Archives pour la catégorie Ouverture des données scientifiques

Aime tes données… et permets à autrui de les aimer aussi

Il s’agit de la traduction en français de mon billet “Love your data – and let others love it, too”.

Projects, une initiative de Digital Science, propose une appli de bureau permettant d’organiser et de gérer de façon efficace les données que vous produisez dans le cadre de projets de recherche. La raison d’être de Projects est l’idée que les données scientifiques doivent être correctement gérées et préservées si nous voulons qu’elles soient pérennes : il y a en effet une tendance inquiétante démontrant que chaque année, la quantité de données de recherche générée augmente de 30% alors que 80 % des données scientifiques sont perdus en vingt ans.

Projects et figshare (la plate-forme de partage de données scientifiques sous licences ouvertes) ont publié une infographie assez impressionnante sur la conservation des données, très révélatrice de leur mauvaise gestion chronique [voir ci-dessous]. Ce qui m’a frappé en voyant ces chiffres n’est ni l’avalanche de données, ni l’ensemble des sous en jeu – 1,5 milliards de dollars dépensés en R&D ! – mais le peu ou pas d’informations sur les politiques publiques visant à résoudre le problème.

Ce serait se fourrer le doigt dans l’œil que de considérer suffisant l’accès à la publication scientifique seule. Une publication est un résumé, une sorte de publicité savante, et – seule – ne pourra en aucun cas se substituer aux données brutes, les protocoles et les détails de l’expérience, et — le cas échéant – le code source du logiciel utilisé pour effectuer l’analyse. Pourtant, alors que le nombre de revues ouvrant l’accès aux publications scientifiques ne cesse de croître, les chercheurs et leurs institutions respectives tardent à commencer le partage massif de données scientifiques. Cette paresse n’est pas anodine : l’infographie montre que 80% (!) des jeux de données vieux d’au moins 20 ans ne sont pas disponibles.

Un tel nombre délirant n’est cependant que la pointe de l’iceberg : chaque fois que nous produisons des données, nous générons également des métadonnées (« des données sur les données ») et des protocoles (les descriptions des méthodes, analyses et conclusions). Et, surprise sur prise, comme les fichiers s’accumulent rapidement et qu’on les gère mal, toute cette production tombe dans l’oubli.

Cela signifie également que les données que nous produisons aujourd’hui ne sont pas non plus accessibles à la communauté scientifique en général. Beaucoup d’expériences donnent des résultats négatifs ou neutres, ne permettant pas de confirmer les hypothèses de travail. C’est une considération doublement importante. Premièrement, nous perdons notre temps, de l’énergie et du jus de cerveau à refaire ce que des collègues ont fait et qui ne fonctionne pas. Mais puisque les données ne sont pas partagées, nous plongeons gaiment dans l’écriture de demandes de subventions pour avoir de l’argent pour finalement produire des données qui ne feront pas l’objet d’un papier … vu que les publications aujourd’hui ne présentent que des résultats « positifs » (c’est-à-dire, qui viennent appuyer des hypothèses de travail).

Deuxième problème avec le non-partage de données est l’impossibilité de répéter ou même de statistiquement vérifier une étude présentée. Cela a un nom : la recherche reproductible. Nous avons tous entendu parler du résultat choquant de l’étude de Glenn Begley de 53 publications phares de la recherche sur le cancer (petit indice : seules 6 d’entre elles ont pu être reproduites indépendamment). L’infographie ci-dessous donne une image quelque peu différente mais toujours effrayante : 54% des ressources utilisées dans 238 études publiées n’ont pas pu être identifiées, rendant ainsi la vérification impossible. Et enfonçant le clou encore un peu, l’infographie souligne également que le nombre de rétractations en raison d’une erreur ou de fraude a été multiplié par 5 depuis 1990. Ce chiffre vient en complément d’une autre estimation montrant que le nombre de publications rétractées a été multiplié par 10 depuis 2000.

Nous avons besoin que des politiques publiques viennent à la rescousse. Les agences de financement et diverses autres institutions commencent à exiger une meilleure gestion des données, nous dit l’infographie, citant la « Déclaration sur l’accès aux données de la recherche financée sur fonds publics » et le NIH, MRC et Wellcome Trust (ceux-là demandant maintenant que des plans de gestion des données fassent partie des demandes de financement). L’UE s’est également engagée à considérer les données produites dans le cadre d’études financées par des deniers publics comme des données publiques. Une telle position aligne donc le partage des données de rechercher avec celui d’autres données du secteur public dans un cadre plus large : celui des données publiques ouvertes. En soutien à ces belles paroles, la Commission européenne a aussi lancé le projet Pilot on Open Research Data dans le cadre du programme Horizon 2020.

P.S. Et au cas où vous auriez besoin d’incitations supplémentaires pour partagez vos données, voici un peu de lecture.

P.P.S. De ce que j’ai entendu, les gens de Projects sont intéressés à connaître votre avis sur la question de disponibilité des données et la façon dont vous gérez les données que vous produisez dans le cadre de votre recherche, alors parlez-leur sur Twitter @projects.

?????????????????Love your data – practise safe science

Quel statut légal pour le data-mining ?

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

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

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

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

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

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

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

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

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

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

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

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

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

Une réflexion européenne qui tourne mal

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

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

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

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

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

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

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

Les termes du débat

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

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

L’exploration automatisée pose en effet plusieurs problèmes.

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

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

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

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

Du droit de lire au droit d’extraire

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

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

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

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

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

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

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

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

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

Politiques publiques pour l’ouverture des données scientifiques

Mélanie Dulong de Rosnay m’avait conviée à la journée d’étude interdisciplinaire de l’ISCC intitulée “Ouverture des données massives scientifiques. Quels risques, quels bénéfices ?“, le 6 décembre 2013. Un grand “merci” aux organisateurs et modérateurs de ces échanges, ce fut une journée très réussie et enrichissante. Je suis intervenue lors de la 2e table ronde qui traitait des avantages et dangers d’une telle ouverture ainsi que des nécessités en termes de politiques publiques pour que cette ouverture se fasse. Voici mes notes de préparation dont tous les points ont été abordés. Afin d’augmenter la visibilité du débat, j’ai également publié une dépêche sur LinuxFr.org.

IMAG1275-1

À la recherche des données de recherche

« Monter sur des épaules de géant pour voir plus loin », disait Newton. Aujourd’hui, nous continuons à construire en nous fondant sur les concepts et les résultats de nos prédécesseurs. Mais aujourd’hui, nous sommes face à un problème que Newton n’aurait jamais pu anticiper : l’impossibilité d’accéder aux données scientifiques générées par nos pairs.

La recherche scientifique actuelle produit une quantité de données incommensurable, chaque expérience individuelle pouvant générer des giga- ou des térabits de données. Le problème pour la communauté scientifique est que la majorité de ces données ne parvient pas à être publiée car les publications scientifiques tendent, par nécessité, à être limitées aux conclusions principales ou aux résumés des résultats les plus frappants. Les données brutes sont souvent laissées de côté et peuvent être altérées ou perdues, ainsi inaccessibles à la communauté actuelle et future.

Étant donné que la majorité de données de recherche représente de la donnée « négative » (c’est-à-dire produites par des expériences ratées ou ne validant pas/ne donnant pas de réponse claire à l’hypothèse de départ), la perte de ces données mène à une répétition inutile d’expériences chères et chronophages. C’est un problème qui s’auto-entretient : si les chercheurs basent leurs hypothèses sur la littérature publiée seulement, ils continueront à perdre de l’argent et du temps répétant des manipulations ratées et, au mieux, reproduisant des données non-nécessaires ou, au pire, créant de nouveaux jeux de données de faux positifs.

Les essais cliniques, essaie encore

Là où ces considérations ont une importance particulière : les essais cliniques. Le manque de jeux de données adéquats a donné des médicaments placebo et nocifs faisant objets de scandales à répétition depuis des années. Des études (supplémentaires ou annexes) faites par des chercheurs d’autres labos ne peuvent pas ré-analyser ces jeux de données : ils ne sont en mesure ni de les combiner à de nouveaux datasets ni de les utiliser dans des cas non-anticipés par ceux ayant originellement produit les données.

D’une importance critique est également la capacité à reproduire les résultats déjà publiés. Cela ne peut être fait que si toute l’information est disponible. Cette information peut inclure les données brutes, le logiciel et son code source utilisés ainsi que les métadonnées correctes pour chaque fichier. Un récent exemple de souci conséquent de reproductibilité est l’étude faite par Glenn Begley ayant testé (si et) combien parmi 53 études fondatrices de la recherche sur le cancer sont reproductibles. Le résultat est affligeant : seules 6 des 53 le sont… Même connaissant les limitations des essais pré-cliniques, ce résultat était choquant.

Le jeu de la plate-forme

Dans certains domaines scientifiques, les données commencent plus ou moins timidement à être publiées. Des défauts et problèmes persistent cependant quant à la manière de partager les données de recherche tant il manque des plate-formes agréées et des formats ouverts et interopérables. Il nous reste énormément de chemin à parcourir également pour l’ouverture des données sur la recherche, actuellement indisponibles en France. Il est ainsi impossible d’avoir une vision globale et fondée sur les thématiques scientifiques prioritaires et les dotations accordées ces quelques dernières années en France.

Là où le bât blesse, c’est que les données sur l’activité et la production de la recherche existent. Les rassembler et les publier est le travail d’Etalab, la mission du Premier Ministre dont la mission est d’accompagner les administrations publiques dans les démarches d’ouverture de données qu’elles produisent. Pour l’instant, l’ANR (Agence Nationale de la Recherche) se montre frileuse : d’après une enquête récente menée par Deuxième Labo, l’ANR explique qu’elle ne représente qu’une partie minime du budget total de la recherche publique (traduction : « oh, laissez-nous tranquilles ») et que de toutes façons l’Agence ne saurait agir en dehors d’une action groupée de l’ensemble des acteurs concernés.

Le secteur public décideur de demain (ouais plutôt demain)

Tiens, donc voilà qu’on en arrive aux histoires de politiques publiques… Elles commencent—très timidement mais quand même—à se dessiner. La Commission Européenne a débuté le programme OpenAIRE qui vise à être un portail unique vers toutes les publications produites dans le cadre des financements accordés par le FP7. Le successeur du FP7, soit le Horizon2020, prévoit d’assurer une continuité en ce sens et s’enrichit également de recommandations en faveur de l’Open Data en recherche. Il ne s’agit cependant pas d’obligations, mais de recommandations…

Même si c’est un pas pour l’instant humble, d’autres initiatives s’y ajoutent telles que la directive PSI. La France est parmi les 9 États membres qui ont adapté leurs législations autour de l’accès des données publiques pour inclure la ré-utilisation de la directive PSI. La Commission s’est également exprimée sur la nécessité de considérer les données de recherche produites avec des deniers publics comme des données publiques, donc devant suivre le même traitement que les autres données publiques. Enfin, l’European Medicines Agency s’est engagée dans l’élaboration d’un cadre légal pour la publication des données d’essais cliniques.

Et maintenant ?

Avant de terminer, je souhaiterais ouvrir sur quelques questions d’ordre légal. Selon la législation en vigueur, les données brutes sont dans le domaine public. En Europe et en France, un droit spécifique—dit des bases de données,—s’applique protégeant la structuration particulière dont peuvent faire objet les données brutes. L’objectif de cette loi (imposée depuis 1996) est de protéger les investissements financiers et humains mobilisés pour la construction de la base de données en question. Mais cet effet n’a pas été démontré et aux États-Unis, une industrie relative s’est développée. La couche spécifique que représente le droit des bases de données peut conduire à une limitation d’accès aux données brutes. La vente d’accès à la base de données est généralement un service qui exclut toute utilisation autre que la consultation. Voyons comment la version 4.0 des licences de la famille Creative Commons—qui inclut désormais les droits des bases de données—changera la donne.

Une autre question légale concerne l’assistance aux chercheurs, que ce soit en tant qu’auteurs lors de la signature du contrat avec un éditeur, que ce soit en tant que producteur de données inscrites dans un cadre légal où se croisent le régime de propriété intellectuelle imposé par l’université, par le centre de recherche, par l’agence de financement, par la définition de la structure (par ex., UMR…). Il n’est même pas dit qu’on puisse trouver de telles informations facilement : j’ai ainsi tenté de vérifier le cadre légal que l’ANR applique, mais je n’ai rien trouvé dans la documentation mise en ligne par leurs soins.

Enfin, nous devons aussi explorer le retour à la dynamique d’échanges de matériel biologique (et son statut : est-ce de la donnée ?), dynamique autrefois courante, mais aujourd’hui fortement limitée.