Archives pour la catégorie Ouverture des données scientifiques

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…)

Les données ouvertes et la recherche : quel état des lieux ?

Cette semaine c’est l’Open Access Week. Pour marquer l’occasion, de nombreuses ressources sont publiées (#teasing : reviendez demain pour une nouveauté de et par Pierre-Carl 🙂 ).

Parmi ces ressources, figshare a édité une compilation d’articles traitant des données ouvertes dans le domaine de la recherche scientifique. Pour rappel, figshare est la première plate-forme au monde à proposer la publication de jeux de données issus d’expérimentation scientifique ainsi que des figures et autres supports n’ayant pas trouvé de place dans un article scientifique « officiel ». Séquence émotion pour votre serviteure qui était en thèse au même moment que Mark, le fondateur de figshare, avec qui on avait organisé une compétition de blogs scientifiques et co-écrit la toute première FAQ de figshare.

Mais revenons à nos moutons. Le rapport de figshare, intitulé The State of Open Data, est une sélection de divers papiers de recherche écrits par des scientifiques de différentes universités, de représentants associatifs et d’experts du secteur privé. Le sujet est assez vaste et parle des données ouvertes en général, même si les données de la recherche y ont une place notable. N’y cherchez pas par contre de participation française…

Que disent les chercheurs ?

Deux articles présentent les conclusions du questionnaire adressé à la communauté scientifique par figshare. Le questionnaire a recueilli les réponses d’environ 2 000 personnes. Les données brutes anonymisées sont disponibles sur figshare. J’en ai utilisé pour illustrer certains points de la discussion.

Deux grandes dimensions ressortent des réponses : les défis structurels et ceux liés à la culture de l’ouverture de la recherche. Cette dernière englobe les questions « classiques » du genre « mais pourquoi devrais-je ouvrir mes données alors que mes collègues n’en font rien ? », « est-ce que mes concurrents vont utiliser mes données pour me devancer dans la publication et donc, avoir les financements pour lesquels je rempile ? » ou encore « peut-on se rendre compte que j’ai un peu exagéré les résultats obtenus ? ». La question de la reconnaissance des efforts individuels d’ouverture des données revient à différents endroits dans le rapport et notamment dans l’article de David Groenewegen (directeur de recherche à l’université Monash, Australie ; pp. 34-36). Ces questionnements sont « humains », pour reprendre le qualificatif des auteurs, mais je ne m’y attarderai pas.

La dimension structurelle qui émerge de ce questionnaire est discutée en de plus amples détails. Elle englobe des questionnements plus pratiques tels que « qu’est-ce que je dois faire pour ouvrir mes données ? », « quel(s) est(sont) le(s) bon(s) format(s) ? », « ai-je la permission de mon agence de financement de partager les données de mes recherches ? » ou encore « partager OK, mais n’est-ce pas du travail supplémentaire pour moi et qui ne reçoit aucune reconnaissance ? ».

Les réponses recueillies permettent de dresser un état des lieux de la connaissance et l’utilisation des données ouvertes en recherche. Bien évidemment, la méthodo peut être critiquée, mais les observations que l’on peut faire ont un intérêt qualitatif et méritent d’être soulignées.

La majorité des interrogés (n = 1 915) connaissent l'existence de données scientifiques ouvertes, soit des données librement accessibles et réutilisables.
La majorité des interrogés (n = 1 915) connaissent l’existence de données scientifiques ouvertes, soit des données librement accessibles et réutilisables.
Parmi les interrogés, une proportion importante a déjà fait des démarches d'ouverture de données.
Parmi les interrogés, une proportion importante a déjà fait des démarches d’ouverture de données.
Une majorité des interrogés (n = 1 777) a déjà réutilisé des données ouvertes qu'une autre équipe de recherche a mises à disposition.
Une majorité des interrogés (n = 1 777) a déjà réutilisé des données ouvertes qu’une autre équipe de recherche a mises à disposition.
Une proportion non-négligeable des interrogés juge que les données ouvertes réutilisées ont été importantes pour leur projet de recherche. La proportion de ceux ayant répondu "pas du tout important" est pratiquement de 0 %.
Une proportion non-négligeable des interrogés juge que les données ouvertes réutilisées ont été importantes pour leur projet de recherche. La proportion de ceux ayant répondu « pas du tout important » est pratiquement de 0 %.

Et parlant de recherche et d’obtention de financements, le monstre des citations s’impose. Les réponses sont assez intéressantes ici :

Parmi ceux ayant déjà rendu leurs données de recherche ouvertes, une proportion non négligeable estime que la citation de ces jeux de données est au moins aussi importante qu'une citation d'article, si ce n'est plus (10 % des interrogés).
Parmi ceux ayant déjà rendu leurs données de recherche ouvertes, une proportion non négligeable estime que la citation de ces jeux de données est au moins aussi importante qu’une citation d’article, si ce n’est plus (10 % des interrogés).

De manière assez surprenante quand même, les interrogés avouent ne pas toujours bien savoir comment citer les jeux de données réutilisés.

Au-delà des observations autour des pratiques, on peut également tirer quelques conclusions supplémentaires également intéressantes :

  • Une majorité des chercheurs (y compris des jeunes chercheurs) ont besoin d’accompagnement légal pour naviguer les complexités contractuelles de leurs financements. Ce besoin est exprimé aussi bien par les chercheurs ayant déjà publié des données en open data que par ceux qui ne l’ont jamais fait auparavant.
Parmi ceux ayant déjà rendu leurs données de recherche ouvertes, une proportion non négligeable a cependant des difficultés pour définir le conditions légales et, ainsi, le "niveau d'ouverture" desdites données.
Parmi ceux ayant déjà rendu leurs données de recherche ouvertes, une proportion non négligeable a cependant des difficultés pour définir le conditions légales et, ainsi, le « niveau d’ouverture » desdites données.
Le paysage des financements est très embrouillés : une majorité ne sait pas qui financera les démarches d'ouverture de données.
Le paysage des financements est très embrouillé : une majorité ne sait pas qui financera les démarches d’ouverture de données.

La question des licences est loin d’être anodine. Je vous recommande vivement la lecture de cette brève « twitterstorm » de John Wilbanks, anciennement à l’origine de Science Commons (l’initiative liée à la science chez Creative Commons) et aujourd’hui, l’un des piliers de Sagebio. Il souligne la complexité inhérente de la notion de propriété intellectuelle et son rapport peu amène avec l’objet « données » :

  • Le rôle des bibliothécaires a énormément évolué : ceux-ci se retrouvent au croisement des connaissances sur les données, le code et les cadres légaux ;
  • La perception de la publication scientifique a aussi énormément changé : un article n’est plus l’objet unique, statique, composé de texte gravé dans le marbre. Comme on l’a déjà dit par ailleurs sur ce blog, l’article scientifique est devenu la pub pour votre recherche ; ainsi, la routine éditoriale implique aujourd’hui la publication conjointe de l’article, des données produites dans le cadre de l’étude, du code utilisé pour les analyser et, dans certains cas, de fichiers multimédias annexes. La publication scientifique est donc une version de la connaissance du sujet pouvant évoluer.
  • Le volume a une importance (ou, plus prosaïquement, size matters) : si vous vous intéressez un peu au monde des données, vous ne serez pas étonné-e que l’attention (médiatique, financière) se porte le plus souvent sur le big data (les mégadonnées dont la volumétrie dépasse les terabytes). Cependant, les small data restent fermées : seulement 22 % des chercheurs indiquant produire des mégabytes partagent leurs données. Mais c’est aussi là que se cachent la diversité et les informations importantes mais trop souvent négligées, à savoir les résultats négatifs, les figures rejetées de l’article final, etc.

Ces observations font donc ressortir l’importance de trois éléments structurels du processus par lequel on rend publiques des données issues de la recherche scientifique :

  1. Les métadonnées : il s’agit de ce que l’on appelle communément des données sur les données (date de création du fichier, son format, etc.). Dans la mesure où une publication devient une version d’enregistrement de la connaissance, une quantité invraisemblable de métadonnées vient avec cet objet : on a aussi bien celles générées par l’utilisateur que celles générées par le traitement automatique. Il y a par ailleurs de nombreux éléments du processus de recherche qui ne figurent pas (encore) au firmament des objets à ouvrir : les protocoles expérimentaux utilisés, les réglages des appareils, etc. La quantité de métadonnées accompagnant la publication de données et résultats scientifiques ne fera donc que croître et on se retrouve rapidement dépassé-e par les volumes à appréhender et gérer.
  2. La « curation » : autrement dit, le fait de choisir ce qui est pertinent pour un sujet donné. Faire de la veille implique de faire ces choix-là et passe par diverses étapes qui enlèvent ce qui est peu pertinent et qualifient les sources retenues pour une exploitation future. Mais si on a des outils plutôt corrects pour suivre les publications de nos pairs, comment gérer l’invraisemblable quantité de métadonnées dont je parlais juste ci-dessus ? Les auteurs soulignent ainsi le besoin de toujours créer des outils pour structurer les métadonnées et les travailler pour faciliter leur curation et (ré)utilisation ultérieures.
  3. La revue par les pairs : j’allais parler de Retraction Watch (même si les auteurs ne le font pas), de la publication de résultats négatifs ou neutres et de diverses autres initiatives telles que Software Carpentry, Run my Code, etc. mais je vais laisser pour une prochaine fois.

« L’économie politique de la recherche »

Dr Sabina Leonelli (University of Exeter, Royaume-Uni, pp. 7-12) met l’accent sur l’impact des données ouvertes sur l’économie et la politique de la recherche tel que l’on peut le penser à partir des conceptions que l’on a des données scientifiques :

Que la recherche soit mue par des données plutôt que par des théories, des hypothèses, des modèles ou des changements de politiques publiques reste un sujet de débat. Ce qui est clair [cependant], c’est que les données sont de plus en plus conceptualisées comme des produits dont la valeur est inhérente à la recherche scientifique, plutôt que comme des composantes du processus de recherche qui n’ont pas de valeur propre.

Elle ajoute que les réutilisations que l’on peut faire de ces données ne ressemblent pas toujours celles que l’on fait traditionnellement des publications scientifiques. Ainsi, il est important de bien analyser pourquoi le mouvement en faveur des données ouvertes est devenu aussi populaire dans le discours scientifique et politique contemporain. Pour ce faire, elle propose d’articuler la réflexion autour des quatre dimensions suivantes :

  1. Les données ouvertes (mouvement open data) sont une plateforme commune où les chercheurs, les institutions de recherche et les bailleurs de fonds peuvent échanger autour des difficultés pratiques de l’ouverture et la réutilisation des données issues de la recherche.
  2. Les données ouvertes contribuent à une discussion plus large autour de la transparence et de la légitimité des financements ainsi que à celle du retour sur investissement, piliers des politiques publiques de la recherche et préoccupations des bailleurs de fonds.
  3. Le mouvement open data s’aligne sur des défis plus globaux tels que les acteurs désormais incontournables de la recherche issus de centres scientifiques hors de la zone euro-américaine.
  4. Les données ouvertes sont un exemple de l’introduction de la recherche scientifique dans des logiques de marché. Assez pragmatiquement, ce point aborde la conception des données comme des objets politiques, sociaux et financiers. « L’idée même des données scientifiques comme artéfacts pouvant être vendus, échangés et réutilisés pour créer de nouvelles formes de valeur est indissolublement liée à la logique de marché où les données sont des objets d’échange ». De même, l’idée de libre circulation de données scientifiques pose des défis quant à la conception de compétition et propriété non seulement au sein de la communauté scientifique, mais aussi dans les interactions de celle-ci avec d’autres acteurs.

Pour rebondir sur les considérations sociétales et culturelles et la valeur des données de recherche, l’article de Prof. Daniel Paul O’Donnell (université Lethbridge, Canada ; pp.38-40) sur les changements induits par les données ouvertes dans les sciences humaines est intéressant. Il y élabore le changement de pratique et la redéfinition des objets d’étude en SHS, dans une veine sensiblement épistémologique. En effet, la tradition veut que les chercheurs en SHS travaillent sur des détails provenant d’un corpus réduit lesquels permettent de construire une argumentation plus générale et généralisable. Comme il le remarque avec un certain amusement, « à l’ère de l’open data, on peut être tenté de voir cette démarche comme une analyse d’un petit échantillon sans puissance statistique ». Mais une telle critique constituerait « une sorte d’erreur catégorielle », comme il dit. En effet, la recherche SHS diffère de celle dans les sciences dites « dures » par sa finalité : les premières visent à l’interprétation alors que les dernières cherchent des solutions. Ainsi, conclut-il :

[l]e véritable défi pour les sciences humaines à l’ère des données ouvertes numériques est de reconnaître la valeur des deux types de sources, à savoir le matériau que nous pouvons générer avec des algorithmes à des échelles autrefois impensables et la valeur toujours actuelle du passage originel.

Enfin, diverses participations proposent des approches permettant d’accélérer les activités de plaidoirie et de sensibilisation autour de l’ouverture des données de recherche. Je vous laisse les découvrir et, qui sait, vous en inspirer !

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.

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.

L’ouverture des données de recherche à SOData!

Cette année, nous avons été conviés à faire la keynote de fermeture de la conférence SOData! (Scientific Open Data!).  Nous avons tenu à faire la part belle aux différents développements observés et souhaités dans le domaine de l’ouverture de la connaissance scientifique et à rappeler que, pour parvenir à rendre la science libre et ouverte, il nous faut faire attention aux logiciels, protocoles, données et publications.

Notre support de présentation est disponible ci-dessous. D’après les demandes sur divers réseaux sociaux, nous publierons bientôt un compte-rendu en anglais.

Des Successions à Wikidata : vers un réseau social des philosophes antiques ?

C’est une obsession ancienne. Dès le IIIe siècle avant notre ère, des Successions de philosophes dressent la généalogie des relations entre maîtres et élèves.

L’obsession est encore bien vivante dans certaines disciplines. Mathématiciens, astronomes et chimistes tiennent ainsi à jour des bases de données de généalogie universitaire ; ils en tirent parfois des indices de proximité (ainsi, l’indice d’Erdös, qui désigne le degré de distance de tel mathématicien avec Paul Erdös). Ces initiatives restent partielles : elles sont cantonnées à une seule culture disciplinaire.

Le projet Wikidata permet d’aller au-delà : il aspire à composer une base de connaissance universelle. Sa communauté améliore et reformule continuellement une ontologie couvrant la totalité du savoir humain. Elle a ainsi créé depuis quelques mois une catégorie « étudiant de » (alias P1066), qui permet de signaler que X a étudié avec Y.

C’est ainsi que l’obsession m’a pris. J’indique que Simplicius est un disciple de Damascius, puis, de fil en aiguille, j’en viens à renseigner les relations maître-élève de plusieurs centaines de philosophes et de scientifiques de l’antiquité et du moyen-âge. En arrière-plan de cette pratique compulsive, une question qui hantait déjà les lointains auteurs des Successions : peut-on reconstituer une filiation du savoir, des premiers présocratiques à nos jours ? Par-delà les aléas de l’histoire, les crises et les bibliothèque brûlées, serait-il possible d’identifier une chaîne ininterrompue de la transmission intellectuelle ?

Partant de Socrate, j’ai ainsi commencé à modéliser un réseau des généalogies intellectuelles hellénistiques (pour l’instant en anglais uniquement). Chaque lien correspond à un enseignement ; chaque couleur à une école philosophique. Il suffit de cliquer sur l’image ci-dessous pour accéder au réseau interactif.

Le réseau maître-élève des philosophes antiques
Le réseau maître-élève des philosophes antiques. Cliquez sur l’image pour ouvrir la modélisation.

Le programme ayant permis de réaliser cette modélisation a été mis en ligne sur GitHub : il est suffisamment « abstrait » pour servir à des réutilisations variées (j’ai ainsi eu des sollicitations pour représenter des réseaux moléculaires).

Cette petite expérimentation personnelle s’apparente ainsi un essai de publication composite en open science, associant un article, des données (ajoutées sur Wikidata) une visualisation et un algorithme (et je pourrai également joindre rétrospectivement, plusieurs d’articles de Wikipédia consacrés à des philosophes hellénistiques, tels Euclide de Mégare).

De la réutilisation des données

Les relations modélisées ci-dessus ne viennent pas de nulle part. Elles ont été modelées par une longue série de réceptions et de transmissions. La seule Succession conservée, les Vies et doctrines des philosophes antiques de Diogène Laërce est notre principale référence. Elle s’appuie sur une multitude de sources dont nous n’avons qu’une faible idée.

Le genre des Successions est contraignant. Il postule d’emblée l’existence d’une généalogie philosophique, quitte à faire rentrer dans ce moule des « relations » très différentes qui vont du simple auditeur au disciple le plus fidèle. Le style des Vies et doctrines des philosophes antiques est imprégné de ce formalisme. La succession des disciples du philosophe sceptique Pyrrhon mentionnée dans le livre IX (116) s’apparente ainsi plus à une liste, voire à une base de données qu’à un développement rédigé :

Euphranor eut pour auditeur Eubule d’Alexandrie ; celui-ci, Ptolémée ; celui-ci Sarpédon et Héraclide ; Héraclide eut pour auditeur Énésidème de Cnossos qui écrivit des Discours Pyrrhoniens en huit livres ; celui-ci, Zeuxippos de Plis ; celui-ci Zeuxis dit Pied-tordu ; celui-ci, Antiochus de Laodicée du Lycos ; ce dernier eut pour auditeurs Ménodote de Nicomédie, médecin empirique et Theiödas de Laodicée…1 .

Cette structure procédurale est encore plus explicite en version originale (les connecteurs logiques sont soulignés) :

Εὐφράνορος δὲ διήκουσεν Εὔβουλος Ἀλεξανδρεύς, οὗ Πτολεμαῖος, οὗ Σαρπηδὼν καὶ Ἡρακλείδης, Ἡρακλείδου δ’ Αἰνεσίδημος Κνώσιος, ὃς καὶ Πυρρωνείων λόγων ὀκτὼ συνέγραψε βιβλία· οὗ Ζεύξιππος ὁ πολίτης, οὗ Ζεῦξις ὁ Γωνιόπους, οὗ Ἀντίοχος Λαοδικεὺς ἀπὸ Λύκου· τούτου δὲ ΜηνόδοτοςΝικομηδεύς, ἰατρὸς ἐμπειρικός, καὶ Θειωδᾶς Λαοδικεύς·

La recherche hellénistique et philologique s’est attachée à déconstruire les présupposés des Successions. Elle a ainsi mis en doute la véracité de certaines lignées mentionnées par Diogène (et, vraisemblablement, par ses prédécesseurs). Ainsi la succession de Pyrrhon s’apparente-t-elle à une reconstitution « forcée » : à défaut, de pouvoir identifier avec certitude une série de relations maître-élève, les doxographes élaborent une succession plus ou moins « vraisemblables ».

Cette liste est sans doute une fabrication tardive, chronologiquement insatisfaisante, mais utilisant des noms de personnages réels, et destinée à rattacher par une lignée apparemment ininterrompue de philosophes et de médecins, le scepticisme néo-pyrrhonien de l’époque de Sextus Empiricus à son ancêtre revendiqué, Pyrrhon2 .

Les bases de données modernes n’intègrent généralement pas ce recul critique. L’information s’intègre dans un triplet tout aussi contraignant que les Successions antiques : sujet-prédicat-objet, ou dans le cas qui nous intéresse, maître-enseigne-élève. Le Mathematics Genealogy Project nous dit ainsi que Theodore Metochites a suivi les leçons du grand ancêtre des mathématiciens Manuel Bryennios en 1315. Une publication spécialisée le qualifie plutôt d’ami qu’élève et ne mentionne pas de date aussi précise.

Un exemple de triplet : la fiche de « Manuel Bryennios », sur le Mathematical Genealogy Project
Un exemple de triplet : la fiche de « Manuel Bryennios », sur le Mathematics Genealogy Project

Le schéma documentaire de Wikidata n’élude pas ces incertitudes. Il est possible d’associer à de spécifier la provenance d’une information et, surtout, de la qualifier (c’est le rôle des qualificateurs). Il existe ainsi une propriété « sourcing circumstances », qui permet d’indiquer si la source mise en référence considère que ce fait est probable ou hypothétique.

Un exemple du schéma documentaire de Wikidata : les maîtres de Platon
Un exemple du schéma documentaire de Wikidata : les maîtres de Platon

L’indication du Mathematics Genealogy Project, Theodore Metochites a été l’étudiant de Manuel Bryennios en 1315 pourrait ainsi devenir Selon la source X, Theodore Metochites a peut-être étudié avec Manuel Bryennios au cours de la décennie 1310. Le potentiel du projet pour les sciences humaines et sociales est considérable. L’approximation ou, plus péjorativement, la « mollesse » n’est pas un obstacle au regroupement des informations dans une base de données : elle constitue une donnée en soi.

Une image des liens communautaires

La visualisation des liens maître-élève des philosophes antiques que je dévoile tire partie des opportunités inédites de Wikidata. Les liens entre philosophes sont en effet colorés selon la probabilité de la relation : d’hypothétique (rouge) à quasi-certain (vert). La succession pyrrhonienne de Diogène Laërce peut ainsi être mentionnée, tout en restant ferment cantonnée dans son statut de lignée hypothétique.

Gros plan sur la succession hypothétique de Pyrrhon
Gros plan sur la succession hypothétique de Pyrrhon

La visualisation révèle d’autres éléments bien connus des spécialistes, mais moins du grand public. Au cours des siècles précédant notre ère, les interactions entre les écoles philosophiques sont extrêmement nombreuses. Certains mouvements assument même un rôle de « médiateur » : grands maîtres de la logique ancienne, les mégariques ont ainsi essaimé un peu partout.

L'école Mégarique au cœur du réseau philosophique du IVe siècle
L’école Mégarique au cœur du réseau philosophique du IVe siècle

Dans ce réseau touffu, les écoles philosophiques s’apparentent plus à des programmes de recherche qu’à des doctrines immuables. Le Lycée d’Aristote s’attache ainsi à développer une « recherche coopérative » à visée encyclopédique, en mettant tous les intervenants sur un pied d’égalité3.

Il paraît d’ailleurs difficile de séparer les écoles des disciplines spécialisées en voie de constitution (médecine, mathématique, géographie, histoire…). Celles-ci sont partie prenante du débat philosophique : le scepticisme de Pyrrhon a été indifféremment illustré par des médecins et des philosophes ; une lecture attentive du réseau révèle que Platon est à l’origine, via Eudoxe de Cnide, de toute une lignée d’astronomes et de mathématiciens.

Une école platonicienne oubliée : la lignée mathématique d'Eudoxe de Cnide
Une école platonicienne oubliée : la lignée mathématique d’Eudoxe de Cnide

Certaines écoles se confondent d’ailleurs avec une discipline : les mégariques se consacrent exclusivement à la logique ; le Lycée, sous l’égide de Théophraste, se spécialise dans l’étude des sciences naturelles.

Des communautés fragiles

À l’exception de la succession pyrrhonienne problématique, la visualisation s’arrête à Cicéron. Ce n’est pas un choix : les écoles philosophiques connaissent une crise durable à la fin de l’ère hellénistique. L’Académie, le Portique et le Jardin disparaissent au cours de la première moitié du Ier siècle av. J-C, ne laissant que des communautés périphériques4. L’époque correspond également à la première disparition de la bibliothèque d’Alexandrie, qui n’aura plus que des incarnations de moindre envergure.

Nous sommes ainsi amené à nous distancer de la thèse classique de Karl Gottlob Zumpt exposée dans un traité de 1843 et aujourd’hui très largement contestée par les spécialistes : les écoles philosophiques athéniennes ne se sont pas maintenues continuellement de Socrate à Justinien. Pour l’instant, je n’ai pas décelé de lignée directe permettant de relier les institutions philosophiques hellénistiques aux réseaux intellectuels de l’Empire. L’écart n’est pas considérable. Les maîtres des maîtres de Sénèque sont quasiment contemporains des derniers scholarques. Par la suite, le stoïcisme impérial et les lignées de médecins (relativement bien documentées par les nombreux écrits de Galien) couvrent bien les deux premiers siècles ap. J-C. Le néo-platonisme prend ensuite le relai jusqu’à la fermeture de l’école d’Athènes en 529.

Et s’ouvre le grand hiatus : ces fameux « âges sombres » (dark ages), qui correspondent effectivement à un trou noir de la transmission intellectuelle. Les derniers néo-platoniciens tentent un temps de perpétuer la tradition philosophique en Perse. L’expérience ne prend pas : ils rentrent apparemment dans l’empire Byzantin en 533. Puis leur trace se perd… ou peut-être pas totalement.

Il existe en effet quelques fragments de continuité jusqu’aux haut-moyen-âge. À la fin du VIe siècle, un certain Étienne d’Alexandrie enseignait à Constantinople. C’est une figure mystérieuse, que l’on confond peut-être avec d’autres Étienne de la même époque. Il pourrait avoir fréquenté les derniers néo-platoniciens ; il pourrait avoir donné des leçons à Théodore de Tarse. Or, vers le mitan du VIIe siècle, Théodore voyage un temps avec un théologien anglo-saxon, Benoît Biscop (même si personne ne se risque à évoquer une relation de maître à l’élève, l’échange d’idées est probable). Le Benedict en question n’est autre que le maître de Bède le Vénérable et de Bède à la Renaissance carolingienne, il n’y a qu’un pas…

Ces réseaux brisés sont peut-être finalement plus instructifs que la belle lignée continue que j’envisageais initialement. Ils illustrent la grande fragilité des communautés intellectuelles. L’échange des idées n’est pas qu’un mécanisme abstrait : il requiert des outils et des dispositifs de communication coûteux.

Les citoyens et les royaumes hellénistiques n’avaient pas regardé à la dépense. Les écoles philosophiques d’alors sont alors vraiment des écoles : le Lycée et l’Académie sont régulièrement fréquentées par plusieurs centaines d’étudiants. Parallèlement, la circulation et la conservation du savoir est assurée par les grandes bibliothèques d’Alexandrie et de Pergame.

Cette circulation peut s’interrompre brièvement sans trop de dommages. Si le hiatus s’étend sur plus d’une génération, son impact est irréversible. Dans le meilleur des cas, les textes fondateurs de la communauté parviennent à survivre, mais les cultures textuelles (soit les pratiques intellectuelles et documentaires dont les textes étaient indissociables), s’éclipsent sans retour. C’est ainsi qu’un adepte de la pédagogie coopérative comme Aristote a pu être imposé comme une autorité indiscutable.

Et tout ceci nous ramène à Wikidata et aux grands projets collaboratifs de la connaissance libre. La valeur de ces projets ne réside pas dans un capital informationnel accumulé au fil des années, mais dans l’activité continuelle d’une communauté vivante. Étant donné l’immense corpus de copies numériques et physiques, les millions d’articles de Wikipédia ne sont probablement jamais perdus. Et, pourtant, sans actualisation et sans perspective d’amélioration continue, ce corpus perdrait progressivement toute pertinence. La dispersion des contributeurs et de la mémoire collective des usages communautaires signerait, de fait, la disparition du projet.

La visualisation des généalogies intellectuelles hellénistiques a finalement des accents élégiaques. Les derniers points marquent autant d’impasses irrémédiables. Les lignes rouges, hypothétiques, de la succession de Pyrrhon matérialisent une tentative finalement émouvante de reconstituer, malgré tout, une continuité définitivement perdue.

  1. Diogène Laërce, Vie et doctrine des philosophes antiques, édition sous la direction de Marie-Odile Goulet-Cazé, Libraire générale française, 1999, p. 1144 []
  2. Jacques Brunschwig, art. « Euboulos d’Alexandrie », Dictionnaire des philosophes antiques, III, p. 250 []
  3. David C. Lindberg, The Beginnings of Western Science: The European Scientific Tradition in Philosophical, Religious, and Institutional Context, Prehistory to A.D. 1450, University of Chicago Press, 2010, p. 70 []
  4. Pour le cas particulier de l’Académie, cf. l’excellente synthèse de John Gluckner, Antiochus and the Late Academy, Göttingen, Vandenhoeck und Ruprecht, 1978 []

Text mining : vers un nouvel accord avec Elsevier

La semaine est placée sous le signe de la divulgation de documents officiels sur le text mining (pourrait-on parler de MiningLeaks ?). Le collectif Savoirscom1 vient de publier le rapport du Conseil supérieur de la propriété littéraire et artistique sur « l’exploration de données ». De mon côté, j’apporte quelques informations sur l’accord conclu entre le consortium Couperin et Elsevier concernant la licence de data et text mining accordée par le géant de l’édition scientifique à plusieurs centaines d’établissements universitaires et hospitaliers français.

Contre toute attente, les nouvelles sont meilleures du côté d’Elsevier que du CSPLA : en digne représentant des ayants-droits, le Conseil vient de retoquer toute éventualité d’exception au droit d’auteur pour les projets scientifiques de text mining (alors que le Royaume-Uni vient tout juste d’en voter une, et qu’il s’agit d’un des principaux axes des projets de réforme européens du droit d’auteur). Savoirscom1 condamne fermement cet attentisme doublé d’un certain mépris pour de nouvelles pratiques de recherche :

Le ton est donné dès la préface dans laquelle l’exploration de données est qualifiée d’activité de « nature parasitaire ». Ce terme est particulièrement choquant, puisqu’il il englobe sous cette dénomination péjorative des activités d’étude et de recherche, qui sont les premiers bénéfices que l’on peut attendre du développement des pratiques de fouilles de données (…) cet attentisme aura de graves conséquences, car l’absence d’intervention du législateur laissera le champ libre à de gros acteurs du monde de l’édition, comme Elsevier ou Springer

Puisque l’on parle des licences privées, les nouvelles conditions obtenues par Couperin sont meilleures (ou plutôt moins pire…) que prévues. Elles bordent certaines dérives graves habilement agencées par l’équipe juridique d’Elsevier qui tente d’instrumentaliser les licences Creative Commons pour introduire des enclosures inédites. Néanmoins, la situation demeure assez inquiétante et ne fait que souligner l’urgence d’une exception légale correctement délimitée.

Avant toute chose, remontons un peu dans le temps pour ceux qui n’auraient pas suivi le feuilleton.

Des Creative Commons au service des enclosures

En janvier dernier, Elsevier dévoile ses nouvelles conditions d’accès au Text et Data mining (fouille de texte et de données en bon français). Cette initiative vise à répondre à une pratique émergente : l’utilisation de techniques d’analyse automatisée d’un corpus pour synthétiser un champ de recherche. Le projet Text2Genome a ainsi permis d’identifier les acquis de plusieurs millions d’articles de recherche en biologie sur le génome humain. Très prometteuses, ces techniques se heurtent à une limite légale : les éditeur détiennent les droits d’accès aux publications scientifiques. De délicates négociations sont nécessaires pour y accéder, ce qui peut prendre plusieurs années.

Le Processus d'indexation de Text2Genome
Le Processus d’indexation de Text2Genome

Elsevier a pris l’initiative de définir un cadre d’accès unique. Cela paraît louable à première vue. Sauf que la multinationale en profite pour poser toute une série de précédents juridiques, allant jusqu’à contester par anticipation plusieurs principes fondateurs du droit de la propriété intellectuelle. Toute utilisation de techniques de Mining sur le corpus d’Elsevier est soumis à plusieurs restrictions :

  • L’utilisation obligatoire de l’API maison d’Elsevier
  • Une limitation des extraits à 200 signes.
  • L’obligation de placer le résultat de la recherche sous une licence non-commerciale.
  • L’obligation d’inclure un lien DOI vers la source originelle (article…)

Les trois dernières restrictions sont particulièrement problématiques. Elles s’apparentent à une remise en cause de deux droits fondamentaux : le droit de citation (qui doit être courte, mais n’est pas limitée à 200 signes et n’est pas couverte par des droits patrimoniaux) et, surtout, le droit de diffuser librement une information (on parlerait ici plutôt de domaine public de l’information).

Les termes de la licences sont en effet suffisamment larges pour servir de base à un droit d’auteur de la donnée. Depuis une vingtaine d’année, il existe certes un droit des bases de données en Europe, mais il ne peut porter que sur la structure de la base (sous réserve qu’elle soit suffisamment complexe et originale ; la jurisprudence a été assez sévère à cet égard). Les données brutes contenues dans la base ont le statut d’informations, soit d’entités non originales qui demeurent librement appropriables.

Or, Elsevier souhaiterait manifestement revenir sur cette limite. L’éditeur n’est pas le seul. Les industries culturelles tentent également d’emprunter cette voie, en instrumentalisant le débat sur les données personnelles. Une initiative marketing du forum d’Avignon, la déclaration préliminaires des droits de l’homme numérique, procède ainsi à un amalgame entre protection des données et protection des œuvres sujettes au droit d’auteur. Cette récupération a été fermement dénoncé par une réaction collective de plusieurs associations (dont Savoirscom1, l’OKFN et République citoyenne) :

Nous souhaitons donc rappeler qu’une donnée dite personnelle n’est pas une œuvre de l’esprit et ne devrait pas être considérée comme telle. De même, une œuvre de l’esprit n’est pas une donnée personnelle et ne devrait pas être considérée comme telle.

Elsevier n’a au moins pas l’hypocrisie de prétendre protéger les données personnelles. Sa tactique est différente : sous prétexte de requérir une gentille licence Creative Commons il introduit subrepticement une forme de droit patrimonial sur les informations ou les courtes citations.

Représentées par le consortium Couperin, les universités françaises tentent de renouveler une licence nationale avec Elsevier, venue à expiration fin 2013. Elles parviennent en février à un accord… fortement critiqué. Un bibliothécaire, Daniel Bourrion, dévoile son contenu, avant d’être contraint de se rétracter au nom d’un devoir de réserve. L’accord détaillé est finalement republié sur ce blog, puis repris dans un article sur Rue89.

Le montant total des sommes engagées sur cinq ans, près de 200 millions d’euros, paraît extravagant dans un contexte de crise globale des universités. Et la clause de Data Mining crée un précédent dangereux, un peu comme si Elsevier écrivait sa propre loi. Dans l’ensemble, les dispositions initiales de l’éditeur sont reprises sans plus de précision. Rien n’empêche d’éluder totalement le droit de citation ou d’introduire les bases d’un droit d’auteur de l’information :

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.

Ce projet initial a été clarifié. Comme je le signalais plus haut, une nouvelle version de la clause de Data Mining a été transmise à Sciences communes (j’ai changé la mise en forme pour en clarifier la lecture). Elle a manifestement profité des mises au point de plusieurs acteurs de poids et d’une réflexion beaucoup plus poussée du consortium Couperin. Ainsi, dans le cadre des auditions du CSPLA sur le statut juridique du data mining, Couperin avait cosigné avec l’Association des Directeurs et personnels des Bibliothèques Universitaires (ABDU) une critique cinglante des licences contractuelles proposées par les éditeurs.

Hors de l’exception, point de salut :

L’exception sans compensation apparaît donc comme la seule voie praticable pour régler juridiquement le problème soulevé par le TDM au regard du droit sui generis des bases de données.

Parallèlement, l’ABDU et une vingtaine d’autres bibliothèques européennes diffusent une lettre ouverte à Elsevier, forçant la multinationale à réagir. Le 10 juillet, la directrice juridique d’Elsevier, Gemma Anderton, est contrainte de réaffirmer la position générale de la firme et énonce plusieurs concessions secondaires. Ainsi la licence ne doit plus être précisée à chaque produit (notons tout de même que l’éditeur pratique toujours une stratégie des termes juridiques vagues…) mais peut faire l’objet d’une annonce globale :

Grâce aux réactions des chercheurs, nous ne requerrons plus l’association d’une licence spécifique à chaque produit mais nous invitons les chercheurs à signaler clairement que le contenu diffusé dans chaque produit peut appartenir à d’autres et qu’ils ne pourront les réutiliser que dans un but non commerciale, sous réserve que l’auteur original et la source soient crédités.

Un accord plus équilibré ?

En dépit de cette sensibilisation accrue et d’un recul notable d’Elsevier, certaines dérives n’ont pas été entièrement écartées. Le contrat final ressemble en partie à un copier-coller du contrat conclu avec ISTEX

Par rapport à l’annonce, l’accord a gagné en clarification. Il n’est plus question de tous les contenus mais de produit TDM (pour Text et Data Mining). On ne parle plus d’une information au sens large mais bel et bien de la bases de données constituée à partir des recherches. Le risque d’une contamination des conditions de licence (obligatoirement non-commerciale) à la totalité des productions scientifiques issues du projet est en partie désamorcé.

[l’Abonné peut] procéder à des analyse de données et de la fouille de texte (« Text and data mining » ou TDM) notamment via l’API accessible à l’adresse http://www.developers.elsevier.com pour, en continu, et de manière automatique, indexer, extraire et/ou traiter des informations provenant des Produits Souscrits auxquels l’Abonné souscrit séparément et charger et intégrer les résultats (la « Production TDM ») sur un serveur utilisé pour le système de text-mining de l’Abonné en vue de sa consultation et de son utilisation par les Utilisateurs Autorisés;

Comme on le voit dans l’extrait ci-dessus, un adverbe marque une autre concession importante : notamment. Les chercheurs pourront notamment utiliser l’API d’Elsevier ce qui laisse à entendre que ce ne sera pas la seule porte d’entrée possible. Pour mémoire, la politique générale d’Elsevier fait toujours de l’API l’unique voie d’accès (ce qui conditionne fortement les usages possibles) :

All access to content for text mining purposes must take place through our APIs and remind you that in order to maintain performance and availability for all users, the terms and conditions of access to ScienceDirect continue to prohibit the use of robots, spiders, crawlers or other automated programs, or algorithms to download content from the website itself.

Par ailleurs, la limite de 200 signes a été retirée pour tous les chercheurs bénéficiant de la licence nationale. Ce retrait met fin à plusieurs absurdités, telles que l’impossibilité de faire rentrer des noms de composés chimiques, dont la taille excède parfois 200 signes.

[l’Abonné peut] distribuer à l’extérieur (en dehors du groupement d’Abonnés, c’est-à-dire du Consortium Couperin.org, du MENESR  et des établissements listés à l’annexe 1 du CCAP du marché n° 201412 ABES-Elsevier) la Production TDM, pouvant inclure quelques lignes d’un texte reposant sur la requête et extrait d’articles individuels ou de chapitres de livres complets dans la limite de 200 signes

Le problème se posera toujours dès lors qu’il s’agira d’impliquer un chercheur ou une institution extérieure, mais il y aura sans doute moyen de frauder discrètement (les identifiants d’accès universitaires circulent déjà largement…). À cet égard la licence nationale opère un rapprochement souhaitable entre le droit de lire et le droit d’extraire : ceux qui peuvent accéder aux articles peuvent également en retirer automatiquement des données et des informations sans contraintes techniques lourdes.

Pour autant, tout n’est pas parfait. Même si il a dû revenir sur certaines de ses prétentions (telles que le contrôle généralisé par l’API ou le flou de la notion de contenu), Elsevier écorne toujours ces deux droits fondamentaux que sont le droit de courte citation et, surtout, le droit de diffuser l’information. Le produit TDM est envisagé dans sa totalité, ce qui va bien au-delà de la législation européenne sur les bases de données. Si l’on applique le texte de l’accord à la lettre, l’ensemble des données passent sous une licence creative commons non-commerciale. À l’instar de la déclaration bidonnée du forum d’Avignon, l’éditeur scientifique considère la base de données dérivée comme une œuvre, dont l’on pourrait délimiter les conditions de protection :

La présente œuvre est distribuée en vertu des conditions Creative Commons Attribution – Pas d’utilisation commerciale (CC BY-NC) 3.0, qui autorise son utilisation non-commerciale, sa distribution et sa reproduction sur tout support, pour autant que l’auteur et la source d’origine soient cités.

Tout ceci s’appliquerait parfaitement à une œuvre de l’esprit. Sauf que nous avons à faire à une base de données, dont seule la structure (et encore dans des cas fortement délimités par la jurisprudence) peut faire l’objet d’une forme de protection et celle-ci n’a rien de comparable Et, ce faisant, Elsevier maintient également subrepticement une forme de droit d’auteur patrimonial sur les citations. C’est là l’élément déterminant qui fonde l’exercice de ses droits sur les œuvres dérivées : la présence de citation de 200 signes, dont il est explicitement précisé qu’elles ne peuvent pas permettre de reconstituer les articles originaux. C’est là une posture cohérente avec la politique générale d’Elsevier en matière de text mining :

Le chercheur doit accepter que bien qu’il détienne le produit de sa recherche, les extraits présentés dans cette production peuvent contenir des droits de l’éditeur, de l’auteur ou de tierces parties.

Cette dérive ne surprendrait pas le fondateur des Creative Commons, Lawrence Lessig. Dès le milieu des années 2000, il s’inquiète de l’inadaptation des licences libres aux droits des bases de données. Mal appliquées, elles risquaient de recréer des enclosures, en conditionnant certaines libertés offertes par les divers codes de la propriété intellectuelle (libre reprise des informations ou des courtes citation). La conception du projet Science Commons a permis d’identifier clairement ce risque :

The core insight behind the Science Commons Data Protocol is that the solution to these problems is to return data to the public domain by relinquishing all rights, of whatever origin or scope, that would otherwise restrict the ability to do research (…) So in  Kuhn’s terms, this is a revolution, in the sense that it departs from a trend towards placing  increasing restrictions on data. But in another sense, it is far from revolutionary, because it is how science has worked best in the past and, we believe, how it must work in the future if we want science to help us find cures.

Cette réflexion essentielle (et, pour partie, prémonitoire) n’est pas si bien connue. Pour ceux que le sujet intéresse, je l’ai évoqué en détail à l’occasion d’une journée d’étude de l’Université d’Angers sur le droit d’auteur :

Depuis l’année dernière, dernière version des licences Creative Commons (dite 4.0) délimite clairement l’amplitude des droits réservés en matière de bases de données : ils ne s’appliquent qu’aux structures de la base et jamais aux informations. Évidemment, Elsevier ne se réfère qu’à la version 3.0.

Une monstruosité juridique

Enfin, ce n’est qu’un contrat parmi d’autres. Elsevier s’empresse de préciser que cela ne remet nullement en cause plusieurs accords antérieurs (tel que ceux conclus avec ISTEX) :

Les parties conviennent qu’en aucun cas, les droits garantis dans la licence au titre du marché n° 2014-12 ne viennent limiter ou annuler les droits concédés par Elsevier sur les données dans le cadre du marché n° 2013-20 concernant l’acquisition d’archives de revues dans le cadre du projet ISTEX.

La comparaison du contrat de Couperin avec le contrat ISTEX conclu l’année dernière (sur une plus petite échelle il est vrai) est d’ailleurs évocatrice. La clause de text mining accordait une limite élargie à 350 mots (et non des signes), mais elle était moins souple sur les usages (les métadonnées sont également inclues parmi les propriétés d’Elsevier et l’API est la seule et unique voie d’entrée) :

distribuer à l’extérieur la production TDM pouvant inclure quelques lignes d’un texte reposant sur la requête et extrait d’articles individuels ou de chapitres de livres complets (« Fragments ») dans la limite de 350 mots consécutifs ou des métadonnées bibliographiques. En cas de distribution de fragments et/ou de métadonnées bibliographiques, ils doivent être accompagnés d’un lien DOI (identificateur d’objet numérique) redirigeant vers l’article ou le chapitre de livre complet concerné (p. 12).

Et c’est là que l’on perçoit un autre effet néfaste de ces licences privées : créer des monstruosités juridiques en démultipliant les régimes d’usages. Que se passera-t-il si un chercheur associé à ISTEX collabore avec un chercheur bénéficiant de la licence nationale ? L’un pourra publier une base contenant des citations de 350 mots et l’autre se contentera de 200 misérables signes (soit environ 10 fois moins). Inversement, l’un aura peut-être la possibilité d’extraire le contenu des corpus d’Elsevier sans passer par l’API (alors que pour l’autre c’est définitivement exclu). Évidemment je n’envisage pas le cas suprême de la collaboration internationale d’une dizaine de chercheurs ayant chacun leurs propres conditions (j’imagine que Elsevier a essaimé des déclinaisons de sa licence data mining un peu partout).

Si, comme le prévoit le CSPLA, la possibilité d’une ébauche de débat sur une exception ne sera pas ouverte avant deux ans, je sens que le data mining pirate va devenir furieusement tendance. D’ailleurs, pour ceux qui cherchent des trucs et astuces, j’en ai quelques uns en magasin

Data mining : l’Europe s’oriente vers une exception

L’organisation Statewatch vient de mettre en ligne un document confidentiel de la Commission européenne qui spécifie les principaux scénarios envisagés pour l’évolution du droit de la propriété intellectuelle des pays-membres. J’ai publié hier une présentation générale de ce document sur Rue89. Les perspectives ne sont pas très exaltantes. Au mieux, la Commission recommande une évolution timide (avec l’introduction d’une version allégée du fair use américain). Au pire, elle acte le développement d’une régulation exclusivement marchande, les industries culturelles et les industries du web se réconciliant sur le dos du consommateur et du citoyen…

Il y a pourtant une bonne surprise : le data mining. Pour rappel, le data mining désigne l’ensemble des techniques permettant d’extraire automatiquement des éléments présents dans un document : des textes (on parle alors de text mining), des images (grâce au logiciel de reconnaissances visuels), voire même des vidéos… Cette activité est en plein essor, grâce au développement d’outils d’extraction plus efficaces et plus accessibles. Le projet Text2Genome est ainsi parvenu à compiler plus de 3 millions d’articles scientifiques afin de dresser un état de l’art monumental de l’ensemble des travaux réalisés sur le génome humain. À ma petite échelle, je suis parvenu à récupérer plus de dix ans de chroniques boursières publiées dans le Journal des débats (sans être considérable, cela représente un corpus inhabituellement grand pour les études de la presse quotidienne).

Capture d’écran 2014-04-20 à 15.49.44
Pyllica, ma petite application de data mining développée pour Gallica

Les éditeurs scientifiques tentent de capter cette manne naissante, afin d’en tirer des avantages monétaires directs ou indirects. Elsevier tire ainsi parti de sa position quasi-monopolistique pour écrire sa propre loi sur le data mining, en imposant des contraintes qui servent au mieux ses intérêts économiques et symboliques (obligation de s’inscrire, ce qui permet de récolter des méta-données, tout projet passe par l’API, ce qui permet de pré-définir les catégories d’extraction…).

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

Échaudée par l’échec du processus Licences for Europe, qui préconisait l’élaboration de licences contractuelles sur le modèle du service de data mining d’Elsevier, la Commission européenne semble sérieusement acquise au principe d’une exception : dans ce cadre, le droit d’extraire ne dépendrait plus d’accords contractuels, souvent aléatoires, mais ferait l’objet d’une exception aux diverses protections offertes par le code de la propriété intellectuelle. Deux études récentes auguraient de ce retournement : une synthèse d’avis d’expert réalisée par le juriste britannique Hargreaves, partisan d’un assouplissement du droit des bases de données (et inspirateur de l’exception actuellement discutée au Royaume-Uni) et un rapport du juriste belge Jean-Paul Trialle, dévoilé début avril, qui pointait les limites du droit d’auteur.

Les scénarios les plus crédibles développés dans le document révélé par Statewatch recommandent, avec des variations plus ou moins importantes, d’intégrer le data mining dans une sorte de fair use : a minima, toute extraction à des fins non-commerciales serait autorisée, sans avoir à passer par un accord contractuel.

Un diagnostic équilibré

Avant de passer aux recommandations et aux « scénarios » (je ne peux m’empêcher de penser que les services juridiques de la Commission sont peuplés de cinéphiles…), le document développe une séries d’analyses sur les principaux enjeux d’une modernisation du copyright. L’analyse consacrée au data mining se déploie dans deux textes : une brève synthèse de deux pages (p. 35-36) et une version développée inclue en annexe, mais qui ne reprend pas non plus tous les points de la synthèse (p. 144-149). Pour ceux qui n’ont pas envie de scroller, il est possible de consulter ces extraits dans un autre document publié par Statewatch.

Le diagnostic posé par la synthèse et sa version développée est plutôt juste. Les auteurs soulignent que le data mining constitue une activité d’avenir en raison des importants gains de temps apportés au travail scientifique. Ils reprennent également les arguments stéréotypés en faveur du big data (avec plusieurs centaines de milliards de dollars de croissance en perspective). Pour autant, le data mining reste un trou noir juridique,

D’un point de vue légal, la nouveauté et le caractère évolutif des techniques d’extraction automatisée des textes et des données soulève de nombreuses incertitudes dans de nombreux champs d’applications de la loi (p. 144).

Cette lacune risque d’affecter négativement les recherches scientifiques européennes

Certaines parties prenantes s’inquiètent du retard pris par l’Union Européenne par contraste avec d’autres régions du monde ou l’extraction automatisée des textes et des données est devenu une pratique commune dans la recherche scientifique (p. 35)

Par contraste avec le processus Licences for Europe, la présentation des enjeux n’est pas unilatérale au profit des seuls éditeurs. Le point de vue des chercheurs et des bibliothécaire est correctement exposé. Le texte fait état du questionnement sur le lien irréductible entre droit de lire et droit d’extraire :

Dans ce contexte, chercheurs et institutions scientifiques (telles que les bibliothèques universitaires) considèrent que, tant qu’elles ont accès légalement à un contenu numérique, le droit de lire ce contenu devrait automatiquement entraîner le droit de l’extraire (p. 147).

Le texte décrit également en détail le point de vue des multinationales de l’édition scientifique. Il s’étend en particulier sur deux arguments-massue des éditeurs : la nécessité de préserver la sécurité et la stabilité des plate-forme (p. 148)) ; le risque d’une dissémination accrue de contenus protégés ( p. 149). Il est intéressant de voir que la défense des éditeurs repose sur un brouillage entre les droits d’auteurs et des enjeux totalement externes. La sécurité des infrastructures n’est absolument pas incompatible avec une politique progressive en matière de data mining. Par exemple, Wikipédia autorise toute forme d’extraction sous réserve de ne pas dépasser un nombre de requêtes plafonné (si mes souvenirs sont bons, cela tourne autour de plusieurs milliers de requêtes par heure). Et la création de dérivés est déjà permise au nom du domaine public de l’information (des données et métadonnées des articles de recherche sont déjà très largement disséminées sur Google Scholar, entre autres).

Le texte mentionne également un élément intéressant dont je n’avais pas connaissance, et qui alarme beaucoup les éditeurs : le développement d’un data mining pirate (on parle aussi de grey market), qui aurait pris de l’ampleur depuis plusieurs années (p. 148). J’imagine que certains chercheurs ayant d’excellentes compétences en programmation web n’hésitent pas à hacker les plate-forme existantes (le regretté Aaron Swartz avait montré la voie…). En l’occurrence, cet argument se retourne tout seul : les vrais hackers auront toujours un train d’avance sur les plate-forme des éditeurs ; par contre la très grande majorité des chercheurs sont coincés face à un trou noir juridique.

Ce diagnostic ne débouche pas sur une résolution claire. Néanmoins, par rapport au processus Licences for Europe, la position des éditeurs a été clairement fragilisée. Les recommandations exposées dans les différents « scénarios » de la commission iront plus loin encore…

Trois scénarios pour une exception

Le document de la Commission expose cinq scénarios distincts (en comptant les deux variantes du scénario n°3) en vue d’une modernisation de la législation sur la propriété intellectuelle en Europe. Je ne vais pas m’intéresser ici aux scénarios ne comprenant pas de dispositions explicites sur le data mining : le scénario n°1 recommande de ne rien changer, le scénario n°4 préconise de créer un code de la propriété intellectuelle européen sans ne rien dévoiler de son contenu éventuel. Reste donc le scénario n°2, le scénario n°3(a) et le scénario n°3(b).

En apparence, le scénario n°2 n’est pas du tout favorable à une exception. Il se présente comme un « soutien pour les initiatives du marché ». En clair, il s’agit de redéfinir les règles de la propriété intellectuelle directement avec les industries culturelles et les industries web (la société civile passant totalement à la trappe). On pourrait ainsi s’attendre à ce que les licences contractuelles promues dans le processus Licences for Europe soient directement reprises. Et là, ô surprise… le principe de l’exception n’est pas évacué.

La Commission développerait des recommandations à l’attention des États-membres afin de clarifier dans quelle mesure les activités et les techniques d’extraction automatisée sont couvert (ou non) par le droit de la propriété intellectuelle et dans quelle mesure ils s’insèrent dans le cadre des exceptions existantes pour les usages à des fins de recherche (en particulier en regard de la directive sur la société de l’information et de la directive sur le droit des bases de données). La Commission encouragerait l’implantation maximale, par les États-membres des limitations existantes pour la recherche scientifique à des fins commerciales (p. 54).

Cette disposition reste floue et utilise fréquemment le conditionnel. Les éditeurs pourraient certainement tirer partie de la faiblesse de ces recommandations pour imposer leurs propres usages. Néanmoins, il faut garder à l’esprit qu’il s’agit du pire scénario possible : même dans cette éventualité, la Commission promeut une interprétation aussi généreuse que possible des usages non-commerciaux tels que définis dans la Directive sur la société de l’information et qui ont toujours été intégrés a minima dans les législations nationales. Pour mémoire, l’article 5(3)(a) de cette directive était ainsi conçu :

[Les États membres peuvent prévoir des exceptions] lorsqu’il s’agit d’une utilisation à des fins exclusives d’illustration dans le cadre de l’enseignement ou de la recherche scientifique, sous réserve d’indiquer, à moins que cela ne s’avère impossible, la source, y compris le nom de l’auteur, dans la mesure justifiée par le but non commercial poursuivi.

Les scénarios n°3(a) et n°3(b) présentent un point commun : l’intervention législative (ce qui, concrètement, revient à introduire des exceptions). Seulement, le 3(b) va plus loin que le 3(a) en terme d’assouplissement des dispositions de la propriété intellectuelle. En p. 62-63 on trouve un résumé rapide de leurs implications pour le data mining.

Le scénario (a) s’apparente à un fair dealing sur le modèle de la disposition envisagée par le Royaume-Uni : la mise en place d’une exception pour le data mining serait obligatoire pour l’ensemble des pays européens ; n’importe qui peut extraire un contenu sous réserve d’y avoir accès (ce qui revient à lier indissolublement droit de lire et droit d’extraction) ; seuls les projets/initiatives non commerciales relèvent de cette exception (sans doute le point le plus problématique en raison de l’imprécision du « non-commercial » : les articles de recherche, édités dans des revues, peuvent sans doute intégrer cette définition). Les licences contractuelles ne peuvent se substituer à l’exception : « les arrangements contractuels permettant l’accès légal au contenu (i. e. un abonnement) ne devraient pas outrepasser l’exception » (p. 62).

Le scénario (b) reprend tous les termes du scénario (a) et les élargit pour admettre des usages commerciaux sous réserves que les réutilisateurs ne soient pas en concurrence avec les ayants-droits ou les détenteurs du service d’accès (« tant que les usages permis n’entrent pas en concurrence avec le contenu ou le service originel » (p. 62)).

Plus loin, le texte tente de définir les impacts de chaque scénario. L’évaluation du scénario n°2 ne mentionne pas le cas particulier du data mining. Néanmoins, la Commission n’est pas totalement convaincue par la démarche générale (recommandations non contraignantes visant à s’adapter au mieux à la situation du marché). Le scénario n°2 n’aurait qu’un « impact modéré » et ne parviendrait pas unifier les dispositions des États-membres (p. 71-72).

Le scénario 3(a) est jugé plutôt équilibré : « La recherche et l’innovation bénéficieraient d’une sécurité juridique qui prendrait la forme d’une exception pour le data mining. » (p. 67).

Inversement, le scénario 3(b) est assez sévèrement critiqué :

Même si, dans certains cas, la distinction entre un usage commercial et un usage non-commercial s’avère problématique, l’introduction d’une exception couvrant aussi bien le data mining non-commercial que commercial (même en spécifiant que les usages ne doivent pas entrer en concurrence avec le contenu ou le service originel) ne semble justifié par aucune défaillance du marché, étant donné l’existence d’un marché efficient de licences de data mining entre les éditeurs et les utilisateurs commerciaux, tels que le secteur pharmaceutique. (p. 68-69)

Le texte souligne cependant que tout n’est pas perdu pour les ayant-droit et les détenteurs de service d’accès :

En même temps, [le scénario 3(b)] peut encourager le développement de nouveaux modèles économiques, permettant aux détenteurs des droits de trouver de nouvelles sources de financement.(p. 69).

Les raisons d’un revirement

Par-delà les timidités ou les réticences de la Commission (qui se montre notamment assez rigide sur les usages non-commerciaux), il est assez fascinant de voir à quel point le discours a changé en un an. En avril 2013, le processus Licences for Europe rejetait d’emblée toute solution non contractuelle : faute de parvenir à quoi que ce soit, des associations comme le LIBER (association des bibliothèques européennes) ou l’OKFN avaient été contraintes de claquer la porte.

[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.

Depuis la situation s’est presque inversée. Les éditeurs et leurs licences contractuelles sont sur la défensive. Ils peuvent au mieux espérer que l’exception restera suffisamment floue pour ne pas empiéter sur leurs licences contractuelles.

Qu’est-ce qui a pu motiver un tel changement ? Plusieurs variables ont joué, sans doute, mais la plus importante figure en introduction de l’analyse développée par la commission : la peur du déclassement. Grâce à la souplesse du « fair use », les États-Unis se sont aisément adapté à ces pratiques émergentes. Le dernier procès contre Google Books met en évidence que, pour la justice américaine, le data mining n’est pas un trou noir juridique. En sécurisant une pratique appelée à jouer un rôle considérable dans la recherche scientifique et au-delà, les américains se dotent d’un avantage décisif sur les européens. Les anglais ne s’y sont pas trompés et devraient bientôt voter une exception assez proche du scénario n°3(a) prévu par l’Union Européenne.

La géopolitique a peut-être finalement eu raison des réticences politiques…

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…

Réutilisation des informations du secteur public : quand l’Union Européenne oublie la recherche…

La France devrait prochainement intégrer les dispositions de la nouvelle directive européenne sur la réutilisation des informations du secteur public (ou ISP), qui complètent une précédente directive de 2003. Il y a encore un an, cette évolution aurait pu être considérée comme une avancée notable : la directive en question élargit le périmètre de la réutilisation aux institutions culturelles, telles que les bibliothèques, les musées ou les centres d’archives. Seulement, entre temps, la France a amplement rattrapé son retard en la matière.

Le rapport Trojette remet ainsi radicalement en cause la politique des redevances. la revente des données à des organisations privées apportait un petit complément non négligeable au budget souvent serré de plusieurs institutions publiques. Or, cette activité est d’emblée condamnée par la démultiplication des informations accessibles en ligne. Par exemple, OpenStreetMap a progressivement recréé le corpus de données cartographiques de l’IGN. Au cours des années 2010 et 2011, le produit des redevances a baissé d’un tiers. Selon toute vraisemblance, cette tendance de fond s’est poursuivie depuis.

Le Guide Data Culture rédigé par Camille Domange appelle, pour sa part, à normaliser les données culturelles. Elles ne doivent pas être considérées comme un ensemble à part au nom d’une supposée exception : « il est important que le secteur culturel, quelles que soient ses spécificités qui doivent être reconnues, ne s’inscrive pas en marge d’un mouvement qui est en marche. » (p. 3)

La directive européenne ISP n’apporte pas grand chose de neuf. Elle se situe même en retrait. Les redevances sont maintenues sur le principe (même si celles-ci ne doivent désormais pas dépasser les coûts marginaux ce qui limite grandement leur intérêt). Plusieurs dérogations limitent de fait l’ouverture des données culturelles.

Et la recherche dans tout cela ?

La directive ISP réussit un véritable exploit : ne pas parler une seule fois des implications scientifiques et intellectuelles de l’ouverture des données publiques. Le secteur entrepreneurial mobilise toute l’attention. Ainsi, en ce qui concerne les données culturelles :

L’élargissement des possibilités de réutilisation du matériel culturel public devrait entre autres permettre aux entreprises de l’Union d’exploiter le potentiel de ce matériel et contribuer à la croissance économique et à la création d’emplois.

Cette focalisation est, en soi, regrettable. La directive passe à côté d’un des aspects les plus intéressants et le plus tangible de l’open data : l’accélération du temps de la recherche et l’élargissement de l’écosystème des connaissances (qui implique désormais, de plus en plus, des projets collaboratifs para-universitaires).

Combinée aux techniques d’extraction automatisées, l’accessibilité renforcée des données permet de déléguer une partie essentiel du travail de la recherche à des algorithmes. La recherche d’information peut être en grande partie automatisée, ce qui libère du temps pour réaliser des tâches de plus haut niveau (conceptualisation de l’ensemble du projet…). Cette délégation permet également d’envisager des projets d’une ampleur inédite, à l’image de l’initiative text2genome, qui a pu cartographier le génome humaine en compilant 3 millions d’articles de recherche.

Inversement, les perspectives économiques de la directive (au sens restreint que lui donne la théorie néo-classique) restent floues. On peut très bien argumenter que l’ouverture des données publiques va se solder par une dévaluation globale de la valeur de la donnée, au détriment des entreprises qui en faisait le commerce. Le pétrole du XXIe siècle pourrait devenir de l’air : un bien commun indispensable à la bonne respiration de la société mais qui ne saurait fonder de modèles économiques viables.

Cette omission étonnante a une implication directe sur les recommandations finales. Les universités ne sont pas concernées : elles sont classées parmi les « établissements culturels autres que les bibliothèques, les archives ou les musées ». Le statut des données de recherche n’est pas logiquement précisé. En France, la loi de 1978, va forcément prévaloir. Or, les données de recherche sont explicitement exclus de son champ d’application. Elle ne porte que sur des documents administratifs et non sur l’ensemble des documents exclusivement financés par l’argent public :

Sont considérés comme documents administratifs, au sens des chapitres Ier, III et IV du présent titre, quels que soient leur date, leur lieu de conservation, leur forme et leur support, les documents produits ou reçus, dans le cadre de leur mission de service public, par l’Etat, les collectivités territoriales ainsi que par les autres personnes de droit public ou les personnes de droit privé chargées d’une telle mission. Constituent de tels documents notamment les dossiers, rapports, études, comptes rendus, procès-verbaux, statistiques, directives, instructions, circulaires, notes et réponses ministérielles, correspondances, avis, prévisions et décisions.

Quelle licence pour les données publiques ?

La directive préconise clairement un nombre minimal de contraintes légales pour la diffusion des données publiques, sans que cette préconisation ne soit une obligation. Elle recommande de se limiter à la simple attribution des auteurs.

Le nombre de restrictions à la réutilisation imposées par les licences éventuellement octroyées pour la réutilisation d’informations du secteur public devrait en tout état de cause être le plus bas possible, en limitant, par exemple, ces restrictions à l’indication de la source.

Le partage à l’identique paraît ainsi exclu de cette recommandation. Les données publiques européennes pourraient ainsi être redistribuées sous des licences plus strictes, voir sous le régime traditionnel du droit d’auteur. L’absence de toute licence virale (c’est-à-dire d’un dispositif qui établit que le statut légal originel de la publication va contaminer la republication) autorise le rétablissement des enclosures.

Ce raisonnement pose plusieurs problèmes. Il n’est tout d’abord compatible avec aucune des licences les plus souvent envisagées pour les bases de données. L’excellente licence de l’Open Knowledge Foundation, l’ODBL, prescrit explicitement un partage à l’identique. Quant aux licences Creative Commons (élargies depuis peu aux bases de données) elles incluent toutes un mécanisme viral (eh oui, même la licence CC-BY). Enfin, le domaine public ne semble pas davantage compatible avec cette conception : le copyfraud est, de plus en plus, jugé répréhensible et, du moins en France, plusieurs projets législatifs visent à endiguer cette pratique.

Le rétablissement des enclosures est une conséquence directe du soubassement discursif de la directive : considérer que l’ouverture des données publiques doit avant tout bénéficier au secteur privé. Dans ce cadre, la privatisation est inévitable. La donnée ne vaut rien tant qu’elle n’a pas été enclose et artificiellement raréfiée.

En lieu et place, je recommanderai plutôt le cadre légal suivant :

  • Formalisation d’un domaine public de l’information afin de définir le statut légal de la donnée indépendante. Ce domaine public n’inclut pas de droit moral (encore que, même si elle est difficile à mettre en œuvre, l’attribution des données individuelles est de plus en plus souvent envisagée : Wikidata est ainsi bardé de notes de bas de données). En revanche, l’interdiction du copyfraud est beaucoup mieux établie : comme le code de la propriété intellectuelle ne porte que sur des œuvres de l’esprit, la protection d’une information publiquement accessible est d’emblée impossible.
  • Préconiser une publication de la structure originale de la base sous une licence ODBL. Les licences Creative Commons CC-BY et CC-BY-SA prévoient à peu près la même chose, mais elles restent beaucoup plus flous et n’apportent pas une réelle sécurité juridique au réutilisateur. Il serait presque envisageable d’élargir le domaine public de l’information aux bases de données dans leur ensemble. Ses dispositions sont pleines de bon sens : pas d’attribution obligatoire, mais un mécanisme anti-copyfraud.

Quid des données culturelles ?

Les institutions culturelles sont clairement les plus rétives à une politique audacieuse d’ouverture des données publiques. Elles disposent généralement d’un budget assez serré : les redevances constituent des compléments non négligeables.

Le rapport Trojette avait déjà éludé la question. Le gouvernement se garde bien de trancher. Le collectif Savoirscom1 met ainsi en évidence une succession de discours et d’engagements contradictoires. Le ministère de la culture ne tient pas à passer à côté du mouvement open data. Et en même temps il traîne autant que possible :

Avec Data Culture, le ministère de la Culture a cependant accompli ces derniers mois un travail louable, confirmé par la feuille de route Open Data du ministère et les orientations prises à la suite de « L’Automne numérique ». Mais les recommandations d’ouverture du ministère ne sont pour l’instant qu’incitatives : à la différence des décisions du CIMAP, elles ne sont pas contraignantes. Les libérations de données effectuées à l’occasion de l’Automne numérique reposent, elles aussi, sur le bon vouloir des établissements.

La directive ISP ne fait pas beaucoup mieux. Bien que dans son principe, elle les intègre dans le périmètre des données publiques à ouvrir, elle inclut de nombreuses dérogations. Le GFII va jusqu’à évoquer d’une directive dans la directive. Les redevances ne sont ainsi pas plafonnées aux coûts marginaux pour les données culturelles :

Les bibliothèques, les musées et les archives devraient également pouvoir prélever des redevances supérieures aux coûts marginaux pour ne pas entraver leur bon fonctionnement.

Les données culturelles constituent ainsi, en quelque sorte, le chat de Schrödinger des politiques d’open data. Elles sont officiellement ouvertes, mais tout est fait pour qu’elles restent fermées.

Cette incertitude est fortement dommageable. Le champ des études culturelles est en pleine effervescence. L’élargissement considérable des corpus accessible et la possibilité de déléguer une partie du travail à des algorithmes offrent des perspectives inédites.

Certaines sont assez triviales. Pendant la rédaction d’un mémoire sur l’apparition de la critique musicale dans la presse quotidienne française, j’avais cherché en vain une compilation des œuvres créées et représentées à l’Opéra de Paris de 1820 à 1850 (les excellentes métadonnées de la BNF fournissent depuis peu une liste non exhaustive). Le data-journalisme est également friand de ce genre de compilations, qui permettent de créer des visualisations instructives et attrayantes (l’article du Monde sur les prix littéraires constitue un très bon exemple du genre).

D’autres sont proprement inimaginables. La connectivité croissante de données touchant à tous les aspects de la vie humaine pourrait permettre de saisir des phénomènes dont nous n’avons pas la moindre idée. Les projets Wikimédia (désormais épaulés par Wikidata) passent à la vitesse supérieure. Les données culturelles sont tout particulièrement concernées : un partenariat est en cours d’élaboration avec le JocondeLab afin de compiler les informations sur 300 000 œuvres des musées français.

Le mouvement des humanités numériques commence tout juste à évaluer l’incidence de ces avancées. Nous ne sommes qu’au tout début d’une révolution des usages scientifiques qui nous réserve bien des surprises… IL convient de la contraindre aussi peu que possible.