Archives mensuelles : décembre 2013

Quelle licence pour les archives ouvertes ?

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

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

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

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

Face aux industries académiques

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

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

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

De nouveaux entrants aux méthodes troubles

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

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

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

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

Des limites du non-commercial

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

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

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

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

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

Préserver la licence pour préserver nos biens communs scientifiques ?

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

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

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

Les archives HAL vont-elles passer sous licence libre ?

La recherche française en libre accès est peut-être à la veille d’une révolution de grande ampleur. Le principal service d’archive ouvertes français, HAL, se convertirait aux licences libres. Si l’on en croit certains échos, pas tout-à-fait confirmés, toutes les publications hébergées passeraient par défaut sous une licence Creative Commons : CC-BY.

Il y a deux semaines, Laurent Romary annonçait cette mutation probable sur la liste de diffusion « Open Access » de l’Open Knowledge Foundation. Une vive discussion s’était engagée sur le futur de la publication en libre accès et sur les menaces d’enclosures que faisaient courir certaines entreprises spécialisées dans l’open washing (en particulier les réseaux sociaux scientifiques). Face à cela, Romary soulignait les mérites du modèle français.

  • La centralisation sur une seule plate-forme permet d’éviter une trop grande dispersion de l’information.
  • En même temps, chaque institution est libre d’organiser sa propre politique en matière de dépôt
  • Le contenu est disponible pour tout projet d’extraction de données.

Et Romary ajoute, entre parenthèses : « OK, vous ne trouverez pas de licence CC sur la version actuelle, mais la prochaine version (nom de code, V3), devrait se convertir au CC-BY. »

Je lui ai demandé quelques précisions sur Twitter. Il m’a confirmé que cette orientation était très sérieusement retenue :

Ce changement de statut juridique n’a rien de cosmétique. Sur le long terme, il va avoir des incidences profondes, bien au-delà des communautés scientifiques spécialisées.

Les limites du copyright tolérant

Jusqu’à présent, HAL avait mis en application une conception assez limitée du libre accès. L’accent était mis sur la consultation au détriment des usages. Les archives étaient accessibles, mais l’on ne pouvait rien en faire : elles dépendaient toujours de la législation française sur le droit d’auteur.

On pourrait se dire que cette limitation n’est pas très dommageable. À partir du moment que l’on peut consulter l’article en ligne, l’essentiel est acquis.

Et pourtant, les écueils de ce libre accès « canada dry » sont nombreux. De multiples activités fondamentales nécessitent un accord préalable du ou des auteurs. C’est ainsi le cas :

  • Des reprises de l’archive originelle, sur toute autre interface que la plate-forme originelle
  • Des traductions : le copyright tolérant ralentit de fait la libre circulation des recherches scientifiques d’une langue à l’autre.
  • Des impressions ou copies sur une clé USB, notamment pour étendre la diffusion de l’œuvre originales auprès d’un public n’ayant pas accès à Internet et/ou à un matériel informatique. Les universités de pays en voie de développement sont tout particulièrement concernées.
  • Des réutilisations par les projets de libre diffusion des connaissances. Wikisource est ainsi en train d’envisager de republier des articles en libre accès (j’y reviendrai plus en détail dans un billet ultérieur).
  • Des études de corpus, notamment par des systèmes d’extraction de données automatiques.

Bref, le copyright tolérant va largement à l’encontre des principes originels du libre accès. Seule la consultation par ordinateur est prise en compte ; les réutilisations ultérieures sont totalement impossibles. Dans le sillage de l’affaire MyScienceWork Lionel Maurel relevait qu’on ne peut réduire l’open access à l’accès technique : il faut prendre les termes « accès » et « libre » au sens plein. Or, par un phénomène progressif d’affaiblissement sémantique,

l’Open Access en France s’est déjà hélas très largement déconnecté de cette définition, si bien que le rapprochement entre les archives ouvertes et les licences libres en vient à être aujourd’hui problématique, notamment sur les grandes plateformes qui diffusent les résultats de la recherche.

Ce qu’apporte le CC-BY

Le CC-BY est l’une des licences Creative Commons les plus libérales. Elle ne prescrit que de citer l’auteur original. Pour le reste, l’éventail des autorisations est très large :

  • Il est possible de réaliser un dérivé de l’œuvre originale (ce qui comprend notamment les traductions).
  • Il est possible de faire une utilisation commerciale de l’œuvre (ce qui permet d’assurer le défraiement d’une diffusion par clé USB ou par une impression sur support papier).
  • Il est possible de reproduire l’œuvre sous une autre licence.

En raison de son ouverture maximale, cette licence est actuellement privilégiée par l’initiative de Budapest :

Dans la mesure du possible, les politiques des organismes subventionnaires devraient exiger l’accès dans sa forme libre et non simplement gratuite, préférablement accompagné d’une licence CC-BY ou équivalent.

Le passage au CC-BY n’entraîne pas seulement des modalités de diffusion considérablement étendues. Il marque une retour à la philosophie fondamentale du libre accès : rendre non seulement les publications accessibles aux chercheurs spécialisés (qui peuvent encore se satisfaire de la seule consultation) mais faire en sorte qu’elles puissent être diffusées à toutes les échelles de la société.

Portées par les nouvelles technologies de l’information, les échanges entre les communautés scientifiques et la société civile ne cessent de s’intensifier. Chasseurs de planètes, collecteurs de végétaux, encyclopédistes : les espaces d’interactions n’ont jamais été aussi nombreux.

La conversion de HAL au CC-BY aurait certainement un effet boule de neige. En raison de l’organisation centralisatrice du modèle français, de nombreuses archives universitaires en dépendent déjà directement. Le service du CNRS s’est imposé comme un parangon à imiter.

On ne peut que soutenir cette initiative audacieuse. Jusqu’alors plutôt en retrait face aux évolutions accélérées des pratiques de publications scientifiques, la recherche française y gagnerait une longueur d’avance.

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.