ideas and entities of millions of texts. Both massive digitization of corpora and sophistication of mining and clustering tools allow to lead « distant reading » on an unprecedent scale. The Text2genome project can  draw an immense state of the art from genomic literature; ContentMine ambitions to liberate 100 millions facts from academic publications. I’m both an advocate and a pratician of text and data mining. My main focus concerns 19th century generalist and scientific periodicals — which are fortunately in the public domain, but I would be very happy to extend my scope beyond the beginning of the XXth century.

Yet, mining necessarily implies to reproduce: mostly for performance issues, online text or data has to put in a « local » database (it would be highly limitative to scrape on the fly). Within research projects, this output has to be shared to all the active members. As such, mining even lawful ressources infringes intellectual property rights. As absurd as it may sounds, the right to read does not entail the right to mine (which is nevertheless nothing more than an algorithm-assisted reading…).

New policies try correct this discrepancy. The United Kingdom has passed a text and data mining exception in 2014. This is a very hot topic within the ongoing European reform of intellectual property right. And now, come France.

The terms of the French Exception

The French exception reflects a consensual demand. All the major tendencies from the communist to the main right-wing party, the Republican, has proposed a similar amendment. I’ve made a very rough translation — certainly not an official legal translation by any means, but still better than Google Translate:

The Code of Intellectual property is modified as such:

1. After the 9th paragraph of the L. 122-5 article, a 10th paragraph is added:

« 10. The digital copies of reproductions made from a lawfull source, in order to mine text and data for the need of public research, all commercial end being excluded. A decree define the conditions by which the mining of text and data can be performed, as well as the modalities of preservation and communication the output files at the end of the research process ; theses files form research data. »

2. After the 4th paragraph of the L. 342-4, a 5th paragraph is added:

« 5° The digital copies of reproduction made by a person who has a lawfull access, in order to mine text and data in a research aim, all commercial ends being excluded. The preservation and communication of the technical copies from the data processings, at the end of the research activities for which they have been produced, are performed by certified organisations named by decree. The other copies or reproductions are deleted. »

The two articles add another element to previous list of exceptions to the French Intellectual property code. In European countries, databases are actually covered by two different rights: authorship rights (as possible « original » compilation of data) and « sui generis » rights (a special status given to the producer of the database, that gives him the right to contest any substantial copy of the database — as a side note, this right is currently under heavy criticism from the European Parliament, that is contemplating its complete deletion). The first articles focuses on the exceptions to authorship rights ; the second one targets the exceptions to « sui generis » rights.

The French exception is roughly similar than its British counterpart. They are both limited to scientific research ; they both aim to link the right to read and the right to mine, by giving a license to extract to researchers who have a lawfull access to a resource. There is nevertheless an additional restriction regarding the preservation of the output. So far the British exception does not seem to set any temporal limitation to the keeping of the « local » databases.

A first draft of the French exception actually envisioned to have the output fully deleted once the research was over. This would have proved quite unpractical. As every scientific work, text and data mining project are perfectible: the output is so large that it can be of use for many unexcepted outlooks. Fortunately, the adopted amendment comes to a better term: the output would be kept by a « certified » organisations (the French National Library is very likely to be one of them), and could therefore be reused.

A long road to go…

I have followed the making of the law from quite some time. Two years ago, the French Literary, Artistic and Scientific Council for Intellectual Property (CSPLA) initiated a consultation on text mining. I represented the collective Savoirscom1 with Lionel Maurel. We were the only member of « civil society » heared: most of the interlocutors were publishing companies (such as Elsevier or Springer, which concurely organized a « Licenses to Europe » process in Bruxelles with the final aim of transforming data mining as an additionnal service, fully controlled by the publishers). We argued in favor an exception on the ground of a « fair dealing » limited to scientific use (in a very similar way to the envisionned british exception, that was not adopted at the time). This measure was to be completed by a positive definition of the « informational public domain » in order to avoid the excessive extension of « sui generis » rights toward « raw » facts and data (cf. the synthesis of our argument).

Logically enough, our solitary position did not favor our arguments. The final report, publised by the end of 2014 strongly advised against an exception. Only, by this time, the debate has shifted. The debate surrounding the Elsevier National License — a 172 millions euros contract between the world leading publisher and French Universities that I leaked with Rayna Stamboliyska — gave a significant boost to the idea of pro-open access regulations.

While this has not been initially planned, the main law passed by the socialist legislature on digital issues includes an « open access law ». In a similar pattern to recent german and italian exceptions, it confers to researchers the ability to republish their work regardless of the terms of the contract they sign with their publisher. A mining exception was added to the package in a draft version of the law in july 2015… and finally removed in the first public version in september. It was a timid thing: researchers were forced to delete the  output at the end.

In-between, this technical measure, that merely relieved scientist of useless intellectual property barrier, has become a moving target of the rightholders lobbies. A counsellor of the French National Publishers Syndicate (Syndicat national des éditeurs) issued an angry brochure against intellectual property exceptions and, more widely, against immaterial commons: Free price is stealing (La gratuité c’est le vol). Ironically enough, the brochure was distributed free of charge. The mining exception envisionned in the European reform of author rights and in the French « Digital Republic » law was hold as some kind of communist apocalypse:

If such investments could be lawfully plundered, no publishers would ever grant any investment for digital tools. There is, in reality, no economic activity in the world of which the productions can be freely extorted for private use and without any compensation.

Yet, the fight was not unequal. An extraordinary procedure gave scientific communities the ability to speak up in favor of better terms for the open access law and in favor of the reintroduction of mining exception: apparently for the first time in France, a law was examined, evaluated and completed on an online platform. The « République Numérique » website hosted several thousand contributions from virtually everyone: lobbies, companies, public institutions, communities and simple citizens… Several of them argued in favor of a mining exceptions, and they were extremely well received.

Mining proposal of the Couperin Consortium on République Numérique
Mining proposal of the Couperin Consortium on République Numérique

This open consultation has given a lot of additional momentum to innovative measures that would have been otherwise upheld by powerful lobbies, or simply not conceived in the first place. MPs seem to have been particularly sensitive to original perspectives. Full Freedom of Panorama (that includes commercial use) was actively supported by one fifth of the lower house (more than one hundred MPs actually signed at least one favorable amendement). While MPs were more open-minded, scientific communities proved bolder : a few days ago, the President of Universities Collective (CPU) and the National Centre for Scientific Research (CNRS) signed a strong committment toward an open access law and a mining exception.

Rigthholders lobbies are still far from powerless. They were able to have a significant innovation partly removed from the law: a positive recognition of « informationnal commons » (a wider notion that cover both the public domain of « works », the public domain of « informations » and voluntary Free knowledge such as Wikipedia). Nevertheless, they have never been in such a weak position in the recent past.

All in all, the game remains fully open. The current state of the « open access » law reflect this tensed debate between coalitions of actors of gradually equal strength and influence: while scientific institutions, public libraries and open knowledge communities were able to append data to the focus of the law (something their german counterpart has not succeeded in) the publishers have, no less successfully, vetoed the inclusion of collected conference contributions. The suspense should still last till the end of the legislative procedure (probably no more than a month).

Le droit des bases de données va-t-il disparaître ?

C’est un coup de théâtre qui m’a laissé speechless : le parlement européen envisage  sérieusement de mettre fin au droit des bases de données. C’est la 108e recommandation d’une motion adressée à la Commission Européenne sous le titre « Vers un Marché digital unifié » (et relayée par une excellente synthèse de Julia Reda). Elle tient en une ligne :

108. Le parlement Européen note que l’évaluation par la Commission Européenne de la directive sur le droit des bases de données conclut que ce dispositif nuit au développement d’une économie de la donnée (« data-driven ») européenne ; il appelle la commission à en tirer les conséquences qui s’impose en supprimant la directive 96/9/EC.

En 1996, la directive européenne 96/9/EC ajoute un nouveau chapitre au code de la propriété intellectuelle. Elle prévoit un droit « sui generis » pour les producteurs des bases de données : ceux-ci peuvent empêcher toute réutilisation « substantielle » de la base :

Les États membres prévoient pour le fabricant d’une base de données le droit d’interdire l’extraction et/ou la réutilisation de la totalité ou d’une partie substantielle, évaluée de façon qualitative ou quantitative, du contenu de celle-ci, lorsque l’obtention, la vérification ou la présentation de ce contenu attestent un investissement substantiel du point de vue qualitatif ou quantitatif.

En pratique, le droit des bases de données s’est imposé comme, de loin, l’un des droits les plus « généreux » pour son titulaire (et, par réciprocité, le plus restrictif pour l’utilisateur et le public). En effet :

  1. Il n’est pas borné par un critère clair : toutes les bases de données sont concernées dès lors que son détenteur investit pour les maintenir. Par contraste, le droit d’auteur ne porte que sur des productions originelles (ce qui fait que l’on ne peut réclamer, à ce titre, une protection pour des idées, des données élémentaires pour des expressions non significatives) ; le droit des marques ne s’applique que dans le champ commercial où une entreprise est active.
  2. La notion d’usage substantiel n’est pas définie. Le législateur européen permet de l’évaluer de « façon qualitative ou quantitative » ; tout en visant avant tout la base de donnée dans son entièreté, il laisse la porte ouverte à une appréciation beaucoup plus restrictive (par exemple, toute reprise qui porte la « marque » de la base d’origine). En France, la jurisprudence retient de plus en plus une interprétation maximaliste (à l’image du procès Notre Famille).
  3. Le droit est potentiellement éternel. La durée de protection de 15 ans ne part en effet que du moment où le producteur de la base cesse de l’entretenir. Tant qu’il continuer d’apporter des modifications il peut repousser la date d’expiration : « Toute modification substantielle (…) permet d’attribuer à la base qui résulte de cet investissement une durée de protection propre. »
  4. Dans un environnement numérique, le droit est « contaminant ». Sur Internet, tout est donnée : un livre est un ensemble de données textuelles ; une œuvre musicale un ensemble de données sonores. C’est ainsi que dans le cadre du projet Notre Famille, les archivistes ont pu revendiquer un droit « sui generis » sur des documents administratifs du XVIIe ou du XVIIIe siècle. À ce titre, le droit des bases de données constitue un argument juridique privilégié pour défendre un copyfraud, soit l’application de droits indus sur une production entrée dans le domaine public.

On le voit, le droit des bases de données génère des insécurités juridiques majeures pour de nombreux usages. C’est à ce titre que la fouille de texte et de données a pu être dissociée du « droit de lire ». C’est à ce titre que les institutions publiques ou privées peuvent justifier l’adjonction de copyfraud. C’est à ce titre que les licences libres ont dû être amplement reformulées (à l’image de la version 4.0 de Creative Commons) pour éviter d’ajouter des restrictions indues contraires à leur intention initiale. C’est à ce titre, finalement, que la circulation des informations est largement bloquée dans notre société. Il est ainsi impossible, en l’état, de reprendre de nombreuses séries d’informations a priori brutes sur Wikipédia, sur WIkidata ou sur des plate-formes d’open data, sans encourir un procès potentiel.

Cet obstacle considérable reste cependant récent : il a été codifié il y a moins de vingt ans ; il figure de manière récurrente dans la jurisprudence depuis moins longtemps encore. Le droit n’a pas été suffisamment naturalisé dans notre législation pour rester indéracinable. En l’état, la mention du droit « sui generis » dans le code de la propriété littéraire et artistique fait figure d’anomalie : alors que tout le reste du code s’adresse à des « auteurs » on parle ici de « producteurs » ; alors que le critère d’originalité est un soubassement récurrent, il est totalement évacué.

Néanmoins la suppression du droit des bases de données n’est pas une certitude à ce stade. En dépit du soutien affiché du parlement européen, les oppositions risquent d’être considérables : les GAFAs ont très largement profité de ce cadre légal bien plus généreux que son équivalent américain (qui ne reconnaît qu’un droit à la compilation). On risque d’assister à l’émergence d’un front commun entre industries culturelles et industries du web (ce qui aurait au moins pour effet de clarifier les clivages…).

Par ailleurs, Lionel Maurel m’a signalé que l’abolition de la directive 96/9/EC ne suffira peut-être pas pour lever toutes les restrictions. Depuis l’affaire Ryanair, la jurisprudence européenne a consacré la supériorité des Conditions Générales d’Utilisations contractuelles sur le droit législatif : une entreprise ou une institution n’a même pas besoin d’invoquer le droit des bases de données pour empêcher des reprises, même limitées, de sa base. La Cour Européenne de Justice « a écarté l’application de cette exception pour considérer que les CGU de la base pouvaient valablement interdire l’exercice des droits reconnus par la directive aux utilisateurs légitimes d’une base de données. »

Au-delà du fondement légal, je pense que la présence du droit des bases de données consacre un certain état d’esprit « hyper-propriétaire », marqué par une extension toujours plus maximaliste des droits de propriétés sur les créations intellectuelles. Sa disparition aurait pour effet de refermer une parenthèse d’une vingtaine d’années en montrant que l’extension propriétaire n’est pas inéluctable et que les institutions politiques peuvent revenir sur les droits accordés s’ils nuisent à la société au sens large.

Loi numérique : quels amendements pour le libre accès ?

Au cours de l’année écoulée, nous avons suivi de près l’élaboration d’une loi open access à la française, qui fait partie intégrante de la loi sur la société numérique. Une loi open access vise à lever le principal obstacle restreignant le développement du libre accès : les droits d’exclusivité dont disposent les éditeurs de revues ; lorsqu’ils souhaitent diffuser leurs publications les chercheurs. Pour y remédier, une recommandation européenne de 2012 a élaboré le mécanisme juridique suivant : toute recherche financée au moins par moitié par fonds public pourra être republiée sous une licence non-commerciale au terme d’une durée maximale de 6 mois à 1 an ; tous les engagements contractuels contraires pris entre les auteurs et l’éditeur expirent au terme de cette date.

Les différents épisodes de ce feuilleton législatif (qui incluent également, pratique inhabituelle, une consultation publique ouverte à tous) ont apporté leur lot de bonnes et de mauvaises surprises. Par rapport au projet initialement envisagé, le dispositif finalement retenu par l’exécutif (art. 17) est plus ambitieux dans deux domaines : les durées d’embargo (qui passent, de 12 à 6 mois dans les Sciences Techniques et Médicales et de 24 à 12 mois pour les Sciences Humaines et Sociales) et la diffusion des données associées à l’article (dont « la réutilisation est libre »). Par contre, deux mesures complémentaires importantes ont disparu : la mise en place d’une exception pour les projets scientifiques de text mining et la reconnaissance positive du domaine public (qui vise notamment à contrecarrer le copyfraud).

Après la publication du projet de loi finalement retenu par le conseil des ministres et l’examen du conseil d’État, nous en entrons dans une nouvelle phase : le débat législatif. Les amendements des parlementaires ont été publiés hier. Au total, j’en dénombre 430 à la commission des lois et 14 à la commission des affaires culturelles. Je me suis permis d’extraire automatiquement leur contenu à partir d’un petit scraping en python, ce qui me permet d’effectuer des requêtes plus précise et, accessoirement, de me laisser aller à une pratique délicieusement trollesque : du text mining, peut-être illégal, sur des amendements qui visent justement à autoriser le text mining :

assemble_link = codecs.open("/Users/pclanglais/Desktop/assemble_link.txt", "r")
assemble_link = assemble_link.read()
assemble_link = assemble_link.split('\n')
for link in assemble_link:
	finallink = re.sub(ur"http://www.assemblee-nationale.fr/14/amendements/3318/CION_LOIS/", ur'', link)
	finallink = re.sub(ur".asp", ur'', finallink)
	extractnotice(link, finallink)
	time.sleep(3)

Une confirmation de la loi open access

Commençons par les mesures qui concernent exclusivement les chercheurs. Actuellement, le dispositif principal de la loi open access est visé par une vingtaine d’amendements (dont la moitié dans la commission des affaires économiques). Ils n’apportent que des préconisations assez subsidiaires. Tirant clairement les conclusions d’une consultation publique très favorable à l’open access, le texte finalement adopté en conseil des ministres a déjà pris en compte plusieurs revendications majeures (l’intégration des données dans le dispositif de la loi et l’abaissement des durées d’embargo, en conformité avec la recommandation européenne de 2012). En fait, j’anticipais plutôt un retour en arrière. Il n’a, pour l’essentiel, pas eu lieu (exception faite d’une série d’amendements en commission des affaires économiques soutenus par seulement trois signataires).

Pour faciliter la lecture, j’ai regroupé les amendements dans les thématiques suivantes :

  1. Les durées d’exclusivité. Trois amendements pointent l’irrecevabilité de deux durées distinctes pour les Sciences Techniques et Médicales (6 mois) et pour les Sciences Humaines et Sociales (12 mois). AC7 et CL340 recommandent le passage général à 6 mois, tandis que CL289 préconise 12 mois. AC17 propose une alternative intéressante (mais qui risque de devenir rapidement peu lisible) : autoriser le ministère de la recherche à introduire des « délais inférieurs » discipline par discipline (ce qui permettrait concrètement d’abolir totalement l’embargo). Pour des raisons pratiques, je préconiserais plutôt un régime général de 6 mois (même si pas d’embargo du tout serait une situation encore préférable…). Enfin, le CE104 s’inscrit dans une dynamique rétrograde en revenant aux durées initialement prévues : 24 et 12 mois pour les SHS et les STM.
  2. Les publications concernées. Je n’ai vu que deux amendements souhaitant altérer le périmètre initialement envisagé. AC22 préconise de publier tous les manuscrits intermédiaires (et non, uniquement, la version finale approuvée par l’éditeur) : alors que l’écrit scientifique devient de plus en plus une production in progress associant plusieurs versions distinctes, l’idée me paraît intéressante. Inversement, CE103 (toujours le même groupe rétif à l’open access) prescrit d’exclure les « recueils de mélanges » du cadre de la loi.
  3. Les modalités de republication. Le CL339 apporte une spécification utile : les publications doivent non seulement être mises à disposition gratuitement mais dans un « format ouvert » (par exemple csv pour les données, OpenOffice ou HTML pour les articles, plutôt que respectivement excel et word). Le CE67 propose les mêmes spécifications.
  4. Le statut des données scientifiques. Les deux amendements portant sur ce sujet crucial apportent peu de chose. En prescrivant d’intégrer les « données sources » CL288 est redondant avec la loi dans son état actuel (qui met déjà les données associées à l’article en libre accès). CL473 ajoute une restriction de réutilisation par rapport au régime actuel le régime actuel (qui consiste approximativement à placer les données sous une licence de type CC0, en retirant toute forme de droits patrimoniaux et moraux) : il vise à astreindre toute utilisation à « faire référence à la source utilisée ». On basculerait ainsi plutôt dans un système de licence proche de la CC-BY ou de l’ODBL.
  5. Les licences. Le texte original autorisait la republication sous une licence ne permettant pas la diffusion commerciale par un autre éditeur. Ce texte est remis en cause par plusieurs amendements (peu soutenus) recommandant des restrictions additionnelles.  AC18 souhaite une mention explicite de l’interdiction de tout usage commercial (en dehors d’une rédaction différente, ça ne change rien au fond de l’art. 17). Soutenus par un même groupe de trois parlementaires plutôt rétifs à une loi open access, CE167 et CE102 tentent respectivement d’édicter une restriction commeciale générale (et non seulement dans le cadre de l’édition scientifique) et d’intégrer les réutilisation « indirectement » commerciales. Enfin, le CE105 des mêmes auteurs tentent d’inscrire dans le marbre la portée exclusivement individuelle de ce droit (en empêchant la mise en place de dépôts institutionnels et impératifs).
  6. L’évaluation a posteriori. Pour AC19 et CE155 il est souhaitable de commander une étude d’impact deux à trois ans après l’adoption de la loi.

Dans l’ensemble il y a finalement peu de choses. Seules les durées peuvent peut-être encore changer, au risque de braquer les éditeurs en SHS ou les chercheurs en STM selon que l’harmonisation se fait à la baisse ou à la hausse.

La configuration actuelle n’était pas trop favorable à un lobbying acharné des éditeurs scientifique. Les petits éditeurs en Sciences Humaines et Sociales ont été apparemment rassurés par la mise en œuvre d’une politique de subvention pour accompagner leur conversion à l’open access. Les grandes multinationales ont d’autres chats à fouetter. Suite aux contrats signés l’année dernière les universités continuent de verser des millions à Elsevier. D’ici l’expiration des contrats, le marché aura complètement changé en Europe (avec une conversion probable vers le modèle open access gold ou auteur-payeur). Même avec l’adoption de la loi sur le numérique, la France reste, du point de vue de ces acteurs, un cas beaucoup moins problématique que les Pays-Bas, le Royaume-Uni ou l’Allemagne.

La résurrection de l’exception au text mining

L’exception au titre du text mining avait été rapidement retirée du projet de loi : elle ne figurait pas dans le texte soumis à une consultation publique. À l’instar de l’avocat du Syndication National de l’Édition, Richard Malka, les ayant-droit avaient tirés à boulets rouges sur cette exception : dans une brochure intitulée La Gratuité c’est le vol (pourtant diffusée… gratuitement), il assimilait l’extraction automatisée à des fins scientifiques à un « pillage ».

Pourtant, cette exception existe aujourd’hui dans des pays aussi marxistes que le Royaume-Uni (depuis 2014) ou, de facto, aux États-Unis (suite à l’adoption d’une jurisprudence favorable, dans le cadre du procès Google Books); elle est actuellement sérieusement envisagée dans la réforme européenne du droit d’auteur. L’exception vise davantage à clarifier une zone grise qu’à créer un nouveau droit : l’enjeu est d’établir que, dans la recherche scientifique, le droit d’extraire est indissociable du droit de lire. Plus que le droit d’auteur, le droit des bases de données constitue le principal obstacle : il empêche toute forme de copie substantielle d’une base de données protégée. Or, les projets de text mining à grande échelle impliquent nécessairement une recopie significative voire intégrale d’une base.

Le débat parlementaire redonne des chances à l’exceptions. Elle est actuellement recommandée par pas moins de sept amendements (AC11, AC16, CL84, CL344 et CL463, CE29 et CE78). La mesure est œcuménique : elle est souhaitée aussi bien par des parlementaires de gauche (CE29 pour les communistes, CL344 pour des écologistes et indépendants (Attard), CL463 pour les socialistes) que par des parlementaires de droite (le seul CL84, mais adopté par un grand nombre de signataires).

La rédaction est quasiment identique (je n’ai pas détecté de variations notables). Elle prend la forme de deux dispositions. La première décrit le cadre général de l’exception : les copies numériques de « sources licites » sont autorisées pour les « besoins de la recherche publique ». Par contraste avec l’exception initialement envisagée par la Loi sur le Numérique, les parlementaires insistent sur la nécessaire conservation des données résultant de l’extraction automatisée :

2° Après le 4° de l’article L. 342‑3, il est inséré un 5° ainsi rédigé :« 5° Les copies ou reproductions numériques de la base réalisées par une personne qui y a licitement accès, en vue de fouilles de textes et de données dans un cadre de recherche, à l’exclusion de toute finalité commerciale. La conservation et la communication des copies techniques issues des traitements, au terme des activités de recherche pour lesquelles elles ont été produites, sont assurées par des organismes désignés par décret. Les autres copies ou reproductions sont détruites. »

En l’état l’exception au text mining dispose de chances significatives. Elle peut compter sur des soutiens significatifs dans les principaux partis (ainsi que sur l’approbation tacite des principaux acteurs concernés : les chercheurs) ainsi que sur la concrétisation parallèle d’une exception similaire au niveau européen.

Vers un retour des communs ?

En dehors du strict cas de l’open access une trentaine d’amendements portent sur l’art. 17 ou sur l’art. 18 (qui cible plus précisément la réutilisation des données personnelles à des fins de recherche). Ils ne se limitent d’ailleurs pas à l’open access. Comme les deux articles sont les seuls survivants d’une section plus largement consacrée à « l’économie des savoirs », plusieurs amendements visent à rétablir la section sur les communs informationnels et la reconnaissance positive du domaine public (AC8, AC9, AC13, CL117, CL341, CL342, CL460, CL461).

D’autres s’attachent à mettre en œuvre une exception souhaitée de longue date par les chercheurs et les projets de libre diffusion des connaissance : la liberté de panorama (AC10, AC15, CL30, CL88, CL343, CL462). Comme je le rappelais dans un billet sur Rue89 il y a quelques années, l’espace public français est actuellement « troué » : les architectes conservent des droits d’auteurs sur leurs réalisations ce qui rendent la plupart des photographies urbaines de facto illégales.

Projet de loi sur le numérique : vers un libre accès sans communs…

La version finale de la proposition de loi sur le numérique vient d’être publiée. Elle n’a pas suivi un processus ordinaire. Entre la phase d’élaboration par l’exécutif et l’examen au parlement, une nouvelle étape intermédiaire s’est intercalée : une consultation publique, où tout un chacun pouvait, sous certaines conditions, noter, commenter et reconfigurer la loi existante.

La version finale porte la trace de ces apports collaboratifs. Des petits cadres, sur le côté, viennent régulièrement justifier l’introduction de telle ou telle mesure à la lumière des suggestions formulées pendant la consultation publique. En soi, la loi est un exercice très intéressant de démocratie mixte, à la fois direct et indirect.

Exemple du système de rédaction collaboratif de la proposition de loi sur le numérique
Exemple du système de rédaction collaboratif de la proposition de loi sur le numérique

C’est aussi un exercice limité. Les avis convergents des intervenants de la plate-forme République Numérique n’ont été pris en compte que dans la mesure où ils ne heurtaient pas trop frontalement les intérêts de certains lobbys puissants. À ce jeu, l’édition scientifique s’est révélée moins influente que les industries culturelles.

La consécration du libre accès

La conversion de l’édition scientifique au libre accès n’est plus une vague promesse utopiste. Depuis 2011, plus de la moitié des articles scientifiques européens sont disponibles en ligne. Or, le droit existant est inadapté à cette transformation massive : le mouvement du libre accès repose fréquemment sur des hacks, des détournements plus ou moins légaux. Cela va des licences creative commons (qui détournent les arrangements contractuels pour créer des biens communs) aux bibliothèques numériques illégales sur le modèle de Libgen. Les contrats d’exclusivité avec les grands éditeurs en effet un obstacle majeur : même si les chercheurs sont assez largement favorables à une politique de libre accès, ils restent indéfiniment liés par des engagements auprès de revues prestigieuses, au sein desquelles on ne peut pas ne pas publier pour faire carrière…

En 2012, l’Union Européen a émis une recommandation aux États-membres, les incitant à mettre en ligne les articles de recherche financés par moitié par l’argent public dès que possible, ou au plus tard 6 mois après publication en STM et 12 mois en SHS. Elle a été suivi d’effets dans la plupart de grands pays européens, que cela passe par l’adoption de loi open access ou de grands programmes de diffusion.

La France restait à la traîne. Si dernière version de la loi sur le numérique est adopté, elle sera en avance. La nouvelle mouture de l’article 9 (devenu art. 14) a acté plusieurs évolutions déterminantes :

  • Les durée d’embargos sont raccourcies. De 12 mois pour les STM et 24 mois pour les SHS, on revient respectivement à 6 et 12 mois, ce qui place la France en conformité avec la recommandation européen et, surtout, ils deviennent des délais maximaux (et non des temps par défaut) : « au plus tard six mois pour les sciences, la technique et la médecine et douze mois pour les sciences humaines et sociales, à compter de la date de la première publication. »
  • Les données de la recherche sont intégrées dans le périmètre de la mesure. C’est là un acquis capital, qui représente une avancée par rapport à la loi sur le libre accès allemande : sous l’effet de la numérisation, la publication scientifique s’apparente de plus en plus à une création « composite » associant un contenu rédigé, des jeux de données ou des algorithmes (pour vous en donner une idée, cf. mon dernier billet sur les réseaux d’acteurs à partir de Wikidata). Non seulement les données sont prises en considération dans la loi mais leur statut est beaucoup plus souple : elles deviennent d’emblée des choses communes, échappant à toute appropriation et, de facto, diffusable librement dès la publication de l’article. « Les données de la recherche rendues publiques légalement issues d’une activité de recherche financée au moins pour moitié par des fonds publics et qui ne sont pas protégées par un droit spécifique sont des choses communes. » L’éditeur ne peut revendiquer aucun droit dessus : « L’éditeur d’un écrit scientifique mentionné au I ne peut limiter la réutilisation des données de la recherche rendues publiques dans le cadre de sa publication ». Ces dispositions sont cohérentes avec une innovation majeure apportée par l’art. 5 de la dernière version : les bases de données publiques ne pourraient plus revendiquer de droit sui generis (ce qui les transforment, d’emblée, en choses communes) : « le droit sui generis ne doit pas faire obstacle à la réutilisation du contenu des bases de données de l’administration. » Tout ceci va par contre à l’encontre des mesures adoptées par la loi Valter (qui conforte le statut d’exception des institutions de recherche au regard de la politique d’ouverture des données publiques).
  • Le libre accès porte plus spécifiquement sur les versions finales du processus éditorial. Dans un précédent article publié dans Sciences Communes, Mélanie Dulong de Rosnay pointait le risque de durcir en réalité les conditions actuelles de dépôt en archive ouverte : si la loi concernait non spécifiquement la version publiée, mais aussi la version auteur, elle risquait de soumettre les chercheurs à des embargos qu’ils n’étaient en aucun cas tenus de respecter : « La dernière version soumise par l’auteur (ou preprint) appartient donc bien en droit à l’auteur dès sa création, et peut par conséquent dans l’état actuel du droit déjà être déposée immédiatement en archive ouverte, en même temps qu’elle est envoyée à l’éditeur avec un éventuel contrat autorisant la reproduction de l’article. » A priori, la rédaction actuelle de l’art. 9/14 limite ce risque. Elle porte sur la « version finale du manuscrit acceptée pour publication ». L’indication sur la travail de mise en forme de l’éditeur disparaît.
  • La réutilisation non commerciale est moins contraignante. Tandis que la précédente formulation excluait toute forme de cession commerciale, il n’est plus question que « d’une activité d’édition à caractère commercial ». Même si ce n’est pas totalement clair, on peut supposer que la vente non lucrative d’une publication pourrait être autorisée (ce qui serait propice à des projets sur le modèle de la Framakey : diffuser des clés USB défrayés contenant des publications en libre accès).
  • Vers une rétroactivité ? A priori, cela était totalement exclu dans la rédaction précédente, comme en témoignait la mention « Elles ne s’appliquent pas aux contrats en cours. » Cette mention a disparu depuis. Le commentaire signale cependant que l’absence de rétroactivité va de soi : « Une application rétroactive serait attentatoire aux intérêts des auteurs et des éditeurs signataires des contrats en vigueur. »
  • Quid de l’exception pour le data mining ? L’exécutif a envoyé à ce propos des signaux contradictoires. Hier soir, le ministre de la recherche Thierry Mandon suggérait que l’exception serait rétablie dans la rédaction finale. Pour l’instant, je n’ai rien trouvé qui aille en ce sens. A priori, le gouvernement serait tenté de se défausser sur l’Europe, l’exception data mining étant maintenue au programme des projets de réforme européen du droit d’auteur.

La disparition des communs

La précédente version de la loi sur le numérique soumise à la consultation publique comportait une autre disposition importante pour la recherche : une reconnaissance positive du domaine public informationnel et des biens communs de la connaissance (art. 8). Même si la formulation n’était pas parfaite, ces mesures contribuaient à sécuriser considérablement les recherches effectuées des productions a priori dénuées de droits patrimoniaux telles que les informations « brutes », les données des documents administratifs ou les œuvres passées dans le domaine public.

Les projets scientifiques sont généralement très soucieux de la légalité de leur activité. Si l’usage des technologies numériques ouvre de nombreuses perspectives (par exemple, en terme d’analyse statistique de grands corpus), leur mise en œuvre effective reste limitée de facto par l’absence d’un cadre juridique clair (peut-on ou non importer automatiquement le contenu de telle bibliothèque numérique ou la base de données de telle institution publique ?)

Au-delà de cette sécurisation, l’art. 8 représentait un premier pas vers une reconnaissance des communs. À partir de cette base, on pouvait envisager ultérieurement l’intégration des communs volontaires tels que les logiciels libres, l’open data ou les publications sous creative commons. On disposerait ainsi d’un arsenal juridique apte à protéger ces communs contre diverses formes de réappropriation ou d’enclosure. Ainsi, même si elles ont été élaborées et acclimatées en droit français par d’excellents juristes, de par leur nature contractuelle, les Creative Commons n’offrent peut-être pas une protection suffisante.

L’art. 8 a suscité une contre-attaque virulente des société de gestion de droit d’auteur et des industries culturelles. Le Conseil Supérieur de la Propriété Littérature et Artistique, où des acteurs sont surreprésentés, a mandaté dans un premier temps mandaté un rapport à l’avocat Jean Martin, qui ne lui a pas donné satisfaction : tout en étant assez rétif à une reconnaissance positive du domaine public informationnel, Martin admettait que cette disposition n’attentait nullement aux droits de propriété intellectuelle sous leur forme actuelle, et qu’il ne faisait qu’expliciter certaines dispositions sous-entendue.

La définition du domaine commun informationnel préserve les principes fondamentaux du droit d’auteur malgré des imprécisions (…) Dans l’ensemble, toutefois, et même si elle pourrait être complétée et précisée, par exemple pour expliciter la notion potentiellement très large des « informations », cette première définition permet cependant le maintien du régime actuel.
En dépit de cette analyse prudente, le CSPLA s’est engagé dans une opposition virulente qui a porté ses fruits. Une réunion organisée hier à Matignon a tranché en sa faveur : l’art. 8 est abrogé et la réflexion continuera sous la forme d’une vague commission… Apparemment, les dés étaient déjà pipés : la réunion comprenait une vingtaine de lobbyistes des industries culturelles contre lesquels la parole de quelques bénévoles ne valaient pas grand chose.
Une victoire, donc, mais peut-être une victoire à la Pyrrhus. Du point de vue des industries culturelles, la reconnaissance des communs permettaient de sauver l’essentiel : le maintien du code de la propriété intellectuelle dans son état actuel, moyennant l’explicitation des libertés qu’il permet.
En refusant idéologiquement toute forme d’aménagement pragmatique et, surtout, en réduisant au silence une consultation publique ouverte à tous, ces acteurs risquent de radicaliser le débat public. Quitte à rentrer dans une logique du tout ou rien, je me sens de plus en porté à ignorer tout ce système. Et je suis loin d’être le seul…

Modéliser le réseau social des acteurs de cinéma des années 1920 et 1930 avec Wikidata

Certaines innovations majeures passent inaperçues. C’est le cas de Wikidata. Créé il y a deux ans, ce Wikipédia des bases de données placé dans le domaine public s’est imposé au détriment de ses homologues détenus par de grandes entreprises (comme Freebase de Google). Le contenu et l’architecture de cette ressource sont entièrement gérés et améliorés par une communauté bénévole, ouverte à toutes les contributions.

Pour reprendre l’expression de Lionel Maurel, Wikidata est l’un des principaux agents d’une science “wikifiée”, apte à développer une gouvernance autonome contre les tentatives hégémoniques des grands éditeurs. Détenteur direct ou indirect de 30% des revues publiées dans le monde, Elsevier est en train de se réorienter massivement vers les données scientifiques numérisées. Via son API, l’éditeur cherche à contrôler et à uniformiser les catégories et les modes d’accès à la connaissance.

Wikidata reste pour l’instant sous-utilisé, faute d’une interface d’accès et de requête adaptée. Depuis peu, il existe un point d’accès en SPARQL (soit le standard usuel du web sémantique). Sous réserve d’avoir déjà un peu tâté d’un langage SQL, SPARQL se prend facilement en main : il m’a suffit d’une après-midi pour commencer à monter des requêtes un peu complexe (je vous invite aussi à lire les très bons billets de Ash_Crow sur les chiens de traîneaux ou sur la proportion de femmes scientifiques recensées dans Wikipédia).

Ici, je vais tenter d’intégrer une requête Wikidata dans un projet plus vaste : l’analyse des réseaux sociaux d’acteurs des années 1920 et 1930. Le lien entre les acteurs repose sur cette affiliation : le fait d’avoir figuré dans le même film. Je cherche ici à tester l’hypothèse suivante : dans quelle mesure le passage du muet au parlant a entraîné une consolidation des traditions nationales du cinéma ? Tant que le langage parlé n’est pas imposé, rien n’empêche en effet un acteur français ou allemand qui ne connaît pas un mot d’anglais de faire carrière aux États-Unis.

On aboutit ainsi à deux réseaux, l’un pour la période 1920-1929 :

Réseau social des acteurs au cours de la période 1920-1929 (CC0)
Réseau social des acteurs au cours de la période 1920-1929 (CC0)

Et l’autre pour la période 1930-1939 :

Réseau social des acteurs au cours de la période 1930-1939
Réseau social des acteurs au cours de la période 1930-1939

Les couleurs correspondent à des ensembles reconnus automatiquement par un algorithme intégré au logiciel Gephi (et, comme on va le voir, ils ne représentent pas que des nationalités). La version interactive du réseau 1920-1929 peut-être consultée par ici (soyez patient : les données en JSON prennent un peu de temps pour être téléchargées). Pour 1930-1939, je vous invite plutôt à télécharger le document compressé et à ouvrir directement le fichier index.html dans un navigateur en local (les données sont trop lourdes pour mon petit hébergement). Enfin, vous pouvez également jouer avec les données recueillies et mises en formes (ici pour 1920-1929 et pour 1930-1939).

Les apports de Wikidata

Je pensais que les projection de réseaux sociaux d’acteurs étaient très fréquentes, au point d’être quasiment galvaudées. C’est en effet un excellent cas d’école pour tester des techniques et des analyses réticulaires (telles que développées par Gephi).

Eh bien en fait non : je n’ai peut-être pas très bien cherché, mais il n’y a pas eu grand chose dans ce domaine, qui porte quand même un nom : le Co-Stardom Network. Un article de 2010 qui compare les graphes des réseaux d’acteurs d’Internet Movie Database avec des graphes générés aléatoirement, constate ainsi qu’il y a très peu de publications.

Les conditions de production et de diffusion de ce savoir ont d’emblée une portée limitative : le modèle économique d’IMDB implique un contrôle étroit de la réutilisation de ces données (avec un accès au cas par cas, généralement moyennant une rétribution conséquente). Évidemment, sur un projet bénévole en libre accès comme Wikidata, ces restrictions n’ont plus lieu d’être.

Wikidata est probablement à ce jour la base de donnée “généraliste” la plus complète, mais elle n’est pas encore en mesure de concurrencer les bases de données spécialisées. Pour le sujet qui m’intéresse ici, les réseaux sociaux d’acteurs, le site propriétaire IMDB n’a pas encore d’égal. Seulement, Wikidata présente plusieurs avantages déterminants :

  • La reproductibilité (et son corollaire, la vérifiabilité) : toutes les données sont diffusées dans le domaine public. Tout projet dérivé donne ainsi au lecteur les moyens de le falsifier (il est possible de constater que les données sont biaisées ou qu’elles ont été mal exploitées).
  • La connectivité : en tant que base généraliste, Wikidata permet de dégager des corrélations relevant de domaines de savoirs distincts. L’identifiant de chaque acteur inclut ainsi des informations qui n’ont peut-être rien à voir avec le cinéma. Ainsi l’actrice Hedy Lamarr (Q49034) est aussi référencée comme la créatrice (P170) d’une technologie d’étalement du spectre (Q958957).
  • La rétroactivité : Wikidata étant universellement modifiable, les concepteurs d’un projet dérivé peuvent directement corriger les erreurs constatés ou améliorer la représentativité de certains décomptes.
  • La sophistication des relations : non seulement, il est possible d’indiquer plusieurs valeurs pour chaque propriété, mais chacune de ces valeurs peut-être qualifiée (par exemple, combien de temps tel acteur a été employé par tel studio) et référencée (en incluant une source de qualité où figure l’information).

Dans l’ensemble, la représentativité des données cinématographiques est plutôt élevée par rapport aux standard de Wikidata. Sur la période 1930-1939, nous avons les listes de castings de 4885 films ou quasiment 500 films par an, soit assurément la plupart des productions de l’industrie cinématographique. Par comparaison, au pic de sa production, vers le milieu des années 1940, Hollywood sortait 400 films par an. Pendant la décennie 1930, nous devons être aux alentours de 200 à 300 films : même en prenant en compte la production française, allemande, italienne, etc., le taux de couverture doit être de l’ordre de 70 à 80%.

Évidemment, la représentativité est beaucoup plus problématique pour tous les films qui sortent des circuits usuels (avant-garde) ou pour certaines traditions nationales peu favorisées par les contributeurs de Wikidata (déjà très actif, le cinéma russe est clairement occulté).

Quelques éléments de making-of

La requête pour récupérer les données de Wikidata est assez simple. Il suffit d’indiquer que nous cherchons la distribution d’un film (propriété P161, soit ?film wdt:P161 ?actor) et sa date de sortie (propriété P577, soit ?film wdt:P577 ?date), puis nous ajoutons des filtres pour restreindre la recherche à la période qui nous intéresse. Afin de ne pas surcharger le serveur, nous préféré effectué des requêtes années par années. Nous obtenons à la fin la requête suivante (dotée d’une commande spéciale pour faire afficher les labels) :

SELECT DISTINCT ?film ?filmLabel ?actor ?actorLabel ?date_name WHERE {
    ?film wdt:P161 ?actor .
    ?film wdt:P577 ?date .
    FILTER (year(?date) > 1938) .
    FILTER (year(?date) < 1940) .
    BIND(year(?date)AS ?date_name) .
    SERVICE wikibase:label {
        bd:serviceParam wikibase:language "en" .
    }
}

Après avoir agrégé manuellement les fichiers pour chaque année (il serait sans doute possible de faire cela automatiquement, mais s’agissant d’un si petit nombre de fichiers, c’était plus rapide ainsi), nous obtenons une liste comprenant pour chaque film les acteurs qui y figurent.

Structure des données récupérées par SPARQL/Wikidata
Structure des données récupérées par SPARQL/Wikidata

Évidemment, cela ne suffit pas pour modéliser un réseau : le logiciel Gephi ne va pas déduire l’affiliation à partir de la mention commune du film. Il lui faut un fichier beaucoup plus explicite, qui indiquerait pour chaque acteur un acteur lié.

C’est ici qu’intervient le langage de statistique R (et deux extensions magiques, tidyr et dplyr). Quelques lignes de codes suffit pour avoir la transformation souhaitée. Nous transformons d’abord les films en liste d’acteurs. M le Maudit devient ainsi quelque chose comme « Gustaf Gründgens, Peter Lorre, Otto Wernicke… » et ainsi de suite. C’est l’affaire de la commande aggregate : actors <- aggregate(actorLabel ~ filmLabel, actors20, paste).

Les labels des films et la liste des acteurs en regard
Les labels des films et la liste des acteurs en regard

Après avoir isolé les acteurs et les films devenus des listes, nous “déroulons” ces derniers avec la commande, actors <- actors %>% unnest(actorLabel.y). Au lieu de mettre en relation Peter Lorre avec « Gustaf Gründgens, Peter Lorre, Otto Wernicke… », nous obtenons des couples Peter Lorre/Gustaf Gründgens, Peter Lorre/Peter Lorre, Peter Lorre/OttoWernicke etc.

unnestActorsEnfin, nous retirons les duplications avec la commande unique : actors <- unique(actors). Ce n’est pas obligatoire vu que Gephi les gère directement, mais cela permet de réduire notablement la taille du jeu de données.

Initialement, je voulais que la liaison s’opère à partir des identifiants non ambigus de Wikidata (ce qui permet d’anticiper des cas d’homonymies, tel un hypothétique second Peter Lorre qui aurait fait une carrière très différente du premier). Gephi n’a pas voulu admettre l’existence de labels distinct des identifiants, ce qui fait que j’ai laissé tombé1 .

Je ne vas pas rentrer dans le détail du traitement avec Gephi (qui est très standard). Pour distinguer les “grappes” de liens, j’ai appliqué une transformation Yifan Hu (toutes les autres étaient beaucoup trop laborieuses), puis opéré une reconnaissance automatique des “communautés” et coloré les nœuds et les liens en conséquence.

Des communautés

Rentrons maintenant dans le vif du sujet. À la fin de tout ce processus, nous obtenons deux jolis graphes colorés composé de plusieurs dizaine de milliers de liens. Qu’allons-nous en faire ?

En 1930-1939, les choses sont beaucoup plus simples : les ensembles se détachent aisément et le taux de reconnaissance est élevé (0,641). En inspectant les noms des entités voyons clairement se détacher des traditions nationales autonomes, avec quand même quelques spécificités. Les américains sont en bleu, les anglais en rouge, les français en jaune, les allemands en vert et les italiens en bleu ciel. J’insiste sur la fait qu’il s’agit d’une reconstitution a posteriori : le logiciel n’avait strictement aucune idée de la nationalité des films mais, simplement, par le jeu des récurrences des distributions, il parvient à déduire ces grands ensembles.

Traditions nationales dans le réseau des acteurs de 1930-1939
Traditions nationales dans le réseau des acteurs de 1930-1939

Les interactions entre les traditions nationales sont différenciées. Les anglais tendent ainsi à se mêler étroitement aux américains (au point, qu’il y a des erreurs de classement : Franck Coghlan Jr. est ainsi classé comme anglais). Nous voyons aussi se dessiner le mouvement d’exil partiel du cinéma allemand après la prise du pouvoir d’Hitler.

Un mouvement d'exil : le cinéma allemand post-1933
Un mouvement d’exil : le cinéma allemand post-1933

Le cinéma italien (et, dans une moindre mesure français) reste par contre assez soudé. Enfin, certains petits ensembles dispersés sur la carte reflète des traditions nationales plus isolées (comme le cinéma argentin en orange clair).

Un réseau périphérique : le cinéma argentin (en orange clair)
Un réseau périphérique : le cinéma argentin (en orange clair)

Dans l’ensemble, la variable nationale reste le critère privilégié. Il y a pourtant une exception : dans le coin supérieur droit du cinéma américain, nous voyons se dessiner un sous-ensemble distinct en vert foncé. Il s’agit des acteurs du muet qui n’ont pas tous réussi leur reconversion et tendent à tourner les uns avec les autres. Le réseau de Gloria Swanson (qui elle a encore plutôt bien réussi sa transition vers le parlant) illustre bien ce fait :

Le réseau de Gloria Swanson, à mi-chemin entre muet et parlant
Le réseau de Gloria Swanson, à mi-chemin entre muet et parlant

En 1920-1929, le tableau est assez différent. Le logiciel peine davantage à distinguer des ensembles cohérents : le taux de reconnaissance descend à 0,531. Il y a des chevauchements fréquents que je n’arrive d’ailleurs pas totalement à expliquer.

Si la tradition française et anglaise (respectivement en bleu ciel et en rouge orangé) restent globalement perceptibles, les allemands, les italiens et les suédois tendent à se confondre dans une catégorie plus générique (que l’on pourrait qualifier de cinéma européen continental). La solubilité du cinéma italien m’a notamment surpris (surtout au regard de la cohésion apparente de cette tradition nationale au cours de la décennie suivante).

Traditions nationales au cours de la période 1920-1929
Traditions nationales au cours de la période 1920-1929

Côté américain, c’est le bazar. Trois sous-communautés en jaune, doré et turquoise se mélangent, sans que j’en comprenne très bien les motifs : je passe la main aux spécialistes, qui, par la récurrence des noms d’acteurs, arriveront peut-être à en dégager des critères communs. Les studios jouent peut-être un rôle déterminant dans cette affiliation (auquel cas, il faudrait postuler une plus grande fluidité des carrières d’un studio à l’autre au cours de la décennie suivante). Ici, le réseau soulève plus de questions qu’il n’en résout.

Le grand bazar américain des années 1920
Le sapin de noël américain des années 1920

Des ambassadeurs

Les réseaux numérisés présentent un autre intérêt : celui de glisser rapidement du cas général au cas particulier. Il est possible de cliquer sur une entité et d’identifier rapidement son réseau propre. Nous pouvons ainsi mettre en évidence l’existence d’ambassadeurs, soit d’acteurs à cheval sur plusieurs traditions nationales.

Le mouvement de la carrière de Greta Garbo est ainsi explicité : après ses débuts suédois (en bleus), elle tente sa carrière aux États-Unis (toutes les autres couleurs) :

Le réseau social de Greta Garbo, entre Suède et États-Unis
Le réseau social de Greta Garbo des années 1920, entre Suède et États-Unis

Maurice Chevalier se tient à équidistance de la France, des États-Unis et, dans une moindre mesure du Royaume-Uni :

Le réseau social de Maurice Chevalier entre France et États-Unis
Le réseau social de Maurice Chevalier entre France et États-Unis

Il s’agit là d’exemple bien connus. Le réseau permet également de distinguer des ambassadeurs insoupçonnés, tels ce Vladimir Sokoloff situé entre États-Unis, France et Allemagne.

Le profil transnational ultime : Vladimir Sokoloff
Le profil transnational ultime : Vladimir Sokoloff

Les techniques de modélisations de données ne vont ainsi pas nécessairement “écraser” le cas particulier dans des configurations de plus grande ampleur. Elles contribuent aussi à le faire émerger. Apparemment, Sokoloff n’a jamais fait l’objet d’une case study approfondie (Wikipédia ne mentionne que des sources primaires)2 . Le réseau met en évidence sa position exceptionnelle d’acteur transnational.

Cartographier une réalité complexe

La comparaison des réseaux de 1920-1929 et de 1930-1939 met en évidence une réalité complexe. S’il y a bel et bien un mouvement général de structuration nationale sous l’effet du passage au parlant, il s’incarne dans des modalités très différentes. Au Royaume-Uni et en France, l’évolution est faible. Dans le premier cas, il n’y a pas de barrière de langue avec le cinéma américain. Dans le second cas, la persistance de partenariats privilégiés entre Hollywood et la production française contribue à modérer les effets de distanciation (les comédies musicales de la Paramount fonctionnaient quasiment comme des productions bi-nationales).

Par contre, pour le cinéma européen continental, la rupture est nette : en dehors des exilés post-1933, le cinéma allemand se referme sur lui-même. Encore très poreux pendant la décennie précédente, le cinéma italien se structure (ce qui fait d’ailleurs que le mouvement néo-réaliste des années 1940 pourra s’appuyer sur une production très bien développée). On ne peut ainsi faire abstraction de la situation politique de la période : l’établissement ou le renforcement de régime autoritaire contribuent également à une raréfaction des partenariats transnationaux durables.

Enfin, pour les américains, il reste ce mystère d’une substitution des sous-ensembles de la décennie précédente dans un ensemble unique (hors les acteurs du muets). Je l’attribuerai peut-être à la généralisation de la starification y compris au sein des seconds rôles : des acteurs secondaires comme Edward Everett Horton ou Frank Morgan deviennent des figures populaires que le public apprécie de retrouver d’un film à l’autre. Si vous avez d’autres idées, les commentaires sont ouverts…

  1. Apparemment, c’est possible de le faire avec Excel, mais je n’ai jamais réussi à générer un document avec autant de données dans ce format []
  2. Alors que ce nom ne me disait rien, je me rends maintenant compte que je l’ai effectivement vu dans une demi-douzaine de films, sans jamais faire le lien []

Pourquoi le droit autorise déjà l’archivage ouvert de la dernière version soumise par l’auteur et son exploration, et comment préserver cette possibilité

L’article 9 du projet de loi pour une République numérique intitulé Libre accès aux publications scientifiques de la recherche publique, en raison de certaines imprécisions de rédaction, risque de revenir sur les acquis du droit d’auteur pour les chercheurs.

La rédaction actuelle de l’alinéa 1 réduit considérablement les droits des auteurs sur la dernière version soumise et va à l’encontre de tous les textes de la Commission Européenne qui portent sur la version publiée. La mise à disposition d’un article dans une archive ne fait pas concurrence à l’article publié dans un journal ou un ouvrage collectif.

Le principe général du droit d’auteur (Article L111-1, le premier article du titre sur le droit d’auteur du Code de la Propriété Intellectuelle), est de conférer un droit exclusif aux auteurs, dont ils peuvent disposer par la suite par contrat avec des éditeurs : “L’auteur d’une œuvre de l’esprit jouit sur cette oeuvre, du seul fait de sa création, d’un droit de propriété incorporelle exclusif et opposable à tous.”

La dernière version soumise par l’auteur (ou preprint) appartient donc bien en droit à l’auteur dès sa création, et peut par conséquent dans l’état actuel du droit déjà être déposée immédiatement en archive ouverte, en même temps qu’elle est envoyée à l’éditeur avec un éventuel contrat autorisant la reproduction de l’article.

Ce sont les contrats de certains éditeurs qui, après la naissance des droits exclusifs attribués aux seuls auteurs, peuvent conduire à diminuer les droits des auteurs, en exigeant une cession exclusive et/ou en imposant un embargo. Ces transferts sont de nature contractuelle et interviennent dans un deuxième temps (la rédaction de l’alinéa 2 du projet de loi permet de les neutraliser).

C’est pourquoi les auteurs ont déjà, dans l’intervalle entre la création et la cession, ou en termes moins juridiques entre l’écriture et l’envoi, le droit de procéder au dépôt immédiat de cette dernière version soumise par l’auteur (comme le proposent l’INRIA et Laurent Romary dans la consultation).

Carine Bernault, Professeur de droit à l’Université de Nantes, s’est exprimée à ce sujet dans la consultation et je partage son interprétation sur le risque introduit par la rédaction actuelle :

“Les délais d’embargo de 12 et 24 mois prévus par le texte sont impératifs : il sera impossible d’y déroger puisque l’article est déclaré d’ordre public.”

La controverse entre certains éditeurs et certains défenseurs des droits des auteurs et de l’accès ouvert porte sur la possibilité et la durée maximale d’un embargo sur la version publiée par l’éditeur (le postprint PDF). La Commission Européenne préconise de limiter la durée des embargos à 6 mois et 12 mois d’ailleurs, au lieu de 12 mois et 24 mois dans le projet. Carine Bernault propose de rajouter “au plus tard” pour éviter d’interdire des dispositions contractuelles qui seraient plus courtes que la loi.

L’article comprend enfin 4 autres points qui soulèvent des difficultés d’application et que j’ai soulignés dans mes contributions à la consultation :

– L’expression “version acceptée” porte à interprétation, il s’agit de la dernière version soumise par l’auteur, celle sur laquelle il dispose encore de droits exclusifs avant contrat avec l’éditeur (proposition de l’INRIA dans la consultation).

– La définition de “recherche financée au moins pour moitié par des fonds publics” (proposition de Marc Lipinski dans la consultation) introduit du flou. Il faut supprimer cette distinction et viser la recherche financé par des fonds publics.

– Le mot “mélanges” vient de la recherche en droit. Il faut ajouter les “ouvrage collectif” pour inclure la recherche effectuée dans d’autres disciplines que le droit, quand elle est publiée sous la forme d’articles dans des livres, et non pas dans des revues.

– La distinction entre SHS et STEM est inapplicable à l’interdisciplinaire, et donc à toute la recherche un peu innovante.

– Enfin, il est indispensable que la loi inclut les données liées à un article, et d’éviter que les contrats des éditeurs ne les enclosent derrière des portails de manière exclusive.

Le dernier point à réintroduire absolument est l’exploration de données et la fouille de textes. Trois solutions permettent de confirmer que cette pratique, une extension du droit de lire, est légale :

– L’introduction d’une exception au droit des producteurs de bases de données pour confirmer que cette pratique ne correspond pas un droit exclusif,

– Le passage des résultats de la recherche financée par les fonds publics sous licence ouverte avec l’ouverture des données issues des subventions publiques,

– L’interdiction des contrats d’éditeurs qui iraient en sens contraire.

Cette troisième et dernière solution peut facilement être obtenue avec l’alinéa 2 du projet de loi.

L’alinéa 2 du projet de loi a une bonne rédaction qui rendraient nuls les contrats qui empêcheraient l’archivage ouvert de la dernière version soumise par l’auteur. Il faut bien veiller à conserver cette disposition, c’est la plus importante.

Une solution complémentaire serait de rendre illégale la cession exclusive, comme proposé par Renaud Fabre – DIST dans la consultation.

Il faut aussi prêter attention à éviter, comme l’Allemagne, qu’elle ne s’applique qu’aux éditeurs nationaux et clarifier la situation des articles rédigés avec des co-auteurs dans des pays tiers et des publications dans des revues de pays tiers.

En conclusion, je recommande aux rédacteurs de la loi de ne pas introduire d’embargo sur la dernière version soumise par l’auteur. Un dépôt immédiat de la dernière version soumise par l’auteur, sur laquelle il ou elle dispose de droits exclusifs avant tout contrat, est permis et nécessaire. Seule la durée d’un éventuel embargo sur la version publiée par l’éditeur est négociable par contrat, et la loi peut en fixer une durée maximale. L’alinéa 2 qui rend les contrats contraires nuls doit être maintenu et étendu aux contrats avec des éditeurs étrangers.

Proposition :

I. Lorsque un écrit scientifique, issu d’une activité de recherche financée par des fonds publics, est publié dans un périodique, un ouvrage paraissant au moins une fois par an, des actes de congrès ou de colloques, un ouvrage collectif ou des recueils de mélanges, son auteur, même en cas de cession exclusive à un éditeur, dispose du droit de mettre à disposition immédiatement et gratuitement sous un format numérique et ouvert, la dernière version soumise de son manuscrit à son éditeur et à l’exclusion du travail de mise en forme qui incombe à ce dernier, et les éventuels jeux de données liées.

« II. – Les dispositions du présent article sont d’ordre public et toute clause contraire à celles-ci est réputée non écrite. Elles s’appliquent aux contrats avec des éditeurs de pays tiers. »

Data Mining et Loi sur le Numérique : une proposition de Sciences Communes

Comme je le signalais dans mon billet précédent, l’exception pour la fouille automatisée des texte et des données est l’une des principales omissions de la loi sur le numérique. Prévue dans une version “fuitée” en juillet dernier, elle a finalement été abandonnée (sans doute sous la pression du lobby de l’édition : c’est l’une de Némésis du pamphlet du président du Syndicat National de l’Édition Richard Malka).

Enfin, il ne faut jamais dire jamais. L’annonce officielle du projet de loi sur le numérique s’est accompagné du lancement d’un processus contributif inédit : la plate-forme République Numérique. J’ai publié tout à l’heure une nouvelle proposition intitulée 9.1 Exception pour l’extraction de textes et de données à des fins de recherche.

Comme la numérotation l’indique, il s’agirait d’une disposition complémentaire à l’article n°9 organisant le libre accès des publications scientifique. Le texte proposé est destiné à être ajouté à la liste des exception au droit d’auteur :

Les copies ou reproductions numériques réalisées à partir d’une source licite, en vue de l‘exploration de textes et de données à des fins de recherche, à l’exclusion de toute exploitation commerciale ou de toute republication, en dehors de courtes citations et d’éléments relevant du domaine public informationnel. Un décret fixe les conditions dans lesquelles l’exploration des textes et des données est mise en œuvre.

Ce texte reprend en grande partie la proposition initiale divulguée en juillet dernier. J’y ai ajouté les modifications et les précisions suivantes :

  • Les conditions de republication sont explicitées (puisque c’est clairement le point qui coince avec les ayant-droits). L’accès devrait être concrètement limité aux membres du projet de recherche, sans qu’il soit possible d’effectuer une diffusion plus large, en dehors d’éléments non protégés par le droit d’auteur (j’en ai profité pour invoquer la notion de domaine public informationnel qui apparaît dans un autre article de la Loi sur le Numérique).
  • L’exception n’est plus cantonnée à la seule recherche publique mais à la recherche en général. Il me semble que l’exclusion de l’exploitation commerciale suffit à discriminer la recherche privée à des fins pécuniaires. Seule reste le cas de la recherche bénévole qui devrait à mon avis être concernée par cette mesure (d’autant qu’en impliquant des Citizen Scientist, un projet comme ContentMine tend un peu à brouiller les frontières).
  • Je n’ai plus spécifié d’impératif de destruction des fichiers après utilisation. À partir du moment où on est dans le cadre d’un “fair use” déjà bien bordé, je ne suis pas certain que cela soit nécessaire.

Autant le dire franchement : dans l’immédiat, je n’attends pas grand chose de cet exercice. Je suis depuis déjà plusieurs années l’évolution des débats parlementaires sur des sujets liées aux nouveaux usages numériques. La seule conclusion que je tirerai de cette expérience accumulée, c’est qu’un nouveau dispositif légal ne s’impose généralement qu’à la longue (voire, à l’usure…). Des mesures essentielles comme la reconnaissance positive du domaine public ou l’élargissement de l’open data ont été fréquemment recalés, avant de commencer à se concrétiser. Elles ont fait leur chemin petit à petit : même les votes négatifs ont permis de conforter leur statut de sujet d’intérêt public. C’est tout ce que je peux souhaiter à l’exception pour le text and data mining…