Archives pour la catégorie Industries académiques

Faut-il signer l’accord d’Elsevier ?

L’annonce des accords conclus par de nombreuses institutions publiques françaises représentées par le consortium Couperin avec Elsevier a été officialisée avant-hier. Ce n’est pas une surprise.

L’annonce circulait déjà largement sur plusieurs listes de diffusion. Estimant que cette information intéressait le public au sens large, Daniel Bourrion l’avait brièvement divulguée sur Twitter… avant d’être sommé de se rétracter par sa hiérarchie. Sauf que rien ne disparaît vraiment sur Internet. Sitôt effacée, l’annonce reparaissait sur ce carnet de recherche dans un billet ensuite repris par le collectif SavoirsCom1.

Le consortium Couperin (qui agissait sous le contrôle bienveillant du ministère de la recherche) s’est félicité de cet arrangement. Constamment orientée à la hausse depuis plusieurs décennies, la politique tarifaire du premier éditeur scientifique mondial aurait reflué : « Sur les 5 années du contrat le prix moyen annuel acquitté par l’ensemble des membres de l’ancien groupement sera inférieur au coût 2013. »

Non seulement l’accord est plus avantageux, mais il inclut de nombreuses améliorations. Le périmètre des institutions concernées passe de 147 à 600. Les éditions imprimées peuvent être obtenus pour 8% du prix de l’édition électronique (au lieu de 25%). Le data mining n’est plus soumis à la loi de la jungle mais à une licence unique.

Ces informations paraissent bien parcellaires. De nombreux points essentiels de la négociation ne sont pas précisés. C’est notamment le cas du prix d’ensemble d’une opération pourtant financée par le contribuable. Nous n’aurons sans doute pas plus d’éléments pas la suite. Le contrat final n’a pas encore été signé : l’accord aujourd’hui divulgué porte sur ses grandes lignes. Et une fois approuvé, le contrat ne sera sans doute pas publié en vertu des clauses de confidentialité d’Elsevier.

Ces informations parcellaires permettent pourtant de se faire un avis éclairé : il ne faut pas signer ces accords…

Un monopole spéculatif alimenté par l’argent public

Elsevier n’est pas un éditeur ordinaire. C’est une multinationale cotée en bourse qui dégage des marges colossales. En 2010 ou 2011, ses bénéfices excédaient un tiers de son chiffre d’affaire : 720 millions de dollars pour 2 milliards de chiffres d’affaire. Elsevier est dans la norme de ses concurrents : 33% de marge pour Springer et Informa, jusqu’à 42% pour John Wiley & sons. Il apparaît nettement comme le géant du secteur : son chiffre d’affaire est deux fois supérieur à ceux de ses trois grands concurrents additionnés.

AcademicPublishingProfitsChiffres de 2010 établis par Mike Taylor

Sur quoi repose un tel succès ? Par-delà la qualité supposée du service proposé, la stratégie commerciale s’appuie sur une entreprise de manipulation à grande échelle. Dans un échange hallucinant, l’un des représentants éminents d’Elsevier, David Tempest, justifie en ces termes la confidentialité des accords passés entre Elsevier et ses partenaires.

Les clauses de confidentialité sont en effet inhérentes à notre système. Nos collections éditoriales offrent de nombreuses options et nous accordons de nombreuses réductions aux bibliothèques. L’utilisation et le coût par utilisation ont significativement baissé, année, après année. Nous devons ainsi nous assuré, afin qu’il y ait une juste concurrence entre les différents pays, que nous maintenions ce niveau de compétitivité. Autrement, tout-le-monde tirerait les prix vers le bas et cela voudrait dire que… [suite du discours étouffé par les rires de l’audience]

Ce système épouvantable où les institutions sont libres de tirer les prix vers le bas et d’aller au meilleur offrant porte un nom : cela s’appelle la libre concurrence. Le monopole d’Elsevier dépend exclusivement de l’ignorance de ce principe fondamental sans lequel aucune économie de marché équilibrée ne saurait exister : la publicité des prix et des offres commerciales. En l’état nous sommes face à un monopole fondé sur une intense spéculation. Comme tout bon spéculateur, Elsevier compte sur le fait que chaque institution est ignorante de la réelle valeur de ses fonds. Le marché de l’édition scientifique dominé par Elsevier illustre pleinement un paradoxe théorique classique de George Akerloff : dans une situation où le vendeur dispose de toute l’information sur le produit cédé et où l’acheteur n’en a aucune, le marché ne peut que se détériorer.

L’élaboration de l’empire Elsevier présageait bien de la suite de l’histoire. Plusieurs chercheurs déjà actifs dans les années 1970 m’ont confié le modus operandi de ce processus d’expansion indéfini : racheter une publication de référence, la saborder complètement, remplacer la publication par une publication formatée par Elsevier. Au terme de ce nettoyage par le vide, l’éditeur s’est assuré un monopole sans limite. Il peut dicter le marché et le conformer entièrement à ses intérêts.

Non seulement la libre concurrence est inexistante, mais ce cadre monopolistique s’est érigé au détriment de l’argent public et de l’argent de la recherche. Dans un marché autorégulé, que resterait-il des 720 millions de marges annuelles d’Elsevier ? Et de combien de moyens supplémentaires pourraient bénéficier les universités, les chercheurs, voire les administrations publiques dans leur totalité si plusieurs centaines de millions n’étaient pas inutilement gaspillés.

Que vend Elsevier ?

Le corpus éditorial d’Elsevier est indirectement financé par l’argent public. En accord avec des critères d’évaluation assez similaires d’un pays à l’autre, les universitaires et leurs laboratoires d’affiliation doivent publier régulièrement des articles dans des revues qualifiantes. Les nombreuses heures de travail nécessaires pour réaliser un travail de recherche abouti sont ainsi fréquemment défrayées par le contribuable. C’est aussi le cas du processus d’évaluation. La fameuse « évaluation par les pairs » est presque toujours bénévole.

J. WEST, C.BERGSTROM, T. BERGSTROM, T. ANDREW/JOURNAL CITATION REPORTS, THOMSON REUTERS
J. WEST, C.BERGSTROM, T. BERGSTROM, T. ANDREW/JOURNAL CITATION REPORTS, THOMSON REUTERS

Où se situe l’apport d’Elsevier dans ce cadre ? À la marge. Le coût de production effectif des publications est devenu quasi-nul avec la substitution de l’édition imprimée par l’édition électronique. Elsevier valorise essentiellement des services associés : les bases de données Scopus et ScienceDirect qui, tout comme Google Scholar, permettent d’effectuer des requête sur l’ensemble d’un corpus éditorial scientifique et, depuis peu, une API autorisant une extraction automatisée des données.

Ces deux services ne sont pas très bons. Scopus présente de nombreux défauts. La base de données est mal actualisée, parfois mal renseignée et demeure très parcellaire : tout ce qui sort du format d’article classique (conférences notamment) est moins bien renseigné que sur Google Scholar. En liant sémantiquement publication, auteurs et objet d’étude, Wikidata devrait sans doute offrir un service bien supérieur d’ici quelques années.

Je suis déjà revenu en détail sur le service de data-mining, désormais épaulé par une nouvelle licence. Disons pour faire court que rien ne va. Les contraintes techniques sont considérables : l’API est obligatoire, les requêtes sont plafonnées à 10000 par semaine, il n’est pas possible reprendre des textes de plus de 200 caractères ou des données non textuelles (illustrations…). La licence d’exploitation excède très largement les dispositions légales existantes : Elsevier revendique un droit de propriété sur ses informations et empêche toute réutilisation commerciale.

La valorisation réelle d’Elsevier est ailleurs. Le leader mondial de l’édition scientifique fonctionne comme une industrie culturelle : il ne vend pas des marchandises ; il vend des fétiches. Le nom d’une revue ou d’une publication notable possède le même pouvoir d’attraction qu’une représentation de Mickey ou de Superman. Elle constitue une référence symbolique profondément ancrée dans la vie d’une ou de plusieurs communautés scientifiques. Bien que le fonctionnement actuel de la publication récupérée entre temps par Elsevier n’ait sans doute plus grand chose à voir avec ses conditions de productions initiales, son aura demeure.

Les métriques tendent à pérenniser l’aura : plus une publications est citée, plus son facteur d’impact augmente ; plus le facteur d’impact est élevé, plus une publication sera recherchée par des chercheurs estimés. Les évaluations publiques institutionnalisent cette situation. En France, l’Agence d’évaluation de la recherche et de l’enseignement supérieur (AERES) ne valide que des publications soumises à des revues qualifiantes et publie à cette fin des listes de revues reconnues.

Pour l’instant, le libre accès n’a rien arrangé. Suivant en cela l’exemple de Springer, Elsevier commence à généraliser le modèle auteur-payeur : le chercheur (généralement par le biais de son institution) achète un droit à publier pour un article qui serait librement disponible en ligne. Le fétiche sort renforcé de ce nouveau dispositif. L’éditeur scientifique ne s’efforce même plus de le maquiller en marchandise : il affirme clairement qu’il ne monnaie que de la reconnaissance symbolique. Il monnaie aussi autre chose au passage : les données personnelles des chercheurs.

Toute la politique économique d’Elsevier converge désormais vers une sorte de capitalisme de la donnée. L’attribution d’un droit à publier, d’un droit de lire et d’un droit à extraire (via le data-mining), constituent autant d’occasion d’alimenter un immense tableau de bord de la recherche mondiale. Des parcours professionnels à l’organigramme des laboratoires, en passant par les budgets des projets de recherche et les recherches bibliographiques, rien n’y est vraisemblablement ignoré. Ce profilage massif peut ensuite être cédé à des partenaires commerciaux ou servir directement la stratégie marketing d’Elsevier. L’éditeur accomplirait une mutation profonde : d’industrie culturelle classique du XXe siècle, il se métamorphoserait en industrie numérique sur le modèle de Google ou Facebook.

Cette impérialisme elsevierien n’est pas une fatalité. Le fonctionnement « fétichiste » de la recherche était légitime il y a encore une quinzaine d’années. Les journées ne sont pas indéfiniment extensibles : il est préférable de limiter son horizon de lecture à quelques revues « de référence ». Les réseaux numériques ont en partie levé cette barrière. L’accessibilité croissante de publications et les outils d’annotations permettent d’intensifier nos temps de lecture. La référence n’est plus indissolublement liée à une publication : elle transite par d’autres canaux.

La communauté de recherche élaborée autour de Wikipédia (les « wiki studies ») a ainsi mis en place tout un écosystème d’échange, de diffusion et de légitimation des publications en partie inspiré par son objet d’étude. Les travaux de recherche sont relayés par une infolettre communautaire, la Wikimedia Research Newsletter, et archivés dans deux bases de données tout autant communautaires (Wikipapers et Wikilit). Dans ce contexte, le cadre éditorial n’a plus vraiment d’importance. Les écrits circulent autant ou sinon mieux sous forme de preprint, dans la mesure où il n’y a aucune barrière à l’accès et à l’évaluation par la communauté de recherche.

En a-t-on encore besoin ?

Le basculement décisif a eu lieu en 2011. Selon une étude financée par l’Union Européenne, c’est à partir de cette année que plus de 50% des publications scientifiques sont librement consultable en ligne.

Cette évaluation est basse. Elle ne prend en compte que les copies « officielles ». Or, de nombreuses republications sont effectuées à l’insu des éditeurs, voir des auteurs eux-mêmes. Le libre accès « pirate » a sans doute pris une ampleur non négligeable. À titre personnel, j’arrive généralement à télécharger en ligne 9 publications sur 10 cherchées. Mon champ disciplinaire (les sciences sociales au sens large : histoire, SICs, économie…) se situe pourtant tout juste dans la norme en terme d’ouverture (par comparaison, les mathématiciens et les astronomes ont un train d’avance avec arXiv).

L’utilité d’Elsevier pour les publications récentes se pose. D’autant que le nouvel accord négocié par Couperin porte sur une durée de cinq ans et que, d’ici là, le modèle économique d’Elsevier devrait s’être massivement réorienté vers un schéma auteur-payeur. À quoi bon acquérir un corpus éditorial déjà accessible ?

Pour les publications plus anciennes, la question se pose avec plus d’acuité. Le libre accès n’est pas rétrospectif : Elsevier n’a strictement aucun intérêt à se délester de ses droits de propriété sur un corpus qu’il peut d’ailleurs revaloriser avec les nouvelles techniques de data-mining.

Il existe une solution assez efficace, mais elle nécessiterait un ajustement du code de la propriété intellectuelle : admettre une forme de « fair use ». Les publications déjà rentabilisées pourraient ainsi être légitimement copiées à des fins d’étude et de recherche scientifique (soit ni plus ni moins que le « fair use » tel qu’il est défini dans la loi américaine). L’administration publique serait libre d’engager un processus de numérisation des anciennes revues d’Elsevier qui dorment actuellement dans nombre de bibliothèques universitaires. Les ?? millions d’euros engagés pour l’accord négocié par Couperin financeraient aisément une nouvelle base de données, avec ceci d’avantageux que l’investissement serait définitif. L’intégration de fonctionnalités communautaires en ferait un outil sans doute plus fiable que Scopus.

La France ne serait sans doute pas seule à emprunter cette voie. Ses voisins européens ont déjà engagé des politiques de libre accès ambitieuses. L’Allemagne a mis en place une loi assez radicale : tout travail de recherche financé majoritairement par des fonds publics peut être librement diffusé 12 mois après a publication initiale sans que l’éditeur puisse s’y opposer. La renumérisation du corpus Elsevier pourrait presque être une initiative européenne.

De l’inconvénient d’être trop cachottier

L’éventail des possibles est large : les quelques pistes que je commence à évoquer ne sont que des solutions parmi d’autres, et pas nécessairement les meilleures. Je ne suis pas certain que la négociation entre Couperin, le Ministère de la recherche et Elsevier en ait vraiment tenu compte. Il n’y là rien de surprenant. Comme le dit un proverbe populaire, « il y a plus d’idées dans deux têtes que dans une ». Or, on s’est limité à quelques têtes alors que cet accord affecte beaucoup de monde : chercheurs, bibliothécaires, personnel administratif des universités, mais aussi citoyens au sens large.

Un processus de négociation véritablement public aurait eu de multiples avantages. Les écueils de l’accord final aurait donné lieu à un véritable débat. La valeur réelle du corpus éditorial, l’efficacité des services associés, les limitations apportées au data mining, les marges considérables de l’entreprise : tout ces éléments seraient pleinement ressortis. L’administration aurait agi en connaissance de cause au lieu d’écouter la petite musique d’Elsevier.

Au lieu de cela, on arrive à une situation curieuse. Des millions d’euros vont être engagés dans un partenariat avec une entreprise opaque, délivrant des services d’un intérêt médiocre et proposant un corpus éditorial en partie accessible. Et, pendant ce temps, la recherche française subit une cure d’austérité qui mène certaines universités à une quasi-faillite.

Data Mining : quand Elsevier écrit sa propre loi…

Le leader mondial incontesté de l’édition scientifique, Elsevier s’engage en faveur d’une simplification du data mining. De nouvelles conditions d’accès, dévoilées le mois dernier, vont grandement simplifier l’accès à l’un des principaux corpus de publications scientifiques. D’autres éditeurs devraient prochainement adopter un modèle similaire. C’est notamment le cas du principal concurrent d’Elsevier, Springer.

En apparence ce pourrait être une bonne nouvelle. La recension de Nature met ainsi en évidence l’engouement de certains chercheurs. Max Hauessler, l’instigateur d’un immense projet d’extraction des articles scientifiques sur le génome humain, a salué l’initiative : « Finalement, tout ceci montre qu’il n’y a plus aucune raison d’être effrayé par le text-mining ». Les membres du Human Brain Project (le projet européen d’étude du cerveau humain, doté d’un budget d’un milliard d’euros) semblent également emballés par l’affaire : « Nous sommes enchanté par tout ceci. Cela résout d’importantes questions techniques ».

En France, le consortium Couperin vient de conclure un accord avec Elsevier, qui comprend une clause spécifique sur le data mining :

Tous les contenus accessibles et souscrits sur ScienceDirect dans le cadre de cet accord seront utilisables à des fins de data et text mining via une interrogation des données par une API connectée à la plateforme ScienceDirect. Les modalités appliquées seront celle du cadre juridique défini par Elsevier pour ce type de service.

Selon les termes de l’accord, plus de 600 établissements publics français pourront accéder au corpus Elsevier. Ce qui constitue autant de point d’accès pour faire du data-mining à une vaste échelle.

Alors, une bonne nouvelle ? En apparence seulement… Le choc de simplification d’Elsevier n’a qu’un mérite : il met fin à une situation relativement chaotique où, faute de cadre légal défini, les chercheurs passaient plus de temps à négocier avec les éditeurs qu’à extraire et analyser le corpus. Pour le reste, tout est mauvais…

API obligatoire…

Les termes de la licence sont profondément inadaptés. Elsevier oblige tout-le-monde à passer par son API. Les robots et les algorithmes de recueil automatiques ne peuvent accéder au site lui-même afin de « garantir la performance et la disponibilité du site pour tous les usagers ». Ce prétexte ne saurait légitimer une interdiction complète. Seul l’usage excessif de requêtes automatisées peut entraîner une baisse de performance du site — raison pour laquelle Wikipédia plafonne les requêtes sur sa base de données (je n’ai plus les chiffres en tête, mais cela devait tourner autour de quelques milliers de requêtes par heure par utilisateur).

L’API n’est obligatoire que parce que Elsevier tient à contrôler directement les termes et les modalités de la recherche. Pour reprendre la terminologie introduite par la thèse (en cours…) de Samuel Goyet, l’API s’apparente étroitement à un texte de loi : elle détermine par avance les commandes qu’il est possible de réaliser.

Les requêtes à l’API sont elles-mêmes plafonnées à 10 000 articles par semaine. Pour un projet ambitieux, c’est peu. En réutilisant ce système pour analyser 3 millions d’articles, Text2Genome y aurait passé près de 300 semaines, soit 6 ans. Et en plus, il lui aurait fallu découper son corpus en rondelle, sans avoir la possibilité de faire une requête unique à l’ensemble du corpus.

Le passage par l’API limite considérablement les possibilités d’analyse. Il est nécessaire de passer par le réseau Internet. Là où une simple base de donnée MySQL permet de survoler plusieurs millions d’entrées en quelques dizaines de seconde, le recours à l’API génère des délais d’attente bien plus longs, dépendant qui plus est des aléas de la connexion (le wifi parfait, ça n’existe pas…).

Vers une privatisation de l’information

L’emprise d’Elsevier ne s’arrête pas là. L’éditeur ne cherche pas seulement à contrôler les projets de data mining en amont, mais aussi en aval. La licence Elsevier comprend trois conditions. Tout élément (output) issu de l’extraction :

  1. peut comprendre des extraits de 200 caractères au maximum du texte original.
  2. doit être publié sous une licence non commercial (CC-BY-NC)
  3. doit inclure un lien DOI vers le contenu original.

La dernière condition est clairement la moins problématique. La traçabilité des données nécessite certes un équipement technique adéquat (pour reprendre le jargon des data scientists, il faut passer du triplet sujet-prédicat-objet au quadruplet sujet-prédicat-objet-source). Mais elle constitue une pratique saine, d’ailleurs appelée à se généraliser. Wikidata inclut ainsi des notes de base de donnée : chaque donnée étant appelée à être étayée par une source fiable.

La première condition contredit ouvertement l’exception de courte citation. En France, le législateur a volontairement adopté une définition floue afin de laisser le juge statuer sur chaque cas selon ses spécificités. Les exceptions sont beaucoup trop nombreuses pour envisager de faire une règle fixe. L’application du droit de citation sera beaucoup plus rigoureuse pour une œuvre courte (comme par exemple un poème) que pour un roman de mille pages. Or Elsevier tente de contourner le droit existant pour imposer sa propre règle : une limite de 200 caractères, purement arbitraire. Cela hypothèque quantité de projet comme le souligne bien Peter Murray-Rust : les noms de composés chimiques excèdent fréquemment la barre des 200 caractères.

Là n’est pas encore le plus grave. La deuxième condition introduit une dérive beaucoup plus problématique : elle requiert une forme de privatisation de l’information. Nul ne peut en effet réclamer de droit de propriété sur une information, une opinion ou une idée. Tous ces éléments relèvent du domaine public de l’information. Pour reprendre l’excellente définition de l’UNESCO, il existe un « indivis mondial de l’information » composé de toutes les informations publiquement accessibles. Le fonctionnement de la recherche repose explicitement sur cet indivis : le format classique de l’article de recherche, quadrillé de notes de base de page, suppose de pouvoir légitimement reprendre une information préalablement publiée.

Les données « solitaires » font globalement partie de ce domaine public de l’information. À moins de reprendre une expression textuelle originale, elles ne sont pas concernées par le droit d’auteur. Le droit des bases de données ne porte qu’au niveau structurel : chaque donnée individuelle est disponible pour n’importe quelle reprise, au même titre que n’importe quelle information publiquement accessible.

Or Elsevier impose discrètement l’idée que les informations pourraient être protégées. L’utilisation du terme ambigu output permet d’opérer ce glissement lourd de conséquence : tout ce qui sort des publications d’Elsevier reste la propriété d’Elsevier et l’éditeur est libre d’imposer ses propres conditions pour leur réutilisation. Ni les informations, ni les données « solitaires » n’échappent à cette appropriation globale : toute reprise du contenu d’Elsevier à des fins de data mining devra être publié sous une licence non-commerciale.

Cette dérive est lourde de conséquence. Une fois que Elsevier est parvenu à imposer l’idée que tout output donne potentiellement lieu à une protection, rien ne l’empêche d’aller beaucoup plus loin. Cette règle peut aisément être généralisée à l’ensemble des pratiques de reprises de l’information. Nous faisons, tous, au quotidien du data-mining en récupérant des informations dans des textes préalablement publiés. L’API et les algorithmes d’extraction ne sont que des outils supplémentaires visant à simplifier cette activité fondamentale. Un projet de l’ampleur de Text2Genome aurait très bien pu être réalisé avec un papier et un crayon : son élaboration aurait simplement pris un ou deux siècles plutôt que quelques années.

Les données sur le data mining

Il ne suffit pas de payer un abonnement à Elsevier pour avoir accès à l’API. Il est nécessaire d’enregistrer son projet sur developers.elsevier.com. Je n’ai pas pu accéder au formulaire (cela requiert un enregistrement préalable). Par contre, Springer a dévoilé un système assez similaire dans une présentation publiée sur le site de la Commission européenne.

Le système de licences de Springer
Le système de licences de Springer

L’éventail des informations nécessaires est large. Les chercheurs doivent décrire le projet et spécifier sa durée, délimiter le contenu à extraire, indiquer si un tiers aurait accès aux informations, etc. Le data-mining selon Springer et Elsevier s’apparente ainsi à une transaction commerciale non monétaire : les projets doivent céder leurs métadonnées pour obtenir les données du corpus éditorial. L’éditeur est ensuite libre d’exploiter ces métadonnées à des fins de marketing ou de les revendre à d’autres organisations.

On aboutit ainsi à un véritable paradoxe. Alors que l’essentiel de la recherche française est financée par l’argent public, seuls quelques grands éditeurs privés ont une vue globale sur l’ensemble des projets réalisés. Et les licences sur le data-mining vont aggraver une situation déjà déséquilibrée. Les éditeurs n’auront pas seulement des informations sur les projets réalisés, mais sur ceux en train de se faire.

Elsevier vs. La loi

Au début de l’année 2013, les grands éditeurs scientifiques marquent un grand coup. Ils parviennent à s’approprier entièrement le seul processus européen visant à doter le data mining scientifique d’un cadre légal : le text and data mining working group. En dépit de nombreuses protestations, les licences éditoriales au cas par cas s’imposent comme la seule solution envisageable : la Commission européenne a explicitement refusé de considérer des solutions alternatives (comme une exception générale).

Dès lors, chaque éditeur pourrait écrire sa propre loi et s’arranger librement avec la législation existante. Elsevier s’affranchit ainsi à la foi du droit de courte citation et du domaine public de l’information.

Depuis quelques mois, cette issue est devenue beaucoup moins certaine. Boycotté par de nombreux interlocuteurs essentiels (comme l’OKFN ou la Ligue des bibliothèques européennes), le Text and Data Mining Working Group a succombé à une certaine léthargie. Plusieurs pays européens envisagent ouvertement une exception (c’est notamment le cas du Royaume-Uni et de l’Irlande). L’exception a d’ailleurs été actée de facto dans la loi américaine à l’issue de la dernière décision du procès Google Books : elle est couverte par le fair use.

La recension de Nature fait ainsi état d’un revirement progressif de la Commission Européenne (peut-être lié à l’approche des prochaines élections européennes). Un nouveau processus de réflexion aurait été confié au juriste britannique Ian Hargreaves. Hargreaves a joué un rôle essentiel dans la conception du programme britannique de modernisation du copyright. Il a également fortement encouragé le développement d’une exception pour le data-mining. En juin dernier, il critiquait ouvertement la politique actuelle de l’Union européenne en matière de droit des bases de données.

Hargreaves devrait remettre son rapport à l’Union Européenne à la fin du mois. La Commission semble désormais assez sensible à un argument économique : les éditeurs ne sont pas, et de loin, les principaux bénéficiaires d’un data-mining libéralisé ; un tel cadre légal profiterait à l’ensemble de la société.

En France, le collectif Savoirscom1 a été récemment auditionné sur le sujet par le Conseil Supérieur de la Propriété Littéraire et Artistique (CSPLA). Les propositions du collectif ont été exposées dans une petite synthèse, que j’ai rédigé avec Lionel Maurel, Quel statut légal pour le content-mining ?.

Le rapport formule pour l’essentiel deux propositions :

  • Reconnaître l’existence d’un domaine public de l’information, qui permet d’extraire toutes les informations et les données solitaires ne répondant pas à un critère d’originalité.
  • Mettre en place une exception limitative, autorisant notamment l’importation substantielle d’une base de données ou de textes soumis au droit d’auteur sous réserve que la copie ne reste accessible qu’au seul projet de recherche.

Bien que nous ayons reçu un assez bon accueil du CSPLA, ces deux propositions sont très loin d’être acquises. Au cours de la semaine passé j’ai été auditionné au sénat par la Mission commune d’information sur l’accès aux documents administratifs et aux données publiques. Je représentais le collectif Savoirscom1 avec Silvère Mercier et Thomas Fourmeux. J’ai commencé à évoquer l’intégration des données de la recherche au régime général des données publiques et la nécessité de formaliser le domaine public de l’information : le président de la mission n’a pu réprimer un certain étonnement tant ces suggestions paraissaient exotiques…

Quel statut légal pour le data-mining ?

Renommée « data-mining », l’exploration automatisée des données est une activité en plein essor. Elle représente un gain de temps et de productivité considérable, dont profite aussi bien la recherche que la société civile. Le projet text2genome a ainsi pu cartographier en quelques années les connaissances scientifiques sur le génome humain en extrayant les données de 3 millions d’articles de recherche.

Un exemple devenu classique des bienfaits du data-mining à grande échelle : text2genome
Un exemple devenu classique des bienfaits du data-mining à grande échelle : text2genome

Cette évolution était, d’une certaine manière, prévisible. Dès la fin des années 1990, plusieurs prophètes de l’ère numérique annoncent l’émergence d’un web 2.0 : le web sémantique. Les communautés supplanteront finalement les données sémantisées et le XML. L’ouverture des données publiques et la frénésie actuelle autour du « big data » permettent de réactualiser un idéal un temps oublié.

Le data-mining n’attire cependant pas que des chercheurs et des bidouilleurs désintéressés. Les industries académiques tentent de capter cette manne nouvelle. Un groupe de travail de la commission européenne officiellement chargé de simplifier cette pratique émergente est en train de leur dérouler un tapis rouge.

Les industries académiques face au data-mining : de l’effroi à l’exploitation

Pour l’heure, le data-mining n’est encadré par aucune statut légal. L’activité est entièrement tributaire du bon vouloir des propriétaires des contenus extraits — ou de l’inventivité de l’extracteur, pour peu qu’il n’hésite pas à hacker le système.

Le code informatique se substitue ainsi à la loi. Comme le souligne Lawrence Lessig, les autorisations mises en place par les services en ligne ont valeur de règle inconditionnelle, alors même qu’elles ne disposent souvent d’aucun fondement juridique.

Les industries académiques redoutent cependant la libération d’un contenu protégé par des enclosures illégitimes. Une large partie des articles de recherche ont été financés par des fonds publics et rentabilisés de longue date : ils devraient être de fait en libre accès. Grâce au data-mining, le regretté Aaron Swartz avait ainsi pu télécharger et mettre en circulation la totalité de la base de données de JSTOR.

Aujourd’hui, cette crainte laisse aujourd’hui la place à un intérêt commercial grandissant. Le but n’est plus tant d’empêcher cette évolution (inévitable) mais d’y trouver des compensations voire de nouvelles sources de rentabilité en revendiquant pleinement l’appropriation des données textuelles.

On aboutit ainsi à des situations absurdes. Des universités paient chèrement un accès aux corpus de grands éditeurs. Pour autant, elles ne peuvent extraire automatiquement les éléments qui les intéresse.

Un article évocateur de Nature fait ainsi état de négociations chronophages. La réalisation du projet text2genome a nécessité 3 ans de tractations tortueuses afin de constituer une base de 3 millions d’articles. Et tous ne sont pas égaux face à l’arbitraire des industries académiques. Google obtient aisément un accès à un corpus, alors que de petites institutions scientifiques font face à des arguties sans fins.

Aux États-Unis, le problème tend à se solutionner. Les chercheurs peuvent invoquer une exception puissante : le fair use. Le procès contre Hathitrust a permis d’esquisser un début de jurisprudence favorable à une libéralisation du data-mining.

En Europe la situation actuelle est beaucoup moins claire. Elle tend même à s’aggraver.

Une réflexion européenne qui tourne mal

Au début de l’année 2013, la Commission Européenne a lancé un groupe de travail sur le statut légal de l’exploration automatisée des données : le Text and Data mining working group. Rapidement des dissensions émergent.

Les industries académiques envisagent la création de licences ad hoc : les chercheurs obtiendraient un droit à extraire moyennant le versement d’un abonnement supplémentaire.

Une présentation de Springer dévoile ainsi un système d’accès encore relativement complexe : tout chercheur désirant accéder à la base doit remplir un formulaire où il détaille son projet de recherche. C’est seulement au terme de ce processus qu’il reçoit une clé d’accès. Ce processus ne permet pas seulement de maintenir un droit de regard sur le data-mining : il facilite la constitution de vastes corpus de méta-données de la recherche. Springer sait désormais exactement qui étudie quoi avec son corpus.

Le système de licences pour le data-mining préconisé par Springer
Le système de licences pour le data-mining préconisé par Springer

Inversement, bibliothécaires et défenseurs de la culture libre rejettent le principe des licences. De leur point de vue, le data-mining devrait simplement faire l’objet d’une exception, au même titre que le droit de citation.

En avril, la Commission a finalement arbitré le conflit au profit des industries académiques. Le groupe de travail ne travaillera que sur les licences, sous le motif curieux que la question de l’exception est « déjà traitée dans d’autres groupes de réflexion ». De nombreux participants du Text and Data mining working group décident alors de boycotter une initiative qui ne rimait plus à rien. La Ligue des bibliothèques européennes de recherche a ainsi publié un communiqué d’une grande clarté :

[nous quittons] un processus de décision dont le résultat est déjà pré-déterminé : l’ajout de nouvelles licences serait la seule solution envisageable aux multiples écueils rencontrés dès lors que l’on souhaite extraire automatiquement les données d’un contenu auquel l’on a déjà accès.

Les termes du débat

La problématique juridique du data-mining est apparemment complexe. Elle se situe aux croisement de plusieurs régimes de la propriété intellectuelle : le droit d’auteur, le droit des bases de données et le droit des systèmes d’information.

La juriste Lucie Guibault a consacré une présentation assez exhaustive de ces questions intriquées et des évolutions inquiétantes de la Commission européenne. Intitulée Intellectual property rights’ obstructions to text and data Mining, elle a été mise en ligne sur YouTube :

L’exploration automatisée pose en effet plusieurs problèmes.

  • Lorsqu’elle porte sur un trop grand nombre de données, il est nécessaire d’importer le contenu à extraire (une base MySQL est autrement plus efficace qu’une série de demandes via une API). Ce qui suppose concrètement de constituer une reproduction accessible à l’ensemble du groupe de recherche (ce qui excèderait la limite du « cercle familial »).
  • Il existe depuis une vingtaine d’années un droit des bases de données spécifique à l’Europe. Ce droit possède des contours flous. Il était prévu pour durer 15 ans mais, pour peu que les bases de données soient continuellement actualisées, il pourrait bien être éternel. La jurisprudence a contribué à relativiser son application : il ne peut être invoqué que lorsque la base de donnée a été republiée substantivement (cf. notamment cet arrêt de la cour de Cassation de 2007). Les éditeurs n’y font d’ailleurs pas souvent appel : Guibault souligne qu’il s’agit plutôt d’un dernier recours, lorsque les méthodes traditionnelles (le droit d’auteur) ne sont plus valables. Si le droit des bases de données crée une certaine insécurité juridique (il n’y a pas de limite claire à partir du moment où la reprise devient « substantielle »), son application reste suffisamment souple pour autoriser l’immense majorité des initiative de data-mining.

Guibault passe également en revue plusieurs exceptions possibles. Elles se révèlent finalement assez peu probantes :

  • À la suite de la directive sur la société de l’information de 2001, les reproductions temporaires à des fins purement techniques sont autorisées. Temporaire n’est cependant pas un vain mot : seuls sont concernées des reprises véritablement éphémères. Les reproductions nécessitées par le data-mining ne rentrent pas dans ce cadre.
  • Le droit de citation permettrait de reprendre et de publier de simples données (qui ne permettent en rien de reconstituer le texte ou la base d’origine). Rien ne permet cependant d’indiquer que le droit de citation s’applique à des bases de données. En France, elles doivent être « justifiées par le caractère critique, polémique, pédagogique, scientifique ou d’information de l’œuvre à laquelle elles sont incorporées. » Or, même si elle possède un caractère scientifique, une base de donnée n’est pas une œuvre.

Guibault conclut en soulignant que, dans l’état actuel de la législation, le data-mining est de facto interdit : on ne peut extraire les données d’un contenu qu’avec l’accord de son propriétaire. Une conclusion que je ne partage pas…

Du droit de lire au droit d’extraire

Toute cette discussion assez formelle laisse de côté un des principes fondamentaux du droit de la propriété intellectuelle : il ne protège pas les informations, mais l’expression originale. Ce principe se retrouve dans toutes les législations. Il est particulièrement bien explicité aux États-Unis où la dichotomie idée/expression fait autorité depuis le procès Baker v. Selden.

En France, on le retrouve plutôt in absentia. Le code de la propriété intellectuelle porte sur des œuvres. Les bases de données ne sont concernées que dans la mesure où « par le choix ou la disposition des matières, [elles] constituent des créations intellectuelles. » Les données individuelles et les informations sont clairement exclues de cette définition.

À cet égard, il convient de démystifier la pratique du data-mining. Il s’agit avant tout d’une technologie intellectuelle (au même titre, par exemple, que le boulier ou la comptabilité à partie double) : un outil permettant de faciliter ou d’automatiser certaines opérations mentales. Au lieu de récupérer et de recouper manuellement des milliers, voire des millions de données, il est possible de confier ce boulot peu gratifiant à de sympathiques algorithmes.

Si le data-mining marque un changement d’échelle, il ne s’agit pas d’une activité fondamentalement nouvelle. Extraire et synthétiser des informations préexistantes constituent le pain quotidien du chercheur depuis que la recherche scientifique existe. Notes de bas de page, graphiques, tableaux : tous ces usages structurants de l’écriture académique reposent sur une forme d’extraction manuelle d’informations préexistantes.

Et la distinction entre extraction manuelle et automatisée n’est pas si évidente que cela. Un simple contrôle+f constitue déjà une forme d’automatisation de l’exploration. Les expressions rationnelles permettent d’affiner ce principe sans avoir recourt à un langage de programmation évolué ou à une base de données.

L’exploration des données est ainsi indissociable du droit de lire. L’accès à un texte permet la reprise de ses informations. Sauf à revenir sur des usages et des principes légaux fondamentaux des sociétés modernes, il n’y a pas à tergiverser : l’extraction de données, sous toutes ses formes, doit être autorisée autant que possible, sans aucune restriction, qu’il s’agisse de formulaires ou de licences ad hoc.

Puisque le débat est ouvert et que certains éditeurs exploitent abusivement une sorte de zone grise, il convient sans doute de préciser noir sur blanc le statut légal du data-mining (et d’en profiter pour autoriser les groupes de recherche à reproduire toutes les ressources qui leur serait nécessaire).

Il n’est pas impossible que la commission européenne fasse machine arrière. Le groupe de réflexion a peu avancé depuis la sécession d’avril. Le Royaume-Uni s’apprête à mettre en place une exception assez large dans le cadre d’un programme de modernisation du copyright. Elle se positionne toutefois sur le terrain restrictif de l’usage scientifique à des fins non commerciales, plutôt que sur celui du lien indissociable entre droit d’extraction et droit de lire.

Quelles que soient les ambitions des industries académiques en la matière, l’Union Européenne a sans doute peu de chance d’aller à contre-courant de l’évolution générale des pays anglo-saxons. Pour en être sûr, il conviendrait de faire davantage de publicité sur ces négociations qui se déroulent désormais loin des regards publics.

Quelle licence pour les archives ouvertes ?

Voici la suite logique de mon billet d’hier. Le principal service d’archive ouverte français, HAL, va peut-être se convertir aux licences libres. Une licence libre en particulier serait le statut légal par défaut de l’ensemble des archives : CC-BY.

Est-ce que le CC-BY est vraiment la licence adaptée ? Il s’agit d’une des licences Creative Commons les plus libérales. Elle n’impose qu’une seule contrainte : la citation de l’auteur. Pour le reste, l’œuvre peut-être reprise avec modification, vendue et republiée sous une autre licence. Un HAL sous CC-BY réunirait toutes les conditions requises pour une diffusion maximale de l’information scientifique. Mais cela n’est-il pas risqué ?

Parmi les nombreuses réactions suscitées par mon billet, on voit poindre deux critiques fondamentales. La première pointe le risque d’une intensification des pratiques d’open washing, soit l’exploitation du libre accès à des fins mercantiles. La seconde souligne le risque d’un décalage excessif par rapport aux usages actuellement en vigueur : la majorité des contrats éditoriaux n’autoriseraient pas une republication en CC-BY.

Ici, je ne vais m’intéresser qu’à la première critique. Elle apparaît clairement comme la plus importante : en servant les intérêts particuliers de certains intermédiaires, HAL irait à l’encontre de l’intérêt général qu’elle est censée servir en tant que plate-forme de publication issue d’un service public.

Face aux industries académiques

Contrairement à ce que l’on aurait pu espérer, l’avènement des réseaux informatisés et du libre accès n’a pas entraîné une émancipation de la recherche scientifique à l’égard du monde marchand. Le pouvoir des industries académiques n’a jamais été aussi étendu. Au terme d’une série de rachats, de nombreuses revues sont aujourd’hui détenues par quatre grandes multinationales : Elsevier, Springer, Wiley et Informa. Du fait de leur position monopolistique, elles continuent de dégager des profits considérables, allant de 30 à 40% de leur chiffre d’affaire.

Chiffres de 2010 établis par Mike Taylor
Chiffres de 2010 établis par Mike Taylor

Le libre accès n’a en rien ébranlé leur emprise. Springer est notamment parvenu à développer une variante lucrative du modèle gold, dit « auteur-payeur » : les auteurs paient chèrement (au minimum quelques milliers d’euros) leur publication dans une revue de référence.

De nouveaux entrants aux méthodes troubles

Les réseaux sociaux scientifiques se multiplient depuis quelques années. Leurs objectifs ne sont en rien désintéressés. Ils visent avant tout à capter cette nouvelle manne d’article librement accessibles en ligne pour le transformer en patrimoine à capitaliser. Généralement, les publications récupérées n’y sont disponibles que moyennant une inscription préalable. Elles donnent lieu à une transaction non monétaire : le chercheur communique ses données personnelles et ses données de navigation qui pourront ensuite être exploitées à des fins de marketing.

Il y a deux mois, la recherche française en libre accès était ébranlée par toute une série de révélations concernant le réseau MyScienceWork. Ce réseau francophone était parvenu à établir sa légitimité en organisant plusieurs événements promouvant les principes fondamentaux du libre accès (tels que la semaine du libre accès). En fin de compte ses pratiques commerciales ne différaient en rien de la quasi-totalité des réseaux scientifiques : la récupération de publications en libre accès puis leur enclosure dans un espace désormais fermé constituait la base de son modèle économique.

Ces réseaux scientifiques tirent parti de l’une des principales faiblesse des archives ouvertes : leur éclatement. Chaque université tend à publier sa propre plate-forme, de telle sorte que l’on ne sait jamais exactement où l’on va trouver l’information cherchée. Il est nécessaire de passer par des interfaces tierces : généralement Google, Google Scholar ou, de plus en plus, ces réseaux scientifiques.

Le modèle centralisateur de HAL apportait un premier remède à cette dérive préoccupante en développant une plate-forme unique pour de nombreuses universités françaises.

Des limites du non-commercial

La licence CC-BY ne risque-t-elle pas d’aggraver la situation ? En autorisant les réutilisations commerciales ne va-t-elle pas offrir un pont d’or aux pratiques peu recommandables de ces nouveaux entrants ? Pas nécessairement.

Il existe certes une licence Creative Commons non-commercial qui, comme son nom l’indique, empêche les usages commerciaux. Seulement, dans le cas particulier de la publication scientifique, elle n’a jamais constitué un garde-fou bien solide. Les réseaux scientifiques peuvent facilement jouer sur les mots. Par exemple, est-ce que la cession de données personnelles constitue une transaction commerciale ? J’ai tendance à penser que oui, mais l’on peut aisément arguer qu’elle n’a aucun fondement monétaire.

En empêchant les usages commerciaux, l’on risque de nuire à certains usages tout à fait légitimes. Par exemple, on peut très bien envisager de diffuser des publications scientifiques sur une clé USB pour des universités de pays en voie de développement, n’ayant pas accès Internet. Il ne semble pas inconsidéré de défrayer cette activité. De même, les articles journalistiques de vulgarisation scientifique peuvent volontiers inclure des extraits de publications scientifiques qui vont bien au-delà du droit de citation. Pour autant l’écriture de ces articles relève d’une activité commerciale.

Une recherche financée (qui constitue la majeure partie des dépôts en archives ouvertes) sur fond public devrait autoriser ces usages et réutilisations. Elle a déjà été payée par la société civile : elle sert un intérêt général. Tant qu’ils n’ont pas contribué majoritairement à son financement, les intermédiaires ne peuvent prétendre préempter tous les usages commerciaux à venir.

L’information scientifique est naturellement destinée à être diffusée aussi largement que possible. C’est là un impératif éthique au sens large, qui n’affecte pas seulement des intérêts économiques ou sociaux, mais la vie quotidienne. De la bonne circulation de l’information médicale dépend le bon suivi, voire la guérison de nombre de patients.

Préserver la licence pour préserver nos biens communs scientifiques ?

Le CC-BY-SA est peut-être le meilleur remède à l’open washing. La condition « Share Alike » implique une préservation de la licence originelle. Par exemple, l’œuvre ne peut être publiée de nouveau dans une plate-forme soumise aux droits d’auteurs ou à une licence Creative Commons plus restrictive. Autant les réseaux scientifiques peuvent prétendre être dans une zone grise par rapport au « non-commercial », autant le partage à l’identique pose un véritable souci. Aussi bien ResearchGate que ScienceOpen republient de facto toutes les publications captées sous le régime du droit d’auteur ou du copyright. Il ne serait pas difficile de les attaquer là-dessus tant l’infraction est évidente.

L’exemple de Wikipédia suffit à en prouver l’efficacité du CC-BY-SA. Bien que la revente des articles de Wikipédia soit tout à fait licite, elle n’a jamais donné lieu à une exploitation de grande ampleur : ce qui est gratuit ne vaut rien ; les copies sont si nombreuses qu’on ne peut plus les monétiser à une grande échelle.

En même temps, le CC-BY-SA empêche bien peu de réutilisations. Elles compliquent la constitution de bases de données reprenant des extraits de publication allant au-delà du droit de citation. La préservation de la licence implique la création d’un mille-feuille juridique sans que l’on puisse republier l’ensemble des œuvres originelles sous une seule licence. C’est finalement un prix à payer assez faible au regard des avantages du partage à l’identique.